ESTIMACIÓN DE LA CLOROFILA-A GLOBAL DERIVADA DE DATOS SATELITALES EN FUNCIÓN DE FACTORES FÍSICOS MEDIANTE REDES NEURONALES POCO PROFUNDAS.
Se aplican redes neuronales artificiales (RNA) para estimar la variabilidad interanual de la clorofila-a (CHL) mensual media derivada de satélite a escala global durante el periodo 1997-2025, en función de diversas variables físicas e índices de teleconexión climática. Entre otras variables, la altura de la superficie del mar (SSH) derivada de satélite resultó ser un buen predictor individual de la CHL, mostrando una correlación significativa entre CHL y SSH en la mayor parte del océano global entre los 60°S y 60°N (donde se dispone de las series de datos más continuas). Esta correlación, generalmente baja para una estimación lineal, abre la posibilidad de reconstruir la CHL mediante técnicas no lineales de mayor rendimiento, como las RNA. El modelo de RNA reproduce con éxito la variabilidad interanual de la CHL: el 59 % de la CHL modelada presenta correlaciones superiores a 0,90. Asimismo, el modelo de RNA puede utilizarse para predecir la CHL más allá del periodo de entrenamiento, mostrando una buena capacidad predictiva con al menos una estación de antelación. Por otro lado, se lleva a cabo un ejercicio similar para la reconstrucción y predicción de la CHL utilizando índices de teleconexión seleccionados como predictores, lo que ofrece un método alternativo y más sencillo para estimar la variabilidad de la CHL en regiones clave del océano global. De este modo, los métodos propuestos abren la posibilidad de predecir no solo la CHL, sino también otras variables biogeoquímicas relacionadas.