Los datos de reflectancia de teledetección hiperespectral R_rs (Remote sensing reflectance) tienen un valor importante en la inversión de parámetros de calidad del agua en zonas costeras. Sin embargo, los sensores hiperespectrales están limitados por la complejidad técnica y el alto costo, y los datos hiperespectrales de observación en campo se ven significativamente afectados por el entorno, dificultando la cobertura a gran escala. Para superar estas limitaciones, este artículo propone un modelo eficiente de reconstrucción hiperespectral R_rs basado en redes Kolmogorov-Arnold (KAN), que utiliza datos satelitales directamente para el entrenamiento, reconstruyendo R_rs hiperespectral continua y altamente consistente en las características de distribución con los valores observados reales a partir de datos multiespectrales R_rs. Este estudio utiliza datos de nivel 2 R_rs del instrumento de imágenes hiperespectrales costeras HICO (Hyperspectral Imager for the Coastal Ocean) como muestras de entrenamiento y los remuestrea para seis sensores multiespectrales principales, logrando reconstrucción hiperespectral R_rs en el rango de 400 a 719 nm (intervalo de 1 nm). Los experimentos muestran que el modelo KAN supera el desempeño de todos los sensores comparado con modelos empíricos tradicionales Li_2017 y modelos de aprendizaje profundo DNN (Deep Neural Network) y CNN (Convolutional Neural Network), con error cuadrático medio raíz RMSD de 2.25×10⁻⁴ (sr⁻¹), error absoluto medio MAE de 1.60×10⁻⁴, error porcentual absoluto medio MAPE de 0.0534, coeficiente de determinación R² de 0.9982 y sesgo Bias de -0.1×10⁻⁴, mostrando buena capacidad de generalización y estabilidad. La validación adicional demuestra que la R_rs hiperespectral reconstruida con KAN muestra mejor rendimiento en la inversión de concentración de clorofila a (Chlorophyll-a, Chl-a), mejorando significativamente la precisión, especialmente en áreas de alta concentración. El modelo KAN propuesto para reconstrucción hiperespectral R_rs ofrece nuevas ideas para superar las limitaciones de los modelos tradicionales dependientes de datos medidos o simulados y mejorar el rendimiento de la inversión remota en cuerpos de agua complejos.

Red KAN; reflectancia hiperespectral; reconstrucción de reflectancia; inversión de parámetros de calidad del agua; aguas costeras; reflectancia remota del agua