Nuevo Modelo de IA Fusiona Señales Satelitales para Mejorar los Pronósticos del Nivel del Agua de los Ríos

KNOXVILLE, TN, 24 de octubre de 2026 /24-7PressRelease/ -- La estimación precisa del nivel del agua de los ríos es crucial para la prevención de inundaciones, la mitigación de desastres y la gestión de los recursos hídricos; sin embargo, la fuerte no estacionariedad y no linealidad en las complejas regiones de redes fluviales de llanura plantean desafíos significativos a los enfoques convencionales. Este estudio propone una red de doble flujo con fusión adaptativa y mejora de ruido guiada por la física (PGNAF-DSNet) que integra observaciones del Sistema Global de Navegación por Satélite Ciclón (CYGNSS) y del radar de apertura sintética (SAR) Sentinel-1 sobre la llanura de Jiangsu en China. El modelo logró un error cuadrático medio (SRMSE) de 0,2388 metros (m) y un coeficiente de correlación (R) de 0,9889 en un conjunto de prueba estrictamente cronológico, reduciendo los errores de predicción en aproximadamente un 50 % en regiones significativamente afectadas por actividades humanas.

Los datos del nivel del agua provienen tradicionalmente de estaciones hidrológicas, pero la cobertura espacial dispersa, los altos costos operativos y la limitada capacidad en tiempo real dificultan el monitoreo continuo en complejas regiones de redes fluviales de llanura, donde las variaciones del nivel del agua están influenciadas conjuntamente por la precipitación, la regulación de compuertas, las actividades humanas y el riego agrícola, exhibiendo una fuerte no linealidad, no estacionariedad y heterogeneidad espacial. La teledetección satelital ofrece una alternativa, pero los altímetros convencionales tienen un espaciamiento entre pistas disperso, el radar de apertura sintética (SAR) tiene una resolución temporal limitada y el Sistema Global de Navegación por Satélite Ciclón (CYGNSS) adolece de una resolución espacial gruesa y ruido de observación. Con base en estos desafíos, existe la necesidad de una investigación profunda sobre la fusión a nivel de características de observaciones multisensor de SAR y CYGNSS.

En un estudio publicado en Satellite Navigation el 12 de octubre de 2026, investigadores de la Universidad de Correos y Telecomunicaciones de Nanjing, la Universidad Politécnica de Henan, la Universidad de Anhui y el Instituto de Geografía y Limnología de Nanjing de la Academia China de Ciencias desarrollaron la Red de Doble Flujo con Fusión Adaptativa y Mejora de Ruido Guiada por la Física (PGNAF-DSNet) para la estimación del nivel del agua sobre la compleja red fluvial de la llanura de Jiangsu en China. El modelo integra observaciones de Sentinel-1 SAR y CYGNSS mediante la construcción de características guiadas por la física, la codificación temporal de doble flujo y la fusión adaptativa de características.

El estudio introduce varias innovaciones clave. Primero, los investigadores construyeron características fusionadas guiadas por la física: PFSWI (Índice de Agua Superficial de Fusión de Polarización), que multiplica las diferencias de retrodispersión de Sentinel-1 por la reflectividad de CYGNSS, y Width_cv (coeficiente de variación del ancho del río), incorporando prioridades físicas en el modelo. Segundo, introdujeron una estrategia selectiva de mejora de ruido gaussiano basada en el análisis de residuos con eliminación de ruido wavelet, optimizada mediante el algoritmo Tree-structured Parzen Estimator (TPE) (σ = 0,04157), aplicada solo a canales susceptibles a errores de observación como VV, VH, ancho del río y precipitación. Tercero, la arquitectura de doble flujo emplea codificadores paralelos Transformer y de memoria a corto y largo plazo (LSTM) para capturar patrones temporales globales y locales, respectivamente, antes de la fusión mediante un módulo de Fusión Adaptativa de Características (AFF) que pondera dinámicamente las dos ramas a nivel de canal. En un conjunto de datos estrictamente cronológico (entrenamiento: enero de 2021–noviembre de 2022; prueba: mayo–octubre de 2023), PGNAF-DSNet superó a las líneas base de Red Neuronal Convolucional (CNN), Transformer, LSTM y Transformer-LSTM; el modelo logró un error cuadrático medio (SRMSE) (0,2388 m), un error absoluto medio (SMAE) (0,1624 m) y un coeficiente de correlación (R) (0,9889). Notablemente, el modelo mantuvo R _ 0,95 en todos los horizontes de pronóstico hasta T+6. Los experimentos de ablación confirmaron la contribución de cada componente, y el análisis SHAP (SHapley Additive exPlanations) indicó que tanto Width_cv como PFSWI exhiben una alta importancia de características.

Los autores afirmaron que la contribución central del estudio radica en ir más allá de la simple fusión a nivel de datos. Dijeron que los enfoques anteriores utilizaban principalmente CYGNSS para llenar los vacíos temporales en las observaciones SAR sin explotar completamente las interacciones de características entre modalidades. Dijeron que, al construir características fusionadas guiadas por la física y adoptar una arquitectura de doble flujo, el modelo captura tanto las tendencias globales como las dinámicas locales de los cambios del nivel del agua en redes fluviales complejas. También dijeron que la estrategia selectiva de mejora de ruido actúa como un regularizador, mejorando la robustez frente a la incertidumbre de las observaciones y las perturbaciones inducidas por el hombre.

PGNAF-DSNet ofrece un marco práctico para el monitoreo del nivel del agua en regiones de redes fluviales de llanura, con posibles aplicaciones en alerta temprana de inundaciones, gestión de recursos hídricos y regulación de redes fluviales. El modelo redujo los errores de predicción en aproximadamente un 50 % en áreas significativamente afectadas por actividades humanas como la regulación de compuertas y el riego agrícola, y mantuvo un rendimiento estable en pronósticos T+6 (R _ 0,95), demostrando su potencial para la previsión operativa. El marco también podría ampliarse para incorporar observaciones satelitales adicionales, como las elevaciones de la superficie del agua del Surface Water and Ocean Topography (SWOT), y adaptarse a otros sistemas fluviales mediante aprendizaje por transferencia.

Referencias
DOI
10.1186/s43020-026-00219-7

URL de la fuente original
https://doi.org/10.1186/s43020-026-00219-7

Información de financiación
Este trabajo fue apoyado por el Programa Clave de Cooperación Internacional en Ciencia y Tecnología de Henan (Subvención No. 241111520700), la Fundación Nacional de Ciencias Naturales de China (Subvención No. 42671590) y la Fundación Nacional de Ciencias Naturales de NJUPT bajo la Subvención NY224164.

Acerca de la revista
Satellite Navigation

Chuanlink Innovations, donde las ideas revolucionarias encuentran su verdadero potencial. Nuestro nombre, arraigado en la esencia de la transmisión y la conexión, refleja nuestro compromiso de fomentar la innovación y facilitar el viaje de las ideas desde su concepción hasta su realización.

Enlace relacionado:
http://chuanlink-innovations.com

Descargo de responsabilidad: Esta traducción ha sido generada automáticamente por NewsRamp™ para 24-7 Press Release (colectivamente referidos como "LAS EMPRESAS") utilizando plataformas de inteligencia artificial generativas de acceso público. LAS EMPRESAS no garantizan la exactitud ni la integridad de esta traducción y no serán responsables por ningún error, omisión o inexactitud. La confianza en esta traducción es bajo su propio riesgo. LAS EMPRESAS no son responsables por ningún daño o pérdida resultante de tal confianza. La versión oficial y autoritativa de este comunicado de prensa es la versión en inglés.