Passive remote sensing is a practical and widely used method for bathymetry mapping in shallow rivers. However, the accuracy of this approach is limited because of different riverbed types; therefore, it is important to classify the riverbed types for improving bathymetry mapping accuracy and providing useful information for fluvial systems. In this study, we proposed a Gaussian mixture model (GMM)-based clustering method that utilizes hyperspectral imagery to classify riverbed types
without sampling the bed material. We evaluated the proposed method in two shallow streams with different bed mixture conditions: (i) sand and vegetation and (ii) sand and moss-covered sand. The results showed that the GMM method accurately identified the spectral variability caused by diverse riverbed materials, enabling the precise classification of riverbed types. Moreover, by combining the GMM method with optimal band ratio analysis, we observed a reduction in error for the bathymetry mapping results by approximately 0.05 to 0.07 m. While our proposed method exhibits potential applications in various river environments, further research is needed to validate its effectiveness in classifying more complex riverbed types and conditions. Overall, our study findings suggest that the GMM-based clustering method using hyperspectral imagery is a promising tool for improving bathymetry mapping accuracy and classifying riverbed types in shallow rivers.