АЛГОРИТМ ВОССТАНОВЛЕНИЯ СПЕКТРА ЯРКОСТИ СОЛНЕЧНОГО ИЗЛУЧЕНИЯ ВЫСОКОГО РАЗРЕШЕНИЯ ПО ДАННЫМ МУЛЬТИСПЕКТРАЛЬНОГО СЕНСОРА ДЛЯ ПРИМЕНЕНИЯ В СПЕКТРАЛЬНЫХ ИЗМЕРЕНИЯХ С БОРТА БПЛА

В спектрометрических измерениях коэффициентов отражения естественных объектов (КСЯ) существует проблема географической удаленности спектрометра для измерения падающего излучения (эталонного спектра солнца) и спектрометра регистрирующего отражённое от исследуемого объекта излучение, что снижает точность расчетов КСЯ из-за вероятности получения различных условий регистрации. Дополнительно ограничения по полезной нагрузке беспилотных летательных аппаратов затрудняют установку традиционных спектрометров и дополнительного оборудования, прямо на БПЛА. Для решения этих проблем предложено применение компактного мультиспектрального детектора AS7341 массой около 8 г (с электрической обвязкой) для интеграции в спектрометрическую систему на БПЛА. Основным ограничением данного сенсора является наличие всего 11 спектральных каналов, что затрудняет получение солнечного спектра высокого разрешения. В связи с этим актуальной задачей становится разработка алгоритмов восстановления спектра высокого разрешения на основе многоканальных данных. Применение таких методов позволяет компенсировать ограниченное число каналов, обеспечивая восстановление спектров солнечного излучения с высоким спектральным разрешением и делая спектрометрические измерения на борту беспилотных платформ применимыми на практике.
Для восстановления спектра солнечного излучения высокого разрешения по данным многоканального сенсора была разработана нейросетевая модель на основе сверточной нейросети (CNN). Входными данными модели являются значения интенсивностей 8-ми каналов видимого спектра и 1-го NIR канала мультиспектрального сенсора, а
выходными — спектр солнечного излучения с высоким разрешением в спектральном диапазоне 400-900 нм.
Обучающая выборка формировалась на основе пар спектральных данных: эталонный спектр с высокой разрешающей способностью и отклик мультиспектрального сенсора.
После обучения нейросеть показывала высокую точность восстановления спектров, практически полностью воспроизводя форму эталонного спектра.
Визуализация результатов показала, что восстановленные спектры почти совпадают с истинными спектрами, а метрики качества (RMSE от 0.68% до 7.45%, коэффициент детерминации R² от 0.9822 до 0.9998) подтверждают высокую корректность модели. Такой подход позволяет компенсировать ограниченное число каналов сенсора, восстанавливая спектры высокого разрешения для спектрометрических измерений на борту БПЛА.