Predicción de datos oceanográficos con redes neuronales de grafos y aprendizaje por conjuntos.

Abstract

El objetivo principal del trabajo es probar la predicción de variables oceanográficas combinando la salida de varios modelos (aprendizaje por conjuntos) basados en redes neuronales de grafos. Se parte de un modelo existente (SeaCast), que ha sido adaptado a la zona de Canarias en el océano Atlántico. La variante de aprendizaje por conjuntos empleada es Bagging, donde la diversidad en los modelos se obtiene introduciendo ruido a la entrada. La combinación de modelos suele ser especialmente útil a largo plazo, donde debería mejorar la predicción de un único modelo. Los datos que alimentan al modelo no se limitan solo a variables oceanográficas, sino que también se emplean condiciones externas atmosféricas y temporales.

The main purpose of the project is to predict oceanographic variables by merging the outputs of several models (ensemble learning) derived from a graph neural network. The base model (Seacast) has been adjusted to the Canary Islands area in the Atlantic Ocean. The ensemble learning variant used is Bagging, where the model diversity is achieved by adding noise to the input. Benefits of model combination are usually noticeable in longrange predictions, where one model predictions should be less accurate. The data used to feed the model not only include oceanographic variables, but also external forcing factors such as atmospheric conditions or timestamps.