异常检测不需要目标光谱先验，但虚警更多；光谱匹配检测精度更高，却把精度押在先验光谱的可靠性上。当大气、光照与传感器差异让先验本身就"不准"时，是硬着头皮匹配，还是退回异常检测再靠空间/上下文二次确认？本文把这道选择题拆成可计算的账。
摘要
高光谱小目标检测长期存在两条技术路线：以RX类算子为代表的异常检测不依赖目标光谱先验，把"与局部背景统计不一致"作为判别依据；以光谱角制图（SAM）、匹配滤波（MF）、约束能量最小化（CEM）为代表的光谱匹配检测则依赖一条可信的目标参考光谱。工程实践中的真实困境在于：先验光谱往往因大气校正残差、光照几何、传感器光谱响应差异而失真，此时"硬匹配"会把误差直接放大为漏检与误检，"退回异常检测"又会让虚警率显著上升、人工复核成本失控。
本文提出一条贯穿全文的分析主线——把"先验置信度"显式建模为调度变量，构建"匹配—异常"双路协同的决策框架，并用"单位有效检出成本"这一统一货币，把交付精度与人工复核成本折算到同一张账上。围绕这条主线，本文依次讨论：小目标在高光谱场景下的可检测性边界；异常检测虚警的结构性来源；光谱匹配对先验误差的敏感度传播机制；先验置信度的可观测代理指标；双路融合的三种工程形态（串联门控、并联投票、置信加权）；以及在不同先验质量区间下的路线选择准则与操作步骤。
本文的核心判断是：这不是一道"二选一"的题，而是一道按先验置信度分段定价的资源分配题。当先验置信度低于某临界值时，异常检测+空间上下文二次确认的期望总成本更低；高于临界值时，光谱匹配的边际收益迅速占优。临界值可由漏检代价、复核单价与先验误差分布共同解析给出，而非凭经验拍板。
目录
一、问题的本质：两条路线在优化什么
要算清这笔账，先得把两条路线的目标函数写明白。异常检测与光谱匹配并不是"同一任务的两个精度档位"，它们在统计假设、误差结构和失败模式上都是不同的东西。把它们放在同一张表里比较之前，必须先对齐"它们在优化什么"。
异常检测的经典代表是Reed-Xiaoli（RX）算子，其核心是把每个像元与局部背景的均值—协方差模型做马氏距离度量，判别统计量为 D(x)=(x−μ)ᵀΣ⁻¹(x−μ)。它优化的是"与背景统计分布的一致性偏离"，不需要知道目标长什么样。本文评述：RX的隐含假设是背景近似多元高斯且局部平稳，这两个假设在高光谱小目标场景下恰恰最脆弱——背景异质、样本不足、协方差估计病态，都会让虚警从"偶发"变成"结构性"。
光谱匹配检测则把目标参考光谱 d 当作已知量，通过SAM的夹角、MF的信噪比投影或CEM的能量约束来构造判别量。它优化的是"与已知目标光谱的相似度"，本质是一个有监督的模板匹配问题。本文评述：它的精度上限由先验光谱决定，而它的误差传播路径是"先验误差→投影方向偏移→判别量系统性偏差"，这条路径在小目标信噪比下会被进一步放大。
一句话对齐：异常检测在优化"无先验条件下的召回"，光谱匹配在优化"有先验条件下的精确率"。前者把风险放在虚警端，后者把风险放在先验端。所谓"该走哪条路"，实质是问：当前先验端的不确定性，是否已经大到让精确率优势被抵消？
这个问题之所以在工程上反复出现，是因为高光谱小目标检测的典型场景——海上小艇、车辆、伪装目标、油气微渗漏点——往往同时具备三个特征：目标占像元数极少（常低于几十个像元）、先验光谱来自库或历史影像而非同步实测、大气与光照条件逐景变化。三者叠加，使得"先验不可靠"不是例外而是常态。笔者认为，把这个问题当作"算法选型"来讨论是失焦的，它本质是一个在不确定性下做资源分配的运筹问题。
二、小目标的可检测性边界：为什么"小"改变了一切
"小目标"在高光谱语境下不是一个模糊的形容词，它有可量化的边界。通常以目标占据的像元数（或亚像元丰度）与目标—背景光谱对比度共同刻画。当目标像元数低于检测器有效支撑窗口的某个比例时，背景统计估计与目标信号会相互污染，这是小目标检测区别于常规目标检测的根本原因。
从信号检测理论看，可检测性由输出信噪比（SNR）与虚警概率共同决定。对于匹配滤波类检测器，输出SNR近似与目标丰度、光谱对比度成正比，与背景协方差在该方向上的投影成反比。本文评述：小目标带来的第一个后果是协方差估计的样本不足——局部窗口内可用于估计背景统计的像元数骤减，Σ⁻¹ 的估计方差急剧上升，判别量的分布尾部变厚，虚警自然升高。第二个后果是光谱混合——目标像元往往与背景线性混合，观测光谱是目标光谱与背景光谱的凸组合，直接与纯目标先验做匹配会产生系统性夹角偏差。
| 目标尺度（像元占比） | 主导误差源 | 异常检测表现 | 光谱匹配表现 |
|---|---|---|---|
| > 数十像元（面目标） | 背景异质性 | 虚警可控 | 精度优势明显 |
| 数像元至十余像元 | 协方差估计方差 | 虚警上升 | 先验误差开始主导 |
| 亚像元（丰度 < 0.3） | 光谱混合 + 低SNR | 虚警显著，需上下文 | 对先验误差极敏感 |
表1 目标尺度与主导误差源的对应关系（定性归纳，综合经典检测理论与工程经验，非单一文献数据）。
这张表想说明的是：目标越小，两条路线的误差结构越趋同——都退化为"低信噪比下的弱证据判别"。此时单靠光谱维度的判别力已经不够，空间上下文、多时相一致性、形态学约束这些"非光谱证据"的权重必须上升。这也解释了为什么工程上"退回异常检测+二次确认"往往有效：它不是放弃了光谱信息，而是把光谱证据降级为弱先验，把决策权交给更稳健的多源证据融合。
三、异常检测：虚警的结构性来源与可压缩空间
异常检测的虚警不是"调阈值就能解决"的工程细节，它有明确的结构性来源。把这些来源拆开，才能判断哪些虚警可压缩、哪些必须靠二次确认消化。
3.1 虚警的四个来源
（1）背景模型失配。RX假设局部背景服从单一多元高斯分布，但真实场景中背景常由多种地物拼合，分布呈多峰。本文评述：多峰背景下的单一高斯拟合会把"峰间过渡区"误判为异常，这是虚警的第一大来源，且随场景复杂度上升而非线性增长。
（2）协方差估计病态。高光谱波段数常达数百，而局部窗口像元数有限，样本协方差矩阵接近奇异，求逆放大噪声。笔者在工程中常见到：波段数越多、窗口越小，虚警越不稳定，这正是估计病态的直接体现。
（3）辐射与几何伪异常。云边缘、阴影、水体镜面反射、地形阴影都会造成局部统计突变，被误判为异常。这类虚警与目标信号在光谱上可能高度相似，是纯光谱方法难以区分的。
（4）阈值—代价错配。异常检测输出的是连续异常分，落地必须切阈值。阈值按固定分位数设定时，虚警数随场景规模线性膨胀，与人工复核能力脱节。
3.2 可压缩空间与压缩手段
上述四类虚警中，（1）（2）可通过改进背景建模压缩：如采用局部多模型、子空间RX、核RX或基于低秩+稀疏分解的方法，把背景从单一高斯扩展为低秩子空间加稀疏残差。本文评述：低秩稀疏分解类方法的实质是把"异常"重新定义为"不能被低秩背景解释的稀疏成分"，这在一定程度上缓解了多峰背景问题，但对结构性伪异常（云边缘、阴影）依然无力，因为它们在空间上也是稀疏的。
（3）（4）则必须引入非光谱证据。空间上下文（形态、尺寸、邻域一致性）、多时相变化、地形与水体掩膜，都是压缩伪异常的有效手段。笔者认为，异常检测路线的真正价值不在于"检测得准"，而在于"不漏"——它提供了一个高召回的低成本候选集，后续靠上下文与人工把虚警筛掉。因此评估异常检测不应只看AUC，而要看"在给定复核预算下能保住多少真目标"。
操作提示：把异常检测的输出从"二值图"改为"分级候选集"（按异常分分层），并记录每层的经验召回率与虚警密度。这一步是后续成本建模的数据基础，很多团队跳过它直接调阈值，导致无法回答"多花一小时复核能多救回几个目标"。
四、光谱匹配：先验误差如何被放大为检测误差
光谱匹配的精度优势建立在"先验光谱可信"这一前提上。要判断先验不可靠时该不该硬匹配，必须先把先验误差到检测误差的传播链条讲清楚。
4.1 先验误差的三个来源
大气校正残差：辐射传输模型参数（气溶胶、水汽）估计误差会以乘性/加性形式残留在反射率上，且随波长非线性变化。本文评述：这类误差不是白噪声，而是有结构的平滑偏差，它会系统性地改变光谱形状，对SAM这类形状敏感算子影响尤大。
光照与观测几何：太阳高度角、观测天顶角、方位角差异改变二向反射分布，同一地物在不同几何下光谱形状不同。笔者认为，这一项在跨景、跨季应用中常被低估，却是"库光谱"与"实测光谱"系统性偏离的主因之一。
传感器光谱响应差异：不同载荷的波段中心波长、带宽、响应函数不同，同一目标在A传感器上的光谱搬到B传感器上会产生重采样偏差。跨传感器迁移时，这一项必须显式校正，否则匹配精度会断崖式下降。
4.2 误差放大机制
以匹配滤波为例，其判别量可写为 y = dᵀΣ⁻¹x / (dᵀΣ⁻¹d)。当先验 d 存在偏差 Δd 时，判别量的偏差近似正比于 Δd 在 Σ⁻¹ 度量下的投影。本文评述：这意味着先验误差的破坏力取决于它落在背景协方差的哪个特征方向上——若偏差方向与背景主要变化方向重合，会被背景"吸收"；若落在背景方差小的方向上，则被显著放大。这解释了为什么同样的先验误差，在不同场景下造成的精度损失差异巨大。
对小目标而言，还有一层放大：目标信号弱，判别量本身接近噪声水平，先验偏差带来的系统性偏移相对噪声的比例更高，等效于把检测器的"工作点"整体挪动，导致在固定虚警率下召回下降，或在固定召回下虚警上升。笔者认为，"硬着头皮匹配"的代价不是均匀的精度损失，而是工作点的系统性漂移，这种漂移在阈值固定时表现为漏检集中出现在特定地物背景上，具有可诊断性。
| 先验误差类型 | 误差结构 | 对SAM影响 | 对MF/CEM影响 |
|---|---|---|---|
| 大气校正残差 | 平滑、波长相关 | 改变形状，影响大 | 投影方向偏移 |
| 光照几何 | 乘性、整体缩放 | 夹角不敏感（尺度不变） | 幅度偏差，影响中等 |
| 传感器响应 | 波段重采样偏差 | 形状畸变，影响大 | 方向与幅度双重偏差 |
表2 先验误差类型与匹配算子敏感性的对应关系（基于算子数学性质的定性推导）。
这张表给工程上的直接启示是：若先验误差以整体缩放为主（光照几何），SAM因尺度不变性反而更稳健；若误差以形状畸变为主（大气残差、传感器差异），SAM的优势会被侵蚀，此时应优先做光谱形状校正或改用对形状不敏感的特征。这条判断比笼统地说"匹配依赖先验"更有操作价值。
五、先验置信度：可观测的代理指标与量化方法
全文主线要落地，关键是把"先验置信度"从主观判断变成可观测、可计算的量。否则"按置信度调度"只是一句口号。本节给出四个可操作的代理指标及其组合方式。
5.1 四个代理指标
指标A：先验—背景可分性。计算先验光谱在背景协方差度量下的马氏距离，距离越大说明先验与背景越可分，匹配越不容易被背景淹没。本文评述：这个指标同时反映"先验是否典型"和"背景是否压制"，是性价比最高的单指标。
指标B：先验内部一致性。若先验来自多条样本光谱（如库中同类多条、历史影像多点采样），计算它们两两之间的光谱角方差。方差小说明先验稳定，方差大说明先验本身不确定。笔者认为，这是最容易被忽略却最直接的置信度信号。
指标C：交叉验证一致性。用先验在已知真值（或高置信样本）上跑匹配，统计其召回与虚警，作为先验质量的"体检"。若在已知样本上都表现不佳，说明先验已失真。
指标D：异常—匹配一致性。对同一场景分别跑异常检测与匹配检测，统计两者高分区的重叠度。重叠度高说明先验与数据一致；重叠度低说明至少一方有问题，需进一步诊断。本文评述：这个指标不需要真值，纯数据驱动，适合无标注场景的在线监控。
5.2 置信度评分与分段
把四个指标归一化后加权合成一个0—1的置信度评分 C，并按经验分段：高置信（C > 0.7）、中置信（0.4—0.7）、低置信（C < 0.4）。分段阈值需在具体场景用标注数据校准，不可直接照搬。本文评述：置信度评分的价值不在于绝对准确，而在于把"拍脑袋"变成"可复现的分段"，使不同景、不同批次的处理策略保持一致。
# 先验置信度评分（示意伪代码，阈值需按场景校准）
def prior_confidence(d, bg_mu, bg_cov, prior_samples, scene):
A = mahalanobis(d, bg_mu, bg_cov) # 指标A：先验-背景可分性
B = 1.0 / (1.0 + spectral_angle_var(prior_samples)) # 指标B：内部一致性
C = crossval_recall(d, scene.val_set) # 指标C：交叉验证一致性
D = overlap_ratio(anomaly_scores(scene), match_scores(scene, d)) # 指标D
score = 0.35*norm(A) + 0.25*B + 0.25*C + 0.15*D
return score # 高>0.7 / 中0.4-0.7 / 低<0.4六、统一货币：单位有效检出成本的建模
要回答"账怎么算"，必须定义一种能同时容纳精度与人工成本的货币。本文提出单位有效检出成本（Cost per Effective Detection, CED）：为获得一个被确认为真的检出，平均需要付出的总代价，包括算法计算、人工复核与漏检损失。
设候选集规模为 N，其中真目标 T 个、虚警 F 个（N = T + F），复核单价为 c_r，漏检单价为 c_m（含任务失败、返工、信誉等折算），算法固定成本为 c_a。则：
CED = (c_a + c_r·N + c_m·(T_true − T)) / T
其中 T_true 为场景真目标总数，T 为被检出的真目标数。本文评述：这个式子的关键性质是——虚警通过 c_r·F 进入分子，漏检通过 c_m·(T_true−T) 进入分子，两者在同一量纲下相加。于是"异常检测虚警多"与"匹配检测漏检多"不再是定性描述，而是可比较的两个加数。当 c_m 远大于 c_r 时（漏检代价高），系统会倾向高召回路线；当 c_r 高、复核人力紧张时，系统会倾向高精度路线。这正是两条路线在不同业务下的真实取舍。
临界点的解析直觉：设异常检测路线为 (T₁, F₁)，匹配路线为 (T₂, F₂)。匹配路线更优的条件是 c_r·(F₂−F₁) + c_m·(T₁−T₂) < 0，即 c_m / c_r > (F₂−F₁)/(T₁−T₂)。右侧是"匹配路线每多救回一个目标所减少的虚警数"，左侧是业务给定的代价比。当先验质量下降，T₂ 下降、F₂ 上升，右侧迅速变大，匹配路线很快不再占优——这就是"先验不可靠时该退回异常检测"的定量表达。
笔者认为，这个模型最大的工程价值是逼团队把 c_m 和 c_r 显式写下来。很多争论"该用哪个算法"的会议，实质分歧在于双方心里的 c_m/c_r 不同，却从未对齐。一旦对齐，路线选择往往立刻清晰。
七、双路协同的三种工程形态与操作步骤
既然不是二选一，就要给出可落地的协同形态。按耦合紧密度从松到紧，本文归纳三种形态，并给出各自的操作步骤与适用条件。
7.1 形态一：串联门控（先异常、后匹配）
用异常检测生成高召回候选集，再在候选集内用光谱匹配打分排序。操作步骤：①异常检测取宽松阈值，保证召回；②对候选集做空间形态与上下文过滤，压掉明显伪异常；③在剩余候选上跑匹配，按匹配分排序；④按复核预算截断。本文评述：这种形态把匹配的计算量限制在候选集内，同时用匹配分改善排序，是工程上最易实现、风险最低的方案。其局限是异常检测若漏掉真目标，后续无法补救，因此第一步阈值必须偏松。
7.2 形态二：并联投票（双路独立、证据融合）
两路独立运行，按证据理论或加权投票融合。操作步骤：①两路各自输出归一化分数；②用先验置信度 C 动态设定权重 w_match = f(C)，w_anom = 1 − w_match；③融合分排序；④对两路分歧大的样本标记为"待诊断"，优先人工复核。笔者认为，"分歧样本优先复核"是这种形态最有价值的副产品——它把有限的人工预算导向信息量最大的样本，而非简单按分数截断。
7.3 形态三：置信加权自适应（按 C 分段切换）
按第五节的置信度分段，高置信段以匹配为主、异常为辅；中置信段并联融合；低置信段以异常+上下文为主，匹配仅作参考。操作步骤：①离线用标注数据标定分段阈值与各段权重；②在线计算 C 并路由；③记录各段实际 CED，定期回校。本文评述：这是最贴近"按先验置信度定价"主线的形态，但标定成本最高，适合有稳定业务流与标注积累的团队。
| 形态 | 实现复杂度 | 对先验质量的鲁棒性 | 适用条件 |
|---|---|---|---|
| 串联门控 | 低 | 中（依赖异常召回） | 先验中等、算力受限 |
| 并联投票 | 中 | 高 | 先验波动大、有复核预算 |
| 置信加权自适应 | 高 | 最高 | 有标注积累、业务稳定 |
表3 三种协同形态的工程特性对比（定性归纳）。
拓展学习：光谱匹配与异常检测的基础算子实现可参考 ENVI/IDL 官方文档， 高光谱开源处理工具链可参考 HyperSpy 项目， 遥感影像处理教程可参考 Rasterio 文档。
八、案例与数据：不同先验质量区间的实测表现
本节的数据分两类：一类来自公开数据集的整理与复现，一类为说明机制而构造的模拟数据，均明确标注，不虚构实验主体。
8.1 公开数据集与预处理
常用公开高光谱数据集包括：Indian Pines（AVIRIS，145×145，224波段，20m分辨率，常用于地物分类与异常检测基准）、Pavia University（ROSIS，610×340，103波段）、Salinas（AVIRIS，512×217，204波段）、Houston 2013（小目标与城市地物）以及 ABU 系列（含高光谱子集，面向异常检测）。预处理细节：①去除低信噪比与坏波段（如Indian Pines去除吸水波段后保留约200波段）；②辐射定标与大气校正（公开数据多为已校正反射率产品，复现时需确认版本）；③按场景做逐波段标准化或局部归一化；④小目标实验常通过人工注入已知光谱目标（如从库中选取目标光谱按丰度线性混合注入）构造受控真值，此类为模拟数据，需在结果中注明。
8.2 先验质量分段的模拟对比
为说明"先验质量如何改变路线优劣"，构造一组受控模拟：在公开场景背景上注入亚像元目标，对先验光谱施加不同程度的光谱角扰动（模拟大气/传感器误差），统计两路在固定复核预算下的表现。以下为模拟数据，用于展示趋势而非给出绝对结论。
| 先验扰动（光谱角） | 匹配召回 | 匹配虚警密度 | 异常召回 | 异常虚警密度 |
|---|---|---|---|---|
| ≈2°（高置信） | 高 | 低 | 中 | 高 |
| ≈6°（中置信） | 中 | 中 | 中 | 高 |
| ≈12°（低置信） | 低 | 高 | 中 | 高 |
表4 先验扰动程度与两路表现的模拟趋势（模拟数据，仅示趋势，不代表具体数据集实测值）。
趋势很清楚：随先验扰动增大，匹配的召回下降、虚警上升，其相对异常检测的优势被侵蚀；而异常检测的表现对先验扰动不敏感（它本就不用先验），保持稳定。两条曲线在某个扰动水平交叉，交叉点即第六节 CED 模型给出的临界点。本文评述：这个交叉点的位置依赖 c_m/c_r 与场景复杂度，不能跨场景照搬，但"存在交叉点且可估计"这一结论是稳健的。
8.3 一个可复现的操作流程
把上述内容串成可执行步骤：①数据准备与预处理（去坏波段、校正、标准化）；②计算先验置信度 C（第五节四指标）；③按 C 分段选择协同形态（第七节）；④两路运行并记录分级候选集；⑤用 CED 模型评估各段成本；⑥对分歧样本优先复核；⑦把复核结果回流校准 C 的分段阈值与融合权重。本文评述：第⑦步是闭环关键，很多团队只做前六步，导致置信度评分长期漂移、策略逐渐失准。
九、对比与局限：这套框架什么时候会失效
任何框架都有边界。诚实地说清局限，比夸大普适性更有价值。
局限一：代价参数难标定。c_m 与 c_r 在真实业务中往往难以货币化，尤其漏检代价涉及任务后果，主观性强。本文评述：此时可退而求其次，用"相对代价比"做敏感性分析，给出在合理区间内的稳健选择，而非追求单点最优。
局限二：置信度指标的相关性。四个代理指标并非独立，加权合成可能重复计权。笔者认为，实践中应先用主成分或相关性分析剔除冗余，再定权重，否则评分会偏向某一类误差。
局限三：分布漂移。跨季、跨区域、跨传感器时，先验与背景的统计关系都会漂移，离线标定的分段阈值会失效。本文评述：这要求把置信度评分做成在线监控量，而非一次性配置。
局限四：极端小目标。当目标丰度极低（远低于噪声水平），两路都接近随机，协同也难救。此时应承认检测极限，转向多时相累积或更高分辨率数据，而非在算法层硬调。
与纯学术基准相比，本文框架的"精度"未必更高，但它把"在不确定先验下如何稳定交付"这一工程问题显式化了。笔者认为，这正是学术指标与工程交付之间最需要补齐的一环。
十、结论与展望：从"选路线"到"调度置信度"
回到最初的问题：先验不可靠时，该硬着头皮匹配，还是退回异常检测？本文的答案是——两者都不该被当作默认选项，而应按先验置信度分段调度。当置信度低于临界值，异常检测+空间上下文二次确认的期望总成本更低；高于临界值，光谱匹配的边际收益迅速占优。临界值可由 CED 模型结合业务代价比解析估计，而非凭经验拍板。
展望三点：其一，先验置信度的在线估计会成为高光谱检测系统的标准模块，类似目标检测中的置信度校准；其二，多源证据融合将从"光谱+空间"扩展到"光谱+空间+时相+地形"，异常检测作为高召回底座的价值会进一步凸显；其三，成本感知的评测体系有望补充纯精度指标，让"单位有效检出成本"成为可比较的工程基准。笔者认为，这三点的共同方向，是把检测从"算法选型"推进到"不确定性下的资源调度"，这也是本文主线的落点。
延伸阅读：异常检测与目标检测的评测方法可参考 Papers with Code 高光谱任务页， 遥感开源数据集索引可参考 高光谱场景数据集页面。
主要参考文献
- Reed I S, Yu X. Adaptive multiple-band CFAR detection of an optical pattern with unknown spectral distribution. IEEE Trans. ASSP, 1990.（RX算子经典文献）
- Chang C I. Hyperspectral Imaging: Techniques for Spectral Detection and Classification. Springer, 2003.（光谱匹配与CEM系统论述）
- Manolakis D, Shaw G. Detection algorithms for hyperspectral imaging applications. IEEE Signal Processing Magazine, 2002.
- Bioucas-Dias J M, et al. Hyperspectral unmixing overview: geometrical, statistical, and sparse regression-based approaches. IEEE JSTARS, 2012.
- Ghamisi P, et al. Advances in hyperspectral image and signal processing: a comprehensive overview. IEEE Geoscience and Remote Sensing Magazine, 2017.
- Su Y, et al. Deep learning for hyperspectral image anomaly detection: a survey（异常检测综述，近年文献，具体卷期以原始出版为准）.
- Indian Pines / Pavia University / Salinas 公开数据集说明，IEEE GRSS 数据页面与相关基准论文（预处理细节以官方说明为准）.
- 近三年高光谱小目标检测与光谱匹配鲁棒性相关会议/期刊论文若干（CVPR/IGARSS/TGRS 等，具体篇目以检索原文为准）.
文章声明：本文内容仅为作者学习、思考、经验、笔记的总结，仅供技术交流与参考。文中观点仅代表笔者个人思辨，不构成任何学术建议、商业建议或专业建议。所有数据来源已标注，引用时请以原始文献为准。
说明：文中表1、表2、表3为基于算子数学性质与工程经验的定性归纳；表4为模拟数据，仅示趋势，不代表具体数据集实测值。公开数据集预处理细节以官方说明与原始文献为准。
内容仅供学习参考。如需引用，请以原始文献为准。
全文约 12600 字 | 参考文献 62 篇（主要 8 篇）。
贵公网安备 52010302001819号
