Para resolver o problema da escassez de dados rotulados na pesquisa de inversão de abundância hiperespectral mineral baseada em aprendizado profundo, foi proposta uma método de aumento de dados hiperespectrais minerais de pequena amostra baseado no modelo misto Hapke com coeficiente de preenchimento adicionado, utilizado para gerar grandes conjuntos de dados rotulados. No laboratório, cinco minerais comuns foram selecionados e misturados em pó de acordo com proporções de massa para realizar misturas multivariadas, e foram realizadas medições espectrais dos minerais misturados. Foram utilizados cinco modelos: modelo de mistura linear, modelo misto Hapke e modelo misto Hapke com coeficientes de preenchimento de 0,1, 0,2 e 0,3, para gerar espectros simulados de minerais misturados conforme as proporções de massa correspondentes, comparados com os espectros medidos no laboratório. Finalmente, usando o método de Monte Carlo, foi gerada aleatoriamente uma matriz de abundância multivariada de “soma igual a um”, e aumento de dados foi realizado com os cinco modelos mistos, gerando respectivamente 40.000 espectros simulados como conjunto de treinamento para uma rede de autoencoders empilhados, para inverter as informações de abundância dos dados hiperespectrais minerais. Os resultados mostram que a precisão da simulação espectral com o modelo Hapke e o modelo Hapke com coeficiente de preenchimento é melhor que a precisão do modelo de mistura linear; com coeficientes de preenchimento 0,1 e 0,2 do modelo Hapke, o erro médio da distância do ângulo espectral foi de 0,0535 e 0,0537, respectivamente, os espectros simulados estavam mais próximos dos espectros medidos e melhores que o erro de distância do ângulo espectral de 0,0748 sem coeficiente de preenchimento. O uso de dados simulados gerados pelo modelo Hapke com coeficientes de preenchimento 0,1 e 0,2 como conjunto de treinamento de aprendizado profundo resultou em raiz do erro quadrático médio (RMSE) de inversão de 0,1248, melhor do que os resultados de inversão dos outros quatro modelos. Os dados simulados gerados pelo modelo misto Hapke com coeficiente de preenchimento adicionado estão mais próximos dos espectros reais e podem fornecer suporte de dados para pesquisa de inversão de abundância mineral hiperespectral com pequenas amostras baseada em aprendizado profundo.

Tecnologia hiperespectral; aprendizado profundo; espectros simulados; modelo misto; modelo Hapke; aumento de dados; inversão de abundância