KNOXVILLE, TN, 13. Juni 2026 /24-7PressRelease/ -- Ein Forschungsteam hat eine auf künstlicher Intelligenz (KI) basierende Methode entwickelt, mit der die Flusstiefe über lange Strecken mit hoher Sedimentkonzentration kartiert werden kann, wo herkömmliche Satellitenbathymetrie oft versagt. Das Modell mit dem Namen RivDepth kombiniert spektrale Informationen von Sentinel-2 mit einem optisch abgeleiteten Proxy für die Schwebstoffkonzentration (SSC), um die Wassertiefe pixelweise zu ermitteln. Getestet am unteren Gelben Fluss, einem der sedimentreichsten Flüsse der Welt, erfasste das Modell die komplexen Zusammenhänge zwischen Wassertiefe, Reflexion und Sedimentfracht mit hoher Genauigkeit. Der Ansatz bietet eine neue Möglichkeit, die unterwasserliegende Flusstopographie zu überwachen und unterstützt Hochwasserbewertung, Sedimenthaushalt, Gerinnemanagement und integriertes Flussmanagement.

Forscher des State Key Laboratory of Hydroscience and Engineering der Tsinghua-Universität, des State Key Laboratory of Water Cycle and Water Security in River Basin und des State Key Laboratory of Simulation and Regulation of Water Cycle in River Basin am China Institute of Water Resources and Hydropower Research führten die Studie durch, die am 20. Mai 2026 zur Veröffentlichung (DOI: 10.1016/j.ese.2026.100711) in der Zeitschrift Environmental Science and Ecotechnology angenommen wurde. Der Artikel stellt ein satellitengestütztes KI-Framework zur Kartierung der Flusstiefe in Umgebungen mit hohem SSC dar.

Das Team wandte RivDepth auf einen etwa 786 Kilometer langen Abschnitt des unteren Gelben Flusses von Xixiayuan bis Lijin an. Sie verwendeten Sentinel-2 Level-2A-Bilder, feldgemessene Querschnittshöhendaten, Wasserstandsdaten und in situ beobachtete SSC-Daten, um Trainings- und Validierungsdatensätze zu erstellen. Wasserflächen, Gerinnemittellinien, Talwege und Flussbreiten wurden aus Satellitenbildern extrahiert, während wolkenbeeinträchtigte Pixel rekonstruiert wurden, um die Abdeckung zu verbessern. Die Innovation von RivDepth liegt in seinem adaptiven KI-Expertenmodul, das parallelen Random Forest (PRF), Extreme Gradient Boosting (XGBoost), Support Vector Regression (SVR) und Multilayer Perceptron (MLP) integriert. Anstatt ein einheitliches Modell auf alle Pixel anzuwenden, führt RivDepth eine vorläufige Vorhersage, Inferenz und Entscheidungsfindung durch, um die am besten geeignete Strategie für jeden Wasserzustand auszuwählen. Eine Shapley-Additive-Explanations-Analyse (SHAP) identifizierte Kurzwellen-Infrarotbänder, Rot- und Red-Edge-Bänder, das Wasserdampfband, das Aerosol/Blau-Band und den SSC-Proxy als Schlüsselprädiktoren.

Durch das Erlernen unterschiedlicher Tiefen-Reflexions-SSC-Muster und die Auswahl von Vorhersagestrategien auf Pixelebene kann sich das Modell an räumlich wechselnde Sediment- und Gerinnebedingungen anpassen. Dies ist besonders wichtig für Flüsse wie den Gelben Fluss, bei dem Schwebstoff, Strömungsstruktur und optische Signale über große Entfernungen stark variieren. Die Methode verwandelt routinemäßige Satellitenbeobachtungen in nutzbare Tiefeninformationen für Flusswissenschaft und -management. Häufigere und kontinuierlichere bathymetrische Informationen könnten helfen, Gerinneänderungen zu verfolgen, Talwanderungen zu identifizieren, Sedimenttransportmodelle zu verbessern und Hochwasserrisiko- und Lebensraumbewertungen zu unterstützen. RivDepth kann weiter verbessert werden, sobald Satellitenbilder mit höherer Auflösung und genauere räumliche SSC-Indikatoren verfügbar sind. Mit breiterer Validierung könnte der Arbeitsablauf an andere trübe Flusssysteme angepasst werden und ein skalierbares Werkzeug für integriertes Einzugsgebietsmonitoring und -management bieten.

Referenzen
DOI
10.1016/j.ese.2026.100711

Originalquellen-URL
https://doi.org/10.1016/j.ese.2026.100711

Förderinformationen
Diese Arbeit wurde unterstützt durch das Team Key Project des State Key Laboratory of Hydroscience and Engineering (Nr. sklhse-TD-2024-E01) und die National Natural Science Foundation of China (U2243218, U2243222).

Über Environmental Science and Ecotechnology
Environmental Science and Ecotechnology (ISSN 2666-4984) ist eine internationale, begutachtete Open-Access-Zeitschrift, die von Elsevier veröffentlicht wird. Die Zeitschrift veröffentlicht bedeutende Ansichten und Forschungsergebnisse aus dem gesamten Spektrum der Ökologie und Umweltwissenschaften, wie Klimawandel, Nachhaltigkeit, Biodiversitätsschutz, Umwelt & Gesundheit, grüne Katalyse/Verarbeitung zur Schadstoffbekämpfung und KI-gesteuerte Umwelttechnik. Der aktuelle Impact Factor von ESE beträgt 14,3 gemäß den Journal Citation ReportsTM 2024.

Chuanlink Innovations, wo revolutionäre Ideen ihr wahres Potenzial entfalten. Unser Name, verwurzelt in der Essenz von Übertragung und Verbindung, spiegelt unser Engagement wider, Innovation zu fördern und den Weg von Ideen von der Entstehung bis zur Verwirklichung zu erleichtern.

Verwandter Link:
http://chuanlink-innovations.com

Haftungsausschluss: Diese Übersetzung wurde automatisch von NewsRamp™ für 24-7 Press Release (gemeinsam als "DIE UNTERNEHMEN" bezeichnet) mit öffentlich zugänglichen generativen KI-Plattformen erstellt. DIE UNTERNEHMEN garantieren nicht die Genauigkeit oder Vollständigkeit dieser Übersetzung und haften nicht für Fehler, Auslassungen oder Ungenauigkeiten. Die Nutzung dieser Übersetzung erfolgt auf eigenes Risiko. DIE UNTERNEHMEN haften nicht für Schäden oder Verluste, die aus solcher Nutzung entstehen. Die offizielle und maßgebliche Version dieser Pressemitteilung ist die englische Version.