p Mudanças nas massas de água armazenadas nos continentes podem ser detectadas com a ajuda de satélites. Os conjuntos de dados no campo gravitacional da Terra que são necessários para isso, derivam das missões dos satélites GRACE e GRACE-FO. Como esses conjuntos de dados incluem apenas as anomalias de massa típicas em grande escala, nenhuma conclusão sobre estruturas de pequena escala, como a distribuição real de massas de água em rios e braços de rio, e possivel. Usando o continente sul-americano como exemplo, os modeladores do sistema terrestre do Centro Alemão de Pesquisa de Geociências GFZ, desenvolveram um novo método de aprendizado profundo, que quantifica pequenas e grandes mudanças no armazenamento de água com a ajuda de dados de satélite. Este novo método combina habilmente o Deep-Learning, modelos hidrológicos e observações da Terra por gravimetria e altimetria. p Até agora não é conhecido com precisão, quanta água um continente realmente armazena. As massas de água continentais também estão mudando constantemente, afetando assim a rotação da Terra e agindo como um elo no ciclo da água entre a atmosfera e o oceano. Afluentes do Amazonas no Peru, por exemplo, carregam grandes quantidades de água em alguns anos, mas apenas uma fração dele em outros. Além das massas de água dos rios e outros corpos de água doce, quantidades consideráveis ​​de água também são encontradas no solo, neve e reservatórios subterrâneos, que são difíceis de quantificar diretamente.

p Agora, a equipe de pesquisa em torno do autor principal Christopher Irrgang desenvolveu um novo método para tirar conclusões sobre as quantidades de água armazenadas no continente sul-americano a partir dos dados de satélite resolvidos de maneira grosseira. "Para a chamada redução de escala, estamos usando uma rede neural convolucional, em suma CNN, em conexão com um método de treinamento recentemente desenvolvido, "Irrgang diz." As CNNs são particularmente adequadas para processar observações espaciais da Terra, porque eles podem extrair padrões recorrentes de forma confiável, como linhas, bordas ou formas e características mais complexas. "

p A fim de aprender a conexão entre o armazenamento de água continental e as respectivas observações de satélite, a CNN foi treinada com dados de simulação de um modelo hidrológico numérico durante o período de 2003 a 2018. Adicionalmente, dados da altimetria de satélite da região amazônica foram utilizados para validação. O que é extraordinário, é que esta CNN continuamente se auto-corrige e se autovalida a fim de tornar as declarações mais precisas possíveis sobre a distribuição do armazenamento de água. "Esta CNN, portanto, combina as vantagens da modelagem numérica com a observação da Terra de alta precisão", de acordo com Irrgang.

p O estudo dos pesquisadores mostra que o novo Deep-Learning-Method é particularmente confiável para as regiões tropicais ao norte da latitude -20 ° no continente sul-americano, onde as florestas tropicais, vastas águas superficiais e também grandes bacias subterrâneas estão localizadas. O mesmo que para os ricos em água subterrânea, parte ocidental do extremo sul da América do Sul. A redução da escala funciona menos bem em regiões secas e desérticas. Isso pode ser explicado pela variabilidade comparativamente baixa do já baixo armazenamento de água lá, que, portanto, têm apenas um efeito marginal no treinamento da rede neural. Contudo, para a região amazônica, os pesquisadores conseguiram mostrar que a previsão da CNN validada era mais precisa do que o modelo numérico usado.

p No futuro, análises e previsões em grande escala, bem como regionais, do armazenamento de água continental global serão urgentemente necessárias. O desenvolvimento de modelos numéricos e a combinação com Métodos de Aprendizagem Profunda inovadores assumirão um papel mais importante neste, a fim de obter uma visão abrangente da hidrologia continental. Além de investigações puramente geofísicas, existem muitas outras aplicações possíveis, como estudar o impacto das mudanças climáticas na hidrologia continental, a identificação de fatores de estresse para ecossistemas, como secas ou inundações, e o desenvolvimento de estratégias de gestão da água para regiões agrícolas e urbanas.