Investigador · Universidad de Alicante
Estudio cómo los sistemas de inteligencia artificial espacio-temporal pueden producir predicciones fiables cuando los sensores, los datos y las condiciones de despliegue son imperfectos.
Perspectiva de investigación
Marc Semper Lloret publica sus trabajos académicos como Marc Semper. Es profesor asociado e investigador del Departamento de Ciencia de la Computación e Inteligencia Artificial de la Universidad de Alicante, y miembro del grupo de investigación ANVIDA.
Su trabajo conecta aprendizaje en grafos, observación ambiental y evaluación robusta para comprender si el modelo elegido sigue siendo defendible ante incertidumbre realista en los datos y el despliegue.
Conocer el programa de investigaciónÁreas de investigación
Cuatro líneas de trabajo conectadas centradas en sistemas ambientales, observaciones imperfectas y elección responsable de modelos.
Métodos de evaluación y selección para sistemas de predicción que deben seguir siendo fiables ante datos ausentes, fallos de sensores, desalineación espacial y cambios en el despliegue.
Redes neuronales de grafos que capturan relaciones entre sensores ambientales distribuidos, ciudades y mallas de observación global.
El efecto de los datos ausentes, la incertidumbre observacional, la agregación y las inconsistencias de medida sobre los modelos aprendidos y las decisiones resultantes.
Métodos de IA para calidad del aire, aerosoles atmosféricos, concentraciones de gases de efecto invernadero, ruido urbano y otros fenómenos ambientales.
Trabajos seleccionados
Journal of Computational Science, article 102988, 2026
Los reanálisis atmosféricos globales como ERA5 presentan sesgos orográficos y costeros sistemáticos que distorsionan modelos hidrológicos y de riesgo. Integrar la red de estaciones meteorológicas de AVAMET en una topología de grafo espacial mediante GraphSAGE y Jumping Knowledge permite corregir múltiples variables de forma simultánea. Bajo una estricta partición cronológica, el enfoque en grafos reduce el error hasta en un 81% en presión, humedad, temperatura y viento frente a modelos clásicos, delimitando a su vez las fronteras operativas en precipitación extrema.
Stochastic Environmental Research and Risk Assessment, vol. 40, no. 8, article 202, 2026
La corrección de extremos satelitales subdiarios de precipitación (GPM IMERG V07) mediante aprendizaje automático se complica cuando la propia referencia en superficie presenta incertidumbre observacional. La evaluación de modelos tabulares (LightGBM) y redes convolucionales (CNN) bajo particiones estrictas por año, provincia y evento demuestra que el post-procesamiento continuo reduce eficazmente el error global, pero la reconstrucción determinista de colas extremas alcanza límites estructurales. En su lugar, el modelado probabilístico de superación de umbrales se consolida como la salida operativa más sólida para alerta temprana.
Atmospheric Research, article 109244, 2026
Las estimaciones satelitales de precipitación suelen presentar discrepancias críticas durante episodios torrenciales mediterráneos debido a la rápida convección y la orografía escarpada. Auditar el producto semihorario GPM IMERG frente a redes pluviométricas de alta densidad cuantifica desplazamientos espaciales por píxel, atenuaciones severas de picos e incertidumbres de muestreo, delimitando con precisión su validez empírica en modelización hidrológica y alertas por inundación.
Knowledge-Based Systems, article 116673, 2026
Seleccionar el mejor modelo predictivo a partir de un único conjunto de validación limpio suele generar decisiones de despliegue frágiles ante referencias de evaluación incompletas, degradadas o desplazadas en entornos reales. Reevaluar predicciones fijas bajo perturbaciones plausibles, comparar la inestabilidad de elección con la varianza del entrenamiento y ajustar presupuestos de pérdida controlada convierte la selección de modelos en un sistema auditable de apoyo a la decisión.
Mathematics, vol. 14, no. 5, article 908, 2026
Las arquitecturas de predicción en grafos suelen entrenar representaciones de nodos desde cero y de forma aislada para cada conjunto de datos. Extraer subgrafos de múltiples redes espacio-temporales y transferir los embeddings aprendidos permite reutilizar conocimiento estructural entre dominios, mejorando la precisión predictiva en tareas de destino y aportando explicabilidad sobre el espacio latente compartido.
International Journal of Environmental Science and Technology, vol. 23, no. 1, article 69, 2026
Predecir la distribución global de aerosoles atmosféricos exige capturar tanto el transporte espacial a escala planetaria como dinámicas temporales en múltiples frecuencias. La combinación de observaciones de CAMS con variables meteorológicas de ERA5 en una arquitectura híbrida (MultiscaleTCNGraphSAGE) supera a transformadores y modelos de grafos de referencia, mejorando notablemente la estimación de episodios de polvo y contaminación extrema.
Applied Sciences, vol. 15, no. 10, article 5576, 2025
La contaminación acústica en grandes urbes combina ritmos temporales marcados por la actividad humana con dependencias espaciales fijadas por la morfología y el trazado de la ciudad. Una arquitectura híbrida que une convoluciones temporales 1D, memoria recurrente LSTM y capas de transformadores de grafos (CNN1D+LSTM+TransformerConv) alcanza una alta precisión predictiva sobre la red de sensores de Madrid.
Journal of Environmental Management, vol. 371, article 122922, 2024
Proyectar las concentraciones globales de dióxido de carbono y metano a seis meses vista requiere integrar observaciones por satélite con covariables ambientales dinámicas y estáticas. Modelar el sistema de monitorización planetario mediante redes neuronales de grafos espacio-temporales supera a los enfoques exclusivamente temporales, demostrando el valor de representar explícitamente la conectividad espacial global en los gases de efecto invernadero.
Tesis doctoral
Defendida en la Universidad de Alicante el 11 de diciembre de 2025.
Explorar la tesisPerfiles de autor