Análise da variabilidade dos padrões de dissipação das ondas na Praia do Cupe - PE através de uma rede neural

Abstract

A dinâmica sedimentar costeira apresenta elevada complexidade e diversidade morfológica, como resposta às forçantes físicas. Aspectos que motivaram a proposição de diferentes classificações de padrões de dissipação das ondas, baseada em condições ambientais locais. Com abundância de dados originada do avanço das técnicas de aquisição de imagens, cresce a demanda por métodos automatizados de identificação de padrões morfológicos costeiros. Nesse contexto, as redes neurais e técnicas de visão computacional surgem como ferramentas promissoras. Este estudo aplica a arquitetura Vision transformer (ViT) para classificar estágios praiais, buscando identificar padrões geomorfológicos através do comportamento dissipativos das ondas, avaliar a sua variabilidade temporal e os efeitos das forçantes físicas sobre sua ocorrência. Utilizou-se vídeo imagens capturadas por uma câmera fixa na praia do Cupe (PE, Brasil), entre 2013 e 2017, capturadas diariamente entre 06 e 17 horas. Após procedimento de registro, geração de imagens de longa exposição e retificação, obteve-se um conjunto de 8.329 imagens, das quais 5.830 foram classificadas manualmente quanto aos estágios praiais: Refletivo (R), Terraço de Baixa-Mar (LTT), Bancos Transversais e Canais (TBR), Banco e Praia Rítmica (RBB) e um estágio transicional (TBR+RBB). Um subconjunto balanceado de 97 imagens por classe foi utilizado no treinamento do ViT. Após o treinamento, o modelo foi aplicado para classificar todo o conjunto de imagens. Para auxiliar a interpretação dos padrões observados, dados de ondas e maré foram integrados à análise. Os resultados indicaram predominância do estágio transicional TBR+RBB (35,2%), seguido por RBB (32,9%) e TBR (26,4%). O modelo obteve uma acurácia média de 84,74%, com melhor desempenho nas classes R e LTT, enquanto TBR+RBB apresentou maiores taxas de erro, refletindo sua semelhança com TBR e RBB. Ao integrar os parâmetros de onda, Relative Tide Range (RTR) e Wave Power (WP), observou-se a alternância entre TBR, TBR+RBB e RBB sob alta energia de ondas, enquanto valores elevados de RTR, refletindo maior modulação da maré, favoreceram maior diversidade de estágios, incluindo LTT e R. Ao analisar meio ciclo de maré, verificou-se predominância do estágio RBB durante a maré baixa; transição para TBR+RBB ao longo da enchente; e ocorrência de TBR próximo ao pico da maré. Quando se amplia a escala temporal para o ciclo lunar completo (~28 dias), os estágios R e LTT associaram-se a marés de sizígia, enquanto nas quadraturas predominaram alternâncias entre TBR, TBR+RBB e RBB. A aplicação do Vision Transformer (ViT) demonstrou ser uma ferramenta eficaz para a classificação de estágios praiais, permitindo compreender a alternância dos padrões de dissipação das ondas ao longo do tempo e sob diferentes condições hidrodinâmicas. Contudo, revelou limitações na diferenciação entre classes geomorfologicamente próximas. As transições foram moduladas por ondas e marés, destacando a resiliência morfológica do sistema, no qual a maré, mesmo sob alta energia de ondas, impediu resets morfológicos e sustentou alternâncias contínuas entre padrões dissipativos.

Abstract: Coastal sediment dynamics exhibit high complexity and morphological diversity in response to physical forcings, which has motivated the development of different classifications of wave dissipation patterns, based on local environmental conditions. With the growing availability of data provided by advances in image acquisition techniques, there is an increasing demand for automated methods to identify coastal morphological patterns. In this context, neural networks and computer vision techniques emerge as promising tools. This study applies the Vision Transformer (ViT) architecture to classify beach states, aiming to identify geomorphological patterns through wave dissipation behavior, evaluate their temporal variability, and assess the influence of physical forcing on their occurrence. Video images were obtained from a fixed camera at Cupe Beach (PE, Brazil) between 2013 and 2017, recorded daily between 06:00 and 17:00. After preprocessing steps including image registration, time-exposure image generation, and rectification, a dataset of 8,329 images was produced, of which 5,830 were manually classified into the following beach states: Reflective (R), Low Tide Terrace (LTT), Transverse Bar and Rip (TBR), Rhythmic Bar and Beach (RBB), and a transitional state (TBR+RBB). A balanced subset of 97 images per class was used to train the ViT. After training, the model was applied to classify the entire dataset.To support the interpretation of the observed patterns, wave and tide data were integrated into the analysis. Results indicated predominance of the transitional state TBR+RBB (35.2%), followed by RBB (32.9%) and TBR (26.4%). The model achieved a mean classification accuracy of 84.74%, with the best performance for classes R and LTT, while the transitional state TBR+RBB showed higher error rates, reflecting its similarity to TBR and RBB. By integrating the wave parameters Relative Tide Range (RTR) and Wave Power (WP), it was observed that TBR, TBR+RBB, and RBB alternated under high wave energy, whereas higher RTR values, reflecting greater tidal modulation, favored broader variability in states, including LTT and R. When analyzing a half-tide cycle, the RBB state was predominant during low tide; a transition to TBR+RBB occurred during the rising tide; and TBR appeared near the peak of the tide. When extending the temporal scale to a full lunar cycle (~28 days), the R and LTT states were associated with spring tides, whereas during neap tides, alternations between TBR, TBR+RBB, and RBB predominated. The application of the Vision Transformer (ViT) proved to be an effective tool for the classification of beach states, enabling the understanding of wave dissipation pattern alternations over time and under different hydrodynamic conditions. However, it revealed limitations in differentiating morphologically similar classes. Transitions were modulated by both waves and tides, highlighting the morphological resilience of the system, in which tidal modulation, even under high wave energy, prevented morphological resets and sustained continuous alternations among dissipative patterns.