La technologie d'imagerie hyperspectrale joue un rôle crucial dans l'extraction d'informations précieuses du spectre électromagnétique, ce qui permet d'obtenir des cubes de données spatiales et spectrales détaillées appelées images hyperspectrales (HSI). Cette technologie trouve des applications dans divers domaines tels que l'astrophysique, la surveillance agricole et la télédétection. La génération de données hyperspectrales haute fidélité est un élément essentiel des missions d'observation, mais implique traditionnellement des simulations numériques coûteuses. Ce défi peut être relevé en construisant un modèle statistique qui se rapproche de la distribution des données simulées. Ce processus est appelé émulation. Cet article présente une nouvelle approche d'émulation hyperspectrale associant un autoencodeur variationnel (VAE) et un interpolateur neuronal pour l'émulation rapide de HSI. Le VAE est entraîné à reproduire des données, et un interpolateur est ensuite utilisé pour lier les paramètres biophysiques à l'espace latent appris par le VAE. Cette méthode permet l'échantillonnage de HSI à partir de paramètres biophysiques de manière efficace et précise. Cette approche est évaluée sur les images couleur de l'océan issues du satellite Sentinel-3 et montre des améliorations significatives en termes de précision, d'efficacité et de synthèse des informations au niveau de la scène par rapport aux méthodes existantes.