Nghiên cứu của Gámez García và cộng sự đã hệ thống hóa 113 công trình khoa học công bố trong giai đoạn 1993–2024 nhằm đánh giá xu hướng phát triển, các phương pháp xử lý và ứng dụng ảnh siêu phổ trong môi trường đô thị. Kết quả cho thấy ảnh siêu phổ hàng không vẫn là nguồn dữ liệu chủ đạo trong các nghiên cứu đô thị do có độ phân giải không gian cao, thường đạt từ 0,5–5 m, phù hợp cho phân loại vật liệu bề mặt chi tiết như mái nhà, đường giao thông, cây xanh và bề mặt không thấm. Tuy nhiên, kể từ sau năm 2019, sự xuất hiện của các vệ tinh siêu phổ thế hệ mới như PRISMA, EnMAP và AHSI đã thúc đẩy mạnh mẽ việc ứng dụng dữ liệu siêu phổ vệ tinh trong các nghiên cứu quy mô vùng và thành phố. Theo Gámez García và cộng sự, xu thế công bố khoa học trong lĩnh vực này đã thay đổi đáng kể trong hơn ba thập niên qua. Giai đoạn 1993–2001 gần như chỉ xuất hiện các nghiên cứu thử nghiệm thuật toán; từ năm 2002–2017 số lượng công bố tăng dần cùng với sự ra đời của các bộ dữ liệu chuẩn như Pavia và Houston. Đặc biệt, từ năm 2018 trở đi, số lượng bài báo tăng mạnh nhờ sự xuất hiện của các cảm biến siêu phổ thế hệ mới và sự phát triển của trí tuệ nhân tạo trong xử lý dữ liệu viễn thám. Điều này cho thấy viễn thám siêu phổ đô thị đang chuyển dần từ giai đoạn nghiên cứu lý thuyết sang triển khai thực tiễn.Về phương pháp xử lý ảnh, nghiên cứu cho thấy các thuật toán học máy (Machine Learning) vẫn giữ vai trò chủ đạo, đặc biệt là Support Vector Machine (SVM) và Random Forest (RF). Theo Melgani và Bruzzone (2004), SVM có khả năng xử lý hiệu quả dữ liệu siêu phổ nhờ hoạt động tốt trong môi trường dữ liệu đa chiều và số lượng mẫu huấn luyện hạn chế. Trong khi đó, Belgiu và Drăguț (2016) cho rằng RF đặc biệt phù hợp với dữ liệu viễn thám do khả năng giảm hiện tượng quá khớp và xử lý tốt dữ liệu phi tuyến. Các mô hình học sâu (Deep Learning), nhất là Convolutional Neural Networks (CNN), cũng đang được ứng dụng ngày càng nhiều nhờ khả năng khai thác đồng thời thông tin phổ và không gian. Theo Paoletti và cộng sự (2019), CNN cho thấy hiệu quả vượt trội trong phân loại ảnh siêu phổ nhờ khả năng tự động học đặc trưng phổ–không gian phức tạp. Các ứng dụng nổi bật của ảnh siêu phổ trong đô thị bao gồm phân loại lớp phủ bề mặt, xác định bề mặt không thấm, lập bản đồ thảm thực vật đô thị, phân vùng khí hậu địa phương (Local Climate Zone – LCZ) và phát hiện vật liệu đặc thù như mái amiăng. Trong đó, phân loại lớp phủ bề mặt là hướng nghiên cứu phổ biến nhất do khả năng tận dụng chi tiết phổ để nhận dạng vật liệu xây dựng, bê tông, nhựa đường, kim loại hoặc mái ngói. Cavalli và cộng sự (2008) đã chứng minh rằng dữ liệu siêu phổ cho kết quả phân loại vật liệu đô thị chính xác hơn đáng kể so với dữ liệu đa phổ truyền thống nhờ khả năng tăng cường độ phân tách phổ giữa các bề mặt có phản xạ tương tự nhau. Đối với nghiên cứu cây xanh đô thị, Liu và cộng sự (2017) cho thấy ảnh siêu phổ kết hợp LiDAR có thể phân biệt loài cây ở mức chi tiết cao nhờ đồng thời khai thác thông tin phổ và cấu trúc tán cây. Trong khi đó, Weng (2012) nhấn mạnh rằng dữ liệu siêu phổ đặc biệt hiệu quả trong xác định bề mặt không thấm do có khả năng tách biệt vật liệu nhân tạo với đất và thực vật tốt hơn ảnh đa phổ. Trong bối cảnh Việt Nam, công nghệ viễn thám siêu phổ có tiềm năng ứng dụng rất lớn, đặc biệt tại các đô thị phát triển nhanh như Hà Nội, Thành phố Hồ Chí Minh, Đà Nẵng và Hải Phòng. Với đặc điểm đô thị nhiệt đới mật độ cao, nhiều vật liệu xây dựng khác nhau và tốc độ biến đổi đất đai nhanh, ảnh siêu phổ có thể hỗ trợ hiệu quả cho công tác cập nhật hiện trạng đô thị, giám sát biến động sử dụng đất và đánh giá môi trường. Khả năng nhận dạng chi tiết vật liệu bề mặt cũng mở ra triển vọng ứng dụng trong quản lý hạ tầng, phát hiện mái fibro xi măng chứa amiăng, đánh giá mức độ xuống cấp công trình hoặc phân tích bề mặt hấp thụ nhiệt gây hiệu ứng đảo nhiệt đô thị.Ngoài ra, dữ liệu siêu phổ còn có thể hỗ trợ xây dựng cơ sở dữ liệu lớp phủ bề mặt phục vụ mô hình khí hậu đô thị, đánh giá khả năng tiêu thoát nước và phân tích tương tác giữa không gian xanh với môi trường sống. Đây là các nội dung có ý nghĩa lớn đối với mục tiêu phát triển đô thị bền vững và thích ứng biến đổi khí hậu tại Việt Nam hiện nay. Theo Stewart và Oke (2012), mô hình LCZ là công cụ hiệu quả để đánh giá môi trường nhiệt đô thị và có thể được nâng cao đáng kể khi sử dụng dữ liệu siêu phổ kết hợp các nguồn dữ liệu phụ trợ khác. Tuy nhiên, việc ứng dụng rộng rãi ảnh siêu phổ tại Việt Nam vẫn đối mặt với nhiều thách thức. Gámez García và cộng sự cho rằng độ phân giải không gian của ảnh siêu phổ vệ tinh hiện còn tương đối thô đối với các đô thị mật độ cao, dẫn tới hiện tượng “pixel hỗn hợp”, trong đó một điểm ảnh chứa đồng thời nhiều loại vật liệu khác nhau. Ngoài ra, việc thiếu các bộ dữ liệu mẫu chuẩn cho đô thị Việt Nam cũng gây khó khăn trong huấn luyện và đánh giá thuật toán. Điều này đòi hỏi cần xây dựng thư viện phổ vật liệu đô thị Việt Nam cũng như tăng cường khảo sát thực địa để phục vụ phát triển các mô hình trí tuệ nhân tạo.Nghiên cứu cũng nhấn mạnh rằng tương lai của viễn thám siêu phổ đô thị sẽ phụ thuộc nhiều vào khả năng tích hợp dữ liệu đa nguồn như LiDAR, SAR và GIS nhằm nâng cao độ chính xác phân loại và khắc phục hạn chế của từng loại cảm biến riêng lẻ. Đây cũng là hướng đi phù hợp với điều kiện Việt Nam, nơi đã có nguồn dữ liệu Sentinel-1, Sentinel-2, ảnh radar và cơ sở dữ liệu nền địa lý tương đối phong phú.Nhìn chung, viễn thám siêu phổ đang mở ra một hướng phát triển mới cho nghiên cứu và quản lý đô thị hiện đại. Sự kết hợp giữa dữ liệu siêu phổ, trí tuệ nhân tạo và các công nghệ quan trắc đa nguồn hứa hẹn sẽ nâng cao năng lực giám sát đô thị theo thời gian thực, hỗ trợ hiệu quả cho quy hoạch không gian, quản lý môi trường và thích ứng biến đổi khí hậu. Đối với Việt Nam, việc sớm tiếp cận và phát triển năng lực khai thác dữ liệu siêu phổ không chỉ có ý nghĩa khoa học mà còn mang giá trị chiến lược trong xây dựng hệ thống quan trắc tài nguyên và môi trường quốc gia hiện đại.