Trong bối cảnh các hệ thống viễn thám siêu phổ như EnMAP ngày càng được ứng dụng rộng rãi trong địa chất, môi trường, nông nghiệp và giám sát tài nguyên, nhu cầu cải thiện độ phân giải không gian của dữ liệu HSI trở nên đặc biệt quan trọng. Dữ liệu siêu phổ cung cấp thông tin phổ rất chi tiết nhưng thường bị hạn chế về độ phân giải không gian do đặc điểm thiết kế cảm biến. Điều này dẫn đến hiện tượng “mixed pixel” – mỗi điểm ảnh chứa nhiều đối tượng khác nhau, làm giảm khả năng nhận dạng chi tiết bề mặt. Các phương pháp tăng cường độ phân giải ảnh siêu phổ trước đây chủ yếu dựa trên ba nhóm chính: phương pháp hợp nhất dữ liệu (fusion-based), phương pháp siêu phân giải dựa trên mô hình (model-based super-resolution) và phương pháp học sâu (deep learning). Tuy nhiên, nhiều kỹ thuật hiện nay vẫn tồn tại các hạn chế như méo phổ, khuếch đại nhiễu, yêu cầu dữ liệu huấn luyện lớn hoặc chi phí tính toán cao. Chính vì vậy, nhóm tác giả đã phát triển phương pháp P2SR nhằm kết hợp ưu điểm của sparse coding, residual learning và xử lý song song để nâng cao chất lượng tái tạo ảnh siêu phổ.Graphical AbstractPhương pháp P2SR hoạt động theo quy trình nhiều giai đoạn. Đầu tiên, dữ liệu HSI và MSI được tiền xử lý nhằm loại bỏ giá trị lỗi, chuẩn hóa dữ liệu và đồng bộ độ phân giải. Sau đó, hệ thống sử dụng đồng thời ba kỹ thuật phân rã dữ liệu gồm Independent Component Analysis (ICA), Non-negative Matrix Factorization (NMF) và biến đổi wavelet 3D để trích xuất đặc trưng phổ – không gian của ảnh siêu phổ. Các đặc trưng này được kết hợp để xây dựng “từ điển thưa” (sparse dictionary), phục vụ cho quá trình sparse coding. Điểm nổi bật của P2SR là chiến lược xử lý theo từng patch nhỏ thay vì xử lý toàn ảnh. Cách tiếp cận này cho phép mô hình tập trung vào đặc trưng cục bộ, giảm nhiễu và tăng khả năng tái tạo các chi tiết không gian tinh vi. Thuật toán tối ưu FISTA (Fast Iterative Shrinkage-Thresholding Algorithm) được sử dụng để giải bài toán sparse coding, giúp tăng tốc độ hội tụ và hạn chế hiện tượng quá khớp dữ liệu. Sau cùng, dữ liệu HSI được tái tạo với độ phân giải cao hơn thông qua guided filtering sử dụng MSI làm tham chiếu cấu trúc không gian. Toàn bộ quy trình được triển khai trên môi trường tính toán hiệu năng cao (HPC) với khả năng xử lý song song, giúp mở rộng quy mô cho các tập dữ liệu lớn. Nghiên cứu được kiểm nghiệm trên ba khu vực nghiên cứu gồm Augsburg (Đức), Marinkas-Quellen (Namibia) và Rio-Tinto (Tây Ban Nha). Các bộ dữ liệu sử dụng bao gồm EnMAP HSI, Sentinel-2 MSI, PlanetScope MSI cùng dữ liệu HSI hàng không độ phân giải cao HySpex và HyMap làm dữ liệu tham chiếu. Đây đều là những khu vực có đặc điểm địa hình, địa chất và lớp phủ bề mặt phức tạp, rất phù hợp để đánh giá hiệu quả của phương pháp nâng cao độ phân giải ảnh siêu phổ.Kết quả thực nghiệm cho thấy P2SR vượt trội hơn nhiều phương pháp hiện đại khác như CNMF, HySure, ResTFNet và SSR-Net trên hầu hết các chỉ tiêu đánh giá. Cụ thể, P2SR đạt giá trị PSNR trung bình 25,21; SAM trung bình 12,45; ERGAS trung bình 8,93 và Q2n đạt 0,5156 – tốt nhất trong đa số trường hợp thử nghiệm. Các chỉ số này phản ánh khả năng duy trì đồng thời chất lượng phổ và độ sắc nét không gian của ảnh tái tạo.Đánh giá trực quan cho thấy ảnh EnMAP sau nâng cao từ độ phân giải 30 m xuống 10 m và 3 m có cải thiện rõ rệt về chi tiết không gian. Các đối tượng như đường giao thông, công trình xây dựng, ranh giới nước – đất và cấu trúc địa chất trở nên rõ nét hơn đáng kể. Đặc biệt, tại khu vực Rio-Tinto, phương pháp P2SR vẫn duy trì tốt đặc trưng hấp thụ phổ Fe²⁺ trong khoảng 800–1200 nm – một tín hiệu quan trọng trong nghiên cứu khoáng sản và giám sát môi trường khai khoáng. Tại khu vực Marinkas-Quellen, sản phẩm HSI nâng cao độ phân giải 3 m cho phép nhận dạng rõ các cấu trúc địa chất như foliation, bedding và các đới biến đổi khoáng vật mà dữ liệu EnMAP gốc 30 m không thể hiện được. Điều này cho thấy tiềm năng lớn của phương pháp trong công tác thành lập bản đồ địa chất, phát hiện khoáng sản và nghiên cứu cấu trúc bề mặt.Ngoài hiệu quả kỹ thuật, nghiên cứu còn nhấn mạnh ý nghĩa thực tiễn của P2SR trong các ứng dụng viễn thám độ chính xác cao như lập bản đồ khoáng sản, giám sát môi trường, phân tích sử dụng đất và đánh giá sức khỏe thảm thực vật. Với khả năng duy trì tính toàn vẹn phổ đồng thời cải thiện đáng kể độ chi tiết không gian, P2SR được xem là một hướng tiếp cận triển vọng nhằm khắc phục hạn chế cố hữu của các cảm biến siêu phổ thế hệ mới.Tuy vậy, nhóm tác giả cũng chỉ ra một số hạn chế cần tiếp tục nghiên cứu như việc lựa chọn kích thước patch tối ưu, nguy cơ méo phổ tại các khu vực có cấu trúc bề mặt phức tạp và khả năng triển khai trên các nền tảng tính toán hạn chế tài nguyên. Trong tương lai, việc kết hợp cơ chế attention hoặc transformer với sparse residual learning có thể tiếp tục nâng cao hiệu quả tái tạo ảnh siêu phổ.Nhìn chung, nghiên cứu của Naik và cộng sự đã đóng góp đáng kể cho lĩnh vực nâng cao độ phân giải ảnh siêu phổ. Phương pháp P2SR không chỉ cải thiện chất lượng dữ liệu EnMAP mà còn mở ra triển vọng ứng dụng mạnh mẽ trong khai thác dữ liệu viễn thám phục vụ quản lý tài nguyên, môi trường và địa chất ở độ chi tiết cao hơn.Nguồn tài liệu tham khảo:Naik, P.; Chakraborty, R.; Thiele, S.; Gloaguen, R. Scalable Hyperspectral Enhancement via Patch-Wise Sparse Residual Learning: Insights from Super-Resolved EnMAP Data. Remote Sensing, 2025, 17, 1878. DOI: 10.3390/rs17111878.