Pesquisadores desenvolveram uma nova estrutura de inteligência artificial (IA), chamada RivDepth, que pode mapear a profundidade de rios ao longo de longos trechos onde altas concentrações de sedimentos em suspensão desafiam a batimetria convencional por satélite. O método, detalhado em um estudo publicado na Environmental Science and Ecotechnology, combina informações espectrais do satélite Sentinel-2 com um proxy de concentração de sedimentos em suspensão (SSC) derivado opticamente para recuperar a profundidade da água pixel por pixel. Testado em um trecho de 786 quilômetros do baixo Rio Amarelo, um dos rios com maior carga de sedimentos do mundo, o RivDepth demonstrou alta precisão na captura de relações complexas entre profundidade da água, reflectância e carga de sedimentos.
A inovação central do RivDepth é um módulo adaptativo de IA especialista que integra quatro modelos de aprendizado de máquina: floresta aleatória paralela (PRF), gradiente extremo (XGBoost), regressão por vetores de suporte (SVR) e perceptron multicamadas (MLP). Em vez de aplicar um único modelo uniformemente, o RivDepth realiza predição preliminar, inferência e tomada de decisão para selecionar a estratégia mais adequada para cada pixel com base nas condições da água. Essa adaptabilidade em nível de pixel é crucial para rios como o Rio Amarelo, onde o sedimento em suspensão, a estrutura do fluxo e os sinais ópticos variam drasticamente ao longo de longas distâncias.
O estudo, conduzido por pesquisadores do Laboratório Chave de Estado de Hidrociência e Engenharia da Universidade de Tsinghua e outros institutos chineses, utilizou imagens Sentinel-2 Nível-2A, dados de elevação transversal medidos em campo, registros de nível de água e observações in situ de SSC para treinar e validar o modelo. A análise de explicações aditivas de Shapley (SHAP) identificou preditores-chave, incluindo bandas de infravermelho de ondas curtas, bandas vermelha e de borda vermelha, a banda de vapor d'água, a banda de aerossol/azul e o proxy de SSC. Pixels afetados por nuvens foram reconstruídos para melhorar a cobertura, e corpos d'água, linhas centrais de canais, talvegues e larguras de rios foram extraídos de imagens de satélite.
Ao aprender diferentes padrões de profundidade–reflectância–SSC e escolher estratégias de predição em nível de pixel, o RivDepth pode se adaptar a condições espacialmente variáveis de sedimento e canal. Essa capacidade transforma observações rotineiras de satélite em informações acionáveis de profundidade para a ciência e gestão de rios. Informações batimétricas mais frequentes e contínuas podem ajudar a acompanhar mudanças no canal, identificar migração de talvegues, melhorar a modelagem de transporte de sedimentos e apoiar avaliações de risco de inundação e habitat. A abordagem oferece uma ferramenta escalável para monitoramento e gestão integrada de bacias hidrográficas.
O RivDepth pode ser ainda mais melhorado à medida que imagens de satélite de maior resolução e indicadores espaciais de SSC mais precisos se tornem disponíveis. Com validação mais ampla, o fluxo de trabalho pode ser adaptado a outros sistemas de rios turvos. O estudo foi aceito para publicação em 20 de maio de 2026, com DOI: 10.1016/j.ese.2026.100711. A pesquisa foi apoiada pelo Projeto Chave de Equipe do Laboratório Chave de Estado de Hidrociência e Engenharia e pela Fundação Nacional de Ciências Naturais da China.
