Control de calidad de perfiles hidrográficos mediante redes neuronales artificiales

• Fong-González, Marcos Daniel ^[1] ; Castro-Liera, Marco A. ^[1] ; Castro-Liera, Iliana ^[1] ; Tenorio-Fernández, Leonardo ^[2] ; Romero, Emmanuel ^[2]
  1. [1] Tecnológico Nacional de México

     Tecnológico Nacional de México

     México

     
  2. [2] Instituto Politécnico Nacional

     Instituto Politécnico Nacional

     México

     
• Localización: Pädi Boletín Científico de Ciencias Básicas e Ingenierías del ICBI, ISSN-e 2007-6363, Vol. 13, Nº. 25, 2025 (Ejemplar dedicado a: Manuscripts accepted postprint (July 2025))
• Idioma: español
• Títulos paralelos:
  • Quality control of hydrographic profiles based on aritficial neural networks
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    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.

  • English

    The international Argo program makes ocean measurements using autonomous hydrographic profilers. The data is analyzed by  an  automated  system  that  assigns  labels  according  to  their  quality  and  are  subsequently  made  available  to  the  scientific  community.  Later,  they  are  reviewed  by  specialists  through  quality  control  in  delayed  mode,  where  they  make  corrections.  Analyzing the profiles in delayed mode is difficult due to the increase in profiles measured monthly, so this study proposes a methodology that uses artificial neural networks (ANN) to estimate adjusted values of the same data to improve its quality. The resulting model generates an R2 value greater than 0.99, making the methodology a viable alternative when data processed by quality control in delayed mode is not available.