تدفق الأنهار هو متغير رئيسي في دورة الهيدرولوجيا، وله أهمية كبيرة في إنذار الفيضانات، وإدارة موارد المياه، وحماية البيئة. تختار هذه الورقة محطة تانغ ناي هاي الهيدرولوجية في مصدر نهر الأصفر كنموذج تجريبي، وتقترح تقنية مراقبة تدفق الأنهار التي تدمج بين الاستشعار عن بعد الفضائي وتعلم الآلة. أولاً، يتم استخراج عرض سطح النهر باستخدام صور القمر الصناعي Sentinel-2، ويُستخدم المتغيرات الهيدرولوجية الجوية المحاكاة بواسطة نظام التمثيل العالمي للبيانات الأرضية (مثل التبخر، رطوبة التربة، درجة الحرارة، مخزون المياه البرية وتدفق المياه) كعوامل دفع، ليتم بناء نموذج مراقبة التدفق باستخدام أربع طرق إحصائية (الدالة الخطية، دالة القوة، الدالة الأسية، والدالة متعددة الحدود) وأربع طرق تعلم آلي (XGBoost، الغابة العشوائية، LightGBM، وCatBoost)، ويتم تقييم الفروق بين النتائج ويتم تقدير أهمية عوامل الدفع المختلفة باستخدام طريقة الشروحات الإضافية لشابلي (SHAP). أظهرت النتائج أن نموذج الدالة متعددة الحدود ضمن الطرق الإحصائية الأربعة يتفوق في فترة الاختبار على النماذج الأخرى؛ مقارنة بالطرق الإحصائية التقليدية، أظهرت طرق تعلم الآلة تفوقًا ملحوظًا من حيث الدقة والثبات، حيث زادت القيمة التحديدية (R²) بنسبة 46.15%، وانخفض متوسط جذر الخطأ التربيعي (RMSE) ومتوسط الخطأ المطلق (MAE) بنسبة 54.61% و55.65% على التوالي. نموذج الغابة العشوائية أظهر أفضل أداء في فترة الاختبار من بين النماذج الأربعة، مع قيم R²، NSE، RMSE وMAE بمقدار 0.96، 0.89، 172.81 متر مكعب/ثانية و147.33 متر مكعب/ثانية على التوالي. أظهرت طريقة SHAP أن عرض سطح المياه له أكبر مساهمة في نموذج مراقبة التدفق (189.02)، تليه رطوبة التربة (145.11) ودرجة الحرارة (97.41). تؤكد هذه الدراسة جدوى وتفوق دمج تقنيات الاستشعار عن بعد الفضائي وتعلم الآلة في تقدير التدفق بدقة عالية في المناطق ذات التضاريس المعقدة ونقص البيانات.

الاستشعار الفضائي;تعلم الآلة;النماذج الإحصائية;طريقة SHAP;مراقبة التدفق;محطة تانغ ناي هاي الهيدرولوجية