From regional to global: a typhoon-aware adaptive graph transformer for cross-basin tropical cyclone-induced storm surge forecasting

Resumen Técnico: De lo Regional a lo Global: Un Transformador de Grafos Adaptativo Consciente de Tifones para el Pronóstico de Marejadas Cíclicas por Ciclones Tropicales entre Cuencas

Planteamiento del Problema
El pronóstico de marejadas ciclónicas es crítico para la mitigación de desastres costeros, sin embargo, los enfoques actuales de aprendizaje automático (ML) son predominantemente regionales. Los modelos actuales están calibrados para bahías o costas específicas y no logran transferirse a regiones con escasez de datos sin necesidad de un reentrenamiento. Además, los modelos de ML estándar tienen dificultades con la naturaleza espaciotemporal inherente de las marejadas ciclónicas, fallando a menudo en capturar la propagación espacial entre estaciones y los complejos acoplamientos con desfase de las forzantes atmosféricas. Un desafío significativo sigue siendo el severo desequilibrio de clases en los datos de entrenamiento, donde los eventos de marejada extrema (que superan los 50 cm) constituyen menos del 0.3% de las muestras, lo que provoca que las funciones de pérdida estándar subestimen los picos catastróficos. Adicionalmente, la mayoría de los modelos existentes proporcionan solo estimaciones puntuales sin incertidumbre calibrada, lo que limita su utilidad para la respuesta ante emergencias.

Metodología: ST-GNNFormer SurgeCast
Los autores proponen ST-GNNFormer SurgeCast, un marco de aprendizaje profundo unificado diseñado para lograr el pronóstico global de marejadas ciclónicas con un único modelo entrenado. La arquitectura se construye sobre una topología global unificada de 817 estaciones de mareógrafos costeros distribuidas en cinco cuencas oceánicas.

• Grafo Dinámico Consciente de Tifones: La innovación central es un mecanismo de grafo dinámico que modula los pesos de las aristas entre estaciones basándose en la proximidad e intensidad del tifón. A diferencia de los grafos estáticos, este mecanismo adapta el campo receptivo espacial para cada evento de tifón específico sin necesidad de un reentrenamiento regional. Los pesos de las aristas se calculan utilizando una función de decaimiento gaussiano relativa al centro y la intensidad del tifón, lo que permite al modelo concentrar el paso de mensajes en las estaciones dentro de la zona activa de la tormenta (dentro de un radio de 500 km).
• Arquitectura Espaciotemporal de Doble Flujo:
  • Rama Espacial: Utiliza dos capas de Redes Convolucionales de Grafos (GCN) apiladas para modelar la propagación de la marejada a lo largo de la costa y las dependencias entre estaciones.
  • Rama Temporal: Emplea un mecanismo de atención cruzada basado en Transformers. Los registros históricos de marejadas sirven como tokens de Consulta (Query), mientras que las forzantes meteorológicas pasadas y futuras (viento zonal/meridional a 10 m, presión media del nivel del mar) actúan como Clave/Valor (Key/Value). Esto modela explícitamente el acoplamiento con desfase entre la forzante del viento y la respuesta del nivel del agua.
  • Fusión: Las salidas de 64 dimensiones de ambas ramas se concatenan y se introducen en una cabeza de predicción de Perceptrón Multicapa (MLP).
• Entrenamiento Probabilístico y Consciente de Extremos:
  • Función de Pérdida: El modelo utiliza una pérdida compuesta que combina una pérdida Huber con ponderación de extremos (ponderando eventos >50 cm por 2×), una penalización adicional por eventos extremos y un término de Log-Verosimilitud Negativa (NLL) Gaussiana para la calibración de la incertidumbre.
  • Salida: El modelo genera pronósticos de media de 12 pasos e intervalos de incertidumbre predictiva calibrados (media y varianza). Una rama residual superficial corrige el sesgo sistemático.
• Datos: El modelo se entrena con 12,128 muestras que abarcan 1993–2018, derivadas de IBTrACS (trayectorias), GTSM (reanálisis de marejadas) y ERA5 (forzante atmosférica), todas con resolución horaria.

Contribuciones Clave

1. Generalización Global: El marco demuestra que un único modelo puede generalizarse a través de diversas cuencas oceánicas con distintos regímenes de mareas y geometrías costeras, permitiendo eficazmente el "entrenar una vez, desplegar globalmente".
2. Transferencia de Conocimiento entre Cuencas: El modelo transfiere con éxito el conocimiento de cuencas ricas en datos (ej. Pacífico Noroeste) a regiones con escasez de datos (ej. cuencas del Índico Norte y el Pacífico Sur), logrando un rendimiento robusto incluso con muestras locales limitadas.
3. Adaptación Dinámica: El grafo dinámico consciente de tifones permite al modelo adaptar su conectividad espacial a la estructura específica de cada tormenta, superando las limitaciones de los modelos regionales estáticos.
4. Pronóstico Probabilístico: La integración de la NLL Gaussiana proporciona intervalos de incertidumbre calibrados, abordando la falta de cuantificación de la incertidumbre en los modelos de estimación puntual existentes.

Resultados

• Desempeño General: En un conjunto de prueba global (2016–2018, 1,101 eventos), el modelo alcanzó un Error Cuadrático Medio (RMSE) promedio por evento de 4.65 cm y un coeficiente de correlación (R) de 0.87. Esto superó a los modelos base puramente espaciales y temporales en un 11.8% y 6.2%, respectivamente.
• Desempeño entre Cuencas: El modelo mantuvo una alta capacidad en todas las cuencas. Notablemente, en regiones con escasez de datos, alcanzó un R = 0.83 para la cuenca del Índico Norte (66 tifones) y un R = 0.83 para la cuenca del Pacífico Sur (33 tifones).
• Pronóstico Autorregresivo: Los pronósticos de rango extendido mediante ventana rodante hasta 48 horas mostraron una predicción hábil, con un RMSE que aumenta monótonamente de 2.63 cm (12h) a 4.77 cm (48h) manteniendo un R > 0.76.
• Validación Independiente: Validado contra 199 mareógrafos in situ de GESLA3.0 (no vistos durante el entrenamiento), el modelo alcanzó un RMSE de 15.07 cm. Esto se encuentra a solo 1.23 cm del reanálisis numérico GTSM (13.84 cm), confirmando la capacidad predictiva del modelo sobre datos observacionales reales y su capacidad para aproximar la precisión de los modelos numéricos con un costo computacional significativamente menor.
• Estudios de Caso: En eventos extremos específicos (ej. Super Tifón Megi 2010), el modelo completo redujo el RMSE en un 14.9% en comparación con las líneas base solo espaciales y capturó con éxito las magnitudes de pico de la marejada que otros modelos subestimaron.

Significancia y Limitaciones
El artículo sostiene un cambio de paradigma de estudios de caso específicos de región hacia un marco de pronóstico globalmente adaptativo. Esto es particularmente valioso para regiones costeras con escasez de datos, donde el modelado numérico convencional es inviable debido a los costos computacionales o la falta de datos de calibración local. El marco ofrece una vía para el pronóstico operativo temprano en comunidades desatendidas.

Sin embargo, los autores señalan explícitamente dos limitaciones:

1. Alcance de Aplicabilidad: El modelo es aplicable actualmente solo a marejadas inducidas por ciclones tropicales. No funciona bien en regiones dominadas por ciclones extratropicales (ej. el Mar del Norte y el Mar de Irlanda) porque los datos de entrenamiento (IBTrACS) carecen de estos eventos.
2. Características Estáticas: El modelo no incorpora actualmente características físicas estáticas (ej. batimetría, curvatura de la línea de costa) como atributos de los nodos, lo que limita el desempeño en áreas con topografía compleja (ej. la costa de Zhejiang-Fujian).

Los autores sugieren que trabajos futuros podrían expandir el conjunto de datos de entrenamiento para incluir ciclones extratropicales e integrar características físicas estáticas para mejorar aún más la aplicabilidad global y la precisión local.