Con el cambio climático provocando el aumento del nivel del mar y la intensificación de las tormentas, las costas de todo el mundo se enfrentan a riesgos de erosión sin precedentes. Sin embargo, predecir con precisión los cambios en la línea costera es un reto, especialmente las tendencias a largo plazo. Recientemente, el estudio colaborativo internacional ShoreShop2.0 evaluó el rendimiento de 34 modelos de predicción de la línea costera mediante pruebas a ciegas, revelando el estado actual de la técnica en la modelización costera.

La línea costera es el límite dinámico donde la tierra se encuentra con el mar, en constante cambio debido a las olas, las mareas, las tormentas y el aumento del nivel del mar. Aproximadamente el 24 % de las costas arenosas del mundo retroceden a un ritmo superior a 0,5 metros por año, y en algunas zonas, como la costa del Golfo de Estados Unidos, la tasa de erosión anual supera incluso los 20 metros.

Predecir los cambios en la línea costera es intrínsecamente difícil y complejo, ya que requiere considerar la interacción de múltiples factores, como la energía de las olas, el transporte de sedimentos y el aumento del nivel del mar. Realizar predicciones precisas a largo plazo resulta aún más complicado.

Los modelos modernos de predicción de la línea costera se pueden dividir en tres categorías: una se basa en la simulación física, como Delft3D y MIKE21, que se basan en ecuaciones de mecánica de fluidos y transporte de sedimentos; otra es un modelo híbrido que combina principios físicos con métodos basados ​​en datos, como CoSMoS-COAST y LX-Shore; y la tercera es un modelo basado en datos que se apoya completamente en técnicas estadísticas o de aprendizaje automático, como las redes LSTM y las arquitecturas Transformer.

A pesar de la gran variedad de modelos, la falta de criterios de evaluación unificados ha dificultado la comparación de su rendimiento. ¿Qué modelo ofrece las predicciones más precisas? La competición de pruebas a ciegas ShoreShop2.0 brinda una oportunidad ideal para realizar comparaciones interdisciplinarias.

La competición internacional de pruebas a ciegas ShoreShop2.0 es una forma de colaboración científica sumamente rigurosa. Los equipos participantes solo conocen el lugar de la prueba, que es un nombre en clave para una bahía o playa. La información clave, como su ubicación y nombre real, se mantiene oculta para evitar que el conocimiento previo influya en la calibración del modelo. Además, los datos se mantienen confidenciales por secciones, y los datos de 2019-2023 (corto plazo) y 1951-1998 (medio plazo) se mantienen intencionadamente retenidos. Los modelos predicen los cambios en la línea de costa a corto y medio plazo, y finalmente verifican su precisión utilizando los datos confidenciales. Este diseño permite comparaciones interdisciplinarias de modelos costeros en condiciones completamente desconocidas.

Treinta y cuatro equipos de investigación de 15 países presentaron modelos, que comprendían 12 modelos basados ​​en datos y 22 modelos híbridos. Estos equipos provenían de instituciones de Estados Unidos, Australia, Japón, Francia y otros países. Sin embargo, los modelos presentados carecían de modelos comerciales como GENESIS y los modelos basados ​​en la física Delft3D y MIKE21.

Una comparación reveló que los modelos con mejor desempeño para pronósticos a corto plazo (cinco años) fueron CoSMoS-COAST-CONV_SV (modelo híbrido), GAT-LSTM_YM (modelo basado en datos) e iTransformer-KC (modelo basado en datos). Estos modelos lograron errores cuadráticos medios de aproximadamente 10 metros, comparables al error inherente de 8,9 metros en los datos de teledetección satelital de la línea costera. Esto indica que, para algunas playas, la capacidad predictiva de los modelos se acerca a los límites de la tecnología de observación. Por supuesto, otros modelos lograron capturar mejor los cambios en la línea costera.

Un hallazgo sorprendente fue que el modelo híbrido tuvo un rendimiento comparable al del modelo basado en datos. CoSMoS-COAST-CONV_SV (modelo híbrido) combina procesos físicos y operaciones convolucionales, mientras que GAT-LSTM_YM (modelo basado en datos) utiliza una red de atención gráfica para capturar correlaciones espaciales. Ambos modelos tuvieron un buen desempeño.

En cuanto a las previsiones a medio plazo, la serie LX-Shore (modelos híbridos) ofrece las predicciones más cercanas a los datos medidos. Al combinar los procesos de transporte de sedimentos longitudinales y laterales, estos modelos mantienen una estabilidad a largo plazo, mostrando las respuestas más consistentes a eventos extremos de tormenta en comparación con los datos medidos. Las predicciones de estos modelos indican que una sola tormenta severa puede provocar un retroceso transitorio de la línea de costa de hasta 15-20 metros, con una recuperación total que podría tardar entre dos y tres años. La serie CoSMoS-COAST ofrece una excelente estabilidad, mientras que otros modelos pueden sufrir de deriva a largo plazo y sobreestimación de la respuesta.

Los resultados del modelo indican quecalidad de los datosEs un factor limitante clave en el rendimiento del modelo. Si bien los datos de teledetección satelital cubren una amplia área, su resolución temporal es baja, generalmente semanal o mensual, lo que dificulta la captura de la rápida recuperación posterior a la tormenta. Además, el nivel instantáneo del agua se ve afectado por el oleaje y las mareas, lo que genera errores transitorios que pueden afectar las predicciones del modelo.

El estudio reveló que el suavizado de datos espaciotemporales, como el uso de técnicas de filtrado bidimensionales robustas, puede mejorar significativamente el rendimiento del modelo. Posteriormente, los modelos de prueba no ciegos sometidos a prueba redujeron el error promedio en un 15 % mediante un preprocesamiento de datos optimizado.

El suavizado 2D robusto es un método avanzado de procesamiento de señales diseñado específicamente para procesar el ruido en datos satelitales de la costa. Básicamente, es un algoritmo de filtrado iterativo basado en mínimos cuadrados ponderados, y es altamente robusto frente a valores atípicos como el ruido de olas transitorias en imágenes satelitales.

Otro factor crucial para las predicciones del modelo es la precisión de los datos de oleaje costero. Actualmente, estos datos presentan diversos errores, como errores en la conversión de datos de reanálisis de oleaje global a datos costeros, sesgos derivados de la extracción de parámetros de oleaje en la isobata de 10 metros en lugar de la zona de rompiente, y la subestimación del impacto de eventos extremos al utilizar las condiciones promedio diarias del oleaje. Todos estos errores pueden afectar las predicciones del modelo.

Para predicciones a largo plazo, la mayoría de los modelos se basan en la ley browniana clásica para estimar el impacto del aumento del nivel del mar. Sin embargo, esta ley presupone un suministro de sedimentos infinito y equilibrado, e ignora los efectos del transporte de sedimentos mar adentro o las actividades humanas, como la regeneración de playas. Esto puede generar sesgos significativos en los modelos.

Basándose en la teoría del perfil de equilibrio, la ley de Brown establece una relación lineal entre el aumento del nivel del mar y el retroceso de la línea de costa. Esta teoría postula que un perfil costero mantiene una forma de equilibrio. A medida que el nivel del mar sube, el creciente espacio de acomodación obliga a este perfil de equilibrio a desplazarse hacia tierra para mantener su forma con respecto al nuevo nivel del mar. En consecuencia, la teoría postula que, a medida que el perfil costero se desplaza hacia tierra, la capa superior de la playa se erosiona y el material erosionado se deposita mar adentro, lo que provoca que el fondo marino cercano a la costa se eleve, manteniendo así una profundidad de agua constante. La ley de Brown predice que el retroceso costero puede ser de 10 a 50 veces mayor que el aumento del nivel del mar, dependiendo de la pendiente de la playa.

Este estudio proporciona una base para seleccionar las herramientas adecuadas según las necesidades específicas. Además, el preprocesamiento de datos es crucial; un procesamiento de datos adecuado puede tener, en ocasiones, un mayor impacto que el propio modelo. Aprovechando la experiencia adquirida con ShoreShop 2.0, se pueden realizar mejoras en los datos satelitales y de oleaje para aumentar la precisión de las predicciones. Asimismo, los efectos incontrolables de las playas alteradas artificialmente en los pronósticos a largo plazo también pueden afectar significativamente los resultados de las predicciones. Por otro lado, la falta de participación de modelos comerciales como GENESIS, Delft3D y MIKE21 constituye un problema importante.

​Guardianes de la Frontera Azul: La misión de Frankstar durante 11 años para proteger nuestros océanos y el clima.

Durante más de una década, Frankstar ha estado a la vanguardia de la protección del medio ambiente marino, aprovechando la tecnología de punta y el rigor científico para ofrecer datos oceánicos e hidrológicos sin precedentes. Nuestra misión va más allá de la mera recopilación de datos: somos artífices de un futuro sostenible, capacitando a instituciones, universidades y gobiernos de todo el mundo para que tomen decisiones informadas en beneficio de la salud de nuestro planeta.