Forscher haben ein neuartiges KI-Framework namens RivDepth entwickelt, das die Wassertiefe über lange Flussabschnitte kartieren kann, in denen hohe Schwebstoffkonzentrationen die konventionelle Satellitenbathymetrie erschweren. Die Methode, die in einer Studie in Environmental Science and Ecotechnology veröffentlicht wurde, kombiniert spektrale Informationen von Sentinel-2 mit einem optisch abgeleiteten Proxy für die Schwebstoffkonzentration (SSC), um die Wassertiefe pixelweise zu ermitteln. Getestet auf einem 786 Kilometer langen Abschnitt des unteren Gelben Flusses, einem der sedimentreichsten Flüsse der Welt, zeigte RivDepth eine hohe Genauigkeit bei der Erfassung komplexer Zusammenhänge zwischen Wassertiefe, Reflexion und Sedimentfracht.
Die Kerninnovation von RivDepth ist ein adaptives KI-Expertenmodul, das vier maschinelle Lernmodelle integriert: Parallel Random Forest (PRF), Extreme Gradient Boosting (XGBoost), Support Vector Regression (SVR) und Multilayer Perceptron (MLP). Anstatt ein einzelnes Modell einheitlich anzuwenden, führt RivDepth eine vorläufige Vorhersage, Inferenz und Entscheidungsfindung durch, um für jedes Pixel basierend auf den Wasserbedingungen die am besten geeignete Strategie auszuwählen. Diese Pixel-für-Pixel-Adaptivität ist entscheidend für Flüsse wie den Gelben Fluss, bei dem Schwebstoffe, Strömungsstruktur und optische Signale über lange Distanzen stark variieren.
Die Studie, die von Forschern des State Key Laboratory of Hydroscience and Engineering der Tsinghua-Universität und anderer chinesischer Institute durchgeführt wurde, nutzte Sentinel-2 Level-2A-Bilder, feldgemessene Querschnittshöhendaten, Wasserstandsaufzeichnungen und SSC-Vor-Ort-Beobachtungen, um das Modell zu trainieren und zu validieren. Eine SHAP-Analyse (Shapley Additive Explanations) identifizierte Schlüsselprädiktoren, darunter kurzwelleninfrarote Bänder, rote und Red-Edge-Bänder, das Wasserdampfband, das Aerosol-/Blauband und den SSC-Proxy. Wolkenbeeinträchtigte Pixel wurden rekonstruiert, um die Abdeckung zu verbessern, und Wasserflächen, Kanalmittellinien, Talwege und Flussbreiten wurden aus Satellitenbildern extrahiert.
Durch das Erlernen verschiedener Tiefe-Reflexion-SSC-Muster und die Auswahl von Vorhersagestrategien auf Pixelebene kann sich RivDepth an räumlich wechselnde Sediment- und Kanalbedingungen anpassen. Diese Fähigkeit verwandelt routinemäßige Satellitenbeobachtungen in verwertbare Tiefeninformationen für Flusswissenschaft und -management. Häufigere und kontinuierlichere bathymetrische Informationen könnten helfen, Kanalveränderungen zu verfolgen, Talwanderungen zu identifizieren, Sedimenttransportmodelle zu verbessern und Hochwasserrisiko- sowie Lebensraumbewertungen zu unterstützen. Der Ansatz bietet ein skalierbares Werkzeug für ein integriertes Wassereinzugsgebietsmonitoring und -management.
RivDepth kann weiter verbessert werden, sobald höher aufgelöste Satellitenbilder und genauere räumliche SSC-Indikatoren verfügbar sind. Mit breiterer Validierung könnte der Workflow an andere trübe Flusssysteme angepasst werden. Die Studie wurde am 20. Mai 2026 zur Veröffentlichung angenommen, DOI: 10.1016/j.ese.2026.100711. Die Forschung wurde unterstützt durch das Team Key Project des State Key Laboratory of Hydroscience and Engineering und die National Natural Science Foundation of China.
