En un mundo en constante cambio, nos enfrentamos al desafío de ser más competitivos, eficientes y respetuosos con nuestro entorno. El paradigma del desarrollo sostenible nos invita a buscar un equilibrio entre el crecimiento económico, el bienestar social y la protección del medio ambiente. Los avances en Inteligencia Artificial, Machine Learning y Ciencia de Datos nos brindan herramientas valiosas para abordar estos desafíos.
En nuestro artículo anterior, “Sector naval: Transformación Digital dentro de la Industria”, exploramos los beneficios y retos de la adopción de nuevas tecnologías. En esta ocasión, queremos compartir una solución innovadora que utiliza datos públicos del Programa Internacional ARGO y técnicas de Machine Learning para la predicción de la temperatura subsuperficial de una región del Océano Atlántico Sur. Por consiguiente, aspiramos a impulsar una pesca más inteligente y sostenible, en armonía con nuestro entorno natural.
Programa Internacional ARGO: datos del océano al alcance de todos
El Programa Internacional ARGO es una colaboración valiosa de diferentes países y grupos de investigación. Su flota de 4000 boyas activas se extiende a lo largo de los océanos y mares de nuestro planeta. Estos dispositivos navegan por los océanos siguiendo las corrientes durante cuatro o cinco años. Durante ese período, realizan mediciones en tiempo real de una serie de propiedades del agua, como temperatura y salinidad.
Las boyas siguen un ciclo meticuloso, descendiendo a profundidades de aproximadamente 2000 metros durante unos diez días. El último día del ciclo, emprenden el ascenso efectuando mediciones detalladas de temperatura y salinidad en diversas capas de profundidad. Una vez en la superficie transmiten sus datos junto a su ubicación a los satélites del programa y a estaciones receptoras en tierra.
Es importante destacar que los datos recopilados por las boyas ARGO están disponibles públicamente a través de los servidores del programa. En este caso, para la predicción de la temperatura, se han utilizado los datos recabados entre 2015 y 2022 en una región del Océano Atlántico.
Estrategias para la Predicción de la Temperatura Subsuperficial
El ciclo de un proyecto de Ciencia de Datos implica una serie de etapas. El proceso inicia con la definición de los objetivos y la investigación exhaustiva del estado del arte en la materia. Esta fase implica determinar si el problema ha sido resuelto, indagar soluciones en situaciones similares, técnicas utilizadas, entre otros aspectos.
Una segunda fase, que consideramos de gran importancia, se relaciona con el entendimiento, evaluación y tratamiento de los datos. En esta última, al estudiar el comportamiento de la temperatura en la región, se observó una clara influencia de la latitud y la profundidad. La temperatura aumenta en tanto nos vamos acercando al ecuador y disminuye a mayor profundidad. Por otro lado, en la gráfica se aprecia una concentración de valores cálidos en el norte que baja en forma de “cola” hacia el sur. Esto se debe al encuentro de la corriente del Brasil, una masa de agua caliente tropical, con la corriente de las Malvinas, agua fría de la Antártida. Este encuentro produce el alejamiento de la corriente del Brasil de la costa.
Enfoques para el Modelado de Series Temporales
Considerando las particularidades del problema, el comportamiento de los datos y tras una revisión de la literatura especializada, decidimos explorar distintos enfoques para abordar el modelado de los datos:
- SARIMA: modelo estadístico ampliamente utilizado para datos con una naturaleza temporal y una componente estacional.
- Ensambles de Árboles: en este caso aplicamos un modelo Random Forest y un modelo Adaboost. Ambos basan sus predicciones en la combinación de resultados obtenidos por diferentes modelos. En el caso del Random Forest, la decisión depende de múltiples modelos entrenados de forma independiente con diferentes datos. Por otro lado, en el Adaboost, los modelos se entrenan teniendo en cuenta los resultados del modelo anterior y colaboran para reducir el error global.
- Redes Neuronales: estos modelos, a través del trabajo conjunto de varias neuronas, aprenden a reconocer patrones en los datos. En este caso particular, utilizamos capas convolucionales para extraer características de los datos temporales. Además, se agregaron capas de memoria, como LSTM y GRU, para captar dependencias temporales ocultas en las características extraídas por las capas convolucionales.
Teniendo en cuenta la complejidad del problema y el tiempo dedicado a esta solución, los resultados obtenidos fueron realmente asombrosos. Se ha logrado predecir la temperatura subsuperficial a 48 horas con una precisión de aproximadamente +/- 1.21º Celsius.
Reflexiones y desafíos futuros en la predicción de la temperatura
La predicción de la temperatura de los océanos es un gran desafío, dada la complejidad de su estructura, la interacción con la atmósfera y otras variables. Mejorar el conocimiento de estas grandes masas de agua nos permite comprender mejor la biodiversidad marina, las dinámicas climáticas y la identificación de fenómenos extremos.
Los resultados obtenidos reafirman la importancia de programas como ARGO, ya que aportan datos muy relevantes para entender el mundo que nos rodea. Del mismo modo, hacen posible la aplicación de modelos de Inteligencia Artificial para tratar de resolver problemas en distintos ámbitos. Este proyecto ha sido un punto de partida para seguir trabajando en pos de una solución aún más completa, que incluya mediciones de temperatura subsuperficial provenientes de otros dispositivos, y nuevas variables que permitan mayor precisión y mayor rango a la hora de realizar predicciones.
