تتمتع بيانات الانعكاسية الاستشعارية عن بُعد الطيفية العالية R_rs (الانعكاسية الاستشعارية عن بُعد) بقيمة تطبيقية مهمة في استنتاج معلمات جودة مياه البحر الساحلي. ومع ذلك، فإن أجهزة الاستشعار الطيفية العالية محدودة بالتعقيد التقني والتكلفة العالية، كما أن بيانات الطيف عالي الدقة الميدانية تتأثر بشكل كبير بالبيئة، مما يصعب تحقيق تغطية واسعة النطاق. لتجاوز هذه القيود، يقترح هذا البحث نموذج إعادة بناء طيفي عالي الكفاءة يستند إلى شبكات كولموغوروف-أرنولد (KAN)، والذي يستخدم بيانات الأقمار الصناعية مباشرة للتدريب، لإعادة بناء بيانات الطيف عالي الدقة R_rs من البيانات الطيفية متعددة الأطياف R_rs بحيث تتوافق خصائص التوزيع مع القيم المرصودة الحقيقية وتكون متصلة. يستخدم البحث بيانات الطيفي عالي الدقة R_rs من جهاز التصوير الطيفي العالي الدقة للسواحل HICO (Hyperspectral Imager for the Coastal Ocean) كمجموعة تدريب، ويعيد عينتها لتشمل 6 أجهزة استشعار طيفية متعددة شائعة، مع تحقيق إعادة بناء بيانات الطيف عالي الدقة R_rs في نطاق 400-719 نانومتر (بفاصل 1 نانومتر). أظهرت التجارب تفوق نموذج KAN في أداء إعادة البناء على جميع أجهزة الاستشعار مقارنة بالنماذج التقليدية التجريبية Li_2017 ونماذج التعلم العميق DNN (الشبكة العصبية العميقة)، CNN (الشبكة العصبية الالتفافية)، مع خطأ جذر متوسط التربيع RMSD بقيمة 2.25×10⁻⁴ (sr⁻¹)، ومتوسط الخطأ المطلق MAE بقيمة 1.60×10⁻⁴، ومتوسط النسبة المئوية للخطأ المطلق MAPE بمقدار 0.0534، ومعامل التحديد R² بقيمة 0.9982 والانحياز Bias بقيمة -0.1×10⁻⁴، معبرة عن قوة تعميم واستقرار عاليين. أظهرت تطبيقات التحقق الإضافية أن إعادة بناء بيانات الطيف عالي الدقة R_rs المعتمدة على KAN تقدم أداء محسنًا في استنتاج تركيز الكلوروفيل-أ (Chlorophyll-a, Chl-a)، مما يعزز دقة الاستنتاج، خاصة في المناطق ذات التركيز العالي. يقدم نموذج إعادة البناء الطيفي عالي الدقة KAN هذا أفكارًا جديدة لتجاوز قيود النماذج التقليدية المعتمدة على البيانات المحسوبة أو الميدانية، ولتحسين أداء استنتاج جودة المياه في الأجسام المائية المعقدة.

شبكة KAN; الانعكاسية الاستشعارية عن بُعد الطيفية العالية; إعادة بناء الانعكاسية الاستشعارية عن بُعد; استنتاج معلمات جودة المياه; مياه المناطق الساحلية; الانعكاسية الاستشعارية عن بُعد للمياه