河川流量は水文学的サイクルにおける重要な変数であり、洪水警報、水資源調整、および生態環境管理において重要な意義を持つ。本論文では、黄河源流域のタンナイハイ水文局を試験地点として選定し、衛星リモートセンシングと機械学習を融合した河川流量監視技術を提案する。まず、Sentinel-2のリモートセンシング画像を用いて河川の水面幅を抽出し、全球陸地データ同化システムでシミュレーションされた気象水文学的変数（蒸発散、土壌水分、温度、陸地水貯留量および流水量）を6つの駆動因子として利用した。線形関数、べき関数、指数関数および多項式関数の4つの統計手法と、XGBoost、Random Forest、LightGBM、CatBoostの4つの機械学習手法を基に流量監視モデルを構築し、それぞれのモデルの差異を評価し、Shapley Additive Explanations（SHAP）法により異なる駆動因子の重要性を定量化した。結果は、4つの統計手法のうち多項式関数モデルがテスト期間中に他の3つのモデルより優れていることを示した。従来の統計手法と比較して、機械学習手法は精度および安定性の面で著しい優位性を示し、決定係数（R²）は46.15%向上し、平方平均二乗誤差（RMSE）および平均絶対誤差（MAE）はそれぞれ54.61%および55.65%減少した。Random Forestモデルはテスト期間中に4つのモデルの中で最良のシミュレーション性能を示し、R²、NSE、RMSEおよびMAEはそれぞれ0.96、0.89、172.81 m³/sおよび147.33 m³/sであった。SHAP法は水面幅が流量監視モデルに最も顕著な貢献をしていること（189.02）を示し、次いで土壌水分（145.11）および温度（97.41）が続くことを示した。本研究は、複雑な地形およびデータ不足地域における高精度な流量推定のために、衛星リモートセンシングと機械学習手法を組み合わせることの有用性と優越性を実証した。

衛星リモートセンシング;機械学習;統計モデル;SHAP法;流量監視;タンナイハイ水文局