Förändringar av vattenmassor som lagras på kontinenterna kan upptäckas med hjälp av satelliter. De datamängder om jordens gravitationsfält som krävs för detta, härrör från satellituppdragen GRACE och GRACE-FO. Eftersom dessa datauppsättningar endast inkluderar de typiska storskaliga massavvikelserna, inga slutsatser om småskaliga strukturer, såsom den faktiska fördelningen av vattenmassor i floder och flodgrenar, är möjliga. Med den sydamerikanska kontinenten som exempel, jordsystemmodellerarna vid German Research Center for Geosciences GFZ, har utvecklat en ny Deep-Learning-metod, som kvantifierar små såväl som storskaliga förändringar av vattenlagret med hjälp av satellitdata. Den här nya metoden kombinerar smart djupinlärning, hydrologiska modeller och jordobservationer från gravimetri och höjdmetri.

Än så länge är det inte exakt känt, hur mycket vatten en kontinent egentligen lagrar. De kontinentala vattenmassorna förändras också ständigt, påverkar därmed jordens rotation och fungerar som en länk i vattnets kretslopp mellan atmosfär och hav. Amazonas bifloder i Peru, till exempel, bära stora mängder vatten under vissa år, men bara en bråkdel av det i andra. Förutom vattenmassorna i floder och andra sötvattenförekomster, avsevärda mängder vatten finns också i marken, snö och underjordiska reservoarer, som är svåra att kvantifiera direkt.

Nu utvecklade forskargruppen kring huvudförfattaren Christopher Irrgang en ny metod för att dra slutsatser om de lagrade vattenmängderna på den sydamerikanska kontinenten från de grovt upplösta satellitdata. "För den så kallade nedskalningen, vi använder ett konvolutionellt neuralt nätverk, kort sagt CNN, i samband med en nyutvecklad träningsmetod, " säger Irrgang. "CNN är särskilt väl lämpade för att bearbeta rumsliga jordobservationer, eftersom de på ett tillförlitligt sätt kan extrahera återkommande mönster som linjer, kanter eller mer komplexa former och egenskaper. "

För att lära sig sambandet mellan kontinental vattenlagring och respektive satellitobservationer, CNN tränades med simuleringsdata av en numerisk hydrologisk modell under perioden från 2003 till 2018. Dessutom, data från satellitens höjdmätare i Amazonasområdet användes för validering. Vad är extraordinärt, är att detta CNN kontinuerligt självkorrigerar och självvaliderar för att göra de mest exakta uttalandena om fördelningen av vattenlagret. "Detta CNN kombinerar därför fördelarna med numerisk modellering med jordobservation med hög precision" enligt Irrgang.

Forskarnas studie visar att den nya Deep-Learning-metoden är särskilt tillförlitlig för de tropiska områdena norr om -20° latitud på den sydamerikanska kontinenten, där regnskogar, stora ytvatten och även stora grundvattenbassänger finns. Samma som för det grundvattenrika, västra delen av Sydamerikas sydspets. Nedskalningen fungerar mindre bra i torra och ökenområden. Detta kan förklaras av den jämförbart låga variationen av det redan låga vattenlagret där, som därför endast har en marginell effekt på träningen av det neurala nätverket. Dock, för Amazonasområdet, forskarna kunde visa att prognosen för det validerade CNN var mer exakt än den numeriska modellen som användes.

I framtiden, storskalig såväl som regional analys och prognoser för den globala kontinentala vattenlagringen kommer att bli brådskande. Ytterligare utveckling av numeriska modeller och kombinationen med innovativa Deep-Learning-Methods kommer att ta en viktigare roll i detta, för att få en omfattande inblick i kontinental hydrologi. Bortsett från rent geofysiska undersökningar, det finns många andra möjliga tillämpningar, som att studera klimatförändringarnas inverkan på kontinental hydrologi, identifiering av stressfaktorer för ekosystem såsom torka eller översvämningar, och utveckling av vattenförvaltningsstrategier för jordbruks- och stadsregioner.