Die komplexe Verteilung der kontinentalen Wassermassen in Südamerika wurde mit einer neuen Deep-Learning-Methode aus Satellitendaten bestimmt.
Mit Hilfe von Satelliten können Veränderungen der auf den Kontinenten gespeicherten Wassermassen erfasst werden. Die dazu notwendigen Datensätze zum Schwerefeld der Erde stammen aus den Satellitenmissionen GRACE und GRACE-FO. Da diese Daten jedoch nur die typischen großskaligen Massenanomalien enthalten, sind zunächst keine unmittelbaren Rückschlüsse auf kleinskalige Strukturen, wie etwa die tatsächliche Verteilung von Wassermassen in Flüssen und Nebenarmen, möglich. Am Beispiel des südamerikanischen Kontinentes entwickelten Erdsystem-ModelliererInnen vom Deutschen GeoForschungsZentrum GFZ nun eine neue Deep-Learning-Methode, mit der sowohl groß- als auch kleinskalige Veränderungen des Wasserspeichers aus Satellitendaten quantifiziert wurden. Neu dabei ist die geschickte Kombination von Deep-Learning, hydrologischen Modellen und Erdbeobachtungen aus Gravimetrie und Altimetrie. Die Studie ist heute in der Fachzeitschrift Geophysical Research Letters erschienen.
Bislang ist nicht genau bekannt, wie viel Wasser ein Kontinent wirklich speichert. Die kontinentalen Wassermassen verändern sich zudem beständig, sie haben dadurch Auswirkungen auf die Erdrotation und sind Bindeglied des Wasserkreislaufes zwischen Atmosphäre und Ozean. Amazonas-Zuflüsse in Peru, beispielsweise, führen in manchen Jahren riesige Wassermengen, in anderen nur einen Bruchteil davon. Neben den Wassermassen der Flüsse und Binnengewässer, finden sich auch im Boden, Schnee und unterirdischen Speichern beträchtliche Wassermengen, die nur schwer direkt quantifiziert werden können.
Das Forscherteam um Erstautor Christopher Irrgang entwickelte nun eine neue Methode, um aus den grob-aufgelösten Satellitendaten Rückschlüsse auf die gespeicherten Wassermengen des südamerikanischen Kontinents zu ziehen. „Für das sogenannte Herunterskalieren nutzen wir ein faltendes neuronales Netzwerk, kurz CNN, in Verbindung mit einer neu entwickelten Trainingsmethode“, sagt Irrgang. „CNNs eignen sich besonders gut für die Verarbeitung räumlicher Erdbeobachtungen, da sie zuverlässig wiederkehrende Muster wie Linien, Kanten, oder komplexere Formen und Merkmale extrahieren können.“ Mehr erfahren….
