DeepGraph 第一轮交付 · NASA 光谱数据建模与无标签瓶颈

提交方向: 利用 NASA 等机构的光谱数据建立模型 目标档位: 文献查新和方向判断 · 投稿目标: 未填写 交付时间: 2026-08-16

0. 先说一个判断：数据源不是题目，“没有标签”也不能靠换模型自动解决

当前命题与可执行实验尚不完全匹配：NASA 光谱可能指地球高光谱影像、行星实验室光谱、恒星光谱或质谱，四者的数据结构、标签和评估标准都不同；在没有预测对象和真值定义时，模型精度没有可解释含义。

两条出路：

1. 补齐具体仪器/产品、预测目标、样本单位和可获得真值，再设计正式科学实验。
2. 在补齐前，先做一个不替用户选题的“低标签可行性诊断”：用 NASA/JPL 公开光谱库的目录元数据作为代理标签，检验无标签预训练是否真的比 PCA 加线性模型更省标签。它只能回答方法可行性，不能代替真实研究结论。

正式立项前必须补齐：①光谱类型及公开产品 URL/版本；②分类、回归、异常检测还是反演；③目标变量的物理定义；④一个样本究竟是像元、地点、天体还是实验样品；⑤真值来源及可人工标注数量；⑥按地点、样品、时间或仪器划分训练测试集的规则；⑦最终应用范围与可接受误差。

1. 领域现状：宽口径下已经很拥挤，但各分支不存在统一的“NASA 光谱模型”基线

仅近 12–18 个月的代表性公开工作，就已经覆盖三条不同路线：

• 地球高光谱方向已有 2025 年 TPAMI 的 HyperSIGMA，预训练集约 45 万幅高光谱影像，模型可扩展至十亿参数；CVPR 2025 的 HyperFree 又直接处理跨传感器、通道数变化的问题。该分支已经不是“把深度学习用于高光谱”本身即可构成贡献的阶段。
• 天文一维光谱方向，2025 年出现了跨 LAMOST/Gaia XP 的 SpecCLIP，以及联合 SDSS、DESI、GALAH、APOGEE 的 Universal Spectral Tokenization。后者明确比较了任务专用模型，并使用 4 张 A100 训练约 48 小时，不能在本轮 CPU 预算内复现。
• NASA/IBM 的 Prithvi-EO-2.0 已成为地球观测基础模型的重要公开参照：它使用约 420 万个 HLS 时序样本，提供 3 亿和 6 亿参数版本。但它处理的是六通道、多时相地球观测影像，不是通用的一维实验室或天文光谱模型，不能仅因数据来自 NASA 就当作公平基线。

已经进入 NASA 数据产品链的代表不是端到端神经分类器，而是带物理和不确定度定义的产品。例如 EMIT L2B 矿物产品使用 Tetracorder 光谱匹配，围绕 10 种核心矿物输出矿物标识、谱带深度、拟合分数和不确定度。这意味着只要研究目标涉及 EMIT 矿物识别，审稿人会要求与官方 L2B 产品或其物理匹配流程比较，而不只与另一个神经网络比较。

因此，目前无法给出一个可信的“赛道论文数量”：提交方向横跨至少地球遥感、行星科学和天文光谱三个独立文献群。把它们合并计数会制造虚假的拥挤度。

2. 查新去重与仍未覆盖的部分

近 18 个月已经明确被覆盖的内容包括：

• 用大规模无标签高光谱影像进行自监督预训练，再迁移到分类、解混、异常检测等任务；
• 适配不同传感器通道数和波长配置的高光谱基础模型；
• 跨天文巡天、跨分辨率学习统一光谱表征；
• 在有限标签条件下使用主动学习、降维或自监督表征提升高光谱分类；
• 由 NASA 官方处理链直接产生矿物类型、拟合度和不确定度等高层产品。

“没有标签”不等于“没有任何可用监督信息”。NASA/JPL 的 ECOSTRESS 光谱库包含 3400 余条自然及人造材料光谱，并带有类别、样品和来源等辅助信息；NASA PDS 也有专门描述实验室光谱及样品分类的 Spectral Library 数据字典。必须先区分三种情况：

• 完全没有目标变量：不能训练或验证监督模型，只能做聚类、异常排序或表征学习；
• 有目录、物理反演结果或弱标签：可以做弱监督，但必须审计标签是否由输入光谱本身推导，避免循环验证；
• 有少量独立真值：可以研究标签效率、主动学习或迁移，但测试真值必须与训练标签独立。

目前仍未覆盖的不是某个已确认的算法组合，而是提交信息中的科学定义：尚不知道要预测什么、对谁预测、如何判定正确。因此不能据此宣称存在“文献空白”，也不能自行把方向改写成矿物分类、恒星参数回归或作物识别。

3. 评审会打你的三个点（提前堵）

1. “模型预测的到底是什么？” “建立模型”不是研究问题。必须把输出写成可核验变量，并交代真值来自实验测量、专家标注、官方反演产品还是目录元数据。若标签由同一条光谱的规则匹配生成，模型只能证明能模仿该规则，不能证明发现了新的物理关系。

1. “随机切分是否把同一样品或地点泄漏到了测试集？” 光谱库常包含同一样品的重复测量、不同粒径、不同仪器或相邻像元。按单条光谱随机切分会显著高估泛化能力。正式实验必须按样品、地点、观测批次或天体分组切分，并单独报告跨仪器、跨区域或跨时间性能。

1. “复杂模型是否真的比简单光谱方法有用？” 在几千条光谱和极少标签下，PCA、光谱角、正则化线性模型、SVM 或官方物理匹配流程可能比小型神经网络更稳。必须加入多数类零模型、PCA 加线性分类器以及任务相关的物理基线；负结果不能只归因于“数据太少”。

4. 我们这一轮真去跑的对照矩阵

由于正式科学目标尚未定义，这一轮只运行低标签方法诊断，不把“材质分类”替用户确定为研究题目。

使用 NASA/JPL ECOSTRESS Spectral Library 1.0。下载六个样本量相对充足的目录：mineral、rock、soil、vegetation、non-photosynthetic vegetation、man-made。目录名仅作为代理标签；训练前对模型隐藏测试标签。

预处理固定为：

• 仅保留覆盖 0.4–2.5 μm 至少 80% 且元数据可解析的反射光谱；
• 插值到共同的 256 点波长网格；
• 每条光谱做中位数缩放，再按训练集统计量标准化；
• 同一样品编号、同一基础文件名或可识别的重复测量作为一个 group；
• 70% group 作为训练池、30% group 作为测试集；PCA、自编码器及标准化参数均不得接触测试集；
• 若任一类别清洗后不足 30 个独立 group，保留并报告数据审计结果，但不对该类别作模型优劣结论。

对照臂：

浅层自编码器使用 256→64→latent→64→256 的 MLP，ReLU，随机遮挡 15% 波长点，最多 50 epoch，early stopping patience 为 5；不使用 Transformer、卷积基础模型或外部预训练权重。该规模在约 3400 条光谱、2 核 CPU 上应远低于单次 15 分钟限制。

可被推翻的预测：在该小型光谱库和极低标签预算下，掩码自编码器的 macro-F1 不会稳定超过 PCA 加 Logistic Regression 0.05；若它在每类 5 个和 20 个标签两个档位上均提高超过 0.05，且三个种子的差值全部为正，则该预测被推翻。

需要扫描的自变量：

• 每类人工标签数：1、5、20；
• PCA 维数：8、16、32；
• 自编码器 latent 维数：8、16；
• Logistic Regression 的 C：0.1、1、10，只能在训练池内部交叉验证选择。

主指标：

统计口径：

• 使用随机种子 0、1、2；每个种子重新完成 group 划分和标签抽样；
• 报告三个种子的均值、标准差及每个种子的原始值，不用 n=3 强行宣称显著性；
• 同一种子内所有模型共享测试集和已标注样本；
• 超参数只能在训练池内部选择，测试集只评估一次；
• 额外运行标签随机置乱对照；其 macro-F1 应接近随机水平，否则优先排查泄漏；
• 负结果、清洗后样本数、失败类别、训练日志和耗时全部保留。

这一轮做不到：

• 不能证明无监督聚类对应真实物质、天体类型或科学机制；
• 不能评估目标 NASA 航天数据，因为具体任务和产品尚未给出；
• 不能证明实验室光谱模型能迁移到轨道影像或其他仪器；
• 不能复现 HyperSIGMA、HyperFree、Prithvi 或大型天文光谱模型的预训练；
• 不能在完全没有独立标签时报告“准确率”；
• 不能据代理任务替用户确定论文题目、科学假设或解释。

5. 参考来源

• ECOSTRESS Spectral Library — Version 1.0（NASA/JPL，3400 余条光谱）
• ECOSTRESS Spectral Library Download（NASA/JPL，各类别及文件数量）
• EMIT L2B Estimated Mineral Identification and Band Depth and Uncertainty 60 m V001（NASA Open Data Portal）
• Prithvi-EO-2.0: A Versatile Multi-Temporal Foundation Model for Earth Observation Applications（NASA NTRS）
• HyperSIGMA: Hyperspectral Intelligence Comprehension Foundation Model（论文与官方代码）
• HyperFree: A Channel-adaptive and Tuning-free Foundation Model for Hyperspectral Remote Sensing Imagery（CVPR 2025）
• SpecCLIP: Aligning and Translating Spectroscopic Measurements for Stars（2025）
• Universal Spectral Tokenization via Self-Supervised Panchromatic Representation Learning（2025）
• An End-to-End Active Learning Framework for Limited Labelled Hyperspectral Image Classification（2025）
• NASA PDS Data Dictionaries — Spectral Library and Spectral Metadata

本文档由 JouleBeat · DeepGraph 出具。文献结论来自公开检索，已标注出处；判断部分是我们的观点，可以被反驳。