"Les gestionnaires de l'eau ont besoin de données précises pour les tâches de gestion des ressources en eau, notamment la surveillance des zones côtières des lacs, la détection du déplacement des frontières en montée et la surveillance de l'érosion", explique Pouya Hosseinzadeh, informaticien de l'Université d'État de l'Utah. "Mais ils sont confrontés à un compromis lors de l'examen des données des satellites actuellement déployés, qui fournissent des données complémentaires à haute résolution spatiale ou temporelle. Nous essayons d'intégrer les données pour fournir des informations plus précises."

Les différentes approches de fusion de données présentent des limites, notamment la sensibilité aux perturbations atmosphériques et à d'autres facteurs climatiques pouvant entraîner du bruit, des valeurs aberrantes et des données manquantes.

Selon Hosseinzadeh, doctorant et son mentor Soukaina Filali Boubrahimi, une solution proposée est le réseau hydrologique génératif contradictoire, connu sous le nom d'Hydro-GAN. Les scientifiques ont développé le modèle Hydro-GAN avec leurs collègues de l'USU Ashit Neema, Ayman Nassar et Shah Muhammad Hamdi, et décrivent cet outil dans le numéro en ligne de Water Resources Research. .

Hydro-GAN, explique Filali Boubrahimi, professeur adjoint au département d'informatique de l'USU, est une nouvelle méthode basée sur l'apprentissage automatique qui mappe les données satellite disponibles à basse résolution avec des données homologues à haute résolution.

"Dans notre article, nous décrivons l'intégration des données collectées par MODIS, un spectroradiomètre embarqué sur le satellite Terra Earth Observing System et le satellite Landsat 8, qui ont tous deux des résolutions spatiales et temporelles variées", explique-t-elle. "Nous essayons de combler le fossé en générant de nouveaux échantillons de données à partir d'images collectées par ces satellites qui améliorent la résolution de la forme des limites de l'eau."

L’ensemble de données utilisé dans cette recherche se compose de données d’images collectées sur une période de sept ans (2015-2021) de 20 réservoirs aux États-Unis, en Australie, au Mexique et dans d’autres pays. Les auteurs présentent une étude de cas du lac Tharthar, un lac d'eau salée en Irak, comparable en taille au Grand Lac Salé et confronté à des pressions climatiques et d'utilisation similaires.

"En utilisant sept années de données de MODIS et Landsat 8, nous avons évalué notre modèle Hydro-GAN proposé sur les comportements de rétrécissement et d'expansion du lac Tharthar", explique Hosseinzadeh. "Grâce à Hydro-GAN, nous avons pu améliorer nos prévisions sur l'évolution de la superficie du lac."

De telles informations sont essentielles pour les hydrologues et les scientifiques de l'environnement de la région, dit-il, qui doivent surveiller la dynamique saisonnière et prendre des décisions sur la manière de maintenir l'approvisionnement en eau du lac.

Les scientifiques démontrent qu'Hydro-GAN peut générer des données à haute résolution à des intervalles de temps historiques, qui autrement ne seraient pas disponibles, pour les situations où une grande quantité de données historiques est nécessaire pour des prévisions précises.

"Nous pensons que ce sera un outil précieux pour les gestionnaires de l'eau et, en avançant avec des modèles similaires, nous pouvons utiliser une approche multimodale pour fournir des données en plus des images, y compris des informations sur la topologie, les quantités de neige, le débit, les précipitations, la température. et d'autres variables climatiques", déclare Hosseinzadeh, qui présente la recherche lors de la conférence sur le ruissellement printanier 2024 de l'USU, les 26 et 27 mars à Logan, Utah.