HiPredict：使用机器学习预测缺失的 HiRISE RED4 光谱通道

arXiv:2610.23335v1 公告类型：新 摘要：搭载于 Mars Reconnaissance Orbiter (MRO) 的 High Resolution Imaging Science Experiment (HiRISE) 以每像素 25--30 厘米的分辨率获取火星影像，为火星地质、气候历史和着陆点特征研究提供支持。其 14 个探测器组成的焦平面组件包含多个相互重叠的探测器，能够获取三通道彩色红外图像，这些图像对于识别成分变化和研究活跃的地表过程十分重要。2023 年，焦平面组件中央的一个探测器（RED4）开始间歇性失效，导致获取的影像出现缺口，并使仪器的彩色成像能力降低一半。HiRISE 处理流程提供了一个合成红色通道（SYN4），通过对共址红外（IR10）通道进行线性缩放获得。然而，这种方法无法捕捉彩色通道之间观测到的非线性关系，从而限制了其准确性和适用性。在此，我们提出 HiPredict，这是一种机器学习框架，利用共址的 IR10 和蓝绿色（BG12）影像、邻近的红色通道观测以及获取元数据来重建 RED4。该模型采用 U-Net 架构，学习这些输入之间非线性的时空光谱关系，并基于代表 13,625 次观测的 81,717 个训练样本进行训练。在代表 3,892 次故障前观测的 23,348 个测试样本上评估时，HiPredict 重建 RED4 的归一化平均绝对误差为 1.1%，显著优于 SYN4（3.1%）。重建产品改善了彩色图像恢复效果，并且更接近地表现出冰质陨石坑、沿山脊顶部露出的地层以及氯化物沉积物等关注特征。我们将 HiPredict 作为开放软件工具发布。这项工作展示了机器学习在行星任务逐渐老化并自然退化时缓解数据损失的潜力。