Гиперспектральная реконструкция (HSR, гиперспектральная реконструкция) представляет собой обратную функцию, основанную на функциональной связи между узкополосным гиперспектром и широкополосным мультиспектром, использующую общедоступную мультиспектральную информацию для моделирования гиперспектра. На данный момент исследования HSR в основном сосредоточены на видимом и инфракрасном спектрах, при этом исследования HSR для теплого инфракрасного эмиссионного коэффициента практически отсутствуют. Ранее связанные исследования в основном использовали существующие спутниковые мультиспектральные полосы, уделяя внимание оптимизации моделей HSR, при этом вопросы выбора и разделения мультиспектральных широкополосных диапазонов для HSR рассматривались редко. В данном исследовании использованы реальные измеренные гиперспектральные данные теплового инфракрасного эмиссионного коэффициента в диапазоне 8–14 мкм для 7 типов наземного покрытия, включая асфальтовые дороги, мрамор, серую плитку, поверхность покрытую краской, зеленую плитку, каменные дороги и кирпичные поверхности, всего 727 спектров. Исследование нарушает традиционный подход разделения широкополосных диапазонов с равными интервалами и копированием спутниковых полос, учитывает проблему патологической связи температуры и эмиссионного коэффициента, вводит квантовый генетический алгоритм (QGA) и комбинирует его с моделью HSR, предлагая методы кластеризации корреляции температура-эмиссия и выбора спектральных полос на основе модели QGA-HSR. При оптимальном выборе широкополосных диапазонов теплового инфракрасного спектра проводится сравнительный анализ влияния различных способов разделения широкополосных диапазонов на производительность различных моделей HSR: линейной регрессии с множественными переменными (MLR), пошаговой линейной регрессии (SLR), регуляризованной гребневой регрессии (RR), регрессии LASSO и эластичной сетевой регрессии (ENR), а также нелинейной регрессии с опорными векторами (SVM) и нейронных сетей (NNR). Исследование показало, что модели LASSO и ENR менее чувствительны к способу разделения широкополосных диапазонов, тогда как модель RR более чувствительна; регуляризованная линейная модель RR показала минимальную среднюю ошибку, ENR — минимальную максимальную ошибку. Способ разделения широкополосных диапазонов теплового инфракрасного спектра влияет на изменение ошибки эмиссионного коэффициента HSR по длине волны через центральную длину волны и ширину полосы такого диапазона. Например, оптимизация широкополосных диапазонов QGA-SLR может улучшить различия ошибок HSR по длине волны и тем самым повысить общую производительность моделей HSR. Результаты исследования не только повышают производительность моделей теплового инфракрасного HSR и улучшают сопоставимость многоканальных продуктов теплового инфракрасного дистанционного зондирования, но и предоставляют техническую поддержку для разработки тепловых инфракрасных сенсоров. Оптимальный выбор широкополосных диапазонов и комбинированная оптимизация моделей HSR могут обеспечить методическую поддержку для HSR по всем спектральным диапазонам.

Гиперспектральная реконструкция;тепловое инфракрасное излучение;широкополосный диапазон;квантовый генетический алгоритм;методы машинного обучения