Aracena Lucero, Julio BernardoParada Véliz, Carolina EugeniaBaeza Molina, Nicolás Alberto2026-06-232026-06-232026https://repositorio.udec.cl/handle/11594/14199Tesis presentada para optar al título de Ingeniero/a Civil Matemático/a.En 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.This thesis introduces and validates a non-Euclidean deep learning architecture named Latent Fusion of Experts (ALE) for the planetary-scale trajectory prediction of mesoscale ocean eddies. The problem is addressed via a Residual Learning approach, where the neural network does not model the complete kinematics from scratch, but rather specializes in estimating the residual acceleration and non-linear deviations relative to physical inertial persistence. The proposed model operates through two specialized components that divide the computational task: the first acts as a historical memory that tracks the individual eddy’s momentum and velocity over time, while the second analyzes the entire map to understand how neighboring eddies and seabed topography influence its trajectory. Finally, both information streams converge within a central block that simultaneously computes the scalar displacement variations and the exact angle of directional deflection. Experimental results, obtained from dynamic graphs constructed using the global mesoscale eddy database from the Mesoscale Eddy Trajectory Atlas (META 3.2)—which bases its detection and kinematic tracking on automated algorithms applied to satellite altimetry fields—demonstrate that the fusion model significantly improves upon classical persistence methods. The ALE system achieved a net reduction of 601.68 meters in global positioning error compared to the inertial baseline. Its performance stands out particularly in scenarios of high dynamic complexity (turns exceeding 40◦), outperforming traditional methods in 84.0% of the cases and successfully correcting systematic errors of purely temporal models by integrating the mesoscale interaction context. It is critical to note that the reliability of these predictions is intrinsically linked to the methodological consistency of the underlying detection algorithm, which relies on closed contours of sea level anomalies; thus, its systematic uncertainties and operational inconsistencies are transferred to the graph topology. Nonetheless, these findings validate the efficacy of hybrid residual architectures for global environmental monitoring, providing a robust tool for understanding ocean dynamics and mitigating the impact of detection noise by learning spatial interactions within the framework of climate change.esCC BY-NC-ND 4.0 DEED Attribution-NonCommercial-NoDerivs 4.0 InternationalRedes neurales (ciencia de la computación)Gráficos por computadorAlgoritmos computacionalesFlujo vorticularOcéanoCambios climáticosThesis