Der Flussabfluss ist eine Schlüsselvariable im hydrologischen Kreislauf und hat eine wichtige Bedeutung für Hochwasserwarnungen, Wassermanagement und ökologische Umweltverwaltung. Diese Arbeit wählt die hydrologische Station Tang Nai Hai im Quellgebiet des Gelben Flusses als Pilotgebiet aus und schlägt eine Flussabflussüberwachungstechnik vor, die Satellitenfernerkundung und maschinelles Lernen kombiniert. Zunächst wird die Flussoberflächenbreite mit Sentinel-2-Fernerkundungsbildern extrahiert, und meteorologische und hydrologische Variablen (Evapotranspiration, Bodenfeuchte, Temperatur, terrestrischer Wasservorrat und Abfluss), simuliert durch das globale Landdatendassimilation System, werden als sechs Treiberfaktoren verwendet. Es wurden Abflussüberwachungsmodelle basierend auf vier statistischen Methoden (lineare Funktion, Potenzfunktion, Exponentialfunktion und Polynomfunktion) sowie vier maschinellen Lernmethoden (XGBoost, Random Forest, LightGBM und CatBoost) entwickelt. Die Unterschiede in den Modellergebnissen wurden bewertet und die Wichtigkeit der verschiedenen Treiberfaktoren mittels Shapley Additive Explanations (SHAP) quantifiziert. Die Ergebnisse zeigen, dass unter den vier statistischen Methoden das Polynomfunktionsmodell in der Testperiode die beste Leistung erbrachte; im Vergleich zu traditionellen statistischen Methoden zeigten maschinelle Lernmethoden signifikante Vorteile in Genauigkeit und Stabilität, wobei der Bestimmtheitskoeffizient (R²) um 46,15 % anstieg und der mittlere quadratische Fehler (RMSE) sowie der mittlere absolute Fehler (MAE) um 54,61 % bzw. 55,65 % sanken. Das Random-Forest-Modell zeigte in der Testperiode die beste Simulation unter den vier Modellen mit R², NSE, RMSE und MAE von 0,96, 0,89, 172,81 m³/s bzw. 147,33 m³/s. Die SHAP-Methode zeigte, dass die Wasseroberflächenbreite den bedeutendsten Beitrag im Abflussüberwachungsmodell leistet (189,02), gefolgt von Bodenfeuchte (145,11) und Temperatur (97,41). Diese Studie bestätigt die Machbarkeit und Überlegenheit der Kombination von Satellitenfernerkundung und maschinellem Lernen für die hochpräzise Abflussabschätzung in komplexem Gelände und datenarmen Regionen.

Satellitenfernerkundung;maschinelles Lernen;statistische Modelle;SHAP-Methode;Abflussüberwachung;hydrologische Station Tang Nai Hai