تظل بتفومية الأنهار - الطبوغرافيا الغاطسة للقناة غير المرئية للرصد عن بُعد التقليدي والتي تتطلب تكلفة عالية لمسحها على نطاق واسع - غير مُصنفة لمعظم أنهار العالم، مما يقيّد بشكل حاسم نمذجة الفيضانات الديناميكية. توفر مهمة القمر الصناعي لسطح المياه وطبوغرافيا المحيطات (SWOT) الآن ملاحظات عالمية لارتفاع سطح الماء (WSE)، مما يفتح طريقًا لاستنتاج ارتفاع قاع النهر من الفضاء. ومع ذلك، فإن استرداد البتفومية من WSE وحده يعتبر مسألة غير محددة أساسًا: دون قيود إضافية، تنتج تكوينات سرير لا حصر لها استجابات سطح متطابقة. نقدم إطار عمل الشبكة العصبية المتعلمة بالمعلومات الفيزيائية (PINN) الذي يقلل من هذه المشكلة غير المحددة من خلال دمج عمليات SWOT متعددة الأوقات عبر أنظمة تدفق متنوعة، مع اعتبار ارتفاع السرير هو المجهول الوحيد مع وصف خشونة مانينج، والتدفق، وعرض القناة. تفصل هندسة الشبكة الثنائية ارتفاع السرير الثابت في الزمن عن عمق المياه المعتمد على التدفق، مع تضمين فيزياء التدفق المتغير تدريجيًا (GVF) كقيد قابل للاشتقاق. تحقق التجارب الاصطناعية عبر 24 ملف سرير دقة إعادة بناء سنتيمترات لمورفولوجيا سلسة، مع تدهور الخصائص الحادة عند حدود التعرف على الهيدروليكا أحادية الأبعاد. تظهر التحقق على نهر سيفيرن وتايمز أن أقل من 12 تحول عالي التدفق - نحو 10٪ من السجل المتاح - يمكن أن يعيد إنتاج دقة مجموعة البيانات الكاملة، مع أخطاء مطلقة متوسطة (MAE) أقل من 0.3 م مقارنة بمسوح الأرض. بشكل حاسم، فإن دقة إعادة البناء تتحكم فيها بشكل رئيسي عدم اليقين في معلمات الهيدروليكا بدلاً من قيود ملاحظات SWOT: وحدها، تسبب تقلبات خشونة مانينج أخطاء تصل إلى ±2.4 م، وهو أمر متفوق بمقدار كبير عن تلك الناتجة من كثافة العينة أو ضوضاء القياس (±0.8 م). يرسم هذا الإطار مسارًا من الحملات الميدانية المتقطعة إلى مراقبة بتفومية مستمرة مدفوعة بالأقمار الصناعية لتوقع الفيضانات التشغيلية. • PINNs مقيدة بقانون التدفق لتقدير سرير النهر استنادًا إلى بيانات SWOT. • تفصل الشبكات الثنائية بين السرير الثابت في الزمن والعمق المعتمد على التدفق. • يتجاوز عدم اليقين في خشونة مانينج قيود بيانات SWOT.
درس رونغ وآخرون (الثلاثاء) هذا السؤال.