Mejorando la Predicción de la Temperatura de la Superficie del Mar a Corto y Largo Plazo con una Red de Convolución de Grafo Personalizada Aprendible Estática y Dinámica

La temperatura de la superficie del mar (TSM) desempeña un papel importante en la atmósfera de nuestro planeta, ejerciendo una influencia significativa tanto en los climas locales como globales y afectando profundamente los ecosistemas. Sin embargo, esta tarea presenta desafíos únicos debido a la complejidad inherente y la incertidumbre dentro de los sistemas oceánicos. Recientemente, se han empleado técnicas de aprendizaje profundo, como las Redes Neuronales de Grafo (GNNs), para abordar la predicción de la TSM. Estos métodos a menudo enfrentan limitaciones sustanciales para capturar relaciones espacio-temporales dinámicas entre las señales. Para abordar este problema, este artículo presenta la Red de Convolución de Grafo Personalizada Aprendible Estática y Dinámica (SD-LPGC). Este enfoque innovador comprende dos capas de aprendizaje de grafo distintas diseñadas para modelar tanto patrones evolutivos estables a largo plazo como a corto plazo dentro de señales multivariadas de TSM. Además, se integra una capa de convolución personalizable aprendible para fusionar estos conocimientos. Nuestros experimentos, realizados con conjuntos de datos reales de TSM, destacan el rendimiento de vanguardia del enfoque propuesto SD-LPGC en el ámbito de la predicción de la TSM, demostrando su potencial para revolucionar esta tarea crítica.