Depth-Resolved Coral Reef Thermal Fields from Satellite SST and Sparse In-Situ Loggers Using Physics-Informed Neural Networks

Titolo: Campi Termici delle Barriere Coralline Risolti in Profondità da SST Satellitare e Logger In-Situ Sparsi Utilizzando Reti Neurali Informate dalla Fisica (PINN)

Autori: Alzayat Saleh e Mostafa Rahimi Azghadi (James Cook University, Australia).

1. Il Problema

Il monitoraggio globale dello sbiancamento dei coralli si basa principalmente sui prodotti di Temperatura Superficiale del Mare (SST) forniti via satellite (es. NOAA Coral Reef Watch). Tuttavia, questi dati misurano solo la "pelle" dell'oceano. I coralli abitano una gamma di profondità che va dalle secche fino a oltre 20 metri, dove le temperature possono essere 1–3 °C più fredde rispetto alla superficie durante gli eventi di stress termico.
Applicare uniformemente la SST satellitare a tutte le profondità porta a una sovrastima sistematica dello stress termico subsuperficiale. Questo bias influisce negativamente sulla gestione delle barriere, sulla valutazione dei rifugi termici in profondità e sull'interpretazione dei sondaggi sullo sbiancamento. Esistono logger di temperatura in-situ (es. programma AIMS), ma la loro copertura è sparsa e discontinua, rendendo difficile ricostruire campi termici continui senza metodi di interpolazione fisicamente coerenti.

2. Metodologia

Gli autori propongono l'uso di una Rete Neurale Informata dalla Fisica (PINN) per fondere i dati satellitari SST con osservazioni in-situ sparse, vincolate dalle equazioni fisiche che governano il trasferimento di calore.

• Equazione Goverante: Il modello si basa sull'equazione del calore unidimensionale verticale:
  $$\frac{\partial T}{\partial t} = \kappa \frac{\partial^2 T}{\partial z^2} + \frac{Q_{solar}(z, t)}{\rho c_p}$$
  Dove $T$ è la temperatura, $z$ la profondità, $\kappa$ la diffusività termica efficace e $Q_{solar}$ il riscaldamento solare attenuato dalla profondità (Legge di Beer).
• Architettura della PINN:
  • Condizione al Contorno Rigida (Hard BC): La SST satellitare è imposta come condizione al contorno esatta alla superficie ($z=0$). La rete neurale apprende solo la correzione dipendente dalla profondità.
  • Apprendimento dei Parametri: La rete apprende congiuntamente i parametri fisici efficaci: la diffusività termica ($\kappa$) e il coefficiente di attenuazione della luce ($K_d$), permettendo al modello di adattarsi alle condizioni locali.
  • Funzione di Perdita (Loss Function): Minimizza un errore composto che include: l'errore quadratico medio rispetto ai dati dei logger, il residuo dell'equazione del calore (PDE) e una condizione al contorno di Neumann (flusso zero) sul fondo.
  • Architettura: Un MLP modificato con meccanismi di gating moltiplicativo e codifica temporale tramite armoniche di Fourier.
• Validazione: Il modello è stato testato su quattro siti della Grande Barriera Corallina (GBR): Davies, Myrmidon, Rib e Kelso Reef, utilizzando un protocollo di validazione "holdout" (esclusione di una profondità alla volta) e test di robustezza in condizioni di estrema scarsità di dati.

3. Contributi Chiave

1. Framework PINN per la Barriera Corallina: Sviluppo di un sistema che fonde SST satellitare e logger sparsi per ricostruire campi termici continui in profondità, vincolati dalla fisica del calore.
2. Validazione Robusta: Dimostrazione di accuratezza (RMSE 0.25–1.38 °C) su quattro siti diversi, con particolare stabilità anche quando i dati di addestramento sono ridotti a sole 3 profondità.
3. Profili di Stress Termico Risolti in Profondità: Generazione di profili di "Giorni di Riscaldamento" (Degree Heating Days - DHD) che rivelano come lo stress termico si attenui con la profondità, un'informazione invisibile ai satelliti.

4. Risultati Principali

• Accuratezza in Condizioni di Sparsità:
  • La PINN mantiene un RMSE di 0.27 °C a 5 m e 0.32 °C a 9.1 m anche con soli 3 logger di addestramento.
  • In queste condizioni di scarsità, i metodi statistici di base (Gaussian Process, IDW, Nearest Neighbor) collassano con errori superiori a 1.8 °C.
  • La PINN supera il baseline fisico puro (metodo alle differenze finite con parametri fissi) nel 90% degli esperimenti, dimostrando che l'apprendimento dei parametri adattivi aggiunge valore rispetto alla sola fisica.
• Attenuazione dello Stress Termico:
  • I profili DHD ricostruiti mostrano chiaramente che lo stress termico diminuisce con la profondità. Ad esempio, a Davies Reef, il DHD scende da 0.29 in superficie a zero a 10.7 m, mentre il satellite continua a riportare stress costante (0.31) a tutte le profondità.
  • A Rib Reef, lo stress cala del 75% tra 1 m e 9 m, una variazione che il satellite non rileva.
• Limitazioni nella Stima Assoluta:
  • La PINN tende a sottostimare i valori assoluti di DHD alle profondità basse e intermedie. Questo perché la SST satellitare è un prodotto giornaliero (senza picchi diurni) e la PINN, vincolata a essa, non può ricostruire i picchi termici a breve durata che guidano l'accumulo di DHD.
  • Tuttavia, la PINN fornisce una stima conservativa (limite inferiore) dello stress e, soprattutto, identifica correttamente la profondità alla quale lo stress scompare (rifugi termici).

5. Significato e Implicazioni

• Gestione delle Barriere: Il metodo dimostra che applicare la SST satellitare uniformemente a tutte le profondità è errato e porta a falsi positivi di stress termico in profondità. Questo cambia la valutazione dei "rifugi termici" e la priorità delle aree da proteggere.
• Infrastruttura Esistente: La soluzione non richiede nuovi hardware. Utilizza l'infrastruttura esistente (SST satellitare e reti di logger come AIMS) aggiungendo un layer computazionale a vincolo fisico.
• Scalabilità: Il framework è computazionalmente efficiente (pochi minuti di addestramento su GPU consumer) e può essere applicato a migliaia di barriere coralline globali dove esistono dati logger minimi (2-3 profondità).
• Futuro: Il lavoro apre la strada a mappe di rischio di sbiancamento tridimensionali (spazio + profondità) e suggerisce l'uso di transfer learning per adattare i parametri fisici appresi a nuove barriere con pochi dati locali.

In sintesi, questo studio dimostra che la fusione di dati satellitari e in-situ tramite PINN è un metodo potente ed efficace per estendere il monitoraggio dello sbiancamento dei coralli alla dimensione della profondità, fornendo informazioni critiche per la conservazione in un clima che cambia.