Tesis Pregrado
Permanent URI for this collection
Browse
Browsing Tesis Pregrado by Subject "Algoritmos computacionales"
Now showing 1 - 1 of 1
Results Per Page
Sort Options
Item Redes neuronales y grafos dinámicos para la predicción del comportamiento de remolinos de mesoescala.(Universidad de Concepción, 2026) Baeza Molina, Nicolás Alberto; Aracena Lucero, Julio Bernardo; Parada Véliz, Carolina EugeniaEn esta tesis se propone y valida una arquitectura de aprendizaje profundo no euclidiano denominada Fusión Latente de Expertos (ALE) para la predicción de trayectorias de remolinos oceánicos de mesoescala a escala planetaria. El problema se aborda mediante un enfoque de Aprendizaje Residual, donde la red neuronal no modela la cinemática completa, sino que se especializa en estimar la aceleración residual y las desviaciones no lineales respecto a la persistencia inercial física. El modelo diseñado funciona gracias a dos componentes especializados que se reparten el trabajo: el primero actúa como una memoria histórica que sigue el impulso y la velocidad del propio remolino a lo largo del tiempo, mientras que el segundo analiza el mapa completo para entender cómo influyen los remolinos vecinos y la forma del fondo marino en su trayectoria. Finalmente, ambas fuentes de información se unen en un bloque central que calcula, al mismo tiempo, cuánta fuerza pierde o gana el remolino y hacia qué ángulo exacto se va a desviar. Los resultados experimentales, obtenidos a partir de grafos dinámicos construidos sobre la base de datos global de remolinos de mesoescala, Mesoscale Eddy Trajectory Atlas (META 3.2), la cual fundamenta su detección y seguimiento cinemático en algoritmos automatizados aplicados a campos de altimetría satelital, demuestran que el modelo de fusión mejora los métodos de persistencia clásica. El sistema ALE alcanzó una mejora neta de 601.68 metros en el error global de posicionamiento respecto al baseline inercial. Destaca especialmente su desempeño en escenarios de alta complejidad dinámica (giros superiores a 40◦), donde obtiene un mejor resultado en el 84.0% de los casos, corrigiendo fallos sistemáticos de los modelos puramente temporales mediante la integración del contexto de interacción de mesoescala. Es importante destacar que la confiabilidad de estas predicciones está intrínsecamente ligada a la consistencia metodológica del algoritmo de detección basado en contornos cerrados de anomalías del nivel del mar, cuyas incertidumbres sistemáticas e inconsistencias operacionales se transfieren a la topología del grafo. No obstante, estos hallazgos validan la eficacia de las arquitecturas híbridas residuales para el monitoreo ambiental global, proporcionando una herramienta robusta para la comprensión de la dinámica oceánica y mitigando el impacto de los ruidos de detección mediante el aprendizaje de interacciones espaciales en el contexto del cambio climático.