高スペクトルリモートセンシング反射率R_rs（Remote sensing reflectance）データは、沿岸海洋の水質パラメータの逆推定において重要な応用価値を持っています。しかし、高スペクトルセンサーは技術的な複雑さと高コストに制約されており、現場観測の高スペクトルデータは環境の影響を強く受け、大規模なカバレッジの実現が困難です。これらの制限を克服するために、本研究ではKAN（Kolmogorov-Arnold Networks）に基づく高効率な高スペクトルR_rs再構成モデルを提案します。本モデルは衛星リモートセンシングデータを直接学習に利用し、多波長R_rsから実際の観測値の分布特性と高い一致性を持ち連続的な高スペクトルR_rsを再構成します。本研究では沿岸海洋高スペクトルイメージャーHICO（Hyperspectral Imager for the Coastal Ocean）のレベル2 R_rsデータをトレーニングサンプルとして使用し、6種類の主流な多波長センサーにリサンプリングして、400～719 nm範囲（1 nm間隔）の高スペクトルR_rs再構成を実現しました。実験結果は、KANモデルがすべてのセンサーにおいて従来の経験モデルLi_2017および深層学習モデルDNN（Deep Neural Network）、CNN（Convolutional Neural Network）を上回る再構成性能を示し、平均二乗平方根誤差RMSD（Root Mean Square Deviation）は2.25×10⁻⁴（sr⁻¹）、平均絶対誤差MAE（Mean Absolute Error）は1.60×10⁻⁴、平均絶対誤差率MAPE（Mean Absolute Percentage Error）は0.0534、決定係数R²（Coefficient of Determination）は0.9982、バイアス（Bias）は-0.1×10⁻⁴であり、優れた一般化能力と安定性を示しました。さらに応用検証により、KANに基づく高スペクトルR_rsがクロロフィルa（Chlorophyll-a、Chl-a）濃度の逆推定において優れた性能を示し、特に高濃度領域で反推定精度が大幅に向上することが明らかになりました。本研究で提案したKAN高スペクトルR_rs再構成モデルは、従来モデルが実測またはシミュレーションデータに依存するボトルネックを突破し、複雑な水域のリモートセンシング逆推定性能を向上させる新たな方向性を提供します。

KANネットワーク; 高スペクトルリモートセンシング反射率; リモートセンシング反射率再構成; 水質パラメータ逆推定; 沿岸海域水域; 水域リモートセンシング反射率