摘要
在实际河流监测中，视频与雷达数据的融合应用日益广泛，但传统融合方法很少考虑数据源特定的比例关系、相关误差、异常值以及传感器可用性的动态变化。我们提出了一种自适应动态贝叶斯融合模型（A-DRBF），该模型集成了仿射校准、相关Student-t误差、动态状态估计以及传感器纳入掩码。我们采用留一月法验证了三个视频数据源（2023年6月至12月），并在7月至10月期间对雷达数据进行了双向对比测试。在所有预测结果中，A-DRBF的均方根误差（RMSE）最低（0.014 m/s），平均绝对误差（MAE）为0.011 m/s，且训练校准的90%预测区间的经验覆盖率达到89.1%。与表现最佳的三个对比模型相比，A-DRBF的RMSE差异仅为0.1%–2.5%，且自助法置信区间存在大量重叠。雷达数据使7月的RMSE从0.013934升至0.014315 m/s，但将10月的RMSE从0.015035降至0.014286 m/s，表明其增量价值取决于水动力条件与误差状态。移除仿射校准后RMSE增至0.165 m/s，而采用等精度加权后RMSE增至0.044 m/s。仿真结果表明，与高斯动态模型相比，A-DRBF在随机异常值条件下将RMSE降低了45.0%，在复合扰动条件下降低了23.5%。因此，该模型在传感器配置变化时能够提供准确的估计和经过校准的不确定性量化，其主要优势在观测数据受污染或不完整的情况下尤为突出。
