Neues KI-Modell Führt Satellitensignale Zusammen, um Vorhersagen des Wasserstands von Flüssen zu Verbessern

KNOXVILLE, TN, 24. Oktober 2026 /24-7PressRelease/ -- Eine genaue Schätzung des Wasserstands von Flüssen ist entscheidend für Hochwasservorsorge, Katastrophenminderung und Wasserressourcenmanagement. Doch die starke Nichtstationarität und Nichtlinearität in komplexen Flussnetzregionen der Ebene stellen konventionelle Ansätze vor erhebliche Herausforderungen. Diese Studie schlägt ein physikgestütztes, rauschverstärktes adaptives Fusions-Dual-Stream-Netzwerk (PGNAF-DSNet) vor, das Beobachtungen des Cyclone Global Navigation Satellite System (CYGNSS) und des Synthetic Aperture Radar (SAR) von Sentinel-1 über der Jiangsu-Ebene in China integriert. Das Modell erreichte auf einem streng chronologischen Testset einen Wurzelmittelquadratfehler (SRMSE) von 0,2388 Metern (m) und einen Korrelationskoeffizienten (R) von 0,9889 und reduzierte die Vorhersagefehler in Regionen, die stark von menschlichen Aktivitäten betroffen sind, um etwa 50 %.

Wasserstandsdaten stammen traditionell von hydrologischen Stationen, aber spärliche räumliche Abdeckung, hohe Betriebskosten und begrenzte Echtzeitfähigkeit behindern eine kontinuierliche Überwachung in komplexen Flussnetzregionen der Ebene, in denen Wasserstandsschwankungen gemeinsam durch Niederschlag, Schleusenregulierung, menschliche Aktivitäten und landwirtschaftliche Bewässerung beeinflusst werden und eine starke Nichtlinearität, Nichtstationarität und räumliche Heterogenität aufweisen. Satellitenfernerkundung bietet eine Alternative, aber konventionelle Altimeter haben spärliche Spur-Abstände, Synthetic Aperture Radar (SAR) hat eine begrenzte zeitliche Auflösung, und das Cyclone Global Navigation Satellite System (CYGNSS) leidet unter grober räumlicher Auflösung und Beobachtungsrauschen. Aufgrund dieser Herausforderungen besteht Bedarf an eingehender Forschung zur Merkmalsebenen-Fusion von SAR- und CYGNSS-Multiquellenbeobachtungen.

In einer am 12. Oktober 2026 in Satellite Navigation veröffentlichten Studie entwickelten Forscher der Nanjing University of Posts and Telecommunications, der Henan Polytechnic University, der Anhui University und des Nanjing Institute of Geography and Limnology der Chinesischen Akademie der Wissenschaften das Physics-Guided Noise-Enhanced Adaptive Fusion Dual-Stream Network (PGNAF-DSNet) zur Wasserstandsschätzung über dem komplexen Flussnetz der Jiangsu-Ebene in China. Das Modell integriert Sentinel-1-SAR- und CYGNSS-Beobachtungen durch physikgestützte Merkmalskonstruktion, Dual-Stream-Zeitkodierung und adaptive Merkmalsfusion.

Die Studie führt mehrere zentrale Innovationen ein. Erstens konstruierten die Forscher physikgestützte fusionierte Merkmale: PFSWI (Polarization Fusion Surface Water Index), der Sentinel-1-Rückstreudifferenzen mit CYGNSS-Reflektivität multipliziert, und Width_cv (Variationskoeffizient der Flussbreite), wodurch physikalische Vorannahmen in das Modell eingebettet werden. Zweitens führten sie eine selektive Gauß-Rauschverstärkungsstrategie ein, die auf einer wavelet-entrauschten Residuenanalyse basiert und mit dem Tree-structured Parzen Estimator (TPE)-Algorithmus optimiert wurde (σ = 0,04157) und nur auf Kanäle angewendet wird, die für Beobachtungsfehler anfällig sind, wie VV, VH, Flussbreite und Niederschlag. Drittens verwendet die Dual-Stream-Architektur parallele Transformer- und Long Short-Term Memory (LSTM)-Encoder, um globale bzw. lokale zeitliche Muster zu erfassen, bevor sie durch ein Adaptive Feature Fusion (AFF)-Modul fusioniert werden, das die beiden Zweige auf Kanalebene dynamisch gewichtet. Auf einem streng chronologischen Datensatz (Training: Januar 2021–November 2022; Test: Mai–Oktober 2023) übertraf PGNAF-DSNet Convolutional Neural Network (CNN)-, Transformer-, LSTM- und Transformer-LSTM-Baselines; das Modell erreichte einen Wurzelmittelquadratfehler (SRMSE) (0,2388 m), einen mittleren absoluten Fehler (SMAE) (0,1624 m) und einen Korrelationskoeffizienten (R) (0,9889). Bemerkenswert ist, dass das Modell R _ 0,95 über alle Vorhersagehorizonte bis T+6 beibehielt. Ablationsexperimente bestätigten den Beitrag jeder Komponente, und die SHAP-Analyse (SHapley Additive exPlanations) zeigte, dass sowohl Width_cv als auch PFSWI eine hohe Merkmalsbedeutung aufweisen.

Die Autoren sagten, der Kernbeitrag der Studie liege darin, über eine einfache Fusion auf Datenebene hinauszugehen. Sie sagten, frühere Ansätze hätten CYGNSS hauptsächlich genutzt, um zeitliche Lücken in SAR-Beobachtungen zu füllen, ohne die crossmodalen Merkmalsinteraktionen vollständig auszuschöpfen. Sie sagten, dass das Modell durch die Konstruktion physikgestützter fusionierter Merkmale und die Annahme einer Dual-Stream-Architektur sowohl globale Trends als auch lokale Dynamiken von Wasserstandsänderungen in komplexen Flussnetzen erfasse. Sie sagten auch, die selektive Rauschverstärkungsstrategie wirke als Regularisierer und verbessere die Robustheit gegenüber Beobachtungsunsicherheit und menschlich verursachten Störungen.

PGNAF-DSNet bietet einen praktischen Rahmen für die Wasserstandsüberwachung in Flussnetzregionen der Ebene, mit potenziellen Anwendungen in der Hochwasserfrühwarnung, im Wasserressourcenmanagement und in der Flussnetzregulierung. Das Modell reduzierte die Vorhersagefehler in Gebieten, die stark von menschlichen Aktivitäten wie Schleusenregulierung und landwirtschaftlicher Bewässerung betroffen sind, um etwa 50 % und behielt eine stabile Leistung bei T+6-Vorhersagen (R _ 0,95) bei, was vielversprechend für die operationelle Vorhersage ist. Der Rahmen könnte auch erweitert werden, um zusätzliche Satellitenbeobachtungen wie Wasseroberflächenhöhen von Surface Water and Ocean Topography (SWOT) einzubeziehen, und durch Transferlernen an andere Flusssysteme angepasst werden.

Referenzen
DOI
10.1186/s43020-026-00219-7

URL der Originalquelle
https://doi.org/10.1186/s43020-026-00219-7

Förderinformationen
Diese Arbeit wurde unterstützt durch das Henan International Science and Technology Cooperation Key Program (Grant Nr. 241111520700), die National Natural Science Foundation of China (Grant Nr. 42671590) und die Natural Science Foundation der NJUPT unter Grant NY224164.

Über die Zeitschrift
Satellite Navigation

Chuanlink Innovations, wo revolutionäre Ideen ihr wahres Potenzial entfalten. Unser Name, verwurzelt im Wesen von Übertragung und Verbindung, spiegelt unser Engagement wider, Innovation zu fördern und den Weg von Ideen von der Entstehung bis zur Verwirklichung zu erleichtern.

Verwandter Link:
http://chuanlink-innovations.com

Haftungsausschluss: Diese Übersetzung wurde automatisch von NewsRamp™ für 24-7 Press Release (gemeinsam als "DIE UNTERNEHMEN" bezeichnet) mit öffentlich zugänglichen generativen KI-Plattformen erstellt. DIE UNTERNEHMEN garantieren nicht die Genauigkeit oder Vollständigkeit dieser Übersetzung und haften nicht für Fehler, Auslassungen oder Ungenauigkeiten. Die Nutzung dieser Übersetzung erfolgt auf eigenes Risiko. DIE UNTERNEHMEN haften nicht für Schäden oder Verluste, die aus solcher Nutzung entstehen. Die offizielle und maßgebliche Version dieser Pressemitteilung ist die englische Version.