Ruiz Guzman, Laura AlejandraTorres, Alberto2026-03-062026-03-062025-06-27https://hdl.handle.net/10906/130583Este trabajo aborda la necesidad crítica de la Armada de Colombia de contar con pronósticos meteorológicos marítimos precisos y oportunos. Presenta el desarrollo de un sistema de pronóstico de alta resolución para las aguas del Pacífico y el Atlántico colombianos, basado en técnicas de aprendizaje profundo. La metodología se centró en la recopilación y el procesamiento de datos históricos del reanálisis ERA5 para una región estratégicamente importante, con el fin de capturar fenómenos climáticos clave como el ENSO. Se desarrolló un modelo predictivo para pronosticar un "panel" de variables operativas, incluyendo la altura de las olas, el viento y la temperatura. El rendimiento del modelo se evalúa con métricas estándar como la pérdida, el MAE y el RMSE. Como resultado final, se propone un modelo integrado en un contenedor Docker y expuesto mediante una API RESTful para uso operativo, lo que proporciona a la Armada una herramienta robusta y específica para sus áreas de operación.This work addresses the critical need of the Colombian Navy to have accurate and timely maritime weather forecasts. It presents the development of a high-resolution forecasting system for Colombian Pacific and Atlantic waters, based on Deep Learning techniques. The methodology focused on the collection and processing of historical data from the ERA5 reanalysis for a strategically important region, to capture key climate phenomena such as ENSO. A predictive model was developed to forecast a "dashboard" of operational variables, including wave height, wind, and temperature. The model's performance is evaluated against standard metrics such as Loss, MAE, and RMSE. As a final deliverable, a model integrated into a Docker container and exposed via a RESTful API for operational use is proposed, providing the Navy with a robust and specific tool for its areas of operation.I. Introducción -- II. Materiales y Métodos -- Tabla 1 Modelos Referentes en la Industria -- Tabla 4 Variables Efecto -- V. Conclusiones -- Reconocimiento -- Referencias15 páginasDigitalapplication/pdfspaEL AUTOR, expresa que la obra objeto de la presente autorización es original y la elaboró sin quebrantar ni suplantar los derechos de autor de terceros, y de tal forma, la obra es de su exclusiva autoría y tiene la titularidad sobre éste. PARÁGRAFO: en caso de queja o acción por parte de un tercero referente a los derechos de autor sobre el artículo, folleto o libro en cuestión, EL AUTOR, asumirá la responsabilidad total, y saldrá en defensa de los derechos aquí autorizados; para todos los efectos, la Universidad Icesi actúa como un tercero de buena fe. Esta autorización, permite a la Universidad Icesi, de forma indefinida, para que en los términos establecidos en la Ley 23 de 1982, la Ley 44 de 1993, leyes y jurisprudencia vigente al respecto, haga publicación de este con fines educativos.http://creativecommons.org/licenses/by-nc-nd/4.0/master thesishttps://biblioteca2.icesi.edu.co/cgi-olib/?oid=366457info:eu-repo/semantics/openAccessAttribution-NonCommercial-NoDerivatives 4.0 InternationalAprendizaje ProfundoENSOPronóstico MeteorológicoSeguridad MarítimaSeries de TiempoDeep LearningENSOWeather ForecastingMaritime SecurityTime SeriesTesis de Maestría en Ciencia de Datosinstname:Universidad Icesireponame:Biblioteca Digitalrepourl:https://repository.icesi.edu.co/http://purl.org/coar/access_right/c_abf2