Forschende der ETH Zürich haben ein selbstüberwachtes neuronales Netz entwickelt, das satellitengestützte Schwerefeldmessungen mithilfe von KI nahtlos in hydrologische Simulationen integriert. Mit dem innovativen Ansatz konnten hochqualitative Daten zum weltweiten Gesamtwasserspeicher mit einer hohen räumlichen Auflösung von einem halben Grad generiert werden. Das Ergebnis liefert wertvolle, detaillierte Einblicke in den überaus komplexen globalen Wasserkreislauf sowie extreme Umweltereignisse.
Prof. Dr. Benedikt Soja, ETH Zürich
Der terrestrische Gesamtwasserspeicher umfasst sämtliche kontinentale Wasservorkommen wie Oberflächengewässer, Grundwasser, Bodenfeuchte und die Schneedecke. Die Beobachtung seiner Veränderungen ist für unser Verständnis des globalen KlimaIm Unterschied zum Wetter, das sich auf tagesaktuelle oder sehr kurzfristige Ereignisse bezieht, meint Klima einen mittleren Zustand in der Atmosphäre über einen längeren Zeitraum von 30 bis 40 Jahren hinweg. Beobachtet werden dabei alle Vorgänge...systems entscheidend, da sie eng mit KlimaIm Unterschied zum Wetter, das sich auf tagesaktuelle oder sehr kurzfristige Ereignisse bezieht, meint Klima einen mittleren Zustand in der Atmosphäre über einen längeren Zeitraum von 30 bis 40 Jahren hinweg. Beobachtet werden dabei alle Vorgänge...schwankungen und menschlicher Aktivität verbunden sind. Angesichts dieser Bedeutung hat das Global Climate Observing System (GCOS) den terrestrischen Gesamtwasserspeicher zu einer der wesentlichen KlimaIm Unterschied zum Wetter, das sich auf tagesaktuelle oder sehr kurzfristige Ereignisse bezieht, meint Klima einen mittleren Zustand in der Atmosphäre über einen längeren Zeitraum von 30 bis 40 Jahren hinweg. Beobachtet werden dabei alle Vorgänge...variablen erklärt und auf eine höhere räumlich-zeitliche Auflösung gedrängt. Bisher liefern nur die Satellitenmission «Gravity Recovery and Climate Experiment» (GRACE) und ihre Nachfolgemission GRACE-FO durch Erfassung der Schwankungen des Schwerefelds der Erde direkte Informationen zu Veränderungen des Gesamtwasserspeichers. Die effektive räumliche Auflösung der GRACE-Daten beträgt jedoch nur 300 Kilometer und erfüllt damit nicht die strengen Anforderungen des GCOS für einen Durchbruch bei der Überwachung des WasserkreislaufDer Wasserkreislauf beschreibt den Transport von Wasser aus den Meeren, durch die Atmosphäre, auf das Festland und von dort wieder zurück in die Meere. Das Wasser wechselt bei dieser Reise mehrfach seine Aggregatzustände, d.h. es bewegt sich als f...s.
Viel wurde bereits unternommen, um dieses Hindernis mit hochauflösenden Daten aus anderen Datenquellen, etwa satellitengestützten Wasserspiegelmessungen, zu überwinden. Kürzlich entwickelte nun die Forschungsgruppe für Weltraumgeodäsie der ETH Zürich ein selbstüberwachtes Lernmodell, um GRACE-Messungen mit hydrologischen Simulationen zu kombinieren. «Selbstüberwacht» bedeutet, dass das Modell basierend auf spezifischen, den Daten inhärenten Merkmalen, aber ohne externe Ground Truth – also genaue und verifizierte Daten – optimiert wird. Hierbei nutzt es die hochauflösenden Daten aus hydrologischen Simulationen sowie die großflächige Genauigkeit der GRACE-Messungen.
Dabei tariert das Modell die beiden Datenquellen gegeneinander aus und liefert Informationen zu Veränderungen des terrestrischen Gesamtwasserspeichers mit einer räumlichen Auflösung von 0,5 Grad bei ähnlich grossflächiger Genauigkeit wie GRACE-Daten. Das Modellprodukt verdeutlicht das Potenzial, den WasserkreislaufDer Wasserkreislauf beschreibt den Transport von Wasser aus den Meeren, durch die Atmosphäre, auf das Festland und von dort wieder zurück in die Meere. Das Wasser wechselt bei dieser Reise mehrfach seine Aggregatzustände, d.h. es bewegt sich als f... in regionalem Massstab bei einer besseren als der eingeschränkten Auflösung von GRACE-Daten zu analysieren und dabei benachbarte Wassersysteme unabhängig voneinander untersuchen zu können. Extreme Umweltereignisse wie Überflutungen und Dürren lassen sich ebenfalls detaillierter überwachen – eine entscheidende Funktion für die zuständigen Stellen, um auf entsprechende Bedrohungen angemessen reagieren und Ressourcen effizient verwalten zu können.
Weiterführende Literatur
- Gou, J. and Soja, B. (2024): Global high-resolution total water storage anomalies from self-supervised data assimilation using deep learning algorithms. Nature Water, 2, 139-150. https://doi.org/10.1038/s44221-024-00194-w
- Gou, J. and Soja, B. (2024): GRACE-SeDA: A global total water storage anomaly product with a spatial resolution of 0.5 degrees from self-supervised data assimilation. Dataset. ETH Research Collection. https://doi.org/10.3929/ethz-b-000648738
- Irrgang, C., Saynisch-Wagner, J., Dill, R., Boergens, E. and Thomas, M. (2020): Self-Validating Deep Learning for Recovering Terrestrial Water Storage From Gravity and Altimetry Measurements. Geophysical Research Letters, 47, e2020GL089258. https://doi.org/10.1029/2020GL089258