Wetenschap
De kloof overbruggen:computerwetenschappers ontwikkelen een model om de watergegevens van satellieten te verbeteren
Satellieten die de aarde omringen verzamelen een overvloed aan watergegevens over onze planeet, maar het destilleren van bruikbare informatie uit deze bronnen over onze oceanen, meren, rivieren en beken kan een uitdaging zijn.
"Waterbeheerders hebben nauwkeurige gegevens nodig voor taken op het gebied van waterbeheer, waaronder het monitoren van kustgebieden van meren, het detecteren van grensverschuivingen in de stijgende zeeën en het monitoren van erosie", zegt computerwetenschapper Pouya Hosseinzadeh van de Utah State University. "Maar ze worden geconfronteerd met een afweging bij het beoordelen van gegevens van momenteel ingezette satellieten, die aanvullende gegevens opleveren met een hoge ruimtelijke of hoge temporele resolutie. We proberen de gegevens te integreren om nauwkeurigere informatie te bieden."
Gevarieerde benaderingen van datafusie brengen beperkingen met zich mee, waaronder de gevoeligheid voor atmosferische verstoringen en andere klimatologische factoren die kunnen resulteren in ruis, uitschieters en ontbrekende gegevens.
Een voorgestelde oplossing, zeggen Hosseinzadeh, een promovendus, en zijn faculteitsmentor Soukaina Filali Boubrahimi, is het Hydrological Generative Adversarial Network, bekend als Hydro-GAN. De wetenschappers ontwikkelden het Hydro-GAN-model samen met USU-collega's Ashit Neema, Ayman Nassar en Shah Muhammad Hamdi, en beschrijven dit hulpmiddel in het online nummer van Water Resources Research .
Hydro-GAN, zegt Filali Boubrahimi, assistent-professor bij de afdeling Computerwetenschappen van de USU, is een nieuwe, op machine learning gebaseerde methode die de beschikbare satellietgegevens met lage resolutie in kaart brengt naar een gegevenstegenhanger met hoge resolutie.
"In ons artikel beschrijven we de integratie van gegevens verzameld door MODIS, een spectroradiometer aan boord van de Terra Earth Observing System-satelliet, en de Landsat 8-satelliet, die beide verschillende ruimtelijke en temporele resoluties hebben", zegt ze. "We proberen de kloof te overbruggen door nieuwe datamonsters te genereren uit beelden verzameld door deze satellieten die de resolutie van de vorm van watergrenzen verbeteren."
De dataset die in dit onderzoek wordt gebruikt, bestaat uit beeldgegevens verzameld gedurende een periode van zeven jaar (2015-2021) van twintig reservoirs in de Verenigde Staten, Australië, Mexico en andere landen. De auteurs presenteren een casestudy van Lake Tharthar, een zoutwatermeer in Irak, vergelijkbaar in omvang met Great Salt Lake en geconfronteerd met vergelijkbare klimaat- en gebruiksdruk.
"Met behulp van zeven jaar aan gegevens van MODIS en Landsat 8 hebben we ons voorgestelde Hydro-GAN-model geëvalueerd op het krimp- en expansiegedrag van Lake Tharthar", zegt Hosseinzadeh. "Met behulp van Hydro-GAN konden we onze voorspellingen over het veranderende gebied van het meer verbeteren."
Dergelijke informatie is van cruciaal belang voor de hydrologen en milieuwetenschappers in de regio, zegt hij, die de seizoensdynamiek moeten monitoren en beslissingen moeten nemen over hoe de watervoorziening van het meer op peil kan worden gehouden.
De wetenschappers tonen aan dat Hydro-GAN gegevens met een hoge resolutie kan genereren in historische tijdstappen, die anders niet beschikbaar zijn, voor situaties waarin een grote hoeveelheid historische gegevens nodig is voor nauwkeurige voorspellingen.
"We denken dat dit een waardevol hulpmiddel zal zijn voor waterbeheerders en als we verder gaan met vergelijkbare modellen, kunnen we een multimodale aanpak gebruiken om naast afbeeldingen ook gegevens te verstrekken, waaronder informatie over topologie, hoeveelheden sneeuwgegevens, stroomstroming, neerslag, temperatuur en andere klimaatvariabelen', zegt Hosseinzadeh, die het onderzoek presenteert tijdens de USU's Spring Runoff Conference 2024, van 26 tot 27 maart in Logan, Utah.