Mejora la precisión de las predicciones hasta un lapso de 60 días
Para comprender las corrientes, las mareas y otras dinámicas oceánicas, los científicos necesitan recoger con precisión la altura de la superficie del mar, o una instantánea de la superficie del océano, incluidos los picos y valles debidos a los cambios en el viento, las corrientes y la temperatura, en un momento dado.
Para pronosticar con mayor precisión la circulación oceánica y otros procesos, la variabilidad climática, las interacciones aire-mar y los fenómenos meteorológicos extremos, los investigadores necesitan poder predecir con precisión la altura de la superficie del mar en el futuro.
Los actuales sistemas de modelado de la altura de la superficie del mar basados en la física, las estadísticas y los datos solo son capaces de producir predicciones precisas aproximadamente entre 14 y 15 días en el futuro debido a limitaciones de diseño.
Muchos de los actuales modelos de predicción de la altura de la superficie del mar basados en datos se basan en sistemas de aprendizaje profundo capaces de aprender automáticamente cómo las características del océano, como la temperatura, las corrientes, el nivel de calor y el flujo de dióxido de carbono, cambian en el espacio y el tiempo a partir de conjuntos de datos históricos a gran escala. A pesar de su potencia y precisión a corto plazo, los actuales modelos de aprendizaje profundo requieren un poder computacional sustancial y prolongados tiempos de entrenamiento y sufren acumulación de errores en escalas de tiempo más largas.
"En concreto, buscamos explorar un enfoque dentro de un marco de aprendizaje profundo que mejore simultáneamente la capacidad de modelado de secuencias temporales e incorpore restricciones de consistencia física, a fin de garantizar que las predicciones [de la altura de la superficie del mar] sigan siendo precisas, estables y físicamente razonables en horizontes de pronóstico extendidos", dijo Chengmin Si, estudiante de posgrado en el Ocean College en la Universidad de Zhejiang y primer autor del artículo de investigación.
Los investigadores explicaron que los sistemas de aprendizaje profundo existentes se basan exclusivamente en el ajuste de datos, lo que eventualmente conduce a la acumulación de errores y a resultados de predicción gradualmente distorsionados. Para combatir esto, el equipo integró una función de pérdida basada en la física en su modelo de aprendizaje profundo, que guía suavemente al modelo para seguir reglas físicas bien conocidas, ayudando a mantener sus predicciones realistas y al mismo tiempo permitiendo que el sistema aprenda de los datos.
Para abordar el exceso de potencia computacional y tiempos de entrenamiento requeridos para los modelos de superficie marina existentes, el equipo desarrolló un modelo de Unidad de Atención Temporal (TAU) geostrófica U-Net (GTU-Net).
Aquí, geostrófico se refiere al equilibrio entre los movimientos de fluidos a gran escala, como el viento y las corrientes oceánicas, lo que ayuda a guiar el modelo hacia predicciones físicamente más realistas, mientras que el mecanismo TAU permite que el modelo se centre de manera efectiva en características espaciotemporales clave, o características oceánicas que cambian con el tiempo.
"La GTU-Net propuesta combina un TAU para un modelado mejorado de dependencia temporal a largo plazo con una función de pérdida de inferencia de dos pasos que incorpora restricciones de equilibrio geostrófico, mejorando efectivamente la estabilidad de la predicción a largo plazo y mitigando la acumulación de errores. Este estudio demuestra que integrar conocimiento físico previo en modelos de aprendizaje profundo no solo es factible sino también un enfoque clave para lograr predicciones confiables de la dinámica de los océanos", afirmó Si.
Una clave para la estabilidad de la predicción fue introducir en el modelo restricciones de recurrencia temporal, que imponen estructura y orden a los datos y operaciones que involucran tiempo para garantizar la consistencia del modelo y reflejar fenómenos del mundo real.
Imagen: Esta figura ilustra el marco general y el diseño de la función de pérdida de la red geostrófica-TAU U-Net (GTU-Net) propuesta para la predicción de la altura de la superficie del mar. El panel superior presenta el mecanismo físico y la formulación matemática de la pérdida del balance geostrófico, mientras que el panel inferior muestra la arquitectura de red de GTU-Net y sus principales mejoras con respecto a la U-Net original. Crédito: Chengmin Si et al. / Investigación Océano-Tierra-Atmósfera
Las restricciones de equilibrio geostrófico penalizan además las salidas del modelo que violan las ecuaciones geostróficas, mejorando el rendimiento predictivo del modelo basado en la fuerza del gradiente de presión y la fuerza de Coriolis, o la desviación de objetos en movimiento causada por la rotación de la Tierra.
Los experimentos de GTU-Net realizados en el Pacífico Norte occidental superaron a los modelos convencionales existentes, como ConvLSTM, PredRNN, SimVP, U-Net y el Pronóstico de Persistencia, en múltiples métricas y demostraron una mayor precisión. Además, GTU-Net mitigó el crecimiento de errores característico de los modelos existentes de altura de la superficie del mar y mejoró la precisión de las predicciones hasta un lapso de 60 días.
El equipo planea comprobar la validez de las predicciones de GTU-Net evaluando la plausibilidad física de las predicciones del modelo, como la identificación de remolinos de mesoescala (un gran bucle giratorio de agua oceánica). Además, las restricciones geostróficas actuales del modelo GTU-Net capturan principalmente características de flujo a gran escala.
Estudios futuros podrían explorar estrategias de información física multiescala, como el empleo de una arquitectura de red de doble rama que integre restricciones de equilibrio geostrófico con ecuaciones de momento o de aguas poco profundas, para mejorar aún más la consistencia física en diferentes escalas espaciales.
"En última instancia, nuestro objetivo es desarrollar un marco de predicción de aprendizaje profundo sólido e interpretable que pueda servir como complemento práctico a los modelos numéricos oceánicos tradicionales, apoyando el monitoreo oceánico a largo plazo, los estudios climáticos y la previsión oceánica operativa", dijo Si.
El equipo publicó el estudio el 16 de diciembre de 2025 en la revista Ocean-Land-Atmosphere Research: A Novel GTU-Net Model for Sea Surface Height Prediction
