La reconstruction hyperspectrale (HSR, Hyperspectral Reconstruction) est la fonction inverse basée sur la relation fonctionnelle entre les bandes étroites hyperspectrales et les bandes larges multispectrales, utilisant des informations multispectrales courantes pour simuler l'hyperspectral. Actuellement, la recherche HSR se concentre principalement sur les bandes visibles et infrarouges, tandis que la recherche sur le HSR des émissivités infrarouges thermiques est presque inexistante. Les études antérieures ont principalement utilisé les bandes multispectrales satellitaires existantes, se concentrant sur l'optimisation du modèle HSR, avec peu d'exploration des problèmes de division et de sélection des bandes larges multispectrales orientées vers le HSR. Cette étude utilise des données hyperspectrales mesurées réelles d’émissivité infrarouge thermique dans la gamme 8-14 μm pour 7 types de couverture au sol comprenant routes en bitume, marbre, carreaux gris, surfaces peintes, carreaux verts, routes en pierre et surfaces en béton, totalisant 727 spectres. Elle dépasse l'approche traditionnelle de division de bandes larges à intervalles égaux et de copie des bandes satellitaires, en tenant compte du couplage pathologique température-émetteur, introduit l'algorithme génétique quantique (QGA) et combine le modèle HSR, proposant des méthodes de regroupement basées sur le coefficient de corrélation température-émetteur et de sélection des bandes basée sur le modèle QGA-HSR. Tout en optimisant les bandes larges infrarouges thermiques, elle analyse comparativement l'influence des différentes méthodes de division des bandes larges sur les performances des modèles HSR : régression linéaire multiple non régularisée (MLR), régression linéaire pas à pas (SLR), régression en crête régularisée (RR), régression LASSO et régression en réseau élastique (ENR), ainsi que régression à machine à vecteurs de support (SVM) et régression par réseaux neuronaux (NNR). Les résultats montrent que les modèles LASSO et ENR sont peu sensibles au mode de division des bandes larges, tandis que RR est plutôt sensible ; le modèle RR régularisé linéaire a l'erreur moyenne la plus faible, ENR a l'erreur maximale la plus basse. La méthode de division des bandes larges infrarouges thermiques influence la variation de l'erreur d’émissivité HSR selon la longueur d'onde via la longueur d'onde centrale et la largeur de bande du résultat, ainsi le choix optimal de bandes larges QGA-SLR peut réduire les différences d’erreur selon la longueur d’onde et améliorer les performances globales du modèle HSR. Les résultats de l'étude permettent non seulement d'améliorer la performance des modèles HSR infrarouges thermiques, mais aussi d'augmenter la comparabilité des produits thermiques multi-sources de télédétection. De plus, la sélection optimale des bandes larges infrarouges thermiques peut soutenir le développement des capteurs thermiques infrarouges. La combinaison optimisée de la méthode de sélection des bandes larges et du modèle HSR apporte un support méthodologique pour le HSR spectrale complète.

reconstruction hyperspectrale;émissivité infrarouge thermique;bandes larges;algorithme génétique quantique;méthodes d’apprentissage automatique