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

A superfície do oceano nunca está parada. É uma paisagem inquieta e mutável de ondulações ondulantes, quebra de ondas e espuma agitada, remodelando-se constantemente à medida que a energia se move do mar profundo em direção à costa. Para os cientistas que estudam essas ondas, compreender exatamente como a água se move é essencial. Eles precisam saber não apenas a altura de uma onda, mas quão rápido ela está viajando, quão íngreme é sua face e como ela muda de forma ao quebrar. Tradicionalmente, pesquisadores têm usado boias que balançam em um único ponto ou câmeras que tiram fotos à distância. Embora úteis, essas ferramentas muitas vezes têm dificuldade em capturar a complexidade tridimensional completa de uma onda quebrando, especialmente na zona turbulenta onde a água colide com a praia. Para obter uma imagem mais clara, cientistas recorreram a lasers montados em drones, que podem escanear a superfície da água e criar uma nuvem de milhões de pontos minúsculos, cada um marcando uma localização específica no espaço e no tempo. No entanto, esses dados brutos são desordenados e dispersos; para compreendê-los, os pesquisadores geralmente precisam forçar os pontos em uma grade rígida, como encaixar peças de quebra-cabeça irregulares em uma moldura quadrada, o que pode suavizar detalhes importantes ou introduzir erros.

Uma equipe de pesquisadores da Instituição de Oceanografia Scripps encontrou uma maneira diferente de lidar com esses dados, uma que evita a grade inteiramente. Em vez de forçar os pontos do laser em uma estrutura retangular, eles usaram um tipo de inteligência artificial chamada rede neural para aprender a forma da superfície do oceano diretamente dos pontos dispersos. Pense nesta rede como um aluno ao qual são mostrados um milhão de pontos espalhados e pede-se que desenhe uma linha contínua e suave que os conecte todos, não apenas nos pontos, mas em todos os lugares entre eles. Os pesquisadores testaram este método sobre uma costa rochosa em Monterey, Califórnia, onde um drone pairou para escanear ondas massivas que tinham quatro metros de altura. O resultado foi um modelo digital do mar que é suave e contínuo, permitindo que os cientistas calculem a velocidade e a inclinação da água em qualquer ponto individual, mesmo em locais onde o drone não realizou uma medição direta.

O experimento ocorreu perto de um promontório rochoso conhecido como China Rock, onde o fundo do oceano cai abruptamente e as ondas quebram com força significativa. Um drone equipado com um scanner a laser especializado pairou a uma altitude de 33 metros, disparando feixes de luz na superfície da água dez vezes por segundo. Esses feixes ricochetearam na água e retornaram ao drone, criando uma coleção massiva de pontos de dados que mapeou a altura das ondas em três dimensões. Os pesquisadores focaram em uma janela de 60 segundos desses dados, capturando o momento em que uma grande onda rolou, inclinou-se e eventualmente quebrou. Nesse curto intervalo de tempo, o drone reuniu aproximadamente 4,5 milhões de pontos individuais, mas esses pontos não estavam distribuídos uniformemente; eram mais densos diretamente abaixo do drone e tornavam-se mais esparsos em direção às bordas do escaneamento.

Para transformar essa nuvem dispersa de pontos em uma imagem útil do oceano, a equipe treinou uma rede neural, um programa de computador projetado para reconhecer padrões. Eles alimentaram a rede com as coordenadas de cada ponto e a altura da água naquele local. O trabalho da rede era encontrar uma função matemática que pudesse prever a altura da água em qualquer localização e tempo, não apenas onde o laser havia atingido. Ao contrário dos métodos tradicionais que evitariam a média dos pontos em uma grade, esta rede aprendeu a criar uma superfície fluida e contínua que passava pelos pontos de dados sem ser forçada em uma estrutura rígida. Os pesquisadores descobriram que essa abordagem funcionou de forma notável. O modelo digital produzido coincidia com as formas reais das ondas vistas nos dados do laser, capturando a ascensão da crista da onda e a queda íngreme de sua face. Também conseguiu filtrar com sucesso o ruído caótico do spray marinho e do respingo da água, que frequentemente confunde outras ferramentas de medição, deixando para trás uma imagem clara da estrutura principal da onda.

Uma das descobertas mais significativas foi que este método permaneceu preciso mesmo em áreas onde os dados eram escassos. Como a rede aprendeu a forma geral da onda, ela pôde estimar a altura da água em lacunas onde o laser do drone tinha poucos ou nenhum ponto. Quando os pesquisadores testaram o modelo contra dados que não haviam sido vistos durante o treinamento, os erros foram pequenos, comparáveis às limitações naturais do próprio instrumento a laser. Eles também testaram a confiabilidade do método treinando duas redes separadas com exatamente os mesmos dados. Os dois modelos produziram resultados quase idênticos, diferindo em apenas alguns centímetros na maioria dos lugares. No entanto, nas áreas muito mais esparsas, onde o drone coletou quase nenhum dado, os dois modelos começaram a divergir ligeiramente, sugerindo que, embora o método seja robusto, ele ainda depende de ter informações suficientes para aprender a forma da onda.

O verdadeiro poder desta nova abordagem reside em sua capacidade de calcular como a onda está mudando. Como o modelo digital é uma função suave e contínua, os pesquisadores puderam facilmente calcular quão rápido a água estava se movendo para cima e para baixo, ou quão íngreme era a face da onda em um momento específico. Na janela de 60 segundos que estudaram, foram capazes de rastrear uma crista de onda movendo-se em direção à costa a uma velocidade de cerca de 8,75 metros por segundo, um valor que coincidia com as previsões teóricas para ondas desse tamanho e profundidade. Eles também puderam ver como a onda mudava de forma conforme se movia, observando como a crista crescia em altura e inclinação antes de quebrar. Esse nível de detalhe é difícil de alcançar com os métodos tradicionais baseados em grade, que muitas vezes têm dificuldade em calcular essas taxas de mudança com precisão, especialmente nas faces íngremes e de mudança rápida das ondas que quebram.

Os pesquisadores reconhecem que este método não é isento de desafios. Treinar a rede neural levou cerca de 30 minutos em hardware de computador padrão para apenas 60 segundos de dados, o que é significativamente mais longo do que o tempo necessário para simplesmente organizar os dados em uma grade. Se os cientistas quisessem analisar uma hora de dados de ondas, precisariam treinar a rede por muitas horas ou executar múltiplos computadores em paralelo. Além disso, o método funciona melhor quando há uma quantidade razoável de dados para aprender; em áreas onde a água é muito clara e o laser retorna muito poucos pontos, a precisão do modelo pode diminuir. Apesar dessas limitações, o estudo demonstra que o uso de redes neurais para representar a superfície do oceano oferece uma nova e poderosa ferramenta. Ele fornece uma visão contínua, suave e altamente detalhada do mar que pode ser analisada em qualquer ponto no tempo e no espaço, abrindo as portas para uma compreensão mais profunda de como as ondas se comportam ao quebrarem na costa.