Investigadores han desarrollado un novedoso marco de inteligencia artificial (IA), denominado RivDepth, que puede mapear la profundidad de los ríos a lo largo de largos tramos donde las altas concentraciones de sedimentos en suspensión desafían la batimetría satelital convencional. El método, detallado en un estudio publicado en Environmental Science and Ecotechnology, 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 un tramo de 786 kilómetros del curso bajo del río Amarillo, uno de los ríos con mayor carga de sedimentos del mundo, RivDepth demostró una alta precisión al capturar las complejas relaciones entre la profundidad del agua, la reflectancia y la carga de sedimentos.
La innovación central de RivDepth es un módulo experto de IA adaptativo que integra cuatro modelos de aprendizaje automático: bosque aleatorio paralelo (PRF), potenciación de gradiente extrema (XGBoost), regresión de vectores de soporte (SVR) y perceptrón multicapa (MLP). En lugar de aplicar un solo modelo de manera uniforme, RivDepth realiza predicción preliminar, inferencia y toma de decisiones para seleccionar la estrategia más adecuada para cada píxel según las condiciones del agua. Esta adaptabilidad a nivel de píxel es crucial para ríos como el Amarillo, donde los sedimentos en suspensión, la estructura del flujo y las señales ópticas varían drásticamente a lo largo de largas distancias.
El estudio, realizado por investigadores del Laboratorio Clave Estatal de Hidrociencia e Ingeniería de la Universidad de Tsinghua y otros institutos chinos, utilizó imágenes Sentinel-2 Nivel-2A, datos de elevación transversal medidos en campo, registros de nivel de agua y observaciones in situ de SSC para entrenar y validar el modelo. El análisis de explicaciones aditivas de Shapley (SHAP) identificó predictores clave, incluidas las bandas infrarrojas 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. Los píxeles afectados por nubes se reconstruyeron para mejorar la cobertura, y se extrajeron cuerpos de agua, líneas centrales de canales, thalwegs y anchos de río a partir de imágenes satelitales.
Al aprender diferentes patrones de profundidad-reflectancia-SSC y elegir estrategias de predicción a nivel de píxel, RivDepth puede adaptarse a condiciones espacialmente cambiantes de sedimento y canal. Esta capacidad convierte las observaciones satelitales rutinarias en información de profundidad procesable para la ciencia y gestión de ríos. La información batimétrica más frecuente y continua podría ayudar a rastrear cambios en el canal, identificar la migración del thalweg, mejorar el modelado del transporte de sedimentos y apoyar las evaluaciones de riesgo de inundación y hábitat. El enfoque ofrece una herramienta escalable para el monitoreo y manejo integrado de cuencas hidrográficas.
RivDepth puede mejorarse aún más a medida que estén disponibles imágenes satelitales de mayor resolución e indicadores espaciales de SSC más precisos. Con una validación más amplia, el flujo de trabajo podría adaptarse a otros sistemas fluviales turbios. El estudio fue aceptado para su publicación el 20 de mayo de 2026, con DOI: 10.1016/j.ese.2026.100711. La investigación fue apoyada por el Proyecto Clave del Equipo del Laboratorio Clave Estatal de Hidrociencia e Ingeniería y la Fundación Nacional de Ciencias Naturales de China.
