Satellite-based reconstruction of water reservoir dynamics in the Zambezi watercourse

Water scarcity is emerging as a critical risk for about half of the world's population, making the knowledge of water storage data essential for informing sustainable water management. This necessity is particularly pronounced in developing nations where such data is frequently scarce or inaccessible. To address this data need, in this thesis, we developed a methodology that integrates the analysis of optical satellite imagery with clustering algorithms and machine learning models. Our work focuses on the Zambezi Watercourse and its main reservoirs, namely Kariba, Cahora Bassa, and Itezhi-Tezhi. To reconstruct the time series of water storage of those reservoirs, we improved a recently developed procedure, called InfeRes, that showed good performance in the reservoirs on the Mekong river. We created a module that deals with reservoirs spread across multiple satellite image tiles, using the Hungarian algorithm to ensure the temporal alignment of adjacent images. Furthermore, the machine-learning tool XGBoost was used to refine the InfeRes estimations based on a limited set of observed values. We then optimized the procedure with parallel processing, resulting in reduced computational times for all analysis stages, including image pre-processing and clustering tasks. These enhancements have led to the successful reconstruction of reservoir storage capacities with high performance, as evidenced by coefficients of determination (R² values) over 0.8. We also assessed the sensitivity of the proposed methodology to cloud cover and explored the impacts of advancements in satellite technology on data collection quality and frequency. Additionally, we examined the effects of extreme hydroclimatic events such as droughts and tropical cyclones on reservoir dynamics, offering insights into water resource management challenges under climate variability and extreme weather conditions. Our findings highlight the potential of integrating satellite imagery and machine learning to create the conditions for more informed decision-making in water resource management, particularly in regions with limited access to traditional data collection methods.

La scarsità d'acqua si sta affermando come un serio problema che affligge quasi metà della popolazione mondiale, evidenziando la necessità di una gestione delle risorse idriche integrata e sostenibile. Tale gestione è intrinsecamente legata alla disponibilità di dati accurati sulle riserve idriche, una condizione spesso non soddisfatta nei Paesi in via di sviluppo, dove queste informazioni risultano scarse o addirittura inaccessibili. Per rispondere a questa esigenza di dati, in questa tesi abbiamo sviluppato una metodologia che integra l'analisi delle immagini ottiche satellitari con algoritmi di clustering e modelli di machine-learning. Il nostro lavoro si concentra sul corso d'acqua dello Zambesi e sui suoi principali serbatoi, ovvero Kariba, Cahora Bassa e Itezhi-Tezhi. Per ricostruire le serie temporali di stoccaggio dell'acqua di questi bacini, abbiamo migliorato una procedura sviluppata di recente, chiamata InfeRes, che ha mostrato buone prestazioni nei bacini sul fiume Mekong. Abbiamo creato un modulo che si occupa di bacini che si collocano su più tiles satellitari, utilizzando l'algoritmo ungherese per garantire l'allineamento temporale delle immagini adiacenti. Inoltre, lo strumento di machine-learning XGBoost è stato utilizzato per affinare le stime di InfeRes sulla base di un insieme limitato di valori osservati. Abbiamo poi ottimizzato la procedura con l'elaborazione in parallelo, riducendo i tempi di calcolo per tutte le fasi di analisi, comprese le attività di pre-elaborazione delle immagini e di clustering. Questi miglioramenti hanno permesso di ricostruire con successo le capacità di stoccaggio dei serbatoi con prestazioni elevate, come dimostrato dai coefficienti di determinazione (valori R²) superiori a 0,8. Abbiamo anche valutato la sensibilità della metodologia proposta alla copertura nuvolosa ed esplorato l'impatto dei progressi della tecnologia satellitare sulla qualità e la frequenza della raccolta dei dati. Inoltre, abbiamo esaminato gli effetti di eventi idroclimatici estremi, come siccità e cicloni tropicali, sulle dinamiche dei bacini idrici, offrendo spunti di riflessione sulle sfide della gestione delle risorse idriche in condizioni di variabilità climatica e condizioni meteorologiche estreme. I nostri risultati evidenziano il potenziale dell'integrazione delle immagini satellitari e del machine-learning per creare le condizioni per un decision-making più informato nella gestione delle risorse idriche, in particolare nelle regioni con accesso limitato ai metodi tradizionali di raccolta dei dati.