Reconstrução de Níveis Extremos do Mar na costa da China usando Múltiplos Modelos de Deep Learning

Por que os níveis de água costeiros importam para a vida cotidiana

A longa costa da China abriga centenas de milhões de pessoas, grandes portos e cidades em expansão. Quando tempestades poderosas empurram o mar para o interior, os níveis elevados de água resultantes podem inundar bairros, danificar infraestrutura e contaminar a água potável com sal. Ainda assim, registros detalhados desses níveis costeiros extremos são surpreendentemente escassos e fragmentados. Este estudo preenche essa lacuna ao reconstruir cinquenta anos de níveis diários de maré alta ao longo de grande parte da costa chinesa, usando ferramentas modernas de inteligência artificial para transformar observações esparsas e dados de reanálise meteorológica em um conjunto de dados consistente e publicamente disponível.

Acompanhar a subida e a queda do mar

Os níveis de água costeiros são impulsionados por dois ingredientes principais: a força regular da Lua e do Sol que cria as marés, e as ressacas de tempestade, que são inchaços temporários de água empurrados para a costa por baixa pressão atmosférica e ventos fortes durante ciclones e outros sistemas meteorológicos. Na China, ciclones tropicais e outras tempestades frequentemente chegam sobre marés já altas, criando condições especialmente perigosas. Contudo, muitas estações maregráficas que medem o nível do mar têm registros curtos ou intermitentes, e algumas não são publicamente acessíveis. Isso dificulta que cientistas e planejadores compreendam como os níveis extremos do mar variam de um lugar para outro e de década para década ao longo dessa linha costeira altamente exposta.

Usando modelos inteligentes para preencher as lacunas

Os autores abordaram esse problema combinando técnicas modernas de deep learning com análise de marés tradicional. Eles se concentraram em 23 estações maregráficas espalhadas pela costa da China e reuniram informações meteorológicas detalhadas da reanálise global ERA5, incluindo pressão atmosférica e ventos próximos à superfície sobre uma caixa de 10 por 10 graus ao redor de cada estação. Esses padrões meteorológicos foram usados para ensinar vários tipos de redes neurais a relação entre as ressacas máximas diárias e a atmosfera circundante. Ao mesmo tempo, a equipe usou uma ferramenta chamada UTide para extrair os sinais de maré previsíveis dos registros históricos do nível do mar, permitindo separar a subida e queda regular da maré do componente de ressaca mais errático.

Testando diferentes variantes de deep learning

Em vez de depender de um único algoritmo, o estudo comparou sistematicamente quatro modelos de deep learning: uma rede Long Short-Term Memory (LSTM), um híbrido CNN-LSTM que primeiro lê padrões espaciais, um ConvLSTM que lida com espaço e tempo simultaneamente, e um modelo Informer baseado na arquitetura Transformer popularizada no processamento de linguagem. Para manter os modelos eficientes, os pesquisadores comprimiram os grandes campos meteorológicos usando análise de componentes principais antes do treinamento. Eles também forneceram a cada modelo um histórico de 24 horas das condições atmosféricas e usaram mecanismos de atenção para que a rede pudesse se concentrar nos momentos mais importantes. Para cada estação, reservaram cerca de 20% do registro como um período de teste independente e selecionaram o modelo que teve melhor desempenho nesse período para a reconstrução final.

Reconstruindo cinquenta anos de maré alta

Uma vez treinado, o modelo com melhor desempenho em cada local foi usado para reconstruir as ressacas máximas diárias para todo o período de 1970–2020. Essas estimativas de ressaca foram então somadas às marés astronômicas correspondentes extraídas pelo UTide para produzir os níveis máximos totais diários da água. Como a maré mais alta e a ressaca mais alta em um dia dado costumam ocorrer em momentos ligeiramente diferentes, essa simples adição representa um limite superior do que realmente ocorreu; testes com dados horários sugerem que essa superestimação fica em torno de 15 centímetros em média, ou aproximadamente 15%. Mesmo com esse viés conservador, as séries reconstruídas correspondem de perto aos registros observados onde existem dados: em média, a correlação entre os máximos diários reconstruídos e observados é de cerca de 0,9, e os erros estão na ordem de algumas dezenas de centímetros, inclusive para eventos de maré muito alta acima do percentil 95.

O que isso significa para costas e comunidades

Para cientistas, engenheiros e planejadores costeiros, o novo conjunto de dados fornece um panorama detalhado e consistente de como os níveis extremos do mar se comportaram ao longo da costa chinesa durante o último meio século. Ele supera vários produtos globais amplamente usados, especialmente durante tufões e outros extremos, e vem com metadados completos, código e métricas de desempenho para que outros possam reutilizá-lo e examiná-lo. Para o público em geral, este trabalho significa que avaliações de risco de inundação, projeto de diques, planejamento de evacuação e adaptação de longo prazo agora podem se basear em informações muito mais ricas do que as disponíveis anteriormente. Em termos simples, ao ensinar computadores a “reproduzir” décadas de marés altas impulsionadas por tempestades, o estudo oferece uma base científica mais robusta para proteger comunidades costeiras dos perigos atuais e se preparar para os mares que sobem no futuro.

Citação: 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

Palavras-chave: ressaca de tempestade, nível extremo do mar, inundação costeira, deep learning, linha costeira da China