Programa de investigación
La investigación estudia el sistema predictivo como una cadena completa: observaciones distribuidas, estructura espacial aprendida, evaluación, selección del modelo y decisión de despliegue.
Premisa central
La predicción ambiental combina sensores, satélites, productos de reanálisis y variables contextuales. Estas fuentes no están siempre completas, alineadas ni estables.
El objetivo es representar las relaciones espaciales, aprender dinámicas temporales y hacer explícita la incertidumbre que rodea la selección final del modelo.
Cuatro áreas conectadas
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.
Cadena de investigación
Sensores, satélites y variables ambientales.
Grafos, ventanas temporales y dependencias multiescala.
Arquitecturas neuronales sobre conjuntos realistas.
Ausencias, desalineación, degradación e incertidumbre.
Selección trazable bajo restricciones explícitas.