Aprendizaje automático e inteligencia artificial

La creciente disponibilidad de datos observacionales y de modelos numéricos de alta resolución ha impulsado la integración del Aprendizaje Automático (Machine Learning, ML) y la Inteligencia Artificial (Artificial Intelligence, AI) en la oceanografía física. Estas técnicas permiten el reconocimiento automático de patrones, la modelización predictiva y la mejora de los esquemas de asimilación de datos, ayudando a los investigadores a analizar de forma más eficiente la compleja dinámica oceánica.

Los métodos de ML e IA se han aplicado a tareas como la detección de remolinos, la identificación de frentes oceánicos, la detección de anomalías y el relleno de lagunas de datos, complementando los enfoques tradicionales basados en la física. Los avances recientes han dado lugar a dos grandes líneas de desarrollo:

• Aprendizaje profundo (Deep Learning). Algunos ejemplos son los siguientes (puede encontrarse bibliografía adicional aquí):
  • EddyNet – Herramienta basada en redes neuronales convolucionales (CNN) para la detección automática de remolinos.
  • DeepOcean: marco general de aprendizaje profundo para la predicción de datos oceanográficos espacio-temporales.
  • SST-GAN – Utiliza redes generativas adversarias (GANs) para mejorar la resolución de los datos de temperatura superficial del mar.
• Modelos híbridos. Los modelos híbridos que integran ML/IA con modelos físicos tradicionales están emergiendo como herramientas muy potentes en la investigación oceanográfica. Estos modelos combinan el rigor de las leyes físicas con la capacidad predictiva de los algoritmos de aprendizaje automático, mejorando la precisión y la eficiencia de las simulaciones. Un ejemplo destacado es el enfoque que combina ML con modelos de circulación general atmosférica (AGCMs), lo que permite capturar procesos dinámicos que los modelos tradicionales tienen dificultades para representar con precisión, tal como se presenta aquí. Además, se han desarrollado modelos híbridos que incorporan restricciones físicas en redes neuronales, conocidos como Redes Neuronales Informadas por la Física (Physics-Informed Neural Networks, PINNs), para mejorar la capacidad predictiva en dinámica de fluidos, tal como se recopila aquí.