La conversión de la intensidad del brillo del aire a la tasa de emisión por volumen (VER) es un método común para estudiar la ionosfera, pero la contribución del proceso de conversión de intensidad a la incertidumbre en la densidad de electrones o iones estimada es significativa. La inversión de Abel es un método comúnmente utilizado para recuperar los VER a partir de perfiles verticales de intensidades de brillo del aire acumuladas a lo largo de los rayos horizontalmente en el punto tangente, pero requiere que las intensidades converjan a cero en su altura más alta, lo cual a menudo no es el caso debido a limitaciones de observación. En este estudio, presentamos un método para optimizar la recuperación de VER a partir de intensidades de brillo del aire medidas por satélite utilizando técnicas de aprendizaje profundo e inversión de Abel. Este método se puede aplicar para llenar observaciones no observadas o discontinuas en perfiles de intensidad de brillo del aire con la función de Chapman, permitiendo que se utilicen con la inversión de Abel para determinar los VER. Validamos el método utilizando datos de intensidad de emisión de brillo del aire de 135.6 nm del proyecto GOLD (Global-scale Observations of the Limb and Disk) de la NASA. Nuestro proceso de entrenamiento implica el uso de tres capas ocultas con diferentes números de neuronas, y comparamos el rendimiento de los modelos de aprendizaje profundo de mejor desempeño con los resultados transformados por Abel a partir de observaciones en tiempo real. La combinación de la inversión de Abel y el aprendizaje profundo tiene el potencial de optimizar el proceso de conversión de intensidad a VER y mejorar la capacidad para analizar observaciones ionosféricas.