深層学習に基づく鉱物高スペクトル豊度推定研究におけるラベル付きデータ不足の問題を解決するために、充填係数を追加したHapke混合モデルに基づく少サンプル鉱物高スペクトルデータ増強手法を提案し、大量のラベル付きデータセット生成に用いた。実験室で5種類の一般的な鉱物を質量比で多元混合し、混合鉱物のスペクトル測定を行った。線形混合モデル、Hapke混合モデル、および充填係数をそれぞれ0.1、0.2、0.3としたHapke混合モデルの計5種類のモデルを用いて、対応する質量比に従い模擬混合鉱物スペクトルを生成し、実験室測定スペクトルと比較した。最後にモンテカルロ法により多元「合計が1」の豊度行列をランダムに生成し、5種類の混合モデルを用いてデータ増強を行い、スタック型自己符号化ネットワークの学習データとしてそれぞれ4万件の模擬スペクトルを生成し、鉱物高スペクトルデータの豊度情報を反演した。研究結果は、Hapkeモデルおよび充填係数を追加したスペクトルシミュレーション精度が線形混合モデルのシミュレーション精度より優れていることを示し、充填係数が0.1および0.2の場合、スペクトル角距離誤差の平均値はそれぞれ0.0535および0.0537であり、模擬鉱物スペクトルは実測スペクトルにより近く、充填係数なしのスペクトル角距離誤差0.0748を上回った。充填係数が0.1および0.2のHapkeモデルで生成した模擬データを深層学習の学習データとして利用した場合、鉱物高スペクトル豊度反演の平均二乗根誤差（RMSE）は0.1248であり、他の4種類のモデルの反演結果を上回った。充填係数を追加したHapke混合モデルに基づく模擬データは実スペクトルにより近く、深層学習に基づく少サンプル鉱物豊度反演研究にデータ支援を提供できる。

高スペクトル技術;深層学習;模擬スペクトル;混合モデル;Hapkeモデル;データ増強;豊度反演