KNOXVILLE, TN, 13 de junio de 2026 /24-7PressRelease/ -- Un equipo de investigación ha desarrollado un método basado en inteligencia artificial (IA) que puede mapear la profundidad de los ríos a lo largo de largos tramos con alta concentración de sedimentos, donde la batimetría satelital convencional a menudo tiene dificultades. El modelo, denominado RivDepth, combina información espectral del satélite Sentinel-2 con un proxy de concentración de sedimentos en suspensión (SSC) derivado ópticamente para recuperar la profundidad del agua píxel por píxel. Probado en el curso inferior del río Amarillo, uno de los ríos con mayor carga de sedimentos del mundo, el modelo capturó vínculos complejos entre la profundidad del agua, la reflectancia y la carga de sedimentos con alta precisión. El enfoque ofrece una nueva forma de monitorear la topografía submarina de los ríos, apoyando la evaluación de inundaciones, el balance de sedimentos, la gestión de canales y la gestión integrada de ríos.

Investigadores del Laboratorio Estatal Clave de Hidrociencia e Ingeniería de la Universidad Tsinghua, el Laboratorio Estatal Clave de Ciclo del Agua y Seguridad Hídrica en Cuencas Fluviales, y el Laboratorio Estatal Clave de Simulación y Regulación del Ciclo del Agua en Cuencas Fluviales del Instituto de Investigación de Recursos Hídricos e Hidroenergía de China llevaron a cabo el estudio, que fue aceptado para su publicación (DOI: 10.1016/j.ese.2026.100711) el 20 de mayo de 2026 en Environmental Science and Ecotechnology. El artículo informa sobre un marco de inteligencia artificial (IA) basado en satélites para mapear la profundidad de los ríos en entornos de alta SSC.

El equipo aplicó RivDepth a un tramo de aproximadamente 786 kilómetros del curso inferior del río Amarillo, desde Xixiayuan hasta Lijin. Utilizaron imágenes Sentinel-2 Nivel-2A, datos de elevación transversal medidos en campo, registros de nivel de agua y observaciones in situ de SSC para construir conjuntos de datos de entrenamiento y validación. Se extrajeron cuerpos de agua, líneas centrales de canales, talwegs y anchos de río de las imágenes satelitales, mientras que los píxeles afectados por nubes se reconstruyeron para mejorar la cobertura. La innovación de RivDepth radica en su módulo experto de IA adaptativo, que integra bosque aleatorio paralelo (PRF), potenciación de gradiente extrema (XGBoost), regresión de vectores de soporte (SVR) y perceptrón multicapa (MLP). En lugar de aplicar un modelo único de manera uniforme a todos los píxeles, RivDepth realiza predicción preliminar, inferencia y toma de decisiones para seleccionar la estrategia más adecuada para cada condición hídrica. El análisis de explicaciones aditivas de Shapley (SHAP) identificó las bandas de infrarrojo de onda corta, las bandas roja y de borde rojo, la banda de vapor de agua, la banda de aerosol/azul y el proxy de SSC como predictores clave.

Al aprender diferentes patrones de profundidad-reflectancia-SSC y elegir estrategias de predicción a nivel de píxel, el modelo puede adaptarse a condiciones de sedimentos y canales que varían espacialmente. Esto es particularmente importante para ríos como el río Amarillo, donde los sedimentos en suspensión, la estructura del flujo y las señales ópticas varían bruscamente en largas distancias. El método convierte las observaciones satelitales rutinarias en información de profundidad procesable para la ciencia y gestión de ríos. Una información batimétrica más frecuente y continua podría ayudar a rastrear cambios en los canales, identificar la migración del talweg, mejorar los modelos de transporte de sedimentos y apoyar las evaluaciones de riesgo de inundaciones y hábitats. RivDepth puede mejorarse aún más a medida que estén disponibles imágenes satelitales de mayor resolución e indicadores de SSC espacial más precisos. Con una validación más amplia, el flujo de trabajo podría adaptarse a otros sistemas fluviales turbios, ofreciendo una herramienta escalable para la monitorización y gestión integrada de cuencas.

Referencias
DOI
10.1016/j.ese.2026.100711

URL de la fuente original
https://doi.org/10.1016/j.ese.2026.100711

Información de financiación
Este trabajo fue apoyado por el Proyecto Clave del Equipo del Laboratorio Estatal Clave de Hidrociencia e Ingeniería (No. sklhse-TD-2024-E01), y la Fundación Nacional de Ciencias Naturales de China (U2243218, U2243222).

Acerca de Environmental Science and Ecotechnology
Environmental Science and Ecotechnology (ISSN 2666-4984) es una revista internacional, revisada por pares y de acceso abierto publicada por Elsevier. La revista publica puntos de vista e investigaciones significativos en todo el espectro de las ciencias ecológicas y ambientales, como el cambio climático, la sostenibilidad, la conservación de la biodiversidad, el medio ambiente y la salud, la catálisis/procesamiento verde para el control de la contaminación y la ingeniería ambiental impulsada por IA. El último factor de impacto de ESE es 14.3, según los Journal Citation ReportsTM 2024.

Chuanlink Innovations, donde las ideas revolucionarias encuentran su verdadero potencial. Nuestro nombre, arraigado en la esencia de la transmisión y la conexión, refleja nuestro compromiso de fomentar la innovación y facilitar el viaje de las ideas desde su concepción hasta su realización.

Enlace relacionado:
http://chuanlink-innovations.com

Descargo de responsabilidad: Esta traducción ha sido generada automáticamente por NewsRamp™ para 24-7 Press Release (colectivamente referidos como "LAS EMPRESAS") utilizando plataformas de inteligencia artificial generativas de acceso público. LAS EMPRESAS no garantizan la exactitud ni la integridad de esta traducción y no serán responsables por ningún error, omisión o inexactitud. La confianza en esta traducción es bajo su propio riesgo. LAS EMPRESAS no son responsables por ningún daño o pérdida resultante de tal confianza. La versión oficial y autoritativa de este comunicado de prensa es la versión en inglés.