⚡ 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 estudo desenvolve um framework de aprendizado profundo baseado em CNN-LSTM e BiLSTM utilizando dados ERA5 para prever a altura de ondas significativas no Estreito de Sunda e introduz um novo Índice de Risco de Entrada no Porto (HERI) que supera significativamente os limiares tradicionais de altura de ondas na detecção de riscos de atracação, permitindo, assim, alertas precoces eficazes de 6 a 12 horas para as operações de balsa Merak-Bakauheni.

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

Publicado 2026-09-02

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

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

Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Todos os anos, milhões de pessoas na Indonésia viajam pelo Estreito de Sunda, o estreito corpo de água que separa as ilhas de Java e Sumatra. Esta rota é a travessia de balsa mais movimentada do país, servindo como uma artéria vital para passageiros, veículos e mercadorias essenciais. Durante o enorme feriado anual conhecido como Lebaran, o número de viajantes aumenta para quase seis milhões, criando um desafio logístico que o país chama de seu barômetro nacional para viagens tranquilas. Para os operadores de balsas, a segurança é primordial, mas o oceano é imprevisível. O perigo principal vem das ondas. As regulamentações atuais ditam que as balsas devem interromper a travessia se a altura significativa da onda — a altura média do terço mais alto das ondas — atingir 2,5 metros. No entanto, esta regra simples tem um ponto cego. Ela assume que a altura da onda é a única coisa que importa, ignorando como a onda se move, quanto tempo leva para passar e a direção de onde ela atinge o navio. Uma onda que não é particularmente alta ainda pode ser mortal se atingir a balsa no ângulo errado ou se o seu ritmo coincidir com o movimento de balanço natural da embarcação, fazendo com que ela balance perigosamente.

Para resolver este problema, uma equipe de pesquisadores partiu para criar uma maneira mais inteligente de prever o perigo no Estreito de Sunda. Eles focaram no trecho específico de água entre os portos de Merak e Bakauheni, onde a água é profunda e as correntes são complexas. Em vez de depender de um único número para decidir se é seguro navegar, eles desenvolveram uma nova ferramenta chamada Índice de Risco de Entrada no Porto (Harbour Entry Risk Index). Este índice atua como um check-up de saúde abrangente para o mar, combinando três fatores diferentes: a altura das ondas, o tempo das ondas em relação à velocidade de balanço natural do navio e a direção de onde as ondas vêm. Para fazer esta ferramenta funcionar, os pesquisadores precisavam saber o que as ondas fariam com horas de antecedência. Eles recorreram à inteligência artificial, especificamente um tipo de aprendizado computacional projetado para reconhecer padrões em dados temporais. Eles treinaram vários modelos de computador diferentes em quatorze anos de dados oceânicos históricos, ensinando-os a observar a velocidade do vento, a pressão e o comportamento passado das ondas para prever como as ondas seriam seis, doze e vinte e quatro horas no futuro.

Os pesquisadores testaram cinco tipos diferentes de modelos de computador para ver qual poderia prever as ondas com maior precisão. Eles descobriram que um modelo híbrido, que combinava a capacidade de detectar padrões locais com a capacidade de lembrar sequências de longo prazo, teve o melhor desempenho para previsões de curto prazo. Este modelo podia prever a altura da onda com seis horas de antecedência com uma precisão notável, cometendo erros de menos de seis centímetros. Para previsões mais longas, de até um dia inteiro, um tipo diferente de modelo que processa informações tanto para frente quanto para trás provou ser ligeiramente mais confiável. Estes modelos de computador foram muito superiores a um método simples que assume que as ondas permanecerão exatamente iguais ao que são agora. A grande descoberta, no entanto, não foi apenas em prever a altura, mas em como essa previsão era utilizada. Quando os pesquisadores aplicaram seu novo índice de risco aos dados históricos, descobriram uma falha crítica nas antigas regras de segurança. O limite único de 2,5 metros nunca acionou um alerta na principal rota de balsas durante todo o período de estudo de quatorze anos, embora as condições do oceano fossem frequentemente agitadas. De fato, as ondas mais altas registradas naquele local específico nunca excederam 2,4 metros.

Esta descoberta revelou que a antiga regra estava falhando em detectar o perigo real. Os pesquisadores testaram então o seu novo índice de risco contra um registro de seis incidentes reais de atracação que ocorreram no porto de Merak entre 2020 e 2024. Sob o sistema antigo, o limite de segurança teria permanecido em silêncio para todos esses seis eventos perigosos, porque as ondas estavam tecnicamente abaixo do limite de 2,5 metros. Em contraste, o novo índice de risco identificou corretamente todos os seis incidentes como perigosos. Ele fez isso ao reconhecer que a combinação de alturas de ondas moderadas, períodos de onda específicos que coincidiam com o ritmo de balanço da balsa e ondas atingindo o navio de frente criava uma situação perigosa que uma simples medição de altura deixaria passar. O índice também mostrou um padrão sazonal claro, com o maior risco ocorrendo durante os meses de monções, dezembro e janeiro, o que se alinha perfeitamente com o registro histórico de quando os acidentes realmente aconteceram.

O estudo demonstrou ainda que este sistema poderia fornecer um aviso prévio confiável. Utilizando os melhores modelos de computador, o sistema poderia prever condições perigosas de seis a doze horas antes de elas chegarem. Este tempo de antecedência é crucial para os operadores de balsas, dando-lhes tempo suficiente para ajustar horários ou atrasar partidas antes que longas filas de veículos se formem nas estradas que levam ao porto. O sistema foi projetado para ser cauteloso; quando cometia um erro, quase sempre subestimava ligeiramente o perigo em vez de superestimá-lo, garantindo que uma hora verdadeiramente perigosa nunca fosse totalmente perdida. Embora os pesquisadores tenham observado que o seu trabalho dependia de dados históricos e que melhorias futuras poderiam incluir sensores em tempo real e mapas mais detalhados do porto, os resultados oferecem uma nova forma poderosa de gerir a segurança. Ao ir além de um único número e abraçar uma imagem mais completa do comportamento do oceano, esta abordagem fornece uma base prática e baseada em dados para manter seguros os milhões de viajantes no Estreito de Sunda.

Resumo Técnico: Predição da Altura Significativa de Onda e Índice de Risco de Entrada no Porto (HERI) no Estreito de Sunda

Definição do Problema
A rota de balsa Merak–Bakauheni no Estreito de Sunda é a travessia interilhas mais movimentada da Indonésia, transportando aproximadamente seis milhões de passageiros anualmente durante a temporada de Lebaran (Eid al-Fitr). As regulamentações de segurança atuais (KSKS) determinam a suspensão das travessias quando a Altura Significativa de Onda (SWH) excede 2,5 m. No entanto, a análise histórica da rota central de balsa revela que a SWH no ponto de grade operacional primário nunca excedeu 2,405 m entre 2010 e 2024, o que significa que o limite regulatório nunca foi acionado. Apesar disso, seis incidentes de atracação documentados ocorreram no Porto de Merak entre 2020 e 2024 sob essas alturas de onda "seguras". O estudo identifica que os limiares de parâmetro único de SWH falham em considerar perigos multifatoriais críticos: a ressonância do período de onda com o período de balanço natural da frota de balsas e a direção da onda em relação ao berço. Estudos de aprendizado de máquina (ML) existentes na Indonésia focaram na costa de Java, deixando o Estreito de Sunda sem uma estrutura de predição dedicada baseada em deep learning.

Metodologia
O estudo emprega uma abordagem orientada por dados utilizando dados de reanálise ERA5 (2010–2024) com resolução de 0,25°, extraídos de um único ponto de grade (−6,0°S, 105,5°E) representando o centro da rota de balsa.

Modelos de Predição de SWH: Cinco arquiteturas foram treinadas e comparadas para três horizontes de predição ( $t+6$ h, $t+12$ h, $t+24$ h):
- Deep Learning: Stacked LSTM, GRU, BiLSTM e CNN-LSTM.
- Baseado em Árvores: XGBoost.
- Baseline: Um modelo de persistência ( $SWH_{t+h} = SWH_t$ ).
- Configuração de Dados: O conjunto de dados foi dividido cronologicamente (Treino: 2010–2022; Validação: 2023; Teste: 2024). As características de entrada incluíram SWH, velocidade/direção do vento, período médio de onda (MWP), direção média de onda (MWD, codificada como sin/cos) e pressão do nível do mar médio. Uma janela de retrocesso (lookback) de 72 horas foi utilizada.
Índice de Risco de Entrada no Porto (HERI): Um novo índice composto foi desenvolvido para quantificar o risco de atracação. Diferente de limiares simples, o HERI combina três parâmetros:
- SWH normalizada (ancorada no limite regulatório de 2,5 m).
- Um fator de ressonância ( $R$ ) baseado na proximidade do período médio de onda com o período de balanço natural estimado da frota (5–11 s).
- Um fator direcional ( $F_{dir}$ ) baseado no ângulo de aproximação da onda em relação ao berço.
- Fórmula: $HERI(t) = \text{clip}[ W_h \cdot SWH_{norm}(t) \cdot R(t) + W_d \cdot F_{dir}(t); 0, 1 ]$ .
- Calibração: O índice foi calibrado contra seis incidentes documentados em Merak (2020–2024) para definir o limiar "Perigoso" em 0,50. Os autores explicitamente observam que estes seis eventos constituem um conjunto de calibração, e não uma validação independente.
Avaliação: O desempenho do modelo foi avaliado usando RMSE, MAE, MAPE e $R^2$ . O sistema preditivo HERI foi avaliado usando matrizes de confusão, focando em recall (taxa de verdadeiros positivos) e taxas de falsos negativos (FNR) para garantir a detecção crítica de segurança.

Principais Resultados

Desempenho da Predição de SWH:
- O CNN-LSTM alcançou o melhor desempenho para horizontes de curto a médio prazo ( $t+6$ h: RMSE = 0,0579 m, $R^2$ = 0,9459; $t+12$ h: RMSE = 0,0892 m, $R^2$ = 0,8716). Sua arquitetura extrai efetivamente padrões locais via camadas Conv1D antes de modelar dependências temporais.
- O BiLSTM destacou-se no horizonte longo ( $t+24$ h: RMSE = 0,1307 m, $R^2$ = 0,7243), beneficiando-se do processamento sequencial bidirecional.
- Todos os modelos de deep learning superaram significativamente o baseline de persistência e o XGBoost, que degradou mais rapidamente em horizontos mais longos.
Capacidade de Detecção do HERI:
- O limiar único de SWH de 2,5 m detectou 0% dos seis incidentes documentados em Merak.
- O índice HERI detectou 100% dos seis incidentes específicos usados para calibração (2020–2024), com valores excedendo o limiar "Perigoso" (0,50) por margens de +0,05 a +0,20. Os autores esclarecem que, como estes seis eventos informaram o limiar, eles servem como um conjunto de calibração, e não uma validação independente.
- A distribuição sazonal das horas de "HERI Perigoso" (com pico em dezembro–janeiro) alinhou-se coerentemente com a distribuição mensal de um registro mais amplo de 16 incidentes (2015–2024), fornecendo validação sazonal independente.
Desempenho Preditivo do HERI:
- Utilizando entradas de SWH preditas, o sistema alcançou acurácias de categoria de 93,9–97,3% e recalls de condições perigosas de 82,8–94,6% entre os horizontes.
- Mecanismo de Segurança (Fail-Safe): Um achado crítico foi que nenhuma hora perigosa real foi prevista como "Segura" (skip $_2$ = 0). Todos os falsos negativos foram rebaixados apenas um nível de categoria (ex: previsto como "Cautela" em vez de "Perigoso"), garantindo que um estado de alerta seja sempre acionado.
- O tempo de antecedência (lead time) de 6–12 horas fornecido pelos modelos é considerado suficiente para ajustes operacionais (ex: mudanças de escala) antes da formação de filas de veículos.

Significância e Contribuições
O artigo reivindica três contribuições principais:

Acadêmica: Apresenta o primeiro estudo de predição de ondas por aprendizado de máquina direcionado especificamente ao Estreito de Sunda e introduz o HERI como um novo framework multiparâmetro que vai além dos critérios de limiar único de SWH.
Prática: A integração das predições CNN-LSTM/BiLSTM com a classificação HERI oferece um sistema de alerta precoce de 6–12 horas implantável, compatível com o ciclo de programação do operador de balsas ASDP.
Política: O estudo fornece uma base de evidências empíricas de 14 anos e um conjunto de dados de incidentes verificados para apoiar a transição para o gerenciamento de risco multiparâmetro nas regulamentações de segurança de balsas da Indonésia.

Limitações e Trabalhos Futuros
Os autores observam que os seis incidentes de Merak usados para calibração constituem um conjunto de calibração, e não uma validação independente. Além disso, o lado de Bakauheni carece de casos de validação positiva, pois seus incidentes são atribuídos a correntes, e não a ondas. O estudo também dependeu do julgamento de especialistas para a calibração de pesos devido à falta de dados de log operacional da ASDP. Recomenda-se que trabalhos futuros calibrem empiricamente os pesos do HERI, desenvolvam modelos de múltiplas saídas (predizendo simultaneamente SWH, MWP e MWD) e apliquem downscaling espacial usando modelos SWAN para uma análise de bacia portuária de maior resolução.

Mais como este