Co cambio climático que provoca o aumento do nivel do mar e a intensificación das tormentas, as costas globais enfróntanse a riscos de erosión sen precedentes. Non obstante, predicir con precisión o cambio nas costas é un reto, especialmente as tendencias a longo prazo. Recentemente, o estudo colaborativo internacional ShoreShop2.0 avaliou o rendemento de 34 modelos de predición de costas mediante probas cegas, o que revelou o estado actual da arte na modelización de costas.
A liña de costa é a fronteira dinámica onde a terra se atopa co mar, cambiando constantemente debido ás ondas, as mareas, as tormentas e a subida do nivel do mar. Aproximadamente o 24 % das costas areosas de todo o mundo están a retroceder a un ritmo superior a 0,5 metros ao ano e, nalgunhas zonas, como a costa do Golfo dos Estados Unidos, a taxa de erosión anual é incluso superior a 20 metros.
A predicción do cambio na liña de costa é inherentemente difícil e complexa, e require ter en conta a interacción de múltiples factores, como a enerxía das ondas, o transporte de sedimentos e a subida do nivel do mar. As predicións precisas durante longos períodos de tempo son aínda máis difíciles.
Os modelos modernos de predición de liñas de costa pódense dividir en tres categorías: unha baséase na simulación física, como Delft3D e MIKE21 baseados na mecánica de fluídos e nas ecuacións de transporte de sedimentos; un é un modelo híbrido que combina principios físicos con métodos baseados en datos, como CoSMoS-COAST e LX-Shore; e o outro é un modelo baseado en datos que se basea completamente en técnicas estatísticas ou de aprendizaxe automática, como as redes LSTM e as arquitecturas de transformadores.
Malia a ampla variedade de modelos, a falta de criterios de avaliación unificados dificulta as comparacións de rendemento. Que modelo ofrece as predicións máis precisas? O concurso de probas cegas ShoreShop2.0 ofrece unha oportunidade perfecta para comparacións interdisciplinarias.
A competición internacional de probas a cegas ShoreShop2.0 é unha forma moi rigorosa de colaboración científica. Os equipos participantes só son informados do lugar da proba, que é o nome en clave dunha baía ou praia. A información clave, como a súa localización e o nome real, ocúltase para evitar que o coñecemento previo inflúa na calibración do modelo. Ademais, os datos mantéñense confidenciais por seccións, e os datos de 2019-2023 (a curto prazo) e 1951-1998 (a medio prazo) son retidos intencionadamente. Os modelos predín entón os cambios na liña de costa a curto e medio prazo, verificando en última instancia a súa precisión utilizando os datos confidenciais. Este deseño permite comparacións interdisciplinarias de modelos costeiros en condicións completamente descoñecidas.
Trinta e catro equipos de investigación de 15 países presentaron modelos, que abarcan 12 modelos baseados en datos e 22 modelos híbridos. Estes equipos proviñan de institucións dos Estados Unidos, Australia, Xapón, Francia e outros países. Non obstante, os modelos presentados carecían de modelos comerciais como GENESIS e os modelos baseados na física Delft3D e MIKE21.
Unha comparación revelou que os modelos con mellor rendemento para predicións a curto prazo e a cinco anos foron CoSMoS-COAST-CONV_SV (modelo híbrido), GAT-LSTM_YM (modelo baseado en datos) e iTransformer-KC (modelo baseado en datos). Estes modelos acadaron erros cuadráticos medios de aproximadamente 10 metros, comparables ao erro inherente de 8,9 metros nos datos de teledetección por satélite da costa. Isto indica que, para algunhas praias, as capacidades preditivas dos modelos están a achegarse aos límites da tecnoloxía de observación. Por suposto, outros modelos puideron capturar mellor os cambios na costa.
Un achado sorprendente foi que o modelo híbrido tivo un rendemento comparable ao modelo baseado en datos. CoSMoS-COAST-CONV_SV (modelo híbrido) combina procesos físicos e operacións convolucionais, mentres que GAT-LSTM_YM (modelo baseado en datos) utiliza unha rede de atención de grafos para capturar correlacións espaciais. Ambos os modelos tiveron un bo rendemento.
En termos de previsións a medio prazo, a serie LX-Shore (modelos híbridos) ofrece as predicións máis próximas aos datos medidos. Ao acoplar os procesos de transporte de sedimentos ao longo da costa e lateral, estes modelos manteñen a estabilidade a longo prazo ao tempo que mostran as respostas máis consistentes a eventos de tormentas extremas cos datos medidos. As predicións destes modelos indican que unha soa tormenta severa pode causar un retroceso transitorio da liña de costa de ata 15-20 metros, cunha recuperación completa que pode levar de dous a tres anos. A serie CoSMoS-COAST ofrece unha excelente estabilidade, mentres que outros modelos poden sufrir deriva a longo prazo e resposta excesiva.
Os resultados do modelo indican quecalidade dos datosé un factor limitante clave no rendemento do modelo. Aínda que os datos de teledetección por satélite cobren unha ampla área, a súa resolución temporal é baixa, normalmente semanal ou mensual, o que dificulta a captura da rápida recuperación posterior á tormenta. Ademais, o bordo instantáneo da auga vese afectado pola crecida das ondas e as mareas, o que leva a erros transitorios que poden afectar as predicións do modelo.
O estudo descubriu que a suavización espaciotemporal dos datos, como o uso de técnicas robustas de filtrado bidimensional, pode mellorar significativamente o rendemento do modelo. Posteriormente, os modelos de probas non cegas presentaron unha redución do erro medio nun 15 % mediante o preprocesamento de datos optimizado.
A suavización 2D robusta é un método avanzado de procesamento de sinais deseñado especificamente para procesar o ruído nos datos de satélites de costas. Esencialmente, é un algoritmo de filtrado iterativo baseado en mínimos cadrados ponderados e é moi robusto fronte a valores atípicos como o ruído de ondas transitorias nas imaxes de satélite.
Outro factor crucial para as predicións dos modelos é a precisión dos datos de ondas preto da costa. Actualmente, os datos de ondas sofren varios erros, incluídos erros na conversión preto da costa dos datos de reanálise de ondas globais, sesgos causados pola extracción de parámetros de onda na isóbata de 10 metros en lugar de na zona de romper e a subestimación do impacto de eventos extremos mediante o uso de condicións de onda medias diarias. Todos estes erros poden afectar as predicións dos modelos.
Para as predicións a longo prazo, a maioría dos modelos baséanse na lei browniana clásica para estimar o impacto da subida do nivel do mar. Non obstante, esta lei asume un subministro de sedimentos infinito e equilibrado e ignora os efectos do transporte de sedimentos no mar ou das actividades humanas, como o reabastecemento das praias. Isto pode levar a sesgos significativos no modelo.
Baseándose na teoría do perfil de equilibrio, a lei de Brown proporciona unha relación lineal entre a subida do nivel do mar e o retroceso da liña de costa. Esta teoría postula que un perfil costeiro mantén unha forma de equilibrio. A medida que o nivel do mar sube, o crecente espazo de acomodación forza este perfil de equilibrio a desprazarse cara a terra para manter a súa forma en relación co novo nivel do mar. En consecuencia, a teoría postula que a medida que o perfil costeiro se despraza cara a terra, a capa superior da praia erosiónase e o material erosionado deposítase mar adentro, o que fai que o fondo mariño próximo á costa suba, mantendo así unha profundidade da auga constante. A lei de Brown predí que o retroceso costeiro pode ser de 10 a 50 veces maior que a subida do nivel do mar, dependendo da pendente da praia.
Este estudo proporciona unha base para seleccionar ferramentas axeitadas en función das necesidades específicas. Ademais, o preprocesamento dos datos é crucial; un procesamento de datos axeitado ás veces pode ter un maior impacto que o propio modelo. Aproveitando a experiencia adquirida con ShoreShop 2.0, pódense facer melloras nos datos de satélites e ondas para aumentar a precisión das predicións. Ademais, os efectos incontrolables das praias alteradas artificialmente nas predicións a longo prazo tamén poden afectar significativamente os resultados das predicións. Ademais, a falta de participación de modelos comerciais como GENESIS, Delft3D e MIKE21 é un problema importante.
Gardiáns da Fronteira Azul: A misión de 11 anos de Frankstar para protexer os nosos océanos e o clima
Durante máis dunha década, Frankstar estivo á vangarda da administración ambiental mariña, aproveitando a tecnoloxía de vangarda e o rigor científico para ofrecer datos oceánicos e hidrolóxicos sen igual. A nosa misión transcende a mera recollida de datos: somos arquitectos dun futuro sostible, capacitando a institucións, universidades e gobernos de todo o mundo para tomar decisións informadas para a saúde do noso planeta.
Data de publicación: 11 de agosto de 2025