Met behulp van satellieten kunnen veranderingen in watermassa's die op de continenten zijn opgeslagen, worden gedetecteerd. De datasets over het gravitatieveld van de aarde die hiervoor nodig zijn, voortkomen uit de GRACE- en GRACE-FO-satellietmissies. Aangezien deze datasets alleen de typische grootschalige massaafwijkingen bevatten, geen conclusies over kleinschalige constructies, zoals de feitelijke verdeling van watermassa's in rivieren en riviertakken, zijn mogelijk. Met het Zuid-Amerikaanse continent als voorbeeld, de modelbouwers van het aardsysteem van het Duitse onderzoekscentrum voor geowetenschappen GFZ, hebben een nieuwe Deep-Learning-Methode ontwikkeld, die zowel kleine als grootschalige veranderingen in de waterberging kwantificeert met behulp van satellietgegevens. Deze nieuwe methode combineert op slimme wijze Deep-Learning, hydrologische modellen en aardobservaties uit gravimetrie en hoogtemeting.

Tot nu toe is het niet precies bekend, hoeveel water een continent werkelijk opslaat. De continentale watermassa's veranderen ook voortdurend, waardoor de rotatie van de aarde wordt beïnvloed en fungeert als een schakel in de watercyclus tussen atmosfeer en oceaan. Amazone zijrivieren in Peru, bijvoorbeeld, in sommige jaren enorme hoeveelheden water vervoeren, maar slechts een fractie daarvan in andere. Naast de watermassa's van rivieren en andere zoetwaterlichamen, ook in de bodem worden aanzienlijke hoeveelheden water aangetroffen, sneeuw en ondergrondse reservoirs, die moeilijk direct te kwantificeren zijn.

Nu ontwikkelde het onderzoeksteam rond hoofdauteur Christopher Irrgang een nieuwe methode om conclusies te trekken over de opgeslagen waterhoeveelheden van het Zuid-Amerikaanse continent uit de grof opgeloste satellietgegevens. "Voor de zogenaamde downscaling, we gebruiken een convolutief neuraal netwerk, in het kort CNN, in verband met een nieuw ontwikkelde trainingsmethode, " zegt Irrgang. "CNN's zijn bijzonder goed geschikt voor het verwerken van ruimtelijke aardobservaties, omdat ze op betrouwbare wijze terugkerende patronen zoals lijnen, randen of meer complexe vormen en kenmerken."

Om het verband tussen continentale wateropslag en de respectievelijke satellietwaarnemingen te leren, het CNN werd getraind met simulatiegegevens van een numeriek hydrologisch model over de periode van 2003 tot 2018. gegevens van de satelliethoogtemeting in het Amazonegebied werden gebruikt voor validatie. Wat is buitengewoon, is dat deze CNN zichzelf voortdurend corrigeert en valideert om zo nauwkeurig mogelijke uitspraken te doen over de verdeling van de waterberging. "Dit CNN combineert daarom de voordelen van numerieke modellering met zeer nauwkeurige aardobservatie", aldus Irrgang.

Uit het onderzoek van de onderzoekers blijkt dat de nieuwe Deep-Learning-Methode vooral betrouwbaar is voor de tropische gebieden ten noorden van de -20° breedtegraad op het Zuid-Amerikaanse continent, waar regenwouden, uitgestrekte oppervlaktewateren en ook grote grondwaterbassins bevinden zich. Hetzelfde als voor de grondwaterrijke, westelijke deel van de zuidpunt van Zuid-Amerika. In droge en woestijngebieden werkt de schaalverkleining minder goed. Dit kan worden verklaard door de relatief lage variabiliteit van de toch al lage waterberging daar, die daarom slechts een marginaal effect hebben op de training van het neurale netwerk. Echter, voor het Amazonegebied, de onderzoekers konden aantonen dat de voorspelling van de gevalideerde CNN nauwkeuriger was dan het gebruikte numerieke model.

In de toekomst, grootschalige en regionale analyse en voorspellingen van de wereldwijde continentale wateropslag zullen dringend nodig zijn. Verdere ontwikkeling van numerieke modellen en de combinatie met innovatieve Deep-Learning-Methods zullen hierin een grotere rol gaan spelen, om uitgebreid inzicht te krijgen in de continentale hydrologie. Afgezien van puur geofysisch onderzoek, er zijn vele andere mogelijke toepassingen, zoals het bestuderen van de impact van klimaatverandering op de continentale hydrologie, de identificatie van stressfactoren voor ecosystemen zoals droogte of overstromingen, en de ontwikkeling van waterbeheerstrategieën voor landbouw- en stedelijke regio's.