Continuous and Differentiable Neural Network Representations of the Surfzone Sea-Surface from Lidar Point Clouds

La superficie del océano nunca está quieta. Es un paisaje inquieto y cambiante de marejadas ondulantes, rompientes estruendosas y espuma agitada, que se reforma constantemente a medida que la energía se desplaza desde las profundidades del mar hacia la costa. Para los científicos que estudian estas olas, comprender exactamente cómo se mueve el agua es esencial. Necesitan saber no solo la altura de una ola, sino con qué rapidez viaja, qué tan empinada es su cara y cómo cambia de forma al romper. Tradicionalmente, los investigadores han utilizado boyas que flotan en un solo lugar o cámaras que toman fotografías desde la distancia. Aunque son útiles, estas herramientas suelen tener dificultades para capturar la complejidad tridimensional completa de una ola que rompe, especialmente en la zona turbulenta donde el agua choca contra la playa. Para obtener una imagen más clara, los científicos han recurrido a láseres montados en drones, que pueden escanear la superficie del agua y crear una nube de millones de diminutos puntos, cada uno marcando una ubicación específica en el espacio y el tiempo. Sin embargo, estos datos brutos son desordenados y dispersos; para darles sentido, los investigadores suelen tener que forzar los puntos en una cuadrícula rígida, como encajar piezas de un rompecabezas irregulares en un marco cuadrado, lo que puede suavizar detalles importantes o introducir errores.

Un equipo de investigadores del Instituto Scripps de Oceanografía ha encontrado una forma diferente de manejar estos datos, una que evita la cuadrícula por completo. En lugar de forzar los puntos láser en una estructura cuadriculada, utilizaron un tipo de inteligencia artificial llamada red neuronal para aprender la forma de la superficie del océano directamente de los puntos dispersos. Piense en esta red como un estudiante al que se le muestran un millón de puntos dispersos y se le pide que dibuje una línea suave y continua que los conecte a todos, no solo en los puntos, sino en todos los espacios intermedios. Los investigadores probaron este método sobre una costa rocosa en Monterey, California, donde un dron sobrevoló enormes olas de cuatro metros de altura. El resultado fue un modelo digital del mar que es suave y continuo, lo que permite a los científicos calcular la velocidad y la pendiente del agua en cualquier punto, incluso en lugares donde el dron no realizó una medición directa.

El experimento tuvo lugar cerca de un cabo rocoso conocido como China Rock, donde el fondo del océano cae abruptamente y las olas rompen con una fuerza significativa. Un dron equipado con un escáner láser especializado sobrevoló a una altitud de 33 metros, disparando haces de luz a la superficie del agua diez veces por segundo. Estos haces rebotaron en el agua y regresaron al dron, creando una enorme colección de puntos de datos que mapearon la altura de las olas en tres dimensiones. Los investigadores se centraron en una ventana de 60 segundos de estos datos, capturando el momento en que una gran ola entró rodando, se volvió más empinada y finalmente rompió. En este breve intervalo de tiempo, el dron recopiló aproximadamente 4,5 millones de puntos individuales, pero estos puntos no estaban distribuidos uniformemente; eran más densos directamente debajo del dron y se volvían más dispersos hacia los bordes del escaneo.

Para convertir esta nube de puntos dispersos en una imagen útil del océano, el equipo entrenó una red neuronal, un programa informático diseñado para reconocer patrones. Alimentaron a la red con las coordenadas de cada punto y la altura del agua en ese lugar. El trabajo de la red era encontrar una función matemática que pudiera predecir la altura del agua en cualquier ubicación y momento, no solo donde el láser había impactado. A diferencia de los métodos tradicionales que promedian los puntos en una cuadrícula, esta red aprendió a crear una superficie fluida y continua que pasaba por los puntos de datos sin ser forzada a una estructura rígida. Los investigadores descubrieron que este enfoque funcionó notablemente bien. El modelo digital que produjo coincidía con las formas reales de las olas observadas en los datos del láser, capturando el ascenso de la cresta de la ola y la caída pronunciada de su cara. También filtró con éxito el ruido caótico de la espuma marina y el salpicado de agua, que a menudo confunde a otras herramientas de medición, dejando tras de sí una imagen clara de la estructura principal de la ola.

Uno de los hallazgos más significativos fue que este método mantuvo su precisión incluso en áreas donde los datos eran escasos. Debido a que la red aprendió la forma general de la ola, pudo estimar la altura del agua en los huecos donde el láser del dron tenía pocos o ningún punto. Cuando los investigadores probaron el modelo con datos que no había visto durante el entrenamiento, los errores fueron pequeños, comparables a las limitaciones naturales del propio instrumento láser. También probaron la fiabilidad del método entrenando dos redes separadas con los mismos datos exactos. Los dos modelos produjeron resultados casi idénticos, con diferencias de solo unos pocos centímetros en la mayoría de los lugares. Sin embargo, en las zonas más dispersas donde el dron había recolectado casi ningún dato, los dos modelos comenzaron a distanciarse ligeramente, lo que sugiere que, si bien el método es robusto, todavía depende de tener suficiente información para aprender la forma de la ola.

El verdadero poder de este nuevo enfoque reside en su capacidad para calcular cómo está cambiando la ola. Debido a que el modelo digital es una función suave y continua, los investigadores pudieron calcular fácilmente con qué rapidez el agua se movía hacia arriba y hacia abajo, o qué tan empinada era la cara de la ola en un momento específico. En la ventana de 60 segundos que estudiaron, pudieron rastrear una cresta de ola que se movía hacia la costa a una velocidad de aproximadamente 8,75 metros por segundo, un valor que coincidía con las predicciones teóricas para olas de ese tamaño y profundidad. También pudieron ver cómo la ola cambiaba de forma a medida que avanzaba, observando cómo la cresta crecía en altura y pendiente antes de romper. Este nivel de detalle es difícil de lograr con los métodos tradicionales basados en cuadrículas, que a menudo tienen dificultades para calcular estos cambios de ritmo con precisión, especialmente en las caras empinadas y de cambio rápido de las olas que rompen.

Los investigadores reconocen que este método no está exento de desafíos. Entrenar la red neuronal tomó unos 30 minutos en un hardware informático estándar para solo 60 segundos de datos, lo cual es significativamente más largo que el tiempo que toma simplemente ordenar los datos en una cuadrícula. Si los científicos quisieran analizar una hora de datos de olas, necesitarían entrenar la red durante muchas horas, o ejecutar múltiples computadoras en paralelo. Además, el método funciona mejor cuando hay una cantidad decente de datos para aprender; en áreas donde el agua es muy clara y el láser devuelve muy pocos puntos, la precisión del modelo podría disminuir. A pesar de estas limitaciones, el estudio demuestra que el uso de redes neuronales para representar la superficie del océano ofrece una nueva y poderosa herramienta. Proporciona una visión continua, suave y altamente detallada del mar que puede analizarse en cualquier punto del tiempo y el espacio, abriendo la puerta a una comprensión más profunda de cómo se comportan las olas al romper contra la costa.