Een team van onderzoekers heeft een innovatieve methode ontwikkeld om de detectie van oppervlaktewater op mondiale schaal te verbeteren. De nieuwe techniek maakt het mogelijk om betrouwbare waterkaarten te genereren op momenten dat traditionele optische satellietwaarnemingen worden geblokkeerd door wolken. Dit wordt bereikt door de combinatie van radargegevens en geavanceerde AI-embeddings.
Het in kaart brengen van landbedekking is een complexe uitdaging. Tot nu toe vormde de Dynamic World-dataset, die gebruikmaakt van Sentinel-2-beelden met een resolutie van 10 meter, een belangrijke basis. Een fundamenteel probleem van dit systeem is echter de afhankelijkheid van wolkenvrije beelden. In regio's waar bewolking vaak voorkomt, is het daardoor onmogelijk om op specifieke tijdstippen vast te stellen waar water zich bevindt.
Om deze beperking te omzeilen, hebben wetenschappers een model ontwikkeld dat gebaseerd is op Sentinel-1. In tegenstelling tot optische systemen maakt Sentinel-1 gebruik van Synthetic Aperture Radar (SAR), een technologie die door wolkenlagen heen kan dringen. Volgens een arxiv.org is de waterklasse van Dynamic World in dit proces ingezet als een vorm van 'zwakke supervisie' om het radarmodel te trainen. Hierdoor kunnen waterkaarten worden geproduceerd voor elke beschikbare Sentinel-1-meting, ongeacht de weersomstandigheden.
Een sleutelrol in deze doorbraak is de integratie van Google's AlphaEarth Foundations (AEF). Deze jaarlijkse embeddings zorgen voor de noodzakelijke ruimtelijke context, terwijl de backscatter van Sentinel-1 de actuele waarnemingen op het moment van de passage levert. Door deze twee datastromen te fuseren, ontstaat een model dat aanzienlijk nauwkeuriger is dan systemen die enkel op radargegevens vertrouwen. De effectiviteit van deze aanpak werd getest op 53 verschillende locaties wereldwijd, waarbij onafhankelijke annotaties van PlanetScope-beelden met een resolutie van 3 meter als referentie dienden.
De resultaten tonen een significante verbetering in precisie. Een model dat uitsluitend op Sentinel-1 steunt, behaalde een 'pooled water intersection over union' (IoU) van 0,77. Wanneer de AlphaEarth-embeddings worden toegevoegd, stijgt deze score naar 0,85. Uit de blijkt dat het gefuseerde model in 44 van de 53 geteste scènes beter presteerde dan het S1-only model. Bovendien overtrof het in 48 van de 53 gevallen de resultaten van het operationele OPERA DSWx-S1-product. Op de onafhankelijke S1S2-Water benchmark behaalde het nieuwe model een score van 0,94, tegenover 0,87 voor OPERA.
Deze ontwikkeling heeft grote implicaties voor de satellietmonitoring. Het bewijst dat optische landbedekkingsproducten effectief kunnen dienen als schaalbare trainingslabels voor SAR-watermapping. Dit maakt een continue monitoring van wateroppervlakken mogelijk, wat cruciaal is voor het beheren van overstromingen en het begrijpen van klimaatveranderingen in bewolkte gebieden. Hoewel consumentendiensten zoals google.be essentieel zijn voor dagelijkse navigatie, bieden wetenschappelijke modellen zoals deze een veel dieper inzicht in de dynamische veranderingen van het aardoppervlak.
Het onderzoek, dat op 5 oktober 2026 is ingediend, is het werk van een team bestaande uit onder meer Beth Tellman, Frederick Policelli en Rohit Mukherjee. De volledige methodologie en de bijbehorende data zijn beschikbaar via de .