Le défi AI4EO HYPERVIEW vise à développer des méthodes d’apprentissage automatique capables de prédire des paramètres du sol d’intérêt agricole (K, Mg, P₂O₅, pH) à partir d’images hyperspectrales aériennes. Nous proposons un modèle hybride combinant des régresseurs Random Forest et K-plus-proches-voisins, exploitant à la fois la réflectance spectrale moyenne et des caractéristiques dérivées telles que les gradients, les coefficients de transformation en ondelettes et les transformées de Fourier. Cette solution s’avère légère en termes de coût computationnel et dépasse le modèle de référence du défi de 21,9 %, obtenir ainsi la première place sur le classement public. Par ailleurs, nous discutons des architectures de réseaux de neurones et des perspectives d’amélioration futures.