"Los administradores del agua necesitan datos precisos para las tareas de gestión de los recursos hídricos, incluido el monitoreo de la zona costera de los lagos, la detección del cambio de fronteras del aumento del nivel del mar y el monitoreo de la erosión", dice Pouya Hosseinzadeh, científico informático de la Universidad Estatal de Utah. "Pero se enfrentan a un equilibrio cuando revisan los datos de los satélites actualmente desplegados, que producen datos complementarios que son de alta resolución espacial o temporal. Estamos tratando de integrar los datos para proporcionar información más precisa".

Los diversos enfoques de fusión de datos presentan limitaciones, incluida la sensibilidad a las perturbaciones atmosféricas y otros factores climáticos que pueden provocar ruido, valores atípicos y datos faltantes.

Una solución propuesta, dice Hosseinzadeh, estudiante de doctorado y su mentora docente Soukaina Filali Boubrahimi, es la Red Hidrológica Generativa Adversaria, conocida como Hydro-GAN. Los científicos desarrollaron el modelo Hydro-GAN con sus colegas de la USU Ashit Neema, Ayman Nassar y Shah Muhammad Hamdi, y describen esta herramienta en la edición en línea de Water Resources Research. .

Hydro-GAN, dice Filali Boubrahimi, profesora asistente en el Departamento de Ciencias de la Computación de la USU, es un novedoso método basado en aprendizaje automático que asigna los datos satelitales disponibles en baja resolución a una contraparte de datos de alta resolución.

"En nuestro artículo, describimos la integración de datos recopilados por MODIS, un espectrorradiómetro a bordo del satélite Terra Earth Observing System, y el satélite Landsat 8, los cuales tienen resoluciones espaciales y temporales variadas", dice. "Estamos tratando de cerrar la brecha generando nuevas muestras de datos a partir de imágenes recopiladas por estos satélites que mejoran la resolución de la forma de los límites del agua".

El conjunto de datos utilizado en esta investigación consta de datos de imágenes recopilados durante un período de siete años (2015-2021) de 20 embalses en Estados Unidos, Australia, México y otros países. Los autores presentan un estudio de caso del lago Tharthar, un lago de agua salada en Irak, comparable en tamaño al Gran Lago Salado y que enfrenta presiones climáticas y de uso similares.

"Utilizando siete años de datos de MODIS y Landsat 8, evaluamos nuestro modelo Hydro-GAN propuesto sobre los comportamientos de contracción y expansión del lago Tharthar", dice Hosseinzadeh. "Utilizando Hydro-GAN, pudimos mejorar nuestras predicciones sobre el área cambiante del lago".

Según él, dicha información es fundamental para los hidrólogos y científicos ambientales de la región, quienes necesitan monitorear la dinámica estacional y tomar decisiones sobre cómo sostener el suministro de agua del lago.

Los científicos demuestran que Hydro-GAN puede generar datos de alta resolución en pasos de tiempo históricos, que de otro modo no estarían disponibles, para situaciones en las que se necesita una gran cantidad de datos históricos para realizar pronósticos precisos.

"Creemos que esta será una herramienta valiosa para los administradores del agua y, avanzando con modelos similares, podemos emplear un enfoque multimodal para proporcionar datos además de imágenes, incluida información sobre topología, cantidades de datos de nieve, caudal, precipitación, temperatura. y otras variables climáticas", dice Hosseinzadeh, quien presenta la investigación durante la Conferencia de Escorrentía de Primavera de 2024 de la USU, del 26 al 27 de marzo en Logan, Utah.