Des chercheurs ont développé un nouveau cadre d'intelligence artificielle (IA), nommé RivDepth, capable de cartographier la profondeur des rivières sur de longs tronçons où les fortes concentrations de sédiments en suspension défient la bathymétrie satellitaire conventionnelle. La méthode, détaillée dans une étude publiée dans Environmental Science and Ecotechnology, combine les informations spectrales du satellite Sentinel-2 avec un proxy optique de concentration de sédiments en suspension (SSC) pour obtenir la profondeur de l'eau pixel par pixel. Testée sur un tronçon de 786 kilomètres du cours inférieur du fleuve Jaune, l'une des rivières les plus chargées de sédiments au monde, RivDepth a démontré une grande précision dans la capture des relations complexes entre la profondeur de l'eau, la réflectance et la charge sédimentaire.
L'innovation centrale de RivDepth est un module expert IA adaptatif qui intègre quatre modèles d'apprentissage automatique : forêt aléatoire parallèle (PRF), gradient boosting extrême (XGBoost), régression par vecteurs de support (SVR) et perceptron multicouche (MLP). Au lieu d'appliquer un modèle unique de manière uniforme, RivDepth effectue une prédiction préliminaire, une inférence et une prise de décision pour sélectionner la stratégie la plus adaptée à chaque pixel en fonction des conditions de l'eau. Cette adaptabilité au niveau du pixel est cruciale pour des rivières comme le fleuve Jaune, où les sédiments en suspension, la structure d'écoulement et les signaux optiques varient fortement sur de longues distances.
L'étude, menée par des chercheurs du Laboratoire national clé d'hydroscience et d'ingénierie de l'Université Tsinghua et d'autres instituts chinois, a utilisé des images Sentinel-2 de niveau 2A, des données d'élévation de section transversale mesurées sur le terrain, des enregistrements de niveaux d'eau et des observations in situ de SSC pour entraîner et valider le modèle. L'analyse Shapley additive explanations (SHAP) a identifié les prédicteurs clés, notamment les bandes infrarouges à ondes courtes, les bandes rouges et de bordure rouge, la bande de vapeur d'eau, la bande aérosol/bleue et le proxy SSC. Les pixels affectés par les nuages ont été reconstruits pour améliorer la couverture, et les plans d'eau, les lignes centrales des chenaux, les thalwegs et les largeurs de rivière ont été extraits des images satellitaires.
En apprenant différents motifs profondeur-réflectance-SSC et en choisissant des stratégies de prédiction au niveau du pixel, RivDepth peut s'adapter aux conditions spatialement changeantes des sédiments et des chenaux. Cette capacité transforme les observations satellitaires de routine en informations de profondeur exploitables pour la science et la gestion des rivières. Des informations bathymétriques plus fréquentes et continues pourraient aider à suivre les changements de chenal, identifier la migration du thalweg, améliorer la modélisation du transport de sédiments et soutenir les évaluations des risques de crue et des habitats. L'approche offre un outil évolutif pour la surveillance et la gestion intégrées des bassins versants.
RivDepth peut être encore amélioré à mesure que des images satellitaires à plus haute résolution et des indicateurs spatiaux SSC plus précis deviennent disponibles. Avec une validation plus large, le workflow pourrait être adapté à d'autres systèmes fluviaux turbides. L'étude a été acceptée pour publication le 20 mai 2026, avec DOI : 10.1016/j.ese.2026.100711. La recherche a été soutenue par le Projet clé d'équipe du Laboratoire national clé d'hydroscience et d'ingénierie et la Fondation nationale des sciences naturelles de Chine.
