El caudal de los ríos es una variable clave en el ciclo hidrológico y tiene una gran importancia en las alertas de inundaciones, la gestión de recursos hídricos y la gestión ambiental ecológica. Este trabajo selecciona la estación hidrológica Tang Nai Hai en la zona fuente del río Amarillo como piloto, y propone una técnica de monitoreo del caudal fluvial que integra teledetección satelital y aprendizaje automático. Primero, se utiliza la imagen satelital Sentinel-2 para extraer el ancho de la superficie del río, y las variables meteorológicas e hidrológicas simuladas por el sistema global de asimilación de datos terrestres (evapotranspiración, humedad del suelo, temperatura, almacenamiento de agua terrestre y caudal) se usan como seis factores impulsores. Se construyeron modelos de monitoreo de caudal basados en cuatro métodos estadísticos (función lineal, función potencia, función exponencial y función polinómica) y cuatro métodos de aprendizaje automático (XGBoost, Bosque Aleatorio, LightGBM y CatBoost). Se evaluaron las diferencias entre los resultados de los diferentes modelos y se cuantificó la importancia de los factores impulsores mediante el método Shapley Additive Explanations (SHAP). Los resultados muestran que, entre los cuatro métodos estadísticos, el modelo polinómico tuvo un mejor desempeño durante el período de prueba; en comparación con los métodos estadísticos tradicionales, los métodos de aprendizaje automático demostraron ventajas significativas en precisión y estabilidad, con un aumento del coeficiente de determinación (R²) del 46,15% y una reducción del error cuadrático medio (RMSE) y el error absoluto medio (MAE) del 54,61% y 55,65%, respectivamente. El modelo Bosque Aleatorio tuvo un mejor desempeño durante el período de prueba entre los cuatro modelos, con R², NSE, RMSE y MAE de 0,96, 0,89, 172,81 m³/s y 147,33 m³/s, respectivamente. El método SHAP indicó que el ancho de la superficie del agua tiene la contribución más significativa en el modelo de monitoreo del caudal (189,02), seguido de la humedad del suelo (145,11) y la temperatura (97,41). Este estudio confirma la viabilidad y superioridad de combinar la teledetección satelital y el aprendizaje automático para estimar con alta precisión el caudal en regiones de terreno complejo y escasez de datos.

teledetección satelital;aprendizaje automático;modelos estadísticos;método SHAP;monitoreo del caudal;estación hidrológica Tang Nai Hai