A reconstrução hiperespectral (HSR, Hyperspectral Reconstruction) é a função inversa baseada na relação funcional entre bandas estreitas hiperespectrais e bandas largas multiespectrais, utilizando informações multiespectrais comuns para simular o hiperespectral. Atualmente, a pesquisa em HSR concentra-se principalmente nas bandas visíveis e infravermelhas, sendo a pesquisa sobre HSR da emissividade infravermelha térmica quase inexistente. Pesquisas anteriores utilizaram principalmente as bandas multiespectrais de satélite existentes, focando na otimização do modelo HSR, com pouca investigação sobre a divisão e seleção de bandas largas multiespectrais direcionadas ao HSR. Este estudo utiliza dados hiperespectrais térmicos reais medidos entre 8 e 14 μm de 7 tipos de cobertura superficial, incluindo pavimento asfáltico, mármore, ladrilhos cinza, superfícies pintadas, ladrilhos verdes, caminhos de pedra e pavimentos mistos de tijolo, totalizando 727 amostras. O estudo quebra o pensamento tradicional de divisão de bandas largas de forma equidistante e replicação das bandas do satélite, considerando o problema de acoplamento patológico temperatura-emissividade, introduz o algoritmo genético quântico (QGA) e combina com o modelo HSR, propondo métodos de clusterização do coeficiente de correlação temperatura-emissividade e seleção de bandas com base no modelo QGA-HSR. Ao otimizar as bandas largas do infravermelho térmico, realiza-se uma análise comparativa sobre o impacto das diferentes divisões de bandas largas no desempenho de diversos modelos HSR, como regressão linear múltipla não regularizada (MLR), regressão linear passo a passo (SLR), regressão ridge regularizada (RR), regressão LASSO e regressão de rede elástica (ENR), bem como regressão por máquinas de vetor de suporte (SVM) e redes neurais (NNR). O estudo descobriu que os modelos LASSO e ENR apresentam baixa sensibilidade em relação ao método de divisão das bandas largas, enquanto o RR é bastante sensível; o modelo RR linear regularizado apresentou o menor erro médio, e o ENR o menor erro máximo. A divisão das bandas largas do infravermelho térmico influencia a variação do erro de emissividade HSR na direção do comprimento de onda por meio do comprimento de onda central e da largura da banda; por exemplo, a otimização das bandas largas QGA-SLR pode melhorar as diferenças do erro HSR na direção do comprimento de onda, aumentando o desempenho geral do modelo HSR. Os resultados não só podem melhorar o desempenho do modelo HSR térmico infravermelho, aumentar a comparabilidade dos produtos de sensoriamento remoto térmico multifuente, mas também fornecer suporte técnico para o desenvolvimento de sensores infravermelhos térmicos. A combinação otimizada do método de seleção de bandas largas e do modelo HSR pode fornecer suporte metodológico para o HSR de faixa completa.

reconstrução hiperespectral; emissividade infravermelha térmica; banda larga; algoritmo genético quântico; métodos de aprendizado de máquina