Resumen
Las
redes neuronales artificiales (ANN) son sistemas informáticos que difieren de
otros métodos de reconocimiento de patrones en su habilidad para seleccionar
una o más variables a partir de un conjunto de variables de entrada.
Estos sistemas aprenden mediante el autoajuste de un conjunto de parámetros con
vistas a minimizar el error entre el resultado deseado y el suministrado por la
red.
Con
vistas a explorar el potencial de las redes neuronales artificiales en la
predicción de parámetros paleoceanográficos a partir de las abundancias
relativas de las especies de nanoplancton calcáreo, se analizaron observaciones
tomadas de la literatura para: (1) la predicción de la temperatura superficial
de las aguas (SST) en muestras provenientes de la zona exterior de la plataforma
del Sur de California y (2) la predicción de los valores isotópicos del
oxígeno en un sondeo cuaternario del Mediterráneo oriental.
Se
utilizó una red neuronal de propagación inversa (BP) para contrastar la
capacidad de la red en la predicción de valores SST y de isótopos de oxígeno.
Cada uno de los conjuntos de datos se dividió en cinco subconjuntos de
aprendizaje y prueba, con vistas a evaluar la estabilidad de las estimaciones de
tasas de error. Para la muestras de la ensenada de California se obtuvo un error
promedio de predicción, expresado según la raíz cuadrada de la desviación
media (RMSEP), de ±0,68, lo que implica que un valor desconocido de SST se
puede predecir con una precisión de 0,68 ºC. En las muestras del Mediterráneo
el valor promedio de RMSEP obtenido en los subconjuntos de prueba fue 0,64, por
lo que un valor isotópico de oxígeno se puede predecir con una precisión de
±0,64 
18O‰
vs. PDB.
Las
técnicas ANN se pueden contemplar como una herramienta complementaria a las
aproximaciones más convencionales utilizadas en el análisis de datos
paleoceanográficos. Tales técnicas muestran un gran potencial para efectuar
predicciones sobre varios tipos de variables a partir de datos paleontológicos.