La identificación precisa de cuerpos de agua en imágenes hiperespectrales (HSIs) sigue siendo un desafío debido a los desequilibrios en la representación jerárquica en los modelos de aprendizaje profundo, donde las capas superficiales se centran excesivamente en las características espectrales, las ambigüedades en los límites causadas por la relativamente baja resolución espacial de las imágenes satelitales y la capacidad de detección limitada para características acuáticas a pequeña escala, como ríos estrechos. Para abordar estos desafíos, este estudio propone la Búsqueda de Arquitectura Neural Espectral-Espacial Adaptativa Heurística con Evaluación Dinámica de Celdas (HASSDE-NAS). La arquitectura integra tres unidades especializadas; una celda de selección de bandas dinámica consciente del espectro suprime bandas espectrales redundantes, mientras que una celda de atención de borde mejorada por geometría refina los límites espaciales fragmentados. Además, una celda de alineación de fusión bidireccional optimiza conjuntamente las dependencias espectrales y espaciales. Un algoritmo de búsqueda de celdas heurísticas optimiza la arquitectura de la red a través de la estabilidad de la arquitectura, la diversidad de características y el análisis de sensibilidad del gradiente, lo que mejora la eficiencia de búsqueda y la robustez del modelo. Evaluado en los conjuntos de datos de Gaofen-5 de las regiones de Guangdong y Henan, HASSDE-NAS logra precisiones generales del 92.61% y 96%, respectivamente. Este enfoque supera los métodos existentes en la delimitación de sistemas fluviales estrechos y en la resolución de cuerpos de agua con bajo contraste espectral bajo fondos complejos, como vegetación o sombras de nubes. Al priorizar adaptativamente las características relevantes para la tarea, el marco proporciona una solución interpretable para el monitoreo hidrológico y avanza en la búsqueda de arquitecturas neuronales en la teledetección inteligente.