Hyperspektrale Fernerkundungs-Reflektivitätsdaten R_rs (Remote sensing reflectance) besitzen einen wichtigen Anwendungswert bei der Inversion von Wasserqualitätsparametern in küstennahen Meeresgewässern. Allerdings sind hyperspektrale Sensoren durch technische Komplexität und hohe Kosten begrenzt, und die hyperspektralen Felddaten sind stark von Umweltbedingungen beeinflusst, was eine großflächige Abdeckung erschwert. Um diese Einschränkungen zu überwinden, schlägt dieser Artikel ein effizientes Hyperspektral-R_rs-Rekonstruktionsmodell basierend auf KAN (Kolmogorov-Arnold Netzwerke) vor, das direkt mit Satellitendaten trainiert wird und hyperspektrale R_rs aus multispektralen R_rs rekonstruiert, die in den Verteilungseigenschaften hoch mit den tatsächlichen Beobachtungswerten übereinstimmen und kontinuierlich sind. Als Trainingsdaten werden Level-2-R_rs-Daten des Küstenmeeres-Hyperspektral-Imagers HICO (Hyperspectral Imager for the Coastal Ocean) verwendet, die auf sechs gängige multispektrale Sensoren resampled wurden, um die Hyperspektral-R_rs im Bereich von 400–719 nm (1 nm Intervall) zu rekonstruieren. Experimente zeigen, dass das KAN-Modell bei allen Sensoren eine bessere Rekonstruktionsleistung als traditionelle empirische Modelle Li_2017 sowie Deep-Learning-Modelle DNN (Deep Neural Network) und CNN (Convolutional Neural Network) erzielt, mit einem mittleren quadratischen Fehler RMSD von 2,25×10⁻⁴ (sr⁻¹), einem mittleren absoluten Fehler MAE von 1,60×10⁻⁴, einem mittleren absoluten prozentualen Fehler MAPE von 0,0534, einem Bestimmtheitsmaß R² von 0,9982 und einer Verzerrung Bias von -0,1×10⁻⁴, was eine gute Generalisierung und Stabilität zeigt. Weitere Anwendungsvalidierungen zeigen, dass die auf KAN rekonstruierte hyperspektrale R_rs bessere Leistungen bei der Inversion der Chlorophyll-a-Konzentration (Chlorophyll-a, Chl-a) erbringt und die Genauigkeit signifikant verbessert, insbesondere in hochkonzentrierten Bereichen. Das vorgeschlagene KAN-Hyperspektral-R_rs-Rekonstruktionsmodell bietet neue Ansätze, um die Beschränkungen traditioneller Modelle zu überwinden, die auf gemessene oder simulierte Daten angewiesen sind, und die Fernerkundungsinversion in komplexen Gewässern zu verbessern.

KAN-Netzwerk; hyperspektrale Fernerkundungs-Reflektivität; Reflektivitätsrekonstruktion; Inversion von Wasserqualitätsparametern; Küstengewässer; Fernerkundungsreflektivität von Gewässern