Un nouveau modèle d'IA fusionne les signaux satellitaires pour affiner les prévisions du niveau des eaux des rivières

KNOXVILLE, TN, 24 octobre 2026 /24-7PressRelease/ -- L'estimation précise du niveau d'eau des rivières est cruciale pour la prévention des crues, l'atténuation des catastrophes et la gestion des ressources en eau. Pourtant, la forte non-stationnarité et la non-linéarité dans les régions complexes de réseaux hydrographiques de plaine posent des défis considérables aux approches conventionnelles. Cette étude propose un réseau à double flux à fusion adaptative améliorée par le bruit et guidée par la physique (PGNAF-DSNet) qui intègre les observations du Cyclone Global Navigation Satellite System (CYGNSS) et du radar à synthèse d'ouverture (SAR) Sentinel-1 au-dessus de la plaine du Jiangsu, en Chine. Le modèle a atteint une erreur quadratique moyenne (SRMSE) de 0,2388 mètre (m) et un coefficient de corrélation (R) de 0,9889 sur un ensemble de test strictement chronologique, réduisant les erreurs de prédiction d'environ 50 % dans les régions fortement affectées par les activités humaines.

Les données de niveau d'eau proviennent traditionnellement des stations hydrologiques, mais la couverture spatiale clairsemée, les coûts opérationnels élevés et la capacité limitée en temps réel entravent la surveillance continue dans les régions complexes de réseaux hydrographiques de plaine, où les variations du niveau d'eau sont conjointement influencées par les précipitations, la régulation des écluses, les activités humaines et l'irrigation agricole, présentant une forte non-linéarité, non-stationnarité et hétérogénéité spatiale. La télédétection par satellite offre une alternative, mais les altimètres conventionnels ont un espacement inter-pistes clairsemé, le radar à synthèse d'ouverture (SAR) a une résolution temporelle limitée, et le Cyclone Global Navigation Satellite System (CYGNSS) souffre d'une résolution spatiale grossière et de bruit d'observation. Face à ces défis, il est nécessaire de mener des recherches approfondies sur la fusion au niveau des caractéristiques des observations multi-sources SAR et CYGNSS.

Dans une étude publiée dans Satellite Navigation le 12 octobre 2026, des chercheurs de l'Université des Postes et Télécommunications de Nanjing, de l'Université Polytechnique du Henan, de l'Université d'Anhui et de l'Institut de Géographie et de Limnologie de Nanjing de l'Académie chinoise des sciences ont développé le Réseau à double flux à fusion adaptative améliorée par le bruit et guidée par la physique (PGNAF-DSNet) pour l'estimation du niveau d'eau sur le réseau hydrographique complexe de la plaine du Jiangsu en Chine. Le modèle intègre les observations SAR Sentinel-1 et CYGNSS grâce à la construction de caractéristiques guidées par la physique, à l'encodage temporel à double flux et à la fusion adaptative des caractéristiques.

L'étude introduit plusieurs innovations clés. Premièrement, les chercheurs ont construit des caractéristiques fusionnées guidées par la physique : PFSWI (Polarization Fusion Surface Water Index), qui multiplie les différences de rétrodiffusion Sentinel-1 par la réflectivité CYGNSS, et Width_cv (coefficient de variation de la largeur de la rivière), intégrant des a priori physiques dans le modèle. Deuxièmement, ils ont introduit une stratégie d'amélioration sélective par bruit gaussien basée sur l'analyse des résidus débruités par ondelettes, optimisée à l'aide de l'algorithme Tree-structured Parzen Estimator (TPE) (σ = 0,04157), appliquée uniquement aux canaux sensibles aux erreurs d'observation tels que VV, VH, la largeur de la rivière et les précipitations. Troisièmement, l'architecture à double flux emploie des encodeurs parallèles Transformer et à mémoire à long terme (LSTM) pour capturer respectivement les motifs temporels globaux et locaux, avant la fusion via un module de fusion adaptative des caractéristiques (AFF) qui pondère dynamiquement les deux branches au niveau des canaux. Sur un ensemble de données strictement chronologique (entraînement : janvier 2021–novembre 2022 ; test : mai–octobre 2023), PGNAF-DSNet a surpassé les références Convolutional Neural Network (CNN), Transformer, LSTM et Transformer-LSTM, le modèle atteignant une erreur quadratique moyenne (SRMSE) (0,2388 m), une erreur absolue moyenne (SMAE) (0,1624 m) et un coefficient de corrélation (R) (0,9889). Notamment, le modèle a maintenu R _ 0,95 sur tous les horizons de prévision jusqu'à T+6. Des expériences d'ablation ont confirmé la contribution de chaque composant, et l'analyse SHAP (SHapley Additive exPlanations) a indiqué que Width_cv et PFSWI présentent tous deux une importance élevée des caractéristiques.

Les auteurs ont déclaré que la contribution centrale de l'étude réside dans le dépassement de la simple fusion au niveau des données. Ils ont indiqué que les approches précédentes utilisaient principalement CYGNSS pour combler les lacunes temporelles des observations SAR sans exploiter pleinement les interactions entre caractéristiques intermodales. Ils ont affirmé qu'en construisant des caractéristiques fusionnées guidées par la physique et en adoptant une architecture à double flux, le modèle capture à la fois les tendances globales et les dynamiques locales des variations du niveau d'eau dans les réseaux hydrographiques complexes. Ils ont également précisé que la stratégie d'amélioration sélective par bruit agit comme un régularisateur, améliorant la robustesse face à l'incertitude d'observation et aux perturbations d'origine humaine.

PGNAF-DSNet offre un cadre pratique pour la surveillance du niveau d'eau dans les régions de réseaux hydrographiques de plaine, avec des applications potentielles dans l'alerte précoce des crues, la gestion des ressources en eau et la régulation des réseaux hydrographiques. Le modèle a réduit les erreurs de prédiction d'environ 50 % dans les zones significativement affectées par les activités humaines telles que la régulation des écluses et l'irrigation agricole, et a maintenu des performances stables lors des prévisions à T+6 (R _ 0,95), démontrant un potentiel pour la prévision opérationnelle. Le cadre pourrait également être étendu pour intégrer des observations satellitaires supplémentaires, telles que les élévations de surface d'eau du Surface Water and Ocean Topography (SWOT), et adapté à d'autres systèmes fluviaux par apprentissage par transfert.

Références
DOI
10.1186/s43020-026-00219-7

URL de la source originale
https://doi.org/10.1186/s43020-026-00219-7

Informations de financement
Ce travail a été soutenu par le Programme clé de coopération internationale en science et technologie du Henan (subvention n° 241111520700), la Fondation nationale des sciences naturelles de Chine (subvention n° 42671590) et la Fondation des sciences naturelles de la NJUPT sous la subvention NY224164.

À propos de la revue
Satellite Navigation

Chuanlink Innovations, où les idées révolutionnaires rencontrent leur véritable potentiel. Notre nom, ancré dans l'essence de la transmission et de la connexion, reflète notre engagement à favoriser l'innovation et à faciliter le parcours des idées, de leur conception à leur réalisation.

Lien associé :
http://chuanlink-innovations.com

Avertissement : Cette traduction a été générée automatiquement par NewsRamp™ pour 24-7 Press Release (collectivement désignés sous le nom de "LES ENTREPRISES") en utilisant des plateformes d'intelligence artificielle génératives accessibles au public. LES ENTREPRISES ne garantissent pas l'exactitude ni l'intégralité de cette traduction et ne seront pas responsables des erreurs, omissions ou inexactitudes. Vous vous fiez à cette traduction à vos propres risques. LES ENTREPRISES ne sont pas responsables des dommages ou pertes résultant de cette confiance. La version officielle et faisant autorité de ce communiqué de presse est la version anglaise.