⚡ electrical engineering

Significant Wave Height Prediction and Harbour Entry Risk Index (HERI) in the Sunda Strait using ERA5-Based Deep Learning to Support Merak- Bakauheni Ferry Operations

Este estudio desarrolla un marco de aprendizaje profundo basado en CNN-LSTM y BiLSTM utilizando datos de ERA5 para predecir la altura significativa de las olas en el Estrecho de la Sonda e introduce un novedoso Índice de Riesgo de Entrada al Puerto (HERI, por sus siglas en inglés) que supera significamente a los umbrales tradicionales de altura de ola en la detección de riesgos de atraque, permitiendo así alertas tempranas efectivas de 6 a 12 horas para las operaciones de ferry de Merak-Bakauheni.

Autores originales: Muhammad A.R. Fauzi, Trika A. Tarigan, Ulil Amri

Publicado 2026-09-02

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Muhammad A.R. Fauzi, Trika A. Tarigan, Ulil Amri

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Cada año, millones de personas en Indonesia viajan a través del Estrecho de la Sonda, el estrecho cuerpo de agua que separa las islas de Java y Sumatra. Esta ruta es el cruce de ferris más concurrido del país, funcionando como una arteria vital para pasajeros, vehículos y bienes esenciales. Durante la enorme festividad anual conocida como Lebaran, el número de viajeros aumenta a casi seis millones, creando un desafío logístico que el país llama su barómetro nacional para un viaje fluido. Para los operadores de ferris, la seguridad es primordial, pero el océano es impredecible. El peligro principal proviene de las olas. Las regulaciones actuales dictan que los ferris deben dejar de cruzar si la altura significativa de la ola —la altura promedio del tercio superior de las olas— alcanza los 2,5 metros. Sin embargo, esta regla simple tiene un punto ciego. Asume que la altura de la ola es lo único que importa, ignorando cómo se mueve la ola, cuánto tiempo tarda en pasar y la dirección desde la cual golpea al barco. Una ola que no es particularmente alta puede seguir siendo mortal si golpea al ferry en el ángulo equivco o si su ritmo coincide con el movimiento de balanceo natural de la embarcación, provocando que esta se incline peligrosamente.

Para resolver este problema, un equipo de investigadores se propuso crear una forma más inteligente de predecir el peligro en el Estrecho de la Sonda. Se centraron en el tramo específico de agua entre los puertos de Merak y Bakauheni, donde el agua es profunda y las corrientes son complejas. En lugar de depender de un solo número para decidir si es seguro navegar, desarrollaron una nueva herramienta llamada Índice de Riesgo de Entrada al Puerto (Harbour Entry Risk Index). Este índice actúa como un chequeo de salud integral para el mar, combinando tres factores diferentes: la altura de las olas, el tiempo de las olas en relación con la velocidad de balanceo natural del barco y la dirección de donde provienen las olas. Para que esta herramienta funcionara, los investigadores necesitaban saber qué harían las olas con horas de antelación. Recurrieron a la inteligencia artificial, específicamente a un tipo de aprendizaje computacional diseñado para reconocer patrones en datos basados en el tiempo. Entrenaron varios modelos computacionales diferentes con catorce años de datos oceánicos históricos, enseñándoles a observar la velocidad del viento, la presión y el comportamiento pasado de las olas para pronosticar cómo se verían las olas dentro de seis, doce y veinticuatro horas.

Los investigadores probaron cinco tipos diferentes de modelos computacionales para ver cuál podía predecía las olas con mayor exactitud. Descubrieron que un modelo híbrido, que combinaba la capacidad de detectar patrones locales con la capacidad de recordar secuencias a largo plazo, funcionaba mejor para los pronósticos a corto plazo. Este modelo podía predecir la altura de la ola con seis horas de antelación con una precisión notable, cometiendo errores de menos de seis centímetros. Para pronósticos más largos, de hasta un día completo de antelación, otro tipo de modelo que procesa la información tanto en dirección hacia adelante como hacia atrás resultó ser ligeramente más fiable. Estos modelos computacionales eran muy superiores a un método simple que asume que las olas se mantendrán exactamente iguales a como son en este momento. El avance clave, sin embargo, no fue solo predecir la altura, sino cómo se utilizaba esa predicción. Cuando los investigadores aplicaron su nuevo índice de riesgo a los datos históricos, descubrieron una falla crítica en las antiguas reglas de seguridad. El umbral único de 2,5 metros nunca activó una advertencia en la vía principal de ferris durante todo el periodo de estudio de catorce años, a pesar de que las condiciones del océano eran a menudo agitadas. De hecho, las olas más altas registradas en esa ubicación específica nunca superaron los 2,4 metros.

Este hallazgo reveló que la vieja regla no estaba detectando el peligro real. Los investigadores luego probaron su nuevo índice de riesgo contra un registro de seis incidentes reales de atraque que ocurrieron en el puerto de Merak entre 2020 y 2024. Bajo el sistema anterior, el umbral de seguridad habría permanecido en silencio para todos estos seis eventos peligrosos porque las olas eran técnicamente inferiores al límite de 2,5 metros. En contraste, el nuevo índice de riesgo identificó correctamente los seis incidentes como peligrosos. Lo logró al reconocer que la combinación de alturas de ola moderadas, periodos de ola específicos que coincidían con el ritmo de balanceo del ferry y olas golpeando el barco de frente creaban una situación de peligro que una simple medición de altura pasaría por alto. El índice también mostró un patrón estacional claro, con el mayor riesgo ocurriendo durante los meses del monzón, diciembre y enero, lo cual se alinea perfectamente con el registro histórico de cuándo ocurrieron realmente los accidentes.

El estudio demostró además que este sistema podía proporcionar una alerta temprana confiable. Utilizando los mejores modelos computacionales, el sistema podía predecir condiciones peligrosas de seis a doce horas antes de que llegaran. Este tiempo de antelación es crucial para los operadores de ferris, dándoles tiempo suficiente para ajustar los horarios o retrasar las salidas antes de que se formen largas filas de vehículos en las carreteras que conducen al puerto. El sistema fue diseñado para ser cauteloso; cuando cometía un error, casi siempre subestimaba el peligro ligeramente en lugar de sobreestimarlo, asegurando que una hora verdaderamente peligrosa no se pasara por alto por completo. Aunque los investigadores señalaron que su trabajo dependía de datos históricos y que las mejoras futuras podrían incluir sensores en tiempo real y mapas más detallados del puerto, los resultados ofrecen una nueva y poderosa forma de gestionar la seguridad. Al ir más allá de un solo número y adoptar una imagen más completa del comportamiento del océano, este enfoque proporciona una base práctica y basada en datos para mantener seguros a los millones de viajeros en el Estrecho de la Sonda.

Resumen Técnico: Predicción de la Altura Significativa de la Ola y el Índice de Riesgo de Entrada al Puerto (HERI) en el Estrecho de la Sonda

Planteamiento del Problema
La ruta de ferris Merak–Bakauheni en el Estrecho de la Sonda es el cruce interinsular más concurrido de Indonesia, manejando aproximadamente seis millones de pasajeros anualmente durante la temporada de Lebaran (Eid al-Fitr). Las regulaciones de seguridad actuales (KSOP) exigen la suspensión de los cruces cuando la Altura Significativa de la Ola (SWH, por sus siglas en inglés) supera los 2,5 m. Sin embargo, el análisis histórico del carril central de ferris revela que la SWH en el punto de la cuadrícula operativa principal nunca superó los 2,405 m entre 2010 y 2024, lo que significa que el umbral regulatorio nunca se activó. A pesar de esto, ocurrieron seis incidentes de atraque documentados en el puerto de Merak entre 2020 y 2024 bajo estas alturas de ola "seguras". El estudio identifica que los umbrales de un solo parámetro de SWH no logran contabilizar riesgos multifactoriales críticos: la resonancia del periodo de la ola con el periodo de balance natural de la flota de ferris y la dirección de la ola respecto al atraque. Los estudios de aprendizaje automático (ML) existentes en Indonesia se han centrado en la costa de Java, dejando al Estrecho de la Sonda sin un marco de predicción dedicado basado en aprendizaje profundo.

Metodología
El estudio emplea un enfoque basado en datos utilizando datos de reanálisis ERA5 (2010–2024) a una resolución de 0,25° , extraídos de un único punto de la cuadrícula (−6,0°S, 105,5°E) que representa el centro del carril de ferris.

Modelos de Predicción de SWH: Se entrenaron y compararon cinco arquitecturas para tres horizontes de predicción ( $t+6$ h, $t+12$ h, $t+24$ h):
- Aprendizaje Profundo: LSTM apilado, GRU, BiLSTM y CNN-LSTM.
- Basado en Árboles: XGBoost.
- Línea Base: Un modelo de persistencia ( $SWH_{t+h} = SWH_t$ ).
- Configuración de Datos: El conjunto de datos se dividió cronológicamente (Entrenamiento: 2010–2022; Validación: 2023; Prueba: 2024). Las características de entrada incluyeron SWH, velocidad/dirección del viento, periodo medio de la ola (MWP), dirección media de la ola (MWD, codificada como seno/coseno) y presión media del nivel del mar. Se utilizó una ventana de retrovisión (lookback) de 72 horas.
Índice de Riesgo de Entrada al Puerto (HERI): Se desarrolló un nuevo índice compuesto para cuantificar el riesgo de atraque. A diferencia de los umbrales simples, el HERI combina tres parámetros:
- SWH normalizada (anclada al límite regulatorio de 2,5 m).
- Un factor de resonancia ( $R$ ) basado en la proximidad del periodo medio de la ola al periodo de balance natural estimado de la flota (5–11 s).
- Un factor direccional ( $F_{dir}$ ) basado en el ángulo de aproximación de la ola respecto al atraque.
- Fórmula: $HERI(t) = \text{clip}[ W_h \cdot SWH_{norm}(t) \cdot R(t) + W_d \cdot F_{dir}(t); 0, 1 ]$ .
- Calibración: El índice se calibró contra seis incidentes documentados en Merak (2020–2024) para establecer el umbral "Peligroso" en 0,50. Los autores señalan explícitamente que estos seis eventos constituyen un conjunto de calibración en lugar de una validación independiente.
Evaluación: El rendimiento de los modelos se evaluó mediante RMSE, MAE, MAPE y $R^2$ . El sistema de predicción HERI se evaluó utilizando matrices de confusión, centrándose en la exhaustividad (recall, tasa de verdaderos positivos) y las tasas de falsos negativos (FNR) para garantizar la detección de situaciones críticas de seguridad.

Resultos Clave

Rendimiento de la Predicción de SWH:
- CNN-LSTM logró el mejor rendimiento para horizontes de corto a medio plazo ( $t+6$ h: RMSE = 0,0579 m, $R^2$ = 0,9459; $t+12$ h: RMSE = 0,0892 m, $R^2$ = 0,8716). Su arquitectura extrae eficazmente patrones locales mediante capas Conv1D antes de modelar las dependencias temporales.
- BiLSTM destacó en el horizonte largo ( $t+24$ h: RMSE = 0,1307 m, $R^2$ = 0,7243), beneficiándose del procesamiento de secuencias bidireccionales.
- Todos los modelos de aprendizaje profundo superaron significativamente a la línea base de persistencia y a XGBoost, que se degradan más rápido en horizontes más largos.
Capacidad de Detección del HERI:
- El umbral único de SWH de 2,5 m detectó el 0% de los seis incidentes documentados en Merak.
- El índice HERI detectó el 100% de los seis incidentes específicos utilizados para la calibración (2020–2024), con valores que superan el umbral "Peligroso" (0,50) por márgenes de +0,05 a +0,20. Los autores aclaran que, debido a que estos seis eventos informaron el umbral, sirven como un conjunto de calibración en lugar de una validación independiente.
- La distribución estacional de las horas de HERI "Peligrosas" (con picos en diciembre–enero) se alineó coherentemente con la distribución mensual de un registro más amplio de 16 incidentes (2015–2024), proporcionando una validación estacional independiente.
Rendimiento Predictivo del HERI:
- Utilizando las entradas de SWH predichas, el sistema alcanzó precisiones de categoría del 93,9–97,3% y exhaustividad (recalls) de condiciones peligrosas del 82,8–94,6% en todos los horizontes.
- Mecanismo de Seguridad (Fail-Safe): Un hallazgo crítico fue que ninguna hora pelig 되는 real fue predicha como "Segura" (skip $_2$ = 0). Todos los falsos negativos se degradaron solo un nivel de categoría (por ejemplo, predicho como "Precaución" en lugar de "Peligroso"), asegurando que siempre se active una alerta.
- El tiempo de antelación de 6–12 horas proporcionado por los modelos se considera suficiente para realizar ajustes operativos (por ejemplo, cambios de horario) antes de que se formen colas de vehículos.

Significancia y Contribuciones
El artículo reclama tres contribuciones primarias:

Académica: Presenta el primer estudio de predicción de olas mediante aprendizaje automático dirigido específicamente al Estrecho de la Sonda e introduce el HERI como un nuevo marco multiparamétrico que va más allá de los criterios de SWH de un solo umbral.
Práctica: La integración de las predicciones CNN-LSTM/BiLSTM con la clasificación HERI ofrece un sistema de alerta temprana de 6 a 12 horas desplegable y compatible con el ciclo de programación del operador de ferris ASDP.
Política: El estudio proporciona una base de evidencia empírica de 14 años y un conjunto de datos de incidentes verificados para apoyar la transición hacia una gestión de riesgos multiparamétrica en las regulaciones de seguridad de los ferris de Indonesia.

Limitaciones y Trabajo Futuro
Los autores señalan que los seis incidentes de Merak utilizados para la calibración constituyen un conjunto de calibración en lugar de una validación independiente. Además, el lado de Bakauheni carece de casos de validación positiva, ya que sus incidentes se atribuyen a corrientes en lugar de olas. El estudio también dependió del juicio de expertos para la calibración de pesos debido a la falta de datos de registro operativo de ASDP. Se recomienda para trabajos futuros la calibración empírica de los pesos del HERI, el desarrollo de modelos de salida múltiple (prediciendo simultáneamente SWH, MWP y MWD) y la aplicación de un escalado espacial utilizando modelos SWAN para un análisis de mayor resolución de la cuenca portuaria.

Más como este