高光谱遥感技术是一种综合性技术，如今,许多国家都在集中自己国家的科研中心力量积极研制自己的高光谱传感器,。到目前为止已明确有发射计划的有德国环境监测与分析计划的EnMAP, 南非的多传感器小卫星成像仪MSMI和加拿大高光谱环境与资源观测者HERO。随着成像光谱仪的发展，相应的高光谱数据管理系统也在不断的完善，例如美国空军部门和环保局针对大气污染和空气成分的诊断建立了AEDC/EPA光谱数据库。目前，比较主流的高光谱成像仪如表1.1[31]。

表1. 1 主流的高光谱成像仪

参数 高度/Km 空间分辨率/m 光谱分辨率/nm 波段数

ARIES 500 10-30 10 128

AVRIS 20 0 10 224

HYPERION 705 30 10 220

FIHSI 650 0.5 1.5-10 256

CHRIS 556 36 1.3-12 63

COIS 605 30-60 10 210

HyspIRI 626 60 4-12 217

其他国家在发展高光谱遥感技术的同时，我国也并没有停下发展的脚步。2000年以来， 中国科学院遥感所基于GIS和网络技术研制了典型地物波谱数据库及其管理系统，记录了10000多条地物波谱,并能动态生成相应的波谱曲线和遥感器模拟波段,实现了波谱数据库与/3S0技术的链接。

云计算早已不是一个新名词了，近些年来，大数据也会经常在我们的生活中出现，而对这些大数据的分析、管理问题也是科研工作者热衷的方向。云计算的主要思想就是分散，将计算任务分发到多台机器上，各机器协作完成任务。区别于将计算传到传统服务器中，可以用更低的成本维护政府与企业IT运营，提升服务效率和后台的稳定性，因而备受各国重视。目前，主要瓜分云计算的五股势力主要是：以亚马逊和阿里云为代表的先锋；以微软、谷歌等科技公司为代表的追随者；以Facebook和网易为代表的黑马公司；以Saleforce、青云等为代表的创业公司；还有就是以IBM、甲骨文为代表的传统IT企业。

目前，国内外已经有很多科研组织机构或其他机构已经开展了关于海量遥感影像数据的高效存储和管理技术的研究与分析，并且有些己经取得了可观的研究成果。这些研究成果主要分为两类，一类是依托传统关系型数据库对海量的高光谱遥感图像数据进行存储和管理，另一类则是基于通用型的分布式文件系统来对这些数据进行管理[5]。

第一类通过传统关系型数据库构建的海量遥感影像数据存储管理系统的方式，这种方式是以前比较主流的方式，在实现方法上主要有两种技术路线[9]：

1、对传统关系型数据库管理系统（Relational DataBase Management System, RDBMS）进行空间扩展使其具有管理栅格类型RSID的能力，这条路线主要由各大数据库厂商的推动研发，并产生了Oracle Spatial GeoRaster、IBM DB2 Spatial Extender、以及MySQL中以OpenGIS几何模型为基础的Spatial Extension，但这些软件对于RSID的管理能力相对较弱。

2、通过在RDBMS之上添加空间数据引擎中间件，以实现对RSID的管理，这条路线主要由各大GIS厂商推动实现，代表性的产品也有很多，例如ESRI的ArcSDE，MapInfo的SpatialWare等[11]。

传统的关系数据库发展比较成熟，但是其缺点也比较多，例如对海量数据不能快速访问，同时处理的也不够灵活，并且其维护成本较高，目前在国内，由武汉吉奥研制的GeoImageDB现在己经在国家遥感中心和中国遥感卫星地面站投入使用[5]，GeoImageDB系统还实现了集多源、多尺度影像数据管理于一体并支持多分辨率影像数据的分发、共享与交换。

第二类基于通用型的分布式文件系统则有OpenAFS、HDFS(Hadoop Distributed File System)、Lustre、MogileFS、GFS、Ceph 、GridFS 、TFS、FastDFS等。通用型数据库可以大大的提高海量数据的存储容量与速率，基于此类方法构件的数据管理系统虽然不支持完整的关系模型，但是结构简单而轻量，对开发者来说可以大大提高开发效率，对使用者来说在进行管理时速率也会提升。