A estimativa precisa do nível da água em rios é essencial para a prevenção de inundações, mitigação de desastres e gestão de recursos hídricos, mas regiões complexas de redes fluviais de planície apresentam desafios significativos devido à forte não estacionariedade e não linearidade. Um estudo publicado na Satellite Navigation em 12 de outubro de 2026 apresenta uma rede de fluxo duplo com fusão adaptativa e aprimoramento de ruído guiada por física (PGNAF-DSNet) que integra observações do Sistema Global de Navegação por Satélite de Ciclones (CYGNSS) e do radar de abertura sintética (SAR) Sentinel-1 sobre a planície de Jiangsu, na China.
Os dados tradicionais de nível da água vêm de estações hidrológicas, mas a cobertura espacial esparsa, os altos custos operacionais e a capacidade limitada em tempo real dificultam o monitoramento contínuo em regiões complexas de redes fluviais de planície, onde as variações do nível da água são influenciadas conjuntamente por precipitação, regulação de comportas, atividades humanas e irrigação agrícola. O sensoriamento remoto por satélite oferece uma alternativa, mas os altímetros convencionais têm espaçamento esparso entre faixas, o SAR tem resolução temporal limitada e o CYGNSS sofre de resolução espacial grosseira e ruído observacional. Essas limitações ressaltam a necessidade de fusão em nível de características das observações SAR e CYGNSS.
O modelo PGNAF-DSNet aborda esses desafios por meio da construção de características guiada por física, codificação temporal de fluxo duplo e fusão adaptativa de características. Pesquisadores da Universidade de Posts e Telecomunicações de Nanquim, da Universidade Politécnica de Henan, da Universidade de Anhui e do Instituto de Geografia e Limnologia de Nanquim da Academia Chinesa de Ciências desenvolveram o modelo. As principais inovações incluem o Índice de Água Superficial por Fusão de Polarização (PFSWI), que multiplica as diferenças de retroespalhamento do Sentinel-1 pela refletividade do CYGNSS, e o coeficiente de variação da largura do rio (Width_cv), incorporando priors físicos ao modelo. Uma estratégia seletiva de aprimoramento de ruído gaussiano, otimizada usando o algoritmo Tree-structured Parzen Estimator (σ = 0,04157), é aplicada apenas a canais suscetíveis a erros observacionais, como VV, VH, largura do rio e precipitação. A arquitetura de fluxo duplo emprega codificadores paralelos Transformer e de memória de longo e curto prazo (LSTM) para capturar padrões temporais globais e locais, respectivamente, antes da fusão por meio de um módulo de Fusão Adaptativa de Características que pondera dinamicamente os dois ramos no nível do canal.
Em um conjunto de dados estritamente cronológico (treinamento: janeiro de 2021 a novembro de 2022; teste: maio a outubro de 2023), o PGNAF-DSNet superou as linhas de base CNN, Transformer, LSTM e Transformer-LSTM, alcançando erro quadrático médio de 0,2388 metros, erro absoluto médio de 0,1624 metros e coeficiente de correlação de 0,9889. Notavelmente, o modelo manteve um coeficiente de correlação acima de 0,95 em todos os horizontes de previsão até T+6. Experimentos de ablação confirmaram a contribuição de cada componente, e a análise SHAP indicou que Width_cv e PFSWI apresentam alta importância de características.
Os autores afirmaram que a contribuição central do estudo reside em ir além da simples fusão em nível de dados. Abordagens anteriores usavam principalmente o CYGNSS para preencher lacunas temporais nas observações SAR sem explorar totalmente as interações de características entre modalidades. Ao construir características fundidas guiadas por física e adotar uma arquitetura de fluxo duplo, o modelo captura tanto tendências globais quanto dinâmicas locais das mudanças do nível da água em redes fluviais complexas. A estratégia seletiva de aprimoramento de ruído atua como regularizador, melhorando a robustez contra incerteza observacional e distúrbios induzidos pelo homem.
O PGNAF-DSNet oferece uma estrutura prática para monitoramento do nível da água em regiões de redes fluviais de planície, com aplicações potenciais em alerta precoce de inundações, gestão de recursos hídricos e regulação de redes fluviais. O modelo reduziu os erros de previsão em aproximadamente 50% em áreas significativamente afetadas por atividades humanas, como regulação de comportas e irrigação agrícola, e manteve desempenho estável em previsões T+6, demonstrando potencial para previsão operacional. A estrutura também pode ser estendida para incorporar observações adicionais de satélite, como elevações da superfície da água do Surface Water and Ocean Topography, e adaptada a outros sistemas fluviais por meio de aprendizado por transferência. O estudo completo está disponível via DOI 10.1186/s43020-026-00219-7.
