La herramienta combina inteligencia artificial y ecuaciones físicas para corregir la altura del oleaje calculada por SWAN durante ciclones del Pacífico noroccidental
Redactor: Valentina Ríos
Editor: Eduardo Schmitz
Un equipo de investigadores de China desarrolló un modelo híbrido que busca mejorar la previsión de las grandes olas generadas por tifones en el Pacífico noroccidental. La herramienta combina dos sistemas de inteligencia artificial con restricciones físicas para corregir los resultados proporcionados por el modelo de oleaje SWAN.
Las pruebas realizadas con los tifones Bebinca y Pulasan, ocurridos en septiembre de 2024, muestran reducciones de hasta el 34,9 % en el error cuadrático medio frente a las simulaciones sin corregir. El sistema obtuvo sus resultados más consistentes en olas superiores a tres metros, precisamente el rango donde el modelo convencional tendía a subestimar la altura.
El trabajo, encabezado por Yinhe Cheng y publicado en la revista científica Ocean Engineering, plantea una posible vía para reforzar las alertas dirigidas a embarcaciones, plataformas marinas y comunidades costeras. Sus autores advierten que todavía debe probarse con más tifones y en operaciones en tiempo real.
Las olas más grandes son difíciles de representar
Los pronósticos marítimos utilizan habitualmente la altura significativa de las olas para describir la severidad del estado del mar. Esta medida corresponde aproximadamente al promedio del tercio de olas más altas observado durante un periodo determinado y no debe confundirse con la ola individual de mayor tamaño.
Una estimación precisa resulta esencial durante los ciclones tropicales. El viento intenso transfiere energía a la superficie marina y puede generar oleaje capaz de comprometer la estabilidad de barcos, dañar plataformas, interrumpir operaciones portuarias y aumentar la presión sobre defensas costeras.
Las dificultades crecen cerca del centro de un tifón, donde los vientos y las olas cambian rápidamente. Las observaciones directas pueden ser escasas debido al peligro para embarcaciones e instrumentos, mientras pequeños errores en la fuerza o dirección del viento terminan propagándose a través de la simulación.
Las consecuencias de una previsión insuficiente se observan durante episodios como el tifón Bavi y sus olas de hasta nueve metros en Asia oriental, cuando el riesgo marítimo se combina con lluvias, deslizamientos y evacuaciones en tierra.
SWAN puede subestimar el oleaje extremo
El nuevo método funciona como una capa de corrección para SWAN, sigla de Simulating WAves Nearshore. Este sistema numérico aplica ecuaciones físicas para calcular la generación, propagación, disipación e interacción de las olas en aguas abiertas y zonas costeras.
SWAN se utiliza ampliamente en investigación y gestión marítima, pero durante algunos tifones puede calcular olas más bajas que las observadas. Parte del problema se relaciona con la dependencia de los datos de viento que alimentan el modelo y con la rapidez con que el oleaje crece o pierde energía.
La asimilación de observaciones puede corregir determinados errores, aunque exige recursos informáticos y depende de que existan mediciones disponibles en el lugar y momento adecuados. Los métodos estadísticos sencillos consumen menos recursos, pero pueden tener dificultades para representar las relaciones no lineales de un mar sometido a vientos extremos.
El equipo buscó una solución que pudiera añadirse al sistema existente sin reconstruir todo el pronóstico. Para ello diseñó una arquitectura que aprende la diferencia entre las salidas de SWAN y las alturas medidas por boyas o estaciones costeras.
Dos tipos de inteligencia artificial trabajan juntos
El modelo integra una red neuronal informada por la física, conocida como PINN, y una red generativa antagónica o GAN. Cada componente aporta una capacidad distinta al proceso de corrección.
Las redes PINN incorporan ecuaciones o restricciones físicas durante el aprendizaje. Esto favorece resultados estables y compatibles con la dinámica conocida del oleaje, incluso cuando las condiciones se apartan parcialmente de los datos utilizados para entrenar el sistema.
Las redes GAN están formadas por componentes que compiten durante el entrenamiento para generar resultados cada vez más realistas. Esta arquitectura puede aprender patrones complejos y reproducir valores extremos, pero sin controles físicos corre el riesgo de introducir oscilaciones difíciles de justificar.
El enfoque híbrido intenta aprovechar ambas fortalezas. La GAN ayuda a recuperar los máximos que suelen suavizarse o perderse, mientras la PINN limita las correcciones que contradicen el comportamiento físico esperado.
Esta combinación forma parte de una tendencia más amplia en la que el aprendizaje automático complementa los modelos tradicionales de predicción meteorológica. El objetivo no es sustituir las ecuaciones físicas, sino corregir sesgos persistentes y acelerar determinados cálculos.
Bebinca y Pulasan sirvieron como casos de prueba
Los investigadores ejecutaron simulaciones de SWAN para dos tifones que atravesaron el mar de China Oriental y aguas próximas en septiembre de 2024. Después compararon las alturas calculadas con observaciones recogidas en 29 boyas y estaciones costeras.
La inteligencia artificial recibió información sobre oleaje, viento, posición geográfica, profundidad y variables relacionadas con la energía de las olas. A partir de estos datos aprendió a estimar el error del modelo físico y aplicar una corrección.
El primer escenario evaluó la fase de debilitamiento del tifón Bebinca. En esta prueba, denominada escenario A, el modelo combinado redujo un 34,9 % el error cuadrático medio respecto de SWAN sin correcciones.
La GAN utilizada por separado logró una mejora del 31,77 %, mientras la red informada por la física redujo el error un 21,75 %. Estos resultados indican que la arquitectura generativa funcionó especialmente bien cuando la evaluación correspondía a otra fase del mismo tifón utilizado durante el aprendizaje.
Las reglas físicas ayudaron ante un tifón diferente
El segundo escenario comprendió el ciclo completo del tifón Pulasan y exigió trasladar lo aprendido a otra tormenta. En este caso, el modelo híbrido redujo el error un 11 % en comparación con SWAN.
La PINN utilizada por separado consiguió una mejora del 9,21 %, mientras la GAN alcanzó solo un 2,94 %. La diferencia sugiere que las restricciones físicas facilitan la aplicación del sistema a condiciones distintas de las vistas durante el entrenamiento.
Este punto resulta decisivo para un eventual uso operativo. Un modelo de alerta no puede depender exclusivamente de que un nuevo tifón se comporte como las tormentas incluidas previamente en su base de datos.
El mejor desempeño del sistema combinado apareció en alturas superiores a tres metros. Allí, SWAN presentaba una tendencia marcada a subestimar el oleaje, mientras la corrección híbrida recuperó mejor los valores observados.
El estudio complementa otros avances para anticipar la intensificación rápida de los ciclones tropicales. Ambos problemas están relacionados, pero requieren herramientas diferentes: prever la fuerza del ciclón no equivale a calcular con precisión el oleaje que producirá en cada zona.
El oleaje depende de más factores que la fuerza del viento
La altura alcanzada por las olas no depende únicamente de la categoría del tifón. También intervienen la velocidad de desplazamiento de la tormenta, la extensión de su campo de viento, el tiempo durante el cual sopla sobre una misma superficie y la distancia disponible para transferir energía al mar.
La profundidad, la forma de la costa y la orientación del fondo marino pueden modificar el oleaje cuando se aproxima a tierra. La refracción concentra o dispersa energía, mientras el rompimiento y la fricción reducen parte de ella en aguas poco profundas.
También pueden coincidir olas generadas localmente por el viento y mar de fondo procedente de regiones distantes. Estas interacciones explican por qué zonas alejadas de la trayectoria central todavía pueden experimentar condiciones marítimas peligrosas.
El seguimiento de las olas extremas que recorren grandes distancias oceánicas muestra la necesidad de combinar observaciones, trayectorias atmosféricas y modelos de propagación.
La mejora puede reforzar la gestión del riesgo costero
Un pronóstico más preciso de la altura significativa permitiría ajustar rutas marítimas, suspender operaciones portuarias y retirar personal de plataformas antes de que lleguen las condiciones más peligrosas. También ayudaría a decidir cuándo cerrar playas, malecones y zonas costeras expuestas.
Los datos pueden utilizarse para evaluar cargas sobre estructuras marinas, preparar servicios de rescate y estimar la posibilidad de que las olas superen barreras defensivas. En combinación con pronósticos de marejada ciclónica, aportarían una lectura más completa del riesgo de inundación.
La protección costera no depende exclusivamente de obras rígidas. Estudios sobre la capacidad de los manglares para disipar la energía del oleaje muestran que la infraestructura natural también puede reducir impactos cuando se conserva y se integra adecuadamente en la planificación.
Los investigadores presentan su modelo como un complemento escalable, no como un sustituto inmediato de los sistemas actuales. La capa correctora podría incorporarse después de la simulación de SWAN y mejorar sus resultados sin alterar el núcleo físico del programa.
Dos tifones no bastan para validar un sistema operativo
El estudio contiene limitaciones importantes. La evaluación incluyó únicamente dos tifones, una muestra insuficiente para demostrar que el modelo funcionará con la misma precisión en otras cuencas, estaciones o configuraciones de tormenta.
El sistema mostró debilidades cerca de costas complejas y empeoró ligeramente el resultado en uno de los grupos de prueba próximos al litoral. Las aguas costeras presentan interacciones con el fondo y la geometría de la costa que pueden requerir datos y resoluciones adicionales.
Todas las pruebas se realizaron mediante reconstrucciones de eventos pasados. Por tanto, todavía falta demostrar que la herramienta puede recibir datos, ejecutar correcciones y entregar resultados con la rapidez exigida por un servicio de pronóstico en tiempo real.
El equipo planea probar más configuraciones de oleaje, distinguir los errores producidos por los datos de viento de aquellos generados por la física interna de SWAN y ampliar la evaluación a otros tifones. Solo una validación más extensa permitirá determinar su utilidad real para las alertas marítimas y costeras.
Fuentes referenciales:
Phys.org
Ocean Engineering
