Avaliação de redes ConvLSTM para a previsão de temperatura da superfície do mar na costa catarinense

Abstract

A temperatura da superfície do mar (Sea Surface Temperature, SST) é uma variável de interesse prático na costa catarinense, onde apoia decisões de pescadores e oceanógrafos. Prever sua evolução nos próximos dias é relevante para a região, mas as simulações numéricas tradicionais têm custo computacional elevado, e modelos orientados por dados são uma alternativa, por aprenderem a dinâmica diretamente das observações. Este trabalho avalia a viabilidade de prever a SST de 1 a 7 dias com redes Convolutional Long Short-Term Memory (ConvLSTM), que tratam de forma conjunta sua estrutura espacial e sua dinâmica temporal. A partir do produto OSTIA (Operational Sea Surface Temperature and Sea Ice Analysis), recortado para a costa catarinense, foram treinadas 14 variantes de uma arquitetura ConvLSTM que combinam diferentes componentes arquiteturais, otimizadas por uma função de perda mascarada sobre os pixels oceânicos. As variantes foram avaliadas no conjunto de teste, por horizonte, com RMSE, Bias, Skill Score, Anomaly Correlation Coefficient(ACC) e atividade relativa, tomando a previsão por persistência (a repetição da última observação de SST) como referência. Todas superaram essa referência, com margem crescente ao longo do horizonte, e as variantes mais simples igualaram as mais completas, que reúnem todos os componentes avaliados. A previsão reproduz a estrutura de larga escala da SST, mas subestima sua variabilidade, com resultados progressivamente mais suaves. Conclui-se que, apesar do ganho consistente sobre a persistência, a utilidade da abordagem para a previsão de curto prazo da SST na região é limitada, pois a suavização e a alta autocorrelação temporal da SST, que muda pouco ao longo dos sete dias, restringem o que ela acrescenta.

Sea surface temperature (SST) is a variable of practical interest along the Santa Catarina coast, Brazil, where it supports the decisions of fishers and oceanographers. Forecasting its evolution over the coming days matters to the region, but traditional numerical simulations are computationally expensive, and data-driven models offer an alternative by learning the dynamics directly from observations. This work assesses the feasibility of forecasting SST from 1 to 7 days ahead with Convolutional Long Short-Term Memory (ConvLSTM) networks, which jointly handle its spatial structure and temporal dynamics. From the OSTIA product (Operational Sea Surface Temperature and Sea Ice Analysis), cropped to the Santa Catarina coast, 14 variants of a ConvLSTM architecture combining different architectural components were trained, optimized by a loss function masked over the ocean pixels. The variants were evaluated on the test set, per horizon, with RMSE, Bias, Skill Score, Anomaly Correlation Coefficient (ACC), and relative activity, using the persistence forecast (repeating the last observed SST field) as a reference. All of them outperformed this reference, with a margin that grows with the horizon, and the simpler variants matched the more complete ones, which combine all the evaluated components. The forecast reproduces the large-scale structure of SST but underestimates its variability, yielding progressively smoother results. It is concluded that, despite the consistent gain over persistence, the usefulness of the approach for short-term SST forecasting in the region is limited, because the smoothing and the high temporal autocorrelation of SST, which changes little over the seven days, constrain what it adds.