고해상도 분광 원격 감지 반사율 R_rs(Remote sensing reflectance) 데이터는 연안 해양 수질 매개변수 역산에 중요한 응용 가치를 지닌다. 그러나 고해상도 분광 센서는 기술 복잡성과 높은 비용으로 인해 제한되며, 현장 관측의 고해상도 분광 데이터는 환경 영향이 크게 작용하여 광범위한 커버리지를 구현하기 어렵다. 이러한 제한을 극복하기 위해 본 논문에서는 KAN(Kolmogorov-Arnold Networks)을 기반으로 한 고효율 고해상도 분광 R_rs 재구성 모델을 제안하였다. 이 모델은 위성 원격 감지 데이터를 직접 학습하여 다중 분광 R_rs로부터 실제 관측 값의 분포 특성과 매우 일치하며 연속적인 고해상도 분광 R_rs를 재구성한다. 본 논문은 해안 해양 고해상도 분광 이미지 장비인 HICO(Hyperspectral Imager for the Coastal Ocean)의 2단계 R_rs 데이터를 학습 샘플로 사용하였으며, 이를 6가지 주요 다중 분광 센서로 재샘플링하여 400~719nm 범위(1nm 간격) 내에서 고해상도 분광 R_rs 재구성을 실현하였다. 실험 결과, KAN 모델은 모든 센서에서 전통적인 경험 모델 Li_2017과 딥러닝 모델 DNN(Deep Neural Network), CNN(Convolutional Neural Network)보다 우수한 재구성 성능을 보였으며, 평균 제곱근 오차 RMSD(Root Mean Square Deviation)는 2.25×10⁻⁴(sr⁻¹), 평균 절대 오차 MAE(Mean Absolute Error)는 1.60×10⁻⁴, 평균 절대 백분율 오차 MAPE(Mean Absolute Percentage Error)는 0.0534, 결정 계수 R²(Coefficient of Determination)은 0.9982, 편차(Bias)는 -0.1×10⁻⁴로 우수한 일반화 능력과 안정성을 나타냈다. 추가 적용 검증을 통해 KAN 기반 재구성 고해상도 분광 R_rs가 엽록소a(Chlorophyll-a, Chl-a) 농도 역산에서 더 우수한 성능을 발휘하여 역산 정확도를 크게 향상시켰으며, 특히 고농도 구역에서 더욱 뛰어난 결과를 보였다. 본 논문에서 제안한 KAN 고해상도 분광 R_rs 재구성 모델은 실측 또는 시뮬레이션 데이터에 대한 기존 모델의 의존성 한계를 극복하고 복잡한 수역 원격 감지 역산 성능을 향상시키는 새로운 방향을 제공한다.

KAN 네트워크; 고해상도 분광 원격 감지 반사율; 원격 감지 반사율 재구성; 수질 매개변수 역산; 연안 해역 수역; 수역 원격 감지 반사율