Desarrollo de un gemelo digital para estimar la producción primaria en el océano.

Abstract

El presente Trabajo de Fin de Grado presenta el desarrollo de un gemelo digital basado en redes neuronales artificiales para estimar la producción primaria neta (NPP) en el océano. Esta variable es clave en el ciclo del carbono y en la salud de los ecosistemas marinos. Se recopilaron datos satelitales y oceanográficos de múltiples fuentes, aplicando modelos como Eppley-VGPM y Lee-AbPM para la obtención de la variable objetivo en la región macaronesia, como conjuntos de entrenamiento y verificación. La metodología sigue el marco CRISP-DM, implementando modelos predictivos validados con otros conjuntos de datos reconocidos por la comunidad científica. Este proyecto contribuye a una mejor comprensión del cambio climático y de los procesos tróficos fundamentales del océano.

This Final Degree Project presents the development of a digital twin based on artificial neural networks to estimate net primary production (NPP) in the ocean —a key variable in the carbon cycle and in the health of marine ecosystems—. Satellite and oceanographic data from multiple sources were collected, applying models such as Eppley-VGPM and Lee-AbPM to obtain the target variable in the Macaronesian region. These data were then used as training and validation datasets. The methodology follows the CRISP-DM framework, and implements predictive models validated with other data sets recognized by the scientific community. This project contributes to a better understanding of climate change and fundamental trophic processes of the ocean.