Creation of a Global River Dataset for Fluvial Process Quantification from Deep Learning Classification of Satellite Imagery

Abstract Rivers, though occupying a small fraction of the Earth’s surface, exert a disproportionate influence on sediment fluxes, ecological functions, and landscape evolution. Understanding their morphodynamic variability is increasingly urgent in the context of climate change, altered sediment supply, and human regulation. This thesis addresses this challenge by integrating multi-annual satellite observations with deep learning to quantify fluvial activity across diverse river types worldwide. Using six years (2019–2024) of monthly Sentinel-2 imagery, a convolutional neural network trained for fluvial feature recognition was applied to delineate wet channels, lakes, and sediment bars at 10 m resolution. A rigorous stage of manual quality control in QGIS was incorporated to exclude images affected by cloud cover, snow, or sensor artefacts, ensuring a high-confidence dataset and underscoring the value of expert supervision in automated pipelines. Classified outputs were then aggregated into frequency maps to capture pixel-level activation and deactivation processes. Complementary analyses of the sediment–water ratio provided a proxy for channel dynamism and enabled systematic comparison across 47 rivers spanning braided, meandering, and low-sinuosity morphologies. Results reveal strong spatio-temporal variability in channel activity. Braided rivers exhibited high-frequency activation of in-channel bars and wetted channels, reflecting rapid turnover but spatially restricted floodplain reworking, whereas meandering rivers showed slower but more extensive lateral migration. Sediment–water ratio trends distinguished highly dynamic, sediment-rich systems from more regulated or stable reaches, emphasizing the role of discharge variability and sediment supply. Beyond theoretical contributions, the study demonstrates the value of combining CNN-based classification with manual quality assurance and multi-annual frequency mapping for operational river monitoring. The approach provides scalable yet reliable high-resolution tools for tracking geomorphic change, with implications for river basin management, hazard mitigation, and environmental assessment under changing hydrological regimes. By bridging deep learning with expert validation and geomorphological theory, this thesis contributes a robust framework for quantifying global river dynamics and informing sustainable water and sediment management.

Abstract (Italian) I fiumi, pur occupando una piccola frazione della superficie terrestre, esercitano un’influenza sproporzionata sui flussi sedimentari, sulle funzioni ecologiche e sull’evoluzione del paesaggio. Comprendere la loro variabilità morfodinamica è oggi sempre più urgente nel contesto del cambiamento climatico, della modifica degli apporti sedimentari e della regolazione antropica. Questa tesi affronta tale sfida integrando osservazioni satellitari multi-annuali con tecniche di deep learning per quantificare l’attività fluviale in diversi tipi di fiumi a livello globale. Utilizzando sei anni (2019–2024) di immagini mensili Sentinel-2, è stata applicata una rete neurale convoluzionale addestrata per il riconoscimento delle forme fluviali al fine di delineare canali attivi, laghi e barre sedimentarie a una risoluzione di 10 m. Una fase rigorosa di controllo qualità manuale in QGIS è stata implementata per escludere le immagini affette da copertura nuvolosa, neve o artefatti sensoriali, garantendo così un dataset ad alta affidabilità e sottolineando il valore della supervisione esperta nei processi automatizzati. I risultati classificati sono stati successivamente aggregati in mappe di frequenza per catturare i processi di attivazione e disattivazione a livello di pixel. Analisi complementari del rapporto sedimento–acqua hanno fornito un indicatore della dinamicità dei canali e hanno consentito un confronto sistematico tra 47 fiumi con morfologie intrecciate, meandriformi e a bassa sinuosità. I risultati rivelano una forte variabilità spazio-temporale dell’attività fluviale. I fiumi intrecciati hanno mostrato un’alta frequenza di attivazione delle barre e dei canali bagnati, riflettendo un rapido ricambio ma una limitata rielaborazione della piana alluvionale, mentre i fiumi meandriformi hanno evidenziato una migrazione laterale più lenta ma più estesa. Le tendenze del rapporto sedimento–acqua hanno distinto i sistemi altamente dinamici e ricchi di sedimenti dai tratti più regolati o stabili, enfatizzando il ruolo della variabilità della portata e della disponibilità sedimentaria. Oltre al contributo teorico, lo studio dimostra il valore della combinazione tra classificazione basata su CNN, controllo di qualità manuale e mappatura multi-annuale delle frequenze per il monitoraggio operativo dei fiumi. L’approccio fornisce strumenti scalabili ma affidabili ad alta risoluzione per il tracciamento dei cambiamenti geomorfologici, con implicazioni per la gestione dei bacini idrografici, la mitigazione dei rischi e la valutazione ambientale in un contesto di regimi idrologici mutevoli. Collegando il deep learning alla validazione esperta e alla teoria geomorfologica, questa tesi contribuisce a sviluppare un quadro metodologico solido per quantificare la dinamica fluviale a livello globale e supportare una gestione sostenibile delle risorse idriche e sedimentarie.