Zespół badaczy zastosował grafowe sieci neuronowe do rozszerzenia rekordów obserwacji magazynów wody na Ziemi na ponad 80 lat wstecz, znacznie wydłużając dostępne dane z misji satelitarnych GRACE. Zamiast tradycyjnych podejść opartych na regresji czy standardowych architekturach jak CNN i LSTM, badacze zaadaptowali architekturę MTGNN (Multi-Variate Time Series Graph Neural Network) pierwotnie opracowaną do prognozowania mobilności w sieciach czujników miejskich. Model uczy się relacji między dziennymi danymi zmuszającymi z ERA5 - opady, parowanie, spływ - a miesięcznymi obserwacjami GRACE, łącząc je w interpretacyjnej macierzy sąsiedztwa.
Klucz do sukcesu tego podejścia tkwi w sposobie kodowania zależności przestrzennych. Statyczna macierz sąsiedztwa łączy zarówno bliskość geodezyjną jak i opóźnione korelacje szeregów czasowych klimatycznych, co pozwala modelowi uchwycić zarówno sprzężenia hydrologiczne na małą skalę jak i duże telekoneksje atmosferyczne takie jak El Niño. Rekonstrukcja osiąga imponujące wyniki - korelację Pearsona 0,69 na poziomie pojedynczych komórek siatki, a aż 0,94 dla średnich basenów rzecznych, przy praktycznie zerowym obciążeniu.
Znaczenie tego badania wykracza poza czystą metodologię. Anomalie magazynów wody są krytycznym wskaźnikiem jak zmienność klimatu i działalność człowieka kształtują globalny cykl wodny. Wydłużając obserwacyjny rekord z 2002 roku do 1940 roku, naukowcy umożliwiają analizę zmian wody na skalach klimatycznych, gdzie brakuje bezpośrednich pomiarów. Model prawidłowo reprodukuje cechy przestrzenne zdarzeń El Niño z 2015/16 i La Niña z 2020/21, co stanowi walidację jego przydatności do badań historycznych warunków wodnych.