Quản lý tài nguyên nước hiệu quả yêu cầu dữ liệu chính xác về mực nước khu vực bờ hồ, các vùng biên giới biển, và giám sát hiện tượng xói mòn. Tuy nhiên, các vệ tinh viễn thám hiện tại phải đánh đổi độ phân giải không gian để quan sát nhiều lần hơn trong ngày, hoặc ngược lại: quan sát ít thường xuyên nhưng hình thu về rõ nét hơn. Ngoài ra, việc kết hợp hai kiểu dữ liệu nêu trên gặp nhiều trở ngại vì độ nhạy của máy ảnh với các tác nhân khí quyển, thời tiết, khí hậu… là khác nhau.
Các nhà khoa học tại trường Utah State University đã phát triển một mô hình mang tên Hydrologial Generative Adversarial Network – Hydro-GAN (Tạm dịch: Mạng lưới Đối kháng Tạo sinh Thuỷ văn học). Dựa trên nền tảng máy học, phương pháp này điền vào những vùng trống của bản đồ “ảnh đẹp” bằng các bức “ảnh xấu”. Nhóm đã thử nghiệm ghép ảnh của hơn 20 hồ chứa tại Mỹ, Úc, Mexico, và các quốc gia khác…, quan sát bằng máy quang phổ MODIS trên vệ tinh Terra và vệ tinh Landsat từ năm 2015 đến 2021. Hydro-GAN đã dự đoán thành công sự tăng giảm diện tích của hồ nước mặn Tharthar tại Iraq.
Hydro-GAN tạo ra dữ liệu độ phân giải cao để bù vào nhiều mốc thời gian bị trống. Không chỉ giúp các nhà nghiên cứu thuỷ văn và môi trường đưa ra dự đoán chính xác hơn, mô hình này còn có thể giám sát thay đổi theo mùa, từ đó đề ra giải pháp duy trì nguồn nước bền vững. Trong tương lai, các nhà nghiên cứu sẽ tích hợp và phân tích dữ liệu từ nhiều công cụ viễn thám khác nhau để hoàn thiện bản đồ địa hình, tính toán lưu lượng, lượng mưa, lượng tuyết rơi, và các thông số khí hậu, thời tiết khác.