Ricostruzione dei livelli marini estremi lungo la costa cinese usando molteplici modelli di deep learning

Perché i livelli dell'acqua costiera contano nella vita quotidiana

La lunga linea costiera della Cina ospita centinaia di milioni di persone, porti importanti e città in rapida espansione. Quando potenti tempeste spingono il mare verso l'interno, i livelli d'acqua elevati possono allagare quartieri, danneggiare infrastrutture e contaminare l'acqua potabile con il sale. Eppure registrazioni dettagliate di questi livelli marini costieri estremi sono sorprendentemente scarse e frammentarie. Questo studio colma quella lacuna ricostruendo cinquanta anni di massimi giornalieri dei livelli d'acqua lungo gran parte della costa cinese, usando strumenti moderni di intelligenza artificiale per trasformare osservazioni incomplete e dati di reanalisi meteorologica in un dataset coerente e pubblicamente disponibile.

Seguirne l'innalzamento e l'abbassamento

I livelli dell'acqua costiera sono determinati da due ingredienti principali: il regolare richiamo della Luna e del Sole che crea le maree, e le mareggiate, cioè rigonfiamenti temporanei d'acqua spinti a riva dalla bassa pressione atmosferica e dai forti venti durante cicloni e altri sistemi meteorologici. In Cina, i cicloni tropicali e altre tempeste spesso coincidono con maree già alte, creando condizioni particolarmente pericolose. Tuttavia, molte stazioni mareografiche che misurano il livello del mare hanno serie temporali brevi o intermittenti, e alcune non sono accessibili pubblicamente. Questo rende difficile per scienziati e pianificatori comprendere come i livelli marini estremi varino da luogo a luogo e da decennio a decennio lungo questa costa fortemente esposta.

Usare modelli intelligenti per colmare le lacune

Gli autori hanno affrontato il problema combinando tecniche moderne di deep learning con l'analisi mareale tradizionale. Si sono concentrati su 23 stazioni mareografiche distribuite lungo la costa cinese e hanno raccolto informazioni meteorologiche dettagliate dalla reanalisi globale ERA5, inclusa la pressione atmosferica e i venti vicino alla superficie su una griglia di 10 per 10 gradi intorno a ciascuna stazione. Questi schemi meteorologici sono stati usati per insegnare a diversi tipi di reti neurali come i massimi giornalieri delle mareggiate si relazionano con l'atmosfera circostante. Allo stesso tempo, il gruppo ha usato uno strumento chiamato UTide per estrarre i segnali mareali prevedibili dai registri storici del livello del mare, permettendo di separare la regolare oscillazione di marea dalla componente più irregolare delle mareggiate.

Testare diverse versioni del deep learning

Invece di affidarsi a un singolo algoritmo, lo studio ha confrontato sistematicamente quattro modelli di deep learning: una rete Long Short-Term Memory (LSTM), un ibrido CNN-LSTM che prima legge pattern spaziali, una ConvLSTM che gestisce spazio e tempo insieme, e un modello Informer basato sull'architettura Transformer resa popolare nell'elaborazione del linguaggio. Per mantenere i modelli efficienti, i ricercatori hanno compresso i grandi campi meteorologici usando l'analisi delle componenti principali prima dell'addestramento. Hanno inoltre fornito a ogni modello una storia di 24 ore delle condizioni atmosferiche e utilizzato meccanismi di attenzione in modo che la rete potesse focalizzarsi sui momenti più rilevanti. Per ogni stazione hanno riservato circa il 20% della serie come periodo di test indipendente e hanno selezionato il modello che lì dava le migliori prestazioni per la ricostruzione finale.

Ricostruire cinquanta anni di massimi

Una volta addestrato, il modello con le migliori prestazioni in ciascun sito è stato usato per ricostruire le mareggiate massime giornaliere per l'intero periodo 1970–2020. Queste stime delle mareggiate sono state poi aggiunte alle corrispondenti maree astronomiche ottenute con UTide per produrre i massimi giornalieri dei livelli d'acqua totali. Poiché la marea più alta e la mareggiata massima in un dato giorno generalmente si verificano in momenti leggermente diversi, questa semplice somma rappresenta un limite superiore di quanto è effettivamente accaduto; test con dati orari suggeriscono che questa sovrastima è in media di circa 15 centimetri, ovvero all'incirca il 15%. Anche con questo bias conservativo, le serie ricostruite corrispondono strettamente ai record osservati dove i dati esistono: in media la correlazione tra massimi giornalieri ricostruiti e osservati è circa 0,9, e gli errori sono dell'ordine di alcune decine di centimetri, anche per eventi di livello molto elevato al di sopra del 95° percentile.

Cosa significa per coste e comunità

Per scienziati, ingegneri e pianificatori costieri, il nuovo dataset fornisce un quadro dettagliato e coerente di come si sono comportati i livelli marini estremi lungo la costa cinese nell'ultimo mezzo secolo. Supera diversi prodotti globali ampiamente usati, specialmente durante tifoni e altri eventi estremi, e viene fornito con metadati completi, codice e metriche di prestazione in modo che altri possano riutilizzarlo e verificarlo. Per il pubblico più ampio, questo lavoro significa che le valutazioni del rischio d'inondazione, la progettazione di argini, la pianificazione delle evacuazioni e l'adattamento a lungo termine possono ora basarsi su informazioni molto più ricche di quelle precedentemente disponibili. In termini semplici, insegnando ai computer a “riprodurre” decenni di maree elevate guidate dalle tempeste, lo studio offre una base scientifica più solida per proteggere le comunità costiere dagli attuali pericoli e prepararsi per l'innalzamento futuro dei mari.

Citazione: 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

Parole chiave: mareggiata, livello marino estremo, inondazione costiera, deep learning, costa della Cina