Thesis:

Predicción de línea de costa por medio de modelos de Deep Learning (The Coastal Parrot Effect)

Las playas son amortiguadores naturales dinámicos y motores vitales del desarrollo económico y social, pero se encuentran cada vez más amenazadas por el aumento del nivel del mar y la intensificación de eventos meteorológicos extremos. Prever con precisión la evolución de la línea de costa es esencial para una gestión costera sostenible y una adecuada adaptación al cambio climático. Si bien los modelos clásicos a menudo no logran capturar la naturaleza no lineal y abrupta de las dinámicas costeras, los enfoques recientes basados en aprendizaje profundo (DL), en particular los modelos CNN y CNN-LSTM, han mostrado resultados prometedores. Sin embargo, los modelos basados en Transformers siguen siendo en gran medida inexplorados. Más críticamente, aún queda abierta la cuestión de cómo equilibrar la comprensión física con la flexibilidad de las redes neuronales en la modelación costera. Este estudio evalúa la arquitectura basada en Transformers PatchTST en comparación con los modelos CNN y CNN-LSTM, bajo diversas configuraciones de entrada que varían según la inclusión de variables hidrodinámicas, datos de la línea de costa y la propia variable objetivo. El modelo está diseñado para evitar el uso directo de la variable objetivo, basándose en su lugar en estadísticas de la línea de costa para centrar las predicciones, lo que obliga a extraer patrones significativos a partir de entradas exógenas. También se introduce un mecanismo de Atención por Canal para evaluar dinámicamente la relevancia de las entradas. Los resultados muestran que PatchTST supera a los modelos de referencia cuando se incluye información de la línea de costa, pero también revelan los compromisos que surgen al limitar el uso de información física previa. Estos hallazgos subrayan la importancia de estrategias híbridas que equilibren la modelación basada en datos con el conocimiento del dominio, ofreciendo nuevas perspectivas para el diseño de herramientas de predicción robustas y explicables en entornos costeros.

Beaches are dynamic natural buffers and vital engines of economic and social development, yet they are increasingly threatened by rising sea levels and intensifying extreme weather events. Accurately forecasting shoreline evolution is essential for sustainable coastal management and climate adaptation. While classical models often fail to capture the nonlinear and abrupt nature of coastal dynamics, recent deep learning (DL) approaches—particularly CNN and CNN-LSTM—have shown promising results. However, Transformer-based models remain largely unexplored. More critically, the balance between physical understanding and neural network flexibility is still an open question in coastal modeling. This study evaluates the Transformer-based architecture PatchTST against CNN and CNN-LSTM under diverse input configurations that vary in the inclusion of hydrodynamic variables, shoreline data, and the target variable itself. The model is designed to avoid direct use of the target variable, instead relying on shoreline statistics to center predictions, forcing the extraction of meaningful patterns from exogenous inputs. A Channel Attention mechanism is also introduced to dynamically assess input relevance. Results show that PatchTST outperforms baseline models when shoreline information is included, but also reveal the trade-offs faced when limiting physical priors. These findings highlight the importance of hybrid strategies that balance data-driven modeling with domain knowledge, offering new insights into the design of robust and explainable forecasting tools for coastal environments.