Крошечные спутники раскрывают динамику воды в тысячах северных озёр

Используя армию малых спутников, исследователи показали, что уровни воды в небольших озёрах на севере Канады и Аляски летом меняются гораздо сильнее, чем считалось ранее. Результаты, опубликованные в Geophysical Research Letters, могут повлиять на методы расчёта естественных выбросов парниковых газов из этих северных озёр.

Исследование использовало снимки, сделанные сетью из более чем 150 CubeSat — небольших спутников размером с обувную коробку. Они проводили почти ежедневные наблюдения за более чем 85 000 малых озёр Северной Америки летом 2017 года. Учёные обнаружили небольшие, но значительные изменения береговой линии отдельных озёр, которые в сумме составили сотни квадратных километров изменения площади озёр по всему региону исследования. Особенно динамичной оказалась территория Канадского щита, где сезонные колебания уровня воды затапливают около 1,4% ландшафта.

Это открытие важно, поскольку бореальные озёра являются значительным источником естественных выбросов парниковых газов. Прибрежные зоны, где вода прибывает и отступает, известны как «горячие точки» производства и эмиссии парниковых газов. Однако текущие модели оценок выбросов обычно предполагают стабильность береговой линии в течение сезона. Новые данные указывают на то, что эти модели могут недооценивать реальные объёмы эмиссии.

«Береговая линия, которая колеблется, будет выделять больше углерода, чем стабильная», — говорит ведущий автор исследования, аспирантка Брауновского университета Сара Кули. — «Эти краткосрочные колебания, которые раньше никто не картировал, предполагают, что эти озёра потенциально выделяют больше газа, чем считалось».

Ещё одним выводом работы стала демонстрация возможностей CubeSat для сбора данных, недоступных для более крупных спутников. Несмотря на отсутствие сложного научного оборудования, их камеры высокого разрешения (3 метра) и ежедневный охват всей суши позволили отследить быстрые изменения. Для обработки более 25 терабайт данных учёные разработали алгоритм машинного обучения, отсеивающий аномалии, например, вызванные облачностью.