Ændringer i vandmasser, som er lagret på kontinenterne, kan detekteres ved hjælp af satellitter. Datasættene om Jordens gravitationsfelt, som er nødvendige for dette, stammer fra GRACE- og GRACE-FO-satellitmissionerne. Da disse datasæt kun omfatter de typiske masseanomalier i stor skala, er ingen konklusioner om småskalastrukturer, såsom den faktiske fordeling af vandmasser i floder og flodgrene, mulige. Med det sydamerikanske kontinent som eksempel har jordsystemmodellerne ved det tyske forskningscenter for geovidenskab GFZ udviklet en ny Deep-Learning-Metode, som kvantificerer små såvel som store ændringer af vandlageret ved hjælp af satellitdata. Denne nye metode kombinerer på en smart måde Deep-Learning, hydrologiske modeller og jordobservationer fra gravimetri og højdemetri.
Indtil videre er det ikke præcist kendt, hvor meget vand et kontinent reelt opbevarer. De kontinentale vandmasser ændrer sig også konstant og påvirker dermed Jordens rotation og fungerer som bindeled i vandets kredsløb mellem atmosfære og hav. Amazonas bifloder i Peru fører for eksempel enorme mængder vand i nogle år, men kun en brøkdel af det i andre. Ud over vandmasserne i floder og andre ferskvandsforekomster findes der også betydelige mængder vand i jord, sne og underjordiske reservoirer, som er svære at kvantificere direkte.
Nu udviklede forskerholdet omkring den primære forfatter Christopher Irrgang en ny metode for at drage konklusioner om de lagrede vandmængder på det sydamerikanske kontinent ud fra de groft opløste satellitdata. "Til den såkaldte nedskalering bruger vi et konvolutionelt neur alt netværk, kort sagt CNN, i forbindelse med en nyudviklet træningsmetode," siger Irrgang."CNN'er er særligt velegnede til at behandle rumlige jordobservationer, fordi de pålideligt kan udtrække tilbagevendende mønstre såsom linjer, kanter eller mere komplekse former og karakteristika."
For at lære sammenhængen mellem kontinental vandlagring og de respektive satellitobservationer, blev CNN trænet med simuleringsdata af en numerisk hydrologisk model over perioden fra 2003 til 2018. Derudover blev data fra satellithøjdemålingen i Amazon-regionen blev brugt til validering. Hvad der er ekstraordinært, er, at denne CNN løbende selvkorrigerer og selvvaliderer for at komme med de mest nøjagtige udsagn om fordelingen af vandlageret. "Dette CNN kombinerer derfor fordelene ved numerisk modellering med jordobservation med høj præcision" ifølge Irrgang.
Forskernes undersøgelse viser, at den nye Deep-Learning-Metode er særlig pålidelig for de tropiske områder nord for -20° breddegrad på det sydamerikanske kontinent, hvor regnskove, store overfladevande og også store grundvandsbassiner er lokaliseret. Samme som for den grundvandsrige, vestlige del af Sydamerikas sydspids. Nedskaleringen fungerer mindre godt i tørre og ørkenområder. Dette kan forklares med den forholdsvis lave variabilitet af det allerede lave vandlager der, som derfor kun har en marginal effekt på træningen af det neurale netværk. For Amazon-regionen var forskerne dog i stand til at vise, at prognosen for det validerede CNN var mere nøjagtig end den anvendte numeriske model.
I fremtiden vil der være et presserende behov for store såvel som regionale analyser og prognoser af den globale kontinentale vandlagring. Videreudvikling af numeriske modeller og kombinationen med innovative Deep-Learning-Methods vil spille en vigtigere rolle i dette, for at få en omfattende indsigt i kontinental hydrologi. Bortset fra rent geofysiske undersøgelser er der mange andre mulige anvendelser, såsom at studere klimaændringernes indvirkning på kontinental hydrologi, identifikation af stressfaktorer for økosystemer såsom tørke eller oversvømmelser og udvikling af vandforv altningsstrategier for landbrugs- og byregioner.
