Investigación sobre funciones de pérdida en el entrenamiento de redes neuronales para la predicción de fenómenos oceanográficos.

Abstract

Este trabajo adapta una red neuronal de grafos (SeaCast) con el objetivo de realizar predicciones precisas de la temperatura superficial del mar, poniendo especial énfasis en la comparación de funciones de pérdida (MSE, MAE, Huber. . . ) y su efecto sobre la convergencia y robustez del modelo. El análisis se aplica a una franja del Atlántico que incluye la costa noroeste africana y las islas Canarias, usando datos de Copernicus Marine Service. Se implementan nuevas métricas (Bias, ACC, Activity) y se compara también entrenamiento con peso uniforme sobre toda la región y entrenamiento en el que se le da más peso a la zona del upwelling.

This work adapts a graph neural network (SeaCast) to generate accurate sea surface temperature predictions, with particular emphasis on comparing loss functions (MSE, MAE, Huber, etc.) and their effects on model convergence and robustness. The analysis is applied to an Atlantic region spanning the northwest African coast and the Canary Islands, using data from the Copernicus Marine Service. New evaluation metrics (Bias, ACC, Activity) are implemented, and training with uniform weighting across the entire region is also compared to training that assigns greater weight to the upwelling zone.