A técnica de inversão por sensoriamento remoto fornece um meio eficiente para o monitoramento da concentração de sedimentos em suspensão (SSC), mas a aplicabilidade para rios com ampla faixa e alta concentração de SSC precisa ser verificada. Usando as estações hidrológicas de Shizuishan e Wubu no curso principal do Rio Amarelo como locais de medição, foi construído um modelo de aprendizado de máquina baseado em eliminação recursiva de características com validação cruzada - floresta aleatória (RFECV-RF), utilizando informações de reflectância multiespectral do satélite Sentinel-2 para inverter a concentração alta de sedimentos suspensos nas estações. Os resultados mostraram que o modelo RFECV-RF alcançou um índice de precisão preditiva R² maior que 0,8, sendo capaz de estimar em geral a SSC na faixa de (0-44,5) kg/m³ nas estações, mas subestimando valores altos de SSC; a SSC de alta concentração e ampla faixa apresenta uma relação não linear evidente com as informações espectrais, características dominadas pela luz visível são importantes para a inversão de SSC baixa, enquanto características dominadas pela faixa espectral do vermelho ao infravermelho próximo são importantes para a inversão de SSC alta; entre as características espectrais-chave, as bandas B8A, B7/B5 e B8-B11 mantêm sensibilidade no intervalo SSC (0-44,5) kg/m³, enquanto B3/B8, B4/B8 e B5/B6 se saturam gradualmente com o aumento da SSC; as incertezas na entrada de dados e na estrutura do modelo de aprendizado de máquina são as principais fontes de incertezas do modelo de inversão, e quando o intervalo de SSC aumenta, a largura da confiança de 95% do modelo aumenta e o desvio relativo também cresce nos valores baixos de SSC. Em resumo, o modelo RFECV-RF pode ser usado para inversão quantitativa de SSC de alta concentração e ampla faixa e estimar a distribuição espacial do SSC em trechos fluviais, fornecendo referência técnica para métodos automáticos de monitoramento de SSC em rios com alta carga de sedimentos.

concentração de sedimentos em suspensão; sensoriamento remoto inverso; RFECV; RF; Rio Amarelo; sensibilidade espectral; incerteza