Satelliter som omger jorden samlar en mängd vattendata om vår planet, men ändå kan det vara en utmaning att destillera användbar information från dessa källor om våra hav, sjöar, floder och bäckar.
"Vattenförvaltare behöver korrekta data för vattenresursförvaltningsuppgifter, inklusive övervakning av sjökustzoner, upptäckt av gränsskiftningar vid stigande hav och erosionsövervakning", säger dataforskaren Pouya Hosseinzadeh vid Utah State University. "Men de står inför en avvägning när de granskar data från för närvarande utplacerade satelliter, som ger kompletterande data som antingen har hög rumslig eller hög tidsupplösning. Vi försöker integrera data för att ge mer exakt information."
Olika metoder för datafusion har begränsningar, inklusive känslighet för atmosfäriska störningar och andra klimatfaktorer som kan resultera i buller, extremvärden och saknade data.
En föreslagen lösning, säger Hosseinzadeh, en doktorand, och hans fakultetsmentor Soukaina Filali Boubrahimi, är Hydro-GAN. Forskarna utvecklade Hydro-GAN-modellen tillsammans med USU-kollegorna Ashit Neema, Ayman Nassar och Shah Muhammad Hamdi, och beskriver detta verktyg i onlinenumret av Water Resources Research .
Hydro-GAN, säger Filali Boubrahimi, biträdande professor vid USU:s institution för datavetenskap, är en ny maskininlärningsbaserad metod som kartlägger tillgänglig satellitdata med låg upplösning till en högupplöst datamotsvarighet.
"I vår artikel beskriver vi integrering av data som samlats in av MODIS, en spektroradiometer ombord på Terra Earth Observing System-satelliten och Landsat 8-satelliten, som båda har olika rumsliga och tidsmässiga upplösningar", säger hon. "Vi försöker överbrygga klyftan genom att generera nya dataprover från bilder som samlats in av dessa satelliter som förbättrar upplösningen av formen på vattengränser."
Datauppsättningen som används i denna forskning består av bilddata som samlats in under en sjuårsperiod (2015–2021) av 20 reservoarer i USA, Australien, Mexiko och andra länder. Författarna presenterar en fallstudie av Lake Tharthar, en saltvattensjö i Irak, i storlek jämförbar med Great Salt Lake och som står inför liknande klimat- och användningstryck.
"Med hjälp av sju års data från MODIS och Landsat 8 utvärderade vi vår föreslagna Hydro-GAN-modell på Lake Tharthars krympnings- och expansionsbeteende," säger Hosseinzadeh. "Med Hydro-GAN kunde vi förbättra våra förutsägelser om sjöns föränderliga område."
Sådan information är avgörande för regionens hydrologer och miljöforskare, säger han, som behöver övervaka säsongsdynamik och fatta beslut om hur de ska upprätthålla sjöns vattenförsörjning.
Forskarna visar att Hydro-GAN kan generera högupplösta data vid historiska tidssteg, vilket annars inte är tillgängligt, för situationer där en stor mängd historisk data behövs för korrekta prognoser.
"Vi tror att detta kommer att vara ett värdefullt verktyg för vattenförvaltare och, när vi går vidare med liknande modeller, kan vi använda ett multimodalt tillvägagångssätt för att tillhandahålla data utöver bilder, inklusive information om topologi, snödatamängder, strömflöde, nederbörd, temperatur och andra klimatvariabler", säger Hosseinzadeh, som presenterar forskningen under USU:s 2024 Spring Runoff Conference 26–27 mars i Logan, Utah.
Mer information: Soukaina Filali Boubrahimi et al, Spatiotemporal Data Augmentation of MODIS-Landsat Water Bodies Using Adversarial Networks, Water Resources Research (2024). DOI:10.1029/2023WR036342
Tillhandahålls av Utah State University