Control de calidad de perfiles hidrográficos mediante redes neuronales artificiales

Marcos Daniel Fong-González; Marco A. Castro-Liera; Iliana Castro-Liera; Leonardo Tenorio-Fernández; Emmanuel Romero

doi:10.29057/icbi.v13i25.12912

Autores/as

Marcos Daniel Fong-González Tecnológico Nacional de México | Baja California Sur | México. https://orcid.org/0009-0001-0890-6603
Marco A. Castro-Liera Tecnológico Nacional de México | Baja California Sur | México. https://orcid.org/0000-0001-9777-4413
Iliana Castro-Liera Tecnológico Nacional de México | Baja California Sur | México. https://orcid.org/0000-0001-5090-1067
Leonardo Tenorio-Fernández Instituto Politécnico Nacional | Baja California Sur | México. https://orcid.org/0000-0002-6422-9184
Emmanuel Romero Instituto Politécnico Nacional | Baja California Sur | México. https://orcid.org/0000-0001-9627-6770

DOI:

https://doi.org/10.29057/icbi.v13i25.12912

Palabras clave:

Océanos, Perfiles hidrográficos, Redes neuronales artificiales, Clasificación, Regresión

Resumen

El programa internacional Argo realiza mediciones de los océanos empleando perfiladores hidrográficos autónomos. Los datos son analizados por un sistema automatizado que les asigna etiquetas de acuerdo a su calidad antes de ser puestos a disposición de la comunidad científica. Después, los datos son revisados por especialistas a través del control de calidad en modo diferido, donde realizan correcciones. Analizar los perfiles en modo diferido resulta difícil debido al aumento de perfiles medidos mensualmente, por lo que este estudio propone una metodología que utiliza redes neuronales artificiales (RNA) para estimar los valores ajustados de los mismos datos para mejorar su calidad. El modelo resultante genera un valor de R2 superior a 0.99, volviendo la metodología una alternativa viable cuando no se cuenta con datos procesados por el control de calidad en modo diferido.

Descargas

Los datos de descargas todavía no están disponibles.

Información de Publicación

Este artículo

Otros artículos

Revisores por pares

Revisores: 2

2.4 promedio

Perfiles de revisores N/D

Declaraciones del autor

Disponibilidad de datos

N/A

16%

Financiamiento externo

No

32% con financiadores

Intereses conflictivos

N/D

11%

Para esta revista

Otras revistas

Artículos aceptados

86%

33%

Días hasta la publicación

431

145

Indexado en

GS

Editor y comité editorial: perfiles
Sociedad académica: N/D
Editora:: Universidad Autónoma del Estado de Hidalgo

Citas

Argo. (2022). Argo user’s manual. DOI: 10.13155/29825.

OceanOPS (2018). Argo: A window into the ocean. OceanOPS. https://oceanops.maps.arcgis.com/apps/Cascade/index.html?appid=a170a0d522bb42f1a019e4e473cf1bdd. Accesed: 2022-11-15.

Ono S., Matsuyama H., Fukui Ki., Hosoda S. (2015). A preliminary studio on quality control of oceanic observation data by machine learning methods. In Proceedings in Adaptation, Learning and Optimization (pp. 679-693). DOI: 10.1007/978-3-319-13359-1_52.

Pérez M. (2022). Modelo predictivo de series temporales de datos hidrográficos mediante aprendizaje automático [Tesis de maestría, Tecnológico Nacional de México campus La Paz]. Productos Académicos de la Maestría en Sistemas Computacionales https://posgrado.lapaz.tecnm.mx/productos.php?id=1

Roemmich, D., M.H. Alford, H. Claustre, K. Johnson, B. King, J. Moum, P. Oke, W.B. Owens, S. Pouliquen, S. Purkey, and others (2019). On the Future of Argo: A Global, Full-Depth, Multi-Disciplinary Array. Frontiers in Marine Science 6:439. DOI: 10.3389/fmars.2019.00439.

Romero E., Tenorio-Fernandez L., Castro I. & Castro M. (2021a). Filtering method based on cluster analysis to avoid salinity drifts and recover Argo data in less time. Ocean Science, 17(5), 1273-1284. DOI: 10.5194/os-17-1273-2021.

Romero E., Tenorio-Fernandez L., Castro I. & Castro M. (2021b). romeroqe/cluster_qc: Filtering Methods based on cluster analysis for Argo Data. DOI: 10.5281/ZENODO.4597899.

Sugiura N. & Hosoda S. (2020). Machine learning technique using the signature method for automated quality control of Argo profiles. Earth and Space Science (Hoboken, N.J.), 7(9). DOI: 10.1029/2019ea001019.

Wong, A.P.S., S.E. Wijffels, S.C. Riseer, S. Pouliquen, S. Hosoda, D. Roemmich, J. Gilson, G.C. Johnson, K. 427 Martini, D.J. Murphy, and others (2020). Argo Data 1999-2019: Two Million Temperature-Salinity Profiles and Subsurface Velocity Observations From a Global Array of Profiling Floats. Frontiers in Marine Science 7:700. DOI: 10.3389/fmars.2020.00700.

Zhang Q., Qian C. & Dong C. (2023). A machine learning approach to quality-control Argo temperature data. Atmospheric and Oceanic Science Letters, 16(4), 100292. DOI: 10.1016/j.aosl.2022.100292.