Les données de réflectance hyperspectrale R_rs (Remote sensing reflectance) ont une grande valeur d’application dans l’inversion des paramètres de qualité de l’eau en zones côtières. Cependant, les capteurs hyperspectraux sont limités par la complexité technique et le coût élevé, de plus les données hyperspectrales acquises sur le terrain sont fortement influencées par l’environnement, ce qui rend difficile une couverture à grande échelle. Pour surmonter ces limitations, cet article propose un modèle efficace de reconstruction hyperspectrale R_rs basé sur les réseaux Kolmogorov-Arnold (KAN), qui utilise directement les données satellitaires pour l’entraînement, reconstruisant une R_rs hyperspectrale continue dont la distribution est très cohérente avec les observations réelles à partir des données multispectrales R_rs. Cet article utilise les données hyperspectrales de niveau 2 R_rs de l’imagerie côtière HICO (Hyperspectral Imager for the Coastal Ocean) comme échantillons d’entraînement, qui sont rééchantillonnées pour six capteurs multispectraux principaux afin de réaliser la reconstruction hyperspectrale R_rs dans la gamme de 400 à 719 nm (intervalle de 1 nm). Les expériences montrent que le modèle KAN dépasse en performance tous les capteurs par rapport aux modèles empiriques traditionnels Li_2017 et aux modèles d’apprentissage profond DNN (Deep Neural Network) et CNN (Convolutional Neural Network), avec une erreur quadratique moyenne racine RMSD de 2,25×10⁻⁴ (sr⁻¹), une erreur absolue moyenne MAE de 1,60×10⁻⁴, une erreur absolue moyenne en pourcentage MAPE de 0,0534, un coefficient de détermination R² de 0,9982 et un biais Bias de -0,1×10⁻⁴, démontrant une bonne généralisation et stabilité. Une validation supplémentaire montre que la R_rs hyperspectrale reconstruite basée sur KAN offre de meilleures performances dans l’inversion de la concentration en chlorophylle a (Chlorophyll-a, Chl-a), améliorant significativement la précision, particulièrement dans les zones à haute concentration. Le modèle de reconstruction hyperspectrale KAN proposé ouvre de nouvelles perspectives pour dépasser les limites des modèles traditionnels dépendant des données mesurées ou simulées et améliorer l’inversion dans les milieux aquatiques complexes.

Réseau KAN; réflectance hyperspectrale; reconstruction de la réflectance; inversion des paramètres de qualité de l’eau; eaux côtières; réflectance des eaux