高光谱相机把可见光到短波红外分成数十甚至数百个连续谱段，为每个像元记录一条光谱曲线。不同地物在不同波长上的反射特征不同，作物、水体、土壤与矿物因此可以被区分。相比多光谱相机只取少量宽谱段，高光谱提供更细的光谱信息，适合需要精细识别的应用场景。它的代价是数据量成倍增加，对星上存储与下行链路提出更高要求。 数据要变成可用产品，先要完成辐射定标与几何校正。传感器在轨性能会随温度与时间变化，地面定标场与参考目标用于修正偏差。大气散射与吸收也会影响地表反射率，需要大气校正模型。没有稳定的定标链条，不同时间、不同卫星的数据难以比较，应用效果会大打折扣，跨星数据融合也会受到限制。 解译依赖样本与模型。农业估产、病虫害监测、水质反演与矿物识别，都需要地面实测数据训练算法。高光谱谱段多，特征维度高，容易出现过拟合，模型泛化能力取决于样本覆盖范围。实际业务中，客户更关心识别精度与稳定性，而不是谱段数量，算法必须与行业知识结合，才能适应不同区域与季节变化。 应用前景与现实瓶颈并存。高光谱在精准农业、生态监测与资源勘查中确有价值，但数据获取成本高，处理链条长，付费市场仍在培育。随着星上处理能力提升，部分初筛可以在轨完成，减少无效下行。未来竞争不只是相机性能，还包括定标体系、样本库与行业交付能力，单靠谱段指标难以形成壁垒。