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

Título: Campos Térmicos de Recifes de Coral Resolvidos em Profundidade a partir de SST de Satélite e Registradores In-Situ Esparsos Usando Redes Neurais Informadas pela Física (PINNs)

Autores: Alzayat Saleh e Mostafa Rahimi Azghadi (Universidade James Cook, Austrália)

---

1. O Problema

O monitoramento global do branqueamento de corais baseia-se quase exclusivamente em produtos de Temperatura da Superfície do Mar (SST) derivados de satélites, como o sistema NOAA Coral Reef Watch (CRW). No entanto, existem duas limitações críticas:

1. Medição Superficial: Os satélites medem apenas a "pele" do oceano. Os corais habitam uma faixa de profundidades que vai de menos de 1 metro até mais de 20 metros.
2. Viés de Profundidade: Durante eventos de estresse térmico, a temperatura subsuperficial pode ser 1–3 °C mais fria que a superfície devido ao gradiente térmico vertical.
3. Consequência: Aplicar a SST do satélite uniformemente a todas as profundidades superestima o estresse térmico em águas mais profundas, levando a falsos positivos em alertas de branqueamento e prejudicando a avaliação de "refúgios de profundidade" (áreas onde os corais podem sobreviver).

Reconstruir campos térmicos contínuos a partir de dados esparsos (registradores in-situ em profundidades específicas) é difícil para métodos de interpolação estatística padrão, que falham ao extrapolar além dos dados observados ou quando os dados são muito escassos.

---

2. Metodologia

Os autores propõem uma Rede Neural Informada pela Física (PINN) que funde dados de satélite com observações in-situ esparsas, incorporando as leis físicas de transferência de calor.

Equação Governante

O modelo utiliza a equação de calor unidimensional vertical, que descreve o equilíbrio entre a mistura difusiva turbulenta e o aquecimento solar atenuado pela profundidade:
$$\frac{\partial T}{\partial t} = \kappa \frac{\partial^2 T}{\partial z^2} + \frac{Q_{solar}(z, t)}{\rho c_p}$$
Onde:

• $T$: Temperatura em função da profundidade ($z$) e tempo ($t$).
• $\kappa$: Difusividade térmica efetiva (aprendida).
• $Q_{solar}$: Taxa de aquecimento solar, modelada pela Lei de Beer ($K_d$ é o coeficiente de atenuação da luz, também aprendido).

Arquitetura e Treinamento

• Condição de Contorno Rígida (Hard BC): A SST do satélite é imposta como uma condição de contorno exata na superfície ($z=0$). A rede neural aprende apenas a correção dependente da profundidade.
• Arquitetura: Um MLP (Perceptron Multicamadas) modificado com "portas" (gating) multiplicativas para capturar melhor as interações entre atenuação de profundidade e variabilidade temporal.
• Função de Perda: Uma perda composta que minimiza:
  1. O erro quadrático médio entre as previsões e os dados dos registradores (data loss).
  2. O resíduo da equação de calor (PDE) em pontos de colocalização (PDE loss).
  3. A condição de contorno inferior (fluxo zero).
• Aprendizado de Parâmetros: A rede aprende simultaneamente os pesos da rede e parâmetros físicos efetivos: difusividade térmica ($\kappa$) e coeficiente de atenuação da luz ($K_d$).

Dados e Validação

• Área de Estudo: Quatro recifes no Grande Barreira de Corais (GBR): Davies, Myrmidon, Rib e Kelso.
• Dados: SST diária do NOAA CRW (5 km) e dados de loggers de temperatura do AIMS (Australian Institute of Marine Science).
• Protocolo: Validação de "holdout" (deixar uma profundidade de fora para teste) e experimentos de esparsidade (reduzindo o número de profundidades de treinamento).

---

3. Principais Contribuições

1. Framework PINN para Recifes: Desenvolvimento de um modelo que reconstrói campos térmicos verticais contínuos a partir de SST de satélite e loggers esparsos, aprendendo parâmetros físicos efetivos diretamente dos dados.
2. Robustez à Esparsidade: Demonstração de que o PINN mantém alta precisão mesmo com apenas 3 profundidades de treinamento, cenário onde métodos estatísticos (como Krigagem ou Random Forest) colapsam.
3. Perfis de Estresse Térmico Resolvidos em Profundidade: Geração de perfis de Degree Heating Days (DHD) que revelam como o estresse térmico se atenua com a profundidade, algo invisível para o monitoramento por satélite.

---

4. Resultados

Precisão e Robustez

• Erro (RMSE): O PINN alcançou um RMSE entre 0,25 °C e 1,38 °C em profundidades não vistas.
• Cenário de Esparsidade Extrema: Com apenas 3 profundidades de treinamento:
  • PINN: RMSE de 0,27 °C (a 5m) e 0,32 °C (a 9,1m).
  • Baselines Estatísticos (IDW, NN, GP): Colapsaram para RMSE > 1,8 °C.
• Comparação com Física Pura: O PINN superou uma solução de diferenças finitas puramente física (com parâmetros fixos da literatura) em 90% dos experimentos, demonstrando que a assimilação de dados e o ajuste de parâmetros são cruciais.

Atenuação do Estresse Térmico

• Os perfis de DHD mostram claramente que o estresse diminui com a profundidade.
• Exemplo (Davies Reef): O DHD cai de 0,29 na superfície para zero a 10,7 m. O satélite, no entanto, reporta 0,31 em todas as profundidades (falso positivo para águas profundas).
• Exemplo (Rib Reef): O DHD cai de 3,33 (1m) para 0,14 (9m) no PINN, enquanto o satélite permanece constante em 3,08.

Limitação Identificada

• O PINN tende a subestimar o DHD absoluto em profundidades rasas/médias.
• Causa: A SST do satélite é um produto de temperatura de base noturna (diária) que não captura picos térmicos de curta duração (sub-horários) registrados pelos loggers. Como o PINN é ancorado na SST e otimizado para erro quadrático médio (suavização), ele perde esses picos extremos que causam a ultrapassagem do limiar de branqueamento.
• Interpretação: Os perfis de DHD do PINN devem ser vistos como limites inferiores conservadores da magnitude do estresse, mas são altamente confiáveis para identificar a estrutura vertical e a profundidade onde o estresse desaparece.

---

5. Significado e Implicações

• Gestão de Recifes: O método permite identificar refúgios de profundidade reais, corrigindo o viés de superestimação dos alertas atuais baseados apenas em satélite.
• Infraestrutura Existente: Não requer novos hardware. Utiliza produtos de satélite e redes de loggers já existentes (como o programa AIMS), adicionando uma camada computacional de fusão de dados.
• Custo Computacional: Baixo. O treinamento de um modelo para um recife leva ~4 minutos em uma GPU de consumo.
• Futuro: Sugere-se o uso de funções de perda assimétricas ou regressão quantílica para melhorar a captura de picos térmicos e a aplicação de transfer learning para adaptar o modelo a outros recifes com poucos dados.

Conclusão: A fusão de dados físicos e observacionais via PINN é uma ferramenta viável e eficaz para estender o monitoramento de branqueamento de corais para a dimensão da profundidade, fornecendo informações críticas para a conservação de recifes em um clima em aquecimento.