摘要
河流运行监测日益将视频与雷达数据相结合，然而传统融合方法很少能够适应各数据源特有的缩放比例、相关误差、异常值以及传感器可用性的变化。我们开发了一种自适应动态贝叶斯融合模型（A-DRBF），该模型结合了仿射校准、相关的Student-t误差、动态状态估计以及传感器包含掩码。通过留一月法交叉验证对三种视频源（2023年6月至12月）进行了评估；雷达则通过7月至10月的双向对比进行了测试。在所有预测中，A-DRBF产生了最低的均方根误差（RMSE，0.014 m/s），平均绝对误差（MAE）为0.011 m/s，并且对训练校准的90%预测区间实现了89.1%的经验覆盖率。与三个最强对比模型相比，A-DRBF的RMSE差异为0.1–2.5%，且自举区间有显著重叠。雷达使7月的RMSE从0.013934增至0.014315 m/s，但使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和误差状态。移除仿射校准后，RMSE增至0.165 m/s；而采用等精度加权则使RMSE增至0.044 m/s。在模拟中，与高斯动态模型相比，A-DRBF在随机异常值下将RMSE降低了45.0%，在复合扰动下降低了23.5%。因此，该模型在传感器配置变化的条件下能够提供准确的估计和校准的不确定性，其主要优势体现在数据受污染或不完整的情况下。
