A percepção dos elementos ambientais que nos cercam e como eles afetam nossa integridade física nos levam a projetar modelos do mundo real, visando antecipar ou mitigar os efeitos de situações desvantajosas para a vida humana, causadas por eventos tanto no espaço quanto no tempo. Nesse sentido, tivemos grandes avanços na modelagem das ciências físicas, principalmente nos domínios ambiental e de engenharia. Um domínio particular de interesse é o dos oceanos. Normalmente, os pesquisadores recorrem a métodos numéricos para entender e prever a dinâmica dos oceanos, a fim de dominar seus fenômenos. No entanto, tais métodos têm suas limitações em diversos cenários. Por exemplo, se o mapa topográfico é complexo (tornando a geração da malha também complexa), os processos fundamentais sao parcial ou completamente desconhecidos, ou estamos lidando com problemas de alta dimensão, discretizações numéricas das equações governantes podem não ser adequadas. Aprendizado de máquina se mostra uma alternativa interessante quando dados oceânicos estão disponíveis. Mesmo assim, os melhores modelos, redes neurais profundas, exigem grandes massas de dados para desempenharem bem em tarefas de predição; dado que a dinâmica dos oceanos se estende tanto no espaço quanto no tempo, há um desafio real para conseguir relacionar informações em diferentes dimensões, ao modelar esses sistemas com algoritmos de aprendizado. Atualmente, a falta de grandes bases de dados em problemas científicos é abordada combinando redes neurais com conhecimento físico prévio, no chamado paradigma de aprendizado informado pela física. Por outro lado, as redes neurais de grafos, inseridas na área de aprendizado de representação de grafos, tem apresentado excelentes resultados ao lidar com problemas relacionais, como a previsão de fenômenos espaço-temporais. No entanto, a interseção entre esses dois campos de pesquisa não é bem explorada em geral, e muito menos em problemas do mundo real. Neste trabalho concentramos nossos esforços em unir os campos de aprendizado de máquina informado por física e aprendizado de representação gráfica, desenvolvendo um método de aprendizado profundo para a tarefa de predição de variáveis oceânicas, como altura da superfície do mar e velocidade da corrente. Experimentos foram conduzidos com dados reais de dois locais diferentes da região costeira do sudeste do Brasil, a Baía de Sepetiba/Ilha Grande e o Sistema Estuarino de Santos-Sao Vicente-Bertioga. Nosso modelo tem sido capaz de explorar vieses indutivos temporais e espaciais ao unir modelos sequenciais estado-da-arte, modelos relacionais e conhecimento físico de um modelo numérico, com melhorias significativas na eficiência do uso dos dados e acurácia de predição.

The perception of environmental elements surrounding us and how they aect our physical integrity leads us to design models of the real world, aiming to anticipate or mitigate the eects of disadvantageous situations for human life caused by events both in space and time. On that matter, we have had huge advances in physical sciences modeling, especially in environmental and engineering domains. One particular domain of interest is that of the oceans. Typically, researchers resort to numerical methods to understand and predict ocean dynamics in order to master its phenomena. Nonetheless, such methods reach limitations in a variety of scenarios. For instance, if the topographic map is complex (thus making the mesh generation also complex), the underlying processes are partially or completely unknown, or we are dealing with high-dimensional problems, numerical discretizations of the governing equations may not be suitable. Machine learning has been proven to be an alternative when oceanic data is available. The best current models, deep neural networks, require big data to perform well in prediction tasks, and given that ocean dynamics spans both space and time, there is the real challenge of being capable of relating information in dierent dimensions when modeling these systems with learning algorithms. Currently, the lack of big data in scientific problems is tackled by combining such neural networks with physical prior knowledge in the so-called physicsinformed learning paradigm. On the other hand, graph neural networks from the field of graph representation learning have shown far excellent results when dealing with relational problems such as the prediction of spatiotemporal phenomena. However, the intersection between those two research fields is not well explored in general, and even less so in real-world problems. In this work we focus our eorts on bonding the fields of physicsinformed machine learning and graph representation learning, devising a deep learning method for the task of forecasting oceanic variables, such as water sea surface height and current velocity. Experiments have been run within real-world data from two dierent locations in the southeast coastal region of Brazil, the Sepetiba/Ilha Grande Bay and the Santos-Sao Vicente-Bertioga Estuarine System. Our model can exploit both temporal and spatial inductive biases by joining state-of-the-art sequence and relational models and physical knowledge from a numerical model, with significant improvements in data efficiency and prediction accuracy.