Predicción de variables oceanográficas basada en métodos de aprendizaje profundo

Abstract

Este Trabajo Fin de Grado se centra en desarrollar un modelo basado en redes neuronales profundas para predecir variables oceanográficas, especialmente la temperatura potencial del agua. A partir de un conjunto de datos de reanálisis oceánico de Copernicus, se adapta un modelo preentrenado en meteorología, llamado Aurora, para un contexto marino. Este modelo, originalmente diseñado para pronosticar variables atmosféricas, se ajusta gracias a técnicas de congelación y descongelación de capas, además de un cuidadoso preprocesamiento y normalización de los datos. El objetivo principal es mejorar la precisión en la predicción de dinámicas oceánicas, reduciendo el coste computacional característico de los métodos numéricos tradicionales. Se emplea métricas como el error cuadrático medio y el sesgo para comprobar la fiabilidad de las predicciones a corto y medio plazo. Los resultados muestran una evolución prometedora, con menor error en zonas de mar abierto y mayor complejidad cerca de la costa. Este enfoque, basado en el aprendizaje profundo, sienta las bases para incorporar más variables o regiones en el futuro y supone un paso adelante en la integración de la ciencia de datos en la investigación oceánica.

This bachelor’s project focuses on developing a deep neural network model to predict oceanographic variables, particularly the potential temperature of seawater. Using reanalysis data from Copernicus, We adapt a meteorologically pre-trained model named Aurora to marine settings. Originally built for atmospheric forecasting, Aurora is fine-tuned through layer freezing and unfreezing, alongside careful preprocessing and data normalization. The main goal is to enhance the accuracy of oceanic predictions while reducing the computational cost of traditional numerical methods. We use metrics like mean squared error and bias to assess reliability over short and medium time horizons. The results show promising performance, with lower errors in open ocean regions and more complexity near coastal areas. This deep learning approach lays the groundwork for adding more variables or expanding to broader domains, marking a step forward in integrating data science into oceanic research.