Hyperspektrale Rekonstruktion (HSR, Hyperspektrale Rekonstruktion) ist die Umkehrfunktion basierend auf der funktionalen Beziehung zwischen hyperspektralen Schmalband- und multispektralen Breitbandbereichen, die übliche multispektrale Informationen zur Hyperspektrumsimulation verwendet. Derzeit konzentrieren sich HSR-Forschungen hauptsächlich auf sichtbares Licht und den Infrarotbereich, wobei die Forschung zu HSR der thermischen Infrarot-Emissivität nahezu fehlt. Frühere Studien nutzten hauptsächlich vorhandene satellitengestützte multispektrale Bänder und konzentrierten sich auf die Optimierung von HSR-Modellen, während die Aufteilung und Auswahl multispektraler Breitbandbereiche für HSR selten behandelt wurde. Diese Studie verwendet tatsächlich gemessene hyperspektrale thermische Infrarot-Emissionsdaten im Bereich von 8–14 μm für 7 Arten von Oberflächenbedeckungen, darunter Asphaltstraßen, Marmor, graue Bodenfliesen, Lackoberflächen, grüne Bodenfliesen, Steinpflaster und Ziegelmischbeläge, insgesamt 727 Spektren. Sie durchbricht traditionelle Ansätze der gleichmäßigen Intervallteilung und der Satellitenband-Replikation, berücksichtigt die problematische Kopplung von Temperatur und Emissivität und führt einen Quanten-Genetischen Algorithmus (QGA) ein, kombiniert mit dem HSR-Modell. Es werden temperatur-emissivitätsbezogene Korrelationsclustering-Methoden und eine spektrale Bandauswahl basierend auf dem QGA-HSR-Modell vorgeschlagen. Bei der Optimierung der thermischen Infrarot-Breitbandbereiche wird die Auswirkung verschiedener Breitbandaufteilungen auf die Leistung mehrerer HSR-Modelle verglichen: unregulierte multiple lineare Regression (MLR), schrittweise lineare Regression (SLR), regulierte Ridge-Regression (RR), LASSO-Regression und Elastic-Net-Regression (ENR) sowie nichtlineare Support Vector Machine Regression (SVM) und Neural Network Regression (NNR). Die Studie zeigt, dass LASSO- und ENR-Modelle wenig empfindlich gegenüber der Breitbandaufteilung sind, während RR empfindlicher ist; das regulierte lineare RR-Modell weist den kleinsten durchschnittlichen Fehler auf, ENR den geringsten maximalen Fehler. Die Methode der thermischen Infrarot-Breitbandauflösung beeinflusst über ihren zentralen Wellenlängen- und Bandbreiteneffekt die Fehleränderung der HSR-Emissivität in Wellenlängenrichtung, z.B. kann die QGA-SLR-Breitbandoptimierung die Fehlerdifferenzen in Wellenlängenrichtung verbessern und somit die Gesamtleistung des HSR-Modells steigern. Die Forschungsergebnisse können nicht nur die Leistung von thermischen Infrarot-HSR-Modellen verbessern und die Vergleichbarkeit multiquellenbasierter thermischer Fernerkundungsprodukte erhöhen, sondern auch die Entwicklung von thermischen Infrarotsensoren technisch unterstützen. Die optimierte Kombination aus Breitbandauswahlmethoden und HSR-Modellen kann eine methodische Unterstützung für das vollständige spektrale HSR bieten.

hyperspektrale Rekonstruktion;thermische Infrarot-Emissivität;Breitband;Quanten-Genetischer Algorithmus;Methoden des maschinellen Lernens