Reconstrucción de niveles extremos del mar en la costa de China utilizando múltiples modelos de aprendizaje profundo

Por qué los niveles de agua costeros importan en la vida cotidiana

La extensa costa de China alberga a cientos de millones de personas, grandes puertos y ciudades en rápido crecimiento. Cuando tormentas potentes empujan el mar hacia el interior, los niveles elevados de agua pueden inundar barrios, dañar infraestructuras y contaminar el agua potable con sal. Sin embargo, los registros detallados de tales niveles extremos del mar son sorprendentemente escasos y fragmentados. Este estudio cubre esa carencia al reconstruir cincuenta años de niveles máximos diarios del agua a lo largo de gran parte de la costa china, usando herramientas modernas de inteligencia artificial para convertir observaciones incompletas y datos de reanálisis meteorológico en un conjunto de datos coherente y disponible públicamente.

Rastreando la subida y bajada del mar

Los niveles de agua costeros están impulsados por dos ingredientes principales: la atracción periódica de la Luna y el Sol que crea las mareas, y las marejadas ciclónicas, que son abultamientos temporales de agua empujados a la costa por bajas presiones y vientos fuertes durante ciclones y otros sistemas meteorológicos. En China, los ciclones tropicales y otras tormentas a menudo coinciden con mareas ya altas, creando condiciones especialmente peligrosas. Sin embargo, muchas estaciones maregráficas que miden el nivel del mar solo disponen de registros cortos o intermitentes, y algunas no son de acceso público. Eso dificulta que científicos y planificadores comprendan cómo varían los niveles extremos del mar de un lugar a otro y de una década a otra a lo largo de esta costa altamente expuesta.

Usar modelos inteligentes para rellenar las lagunas

Los autores abordaron este problema combinando técnicas modernas de aprendizaje profundo con análisis mareal tradicional. Se centraron en 23 estaciones maregráficas dispersas a lo largo de la costa china y recopilaron información meteorológica detallada del reanálisis global ERA5, incluyendo presión atmosférica y vientos cercanos a la superficie sobre una caja de 10 por 10 grados alrededor de cada estación. Estos patrones meteorológicos se utilizaron para enseñar a varios tipos de redes neuronales cómo se relacionan las marejadas máximas diarias con la atmósfera circundante. Al mismo tiempo, el equipo empleó una herramienta llamada UTide para extraer las señales mareales predecibles de los registros históricos de nivel del mar, lo que les permitió separar la subida y bajada rutinaria de la marea del componente más errático de la marejada.

Probando distintas variantes de aprendizaje profundo

En lugar de confiar en un solo algoritmo, el estudio comparó sistemáticamente cuatro modelos de aprendizaje profundo: una red LSTM (Long Short-Term Memory), una híbrida CNN-LSTM que primero lee patrones espaciales, una ConvLSTM que maneja espacio y tiempo conjuntamente, y un modelo Informer basado en la arquitectura Transformer popularizada en el procesamiento del lenguaje. Para mantener los modelos eficientes, los investigadores comprimieron los grandes campos meteorológicos mediante análisis de componentes principales antes del entrenamiento. También proveyeron a cada modelo un historial de 24 horas de condiciones atmosféricas y usaron mecanismos de atención para que la red pudiera enfocarse en los momentos más importantes. Para cada estación, reservaron aproximadamente el 20% del registro como periodo de prueba independiente y seleccionaron el modelo que mejor rindió allí para la reconstrucción final.

Reconstruyendo cincuenta años de niveles altos

Una vez entrenado, el modelo con mejor rendimiento en cada sitio se utilizó para reconstruir las marejadas máximas diarias durante todo el periodo 1970–2020. Estas estimaciones de marejada se añadieron luego a las mareas astronómicas correspondientes extraídas con UTide para producir los niveles máximos totales diarios del agua. Dado que la marea más alta y la marejada más alta en un día dado suelen ocurrir en momentos ligeramente distintos, esta simple adición representa un límite superior de lo que ocurrió realmente; pruebas con datos horarios sugieren que esta sobreestimación promedia unos 15 centímetros, o aproximadamente un 15%. Incluso con este sesgo conservador, las series reconstruidas coinciden estrechamente con los registros observados donde existen datos: en promedio, la correlación entre los máximos diarios reconstruidos y observados es alrededor de 0,9, y los errores están en el orden de unas decenas de centímetros, incluso para eventos de aguas muy altas por encima del percentil 95.

Qué significa esto para las costas y las comunidades

Para científicos, ingenieros y planificadores costeros, el nuevo conjunto de datos proporciona una imagen detallada y coherente de cómo se han comportado los niveles extremos del mar a lo largo de la costa china en el último medio siglo. Supera a varios productos globales de uso común, especialmente durante tifones y otros extremos, y viene acompañado de metadatos completos, código y métricas de rendimiento para que otros puedan reutilizarlo y examinarlo. Para el público en general, este trabajo significa que las evaluaciones de riesgo de inundación, el diseño de muros costeros, la planificación de evacuaciones y la adaptación a largo plazo pueden ahora basarse en información mucho más rica de la disponible anteriormente. En términos sencillos, al enseñar a las computadoras a «reproducir» décadas de mareas altas impulsadas por tormentas, el estudio ofrece una base científica más sólida para proteger a las comunidades costeras de los peligros actuales y prepararlas para el aumento del nivel del mar en el futuro.

Cita: Fang, J., Huang, J., Bian, W. et al. Reconstruction of Extreme Sea Levels in coastal China using Multiple Deep Learning models. Sci Data 13, 268 (2026). https://doi.org/10.1038/s41597-026-06593-w

Palabras clave: marejada ciclónica, nivel extremo del mar, inundación costera, aprendizaje profundo, costa de China