A estimativa precisa do fluxo dos rios é essencial para a gestão de recursos hídricos, no entanto, observações in loco contínuas permanecem escassas em rios globalmente, especialmente na Ásia e na África. Este estudo explora o potencial de integrar dados de largura de rio e elevação da superfície da água derivados de satélites SWOT com dados de medição limitados para reconstruir o fluxo dos vastos rios da China. O estudo comparou quatro modelos de aprendizado de máquina para integração de dados: Random Forest (RF), XGBoost (XGB), Perceptron de Múltiplas Camadas (MLP) e Transformer (TF). Um esquema de validação cruzada de cinco dobras, ordenado temporalmente, foi usado para avaliar o desempenho tanto de interpolação quanto de extrapolação. No modo de interpolação, RF e XGB reproduziram efetivamente os hidrogramas observados, capturando a variabilidade e os extremos do fluxo. No modo de extrapolação, todos os modelos mostraram habilidade reduzida devido ao curto comprimento do registro, incompletude sazonal e efeitos de zero fluxo, embora os modelos de rede neural tenham exibido desempenho relativamente melhor. Estes resultados demonstram uma solução potencial para o preenchimento de lacunas no fluxo dos rios usando observações de satélites SWOT após um processamento adequado dos dados, no entanto, a abordagem requer conjuntos de dados de treinamento significativamente maiores e mais diversos para melhorar o desempenho de extrapolação.
Manevski et al. (Mon,) estudaram esta questão.