Die Fernerkundungs-Inversionsmethode bietet ein effizientes Mittel zur Überwachung der Konzentration von Schwebstoffen (SSC), jedoch muss die Anwendbarkeit auf Flüsse mit hoher Konzentration und großem Bereich geprüft werden. Anhand der hydrologischen Stationen Shizuishan und Wubu am Hauptfluss des Gelben Flusses wurde ein maschinelles Lernmodell basierend auf rekursiver Merkmalselimination mit Kreuzvalidierung - Random Forest (RFECV-RF) entwickelt, das mithilfe multispektraler Reflexionsdaten des Sentinel-2-Satelliten die hohe Schwebstoffkonzentration an den Messstellen fernerkundlich invertiert. Die Ergebnisse zeigen, dass das RFECV-RF-Modell eine Vorhersagegenauigkeit mit R² größer als 0,8 erreicht und im Allgemeinen SSC im Bereich von (0-44,5) kg/m³ an den Messstellen schätzen kann, jedoch hohe SSC-Werte unterschätzt; SSC mit hoher Konzentration und großem Bereich weist eine deutliche nichtlineare Beziehung zu spektralen Informationen auf, wobei im sichtbaren Bereich dominierende Merkmale für die Inversion niedriger SSC-Werte wichtig sind, während Merkmale im roten bis nahinfraroten Spektralbereich für die Inversion hoher SSC-Werte entscheidend sind; bei den wichtigen spektralen Merkmalen bleiben die Bänder B8A, B7/B5, B8-B11 im SSC-Bereich (0-44,5) kg/m³ empfindlich, während B3/B8, B4/B8, B5/B6 mit zunehmendem SSC allmählich sättigen; Unsicherheiten in den Eingangsdaten und der Struktur des maschinellen Lernmodells sind die Hauptquellen der Unsicherheit des Inversionsmodells, und bei Erweiterung des SSC-Bereichs nimmt die 95%-Konfidenzbreite der Vorhersage zu sowie die relative Abweichung bei niedrigen SSC-Werten. Zusammenfassend kann das RFECV-RF-Modell zur quantitativen Inversion von SSC mit hoher Konzentration und großem Bereich sowie zur Abschätzung der räumlichen Verteilung von SSC in Flussabschnitten verwendet werden und bietet eine technische Referenz für automatische Überwachungsmethoden von SSC in sedimentreichen Flüssen.