Preenchendo a lacuna:Cientistas da computação desenvolvem modelo para aprimorar dados de água de satélites
Pouya Hosseinzadeh, à esquerda, estudante de doutorado em ciência da computação da USU, com a mentora Soukaina Filali Boubrahimi, à direita, professora assistente no Departamento de Ciência da Computação, publicou uma descrição de um método de aprendizado de máquina para aprimorar dados de água coletados por satélites em um jornal da AGU. Ele apresenta a pesquisa na Conferência Spring Runoff de 2024 da USU, de 26 a 27 de março. Crédito:Mary-Ann Muffoletto Os satélites que circundam a Terra recolhem uma grande quantidade de dados hídricos sobre o nosso planeta, mas destilar informações utilizáveis destas fontes sobre os nossos oceanos, lagos, rios e riachos pode ser um desafio.
“Os gestores de água precisam de dados precisos para tarefas de gestão de recursos hídricos, incluindo monitoramento da zona costeira de lagos, detecção de mudança nas fronteiras do mar e monitoramento de erosão”, diz o cientista da computação da Universidade Estadual de Utah, Pouya Hosseinzadeh. "Mas eles enfrentam uma compensação ao revisar dados de satélites atualmente implantados, que produzem dados complementares de alta resolução espacial ou temporal. Estamos tentando integrar os dados para fornecer informações mais precisas."
As diversas abordagens de fusão de dados apresentam limitações, incluindo a sensibilidade a perturbações atmosféricas e outros factores climáticos que podem resultar em ruído, valores atípicos e dados em falta.
Uma solução proposta, dizem Hosseinzadeh, um estudante de doutorado, e seu mentor Soukaina Filali Boubrahimi, é a Rede Hidrológica Generativa Adversarial – conhecida como Hydro-GAN. Os cientistas desenvolveram o modelo Hydro-GAN com os colegas da USU Ashit Neema, Ayman Nassar e Shah Muhammad Hamdi, e descrevem esta ferramenta na edição online da Water Resources Research .
Hydro-GAN, diz Filali Boubrahimi, professor assistente do Departamento de Ciência da Computação da USU, é um novo método baseado em aprendizado de máquina que mapeia os dados de satélite disponíveis em baixa resolução para uma contraparte de dados de alta resolução.
“Em nosso artigo, descrevemos a integração de dados coletados pelo MODIS, um espectrorradiômetro a bordo do satélite Terra Earth Observing System, e do satélite Landsat 8, ambos com resoluções espaciais e temporais variadas”, diz ela. “Estamos tentando preencher a lacuna gerando novas amostras de dados a partir de imagens coletadas por esses satélites que melhoram a resolução do formato dos limites da água”.
O conjunto de dados utilizado nesta pesquisa consiste em dados de imagens coletados durante um período de sete anos (2015–2021) de 20 reservatórios nos Estados Unidos, Austrália, México e outros países. Os autores apresentam um estudo de caso do Lago Tharthar, um lago de água salgada no Iraque, comparável em tamanho ao Grande Lago Salgado e que enfrenta pressões climáticas e de utilização semelhantes.
“Usando sete anos de dados do MODIS e do Landsat 8, avaliamos nosso modelo Hydro-GAN proposto sobre os comportamentos de contração e expansão do Lago Tharthar”, diz Hosseinzadeh. "Usando o Hydro-GAN, conseguimos melhorar nossas previsões sobre as mudanças na área do lago."
Essas informações são críticas para os hidrólogos e cientistas ambientais da região, diz ele, que precisam de monitorizar a dinâmica sazonal e tomar decisões sobre como sustentar o abastecimento de água do lago.
Os cientistas demonstram que o Hydro-GAN pode gerar dados de alta resolução em intervalos de tempo históricos, que de outra forma não estariam disponíveis, para situações em que uma grande quantidade de dados históricos é necessária para previsões precisas.
"Acreditamos que esta será uma ferramenta valiosa para gestores de água e, avançando com modelos semelhantes, podemos empregar uma abordagem multimodal para fornecer dados além de imagens, incluindo informações sobre topologia, quantidades de dados de neve, vazão, precipitação, temperatura e outras variáveis climáticas", diz Hosseinzadeh, que apresenta a pesquisa durante a Conferência de Runoff da Primavera de 2024 da USU, de 26 a 27 de março, em Logan, Utah.