"I gestori dell'acqua hanno bisogno di dati accurati per le attività di gestione delle risorse idriche, compreso il monitoraggio delle zone costiere dei laghi, il rilevamento dello spostamento dei confini dei mari e il monitoraggio dell'erosione", afferma Pouya Hosseinzadeh, scienziata informatica della Utah State University. "Ma devono affrontare un compromesso quando si esaminano i dati dei satelliti attualmente dispiegati, che producono dati complementari con elevata risoluzione spaziale o elevata temporale. Stiamo cercando di integrare i dati per fornire informazioni più accurate."

I vari approcci alla fusione dei dati presentano limitazioni, inclusa la sensibilità ai disturbi atmosferici e ad altri fattori climatici che possono provocare rumore, valori anomali e dati mancanti.

Una soluzione proposta, affermano Hosseinzadeh, uno studente di dottorato, e il suo tutor universitario Soukaina Filali Boubrahimi, è la rete contraddittoria generativa idrologica, nota come Hydro-GAN. Gli scienziati hanno sviluppato il modello Hydro-GAN con i colleghi dell'USU Ashit Neema, Ayman Nassar e Shah Muhammad Hamdi e descrivono questo strumento nel numero online di Water Resources Research .

Hydro-GAN, afferma Filali Boubrahimi, assistente professore presso il Dipartimento di informatica dell'USU, è un nuovo metodo basato sull'apprendimento automatico che mappa i dati satellitari disponibili a bassa risoluzione su una controparte di dati ad alta risoluzione.

"Nel nostro articolo, descriviamo l'integrazione dei dati raccolti da MODIS, uno spettroradiometro a bordo del satellite Terra Earth Observing System, e del satellite Landsat 8, entrambi con diverse risoluzioni spaziali e temporali", afferma. "Stiamo cercando di colmare il divario generando nuovi campioni di dati dalle immagini raccolte da questi satelliti che migliorano la risoluzione della forma dei confini dell'acqua."

Il set di dati utilizzato in questa ricerca è costituito da dati di immagini raccolti durante un arco di sette anni (2015-2021) di 20 bacini artificiali negli Stati Uniti, Australia, Messico e altri paesi. Gli autori presentano il caso di studio del Lago Tharthar, un lago di acqua salata in Iraq, paragonabile per dimensioni al Grande Lago Salato e sottoposto a pressioni climatiche e di utilizzo simili.

"Utilizzando sette anni di dati provenienti da MODIS e Landsat 8, abbiamo valutato il nostro modello Hydro-GAN proposto sui comportamenti di contrazione ed espansione del Lago Tharthar", afferma Hosseinzadeh. "Utilizzando Hydro-GAN, siamo stati in grado di migliorare le nostre previsioni sui cambiamenti dell'area del lago."

Tali informazioni sono fondamentali per gli idrologi e gli scienziati ambientali della regione, afferma, che devono monitorare le dinamiche stagionali e prendere decisioni su come sostenere l'approvvigionamento idrico del lago.

Gli scienziati dimostrano che Hydro-GAN può generare dati ad alta risoluzione in fasi temporali storiche, che altrimenti non sarebbero disponibili, per situazioni in cui è necessaria una grande quantità di dati storici per previsioni accurate.

"Riteniamo che questo sarà uno strumento prezioso per i gestori delle risorse idriche e, andando avanti con modelli simili, possiamo utilizzare un approccio multimodale per fornire dati oltre alle immagini, comprese informazioni sulla topologia, quantità di dati sulla neve, portata dei corsi d'acqua, precipitazioni, temperatura e altre variabili climatiche", afferma Hosseinzadeh, che presenta la ricerca durante la conferenza Spring Runoff 2024 dell'USU, che si terrà dal 26 al 27 marzo a Logan, Utah.