引言
青藏高原（TP）被广泛认为是"亚洲水塔"，是亚洲主要河流（如长江和黄河）的发源地（Immerzeel et al., 2010, Yao et al., 2022）。该区域的水文过程对于维持高山生态系统的稳定性和保障下游数十亿人口的水安全至关重要（Cuo et al., 2014, Nepal et al., 2014）。尽管其重要性突出，青藏高原仍是全球水文监测最薄弱的地区之一（Bai and Liu, 2018, Huang et al., 2023, Liu, 2023）。极端海拔、复杂地形和恶劣气候历来将连续水文监测限制在少数下游测站，记录数据主要限于水位和流量（Kebede et al., 2020, Lou et al., 2020, Sun et al., 2018, Wang et al., 2015）。因此，河流表面流速——这一控制洪水波传播、泥沙输移、能量耗散和水生栖息地质量的关键水动力学变量——信息仍几乎无法获取（Liu et al., 2020）。这一数据空白阻碍了对高山区河流系统水动力学行为及其季节变化的根本定量理解。河流流速也是水力学方程和水动力学模型的核心要素（Bjerklie et al., 2005, Musaeus et al., 2024）。在连续性方程中，流量由过流面积与横截面平均流速的乘积决定，而Manning方程等阻力公式则将流速与水力半径、水面坡度和河道粗糙度联系起来（Moramarco et al., 2019）。
传统的河流流速测量方法，通常采用声学多普勒流速剖面仪（ADCP）或机械流速仪，可提供高精度的点位观测，但劳动强度大，且难以在青藏高原广袤且难以到达的河段持续进行（Kostaschuk et al., 2005, Muste et al., 2008）。过去几十年来，卫星遥感通过实现淹没范围的常规制图（如光学和SAR影像）以及从卫星测高"虚拟站"提取水位，极大地推动了河流监测的发展，支持了数据有限环境下的河流动力学和流量估算的大尺度研究（Gleason and Smith, 2014, Smith and Pavelsky, 2008）。然而，在区域尺度上，河流表面流速的显式且空间连续制图仍是一个未解决的难题。基于序列光学影像或无人机（UAV）视频测速（如粒子图像测速概念）的方法已显示出前景，但通常仅限于具有持久表面示踪物或可靠可追踪纹理的宽单丝河道（Chen and Mied, 2013, Muste et al., 2008）。此类研究对青藏高原典型的狭窄、辫状或季节性间歇河流适用性降低，地形阴影和复杂的河道形态进一步增加了信号提取的难度。补充方法通过在水力学简化公式中嵌入遥感可观测参数（如坡度和宽度）来估算流速，但当有效粗糙度和横截面几何等不可观测参数必须近似处理时，其性能受到限制（Bahmanpouri et al., 2022, Moramarco et al., 2019）。因此，流速信息的缺失继续限制了青藏高原这些源头地区河流水动力学的定量表征。
表层水和海洋地形（SWOT）任务的发射为解决这一瓶颈提供了变革性机遇（Altenau et al., 2021, Pavelsky et al., 2014）。通过提供高分辨率（10–60?m）的二维水面高程（WSE）和淹没范围，SWOT的Ka波段雷达干涉测量即使在相对狭窄的河段也能连续提取水面坡度（WSS）和宽度（Altenau et al., 2021, Andreadis et al., 2025, Biancamaria et al., 2016）。初步研究已证明SWOT在内陆水应用中的能力，包括湖泊水位监测和河流坡度估算（Das and Hossain, 2025, Jiang et al., 2025, Wu et al., 2025, Yao et al., 2024, Yao et al., 2025, Zhan et al., 2025, Zhan et al., 2026）。然而，SWOT并不直接观测河流流速。因此，将SWOT衍生的水力几何特征转换为表面流速需要一个强大的框架，该框架将主要水力控制因素与多源地理空间数据相结合。虽然经典水力学方程（如Manning公式）提供了流速、水面坡度与河道粗糙度之间的基本约束关系（Bhargav et al., 2024, Bjerklie et al., 2005, Cen et al., 2025, Musaeus et al., 2024），但在高比降的高山河道中，这些关系往往高度非线性且空间异质性强。河床地形、河岸植被和局部入流等因素以简单经验模型无法捕捉的方式调制水流阻力，通常导致显著的系统偏差。机器学习（ML）在水文研究中已被日益成功地采用，用于学习非线性过程关系并在数据有限的环境中提高预测能力，为将遥感可观测参数与数据驱动推理相结合提供了可靠的方法学基础（Saha and Pal, 2024, Shen, 2018, Zhan et al., 2023）。
为克服这些挑战，本研究开发了一个水力信息驱动的框架，通过整合高分辨率SWOT衍生的水力参数、多源地理因素和有限的实地观测数据，估算青藏高原的河流表面流速。该方法超越了传统的经验公式，利用机器学习的非线性学习能力，同时以水力学原理为基础，以提高数据稀缺的高山环境中的物理可解释性。主要目标为：(i) 评估水力信息驱动的机器学习方法结合SWOT像素云观测和稀疏实地测量是否能准确提取表面流速；(ii) 定量识别河流坡度、流量和河岸因素对不同气候区和地理环境中流速变化的相对贡献；以及(iii) 提供东青藏高原湿季河流表面流速的首个流域尺度空间连续地图。本文其余部分组织如下：第2节和第3节分别描述研究区、数据集和方法；第4节呈现模型开发与性能，并报道东青藏高原的流域尺度表面流速格局；第5节讨论不确定性、局限性以及推断的空间变异性控制因素；第6节总结主要发现和意义。
