La estimación precisa del nivel del agua de los ríos es esencial para la prevención de inundaciones, la mitigación de desastres y la gestión de los recursos hídricos, pero las complejas regiones de redes fluviales de llanura presentan desafíos significativos debido a una fuerte no estacionariedad y no linealidad. Un estudio publicado en Satellite Navigation el 12 de octubre de 2026 presenta una red de doble flujo con fusión adaptativa y ruido mejorado guiada por la física (PGNAF-DSNet) que integra observaciones del Sistema Global de Navegación por Satélite para Ciclones (CYGNSS) y del radar de apertura sintética (SAR) Sentinel-1 sobre la llanura de Jiangsu, en China.
Los datos tradicionales del nivel del agua provienen de estaciones hidrológicas, pero la cobertura espacial dispersa, los elevados 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 influidas conjuntamente por la precipitación, la regulación de compuertas, las actividades humanas y el riego agrícola. La teledetección satelital ofrece una alternativa, pero los altímetros convencionales tienen un espaciado entre trayectorias disperso, el SAR tiene una resolución temporal limitada y el CYGNSS presenta una resolución espacial gruesa y ruido observacional. Estas limitaciones subrayan la necesidad de una fusión a nivel de características de las observaciones de SAR y CYGNSS.
El modelo PGNAF-DSNet aborda estos desafíos mediante la construcción de características guiada por la física, la codificación temporal de doble flujo y la fusión adaptativa de características. 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 el modelo. Las innovaciones clave incluyen el Índice de Agua Superficial de Fusión de Polarización (PFSWI), que multiplica las diferencias de retrodispersión de Sentinel-1 por la reflectividad de CYGNSS, y el coeficiente de variación del ancho del río (Width_cv), que incorpora prioridades físicas en el modelo. Se aplica una estrategia selectiva de mejora mediante ruido gaussiano, optimizada con el algoritmo Tree-structured Parzen Estimator (σ = 0,04157), solo a los canales susceptibles a errores de observación, como VV, VH, ancho del río y precipitación. 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 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 CNN, Transformer, LSTM y Transformer-LSTM, logrando un error cuadrático medio de 0,2388 metros, un error absoluto medio de 0,1624 metros y un coeficiente de correlación de 0,9889. En particular, el modelo mantuvo un coeficiente de correlación superior a 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 indicó que tanto Width_cv como PFSWI presentan una alta importancia de características.
Los autores señalaron que la contribución central del estudio radica en ir más allá de la simple fusión a nivel de datos. Los enfoques anteriores utilizaban principalmente CYGNSS para llenar los vacíos temporales en las observaciones SAR sin explotar completamente las interacciones entre características de distintas modalidades. Al construir características fusionadas guiadas por la física y adoptar una arquitectura de doble flujo, el modelo captura tanto las tendencias globales como la dinámica local de los cambios del nivel del agua en redes fluviales complejas. La estrategia selectiva de mejora mediante ruido actúa como regularizador, mejorando la robustez frente a la incertidumbre observacional 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 la alerta temprana de inundaciones, la gestión de los recursos hídricos y la 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 los pronósticos T+6, lo que demuestra su potencial para la predicción operativa. El marco también podría ampliarse para incorporar observaciones satelitales adicionales, como las elevaciones de la superficie del agua del Topografía de Aguas Superficiales y Oceánicas, y adaptarse a otros sistemas fluviales mediante aprendizaje por transferencia. El estudio completo está disponible a través del DOI 10.1186/s43020-026-00219-7.
