Revista Innovación y Software
Vol. 6, No. 1, Mes Marzo-Agosto, 2025
ISSN: 2708-0935
Pág. 142-151
https://revistas.ulasalle.edu.pe/innosoft
Esta obra está bajo una Licencia
Creative Commons Atribución
4.0 Internacional.
Tipo de artículo: Artículos de revisión
Temática: Inteligencia Artificial
Recibido: 28/12/2024 | Aceptado: 20/01/2025 | Publicado: 30/03/2025
Identificadores persistentes:
DOI: 10.48168/innosoft.s23.a210
ARK: ark:/42411/s23.a210
PURL: 42411/s23.a210
Técnicas y Herramientas de Deep Learning para la Predicción
Meteorológica Inteligente
Deep Learning Techniques and Tools for Intelligent Weather
Forecasting
Jose Luis Gutierrez Diaz
1[0009-0002-0446-4454]
, Kevin Parimango Gómez
2[0009-0009-9035-2184]
,
Marcelino Torres Villanueva
3[0000-0002-9797-1510]*
1
Universidad Nacional de Trujillo. Trujillo, Perú. kparimango@unitru.edu.edu
2
Universidad Nacional de Trujillo. Trujillo, Perú. jgutierrez@unitru.edu.pe
3
Universidad Nacional de Trujillo. Trujillo, Perú. mtorres@unitru.edu.pe
∗
Autor para correspondencia: jgutierrez@unitru.edu.pe
Resumen
En el presente artículo, se desarrolló un análisis de las técnicas de aprendizaje profundo para lograr una pre-
dicción meteorológica usando los enfoques estadísticos de reducción de escala. Estos son importantes, ya que
permiten ajustar las proyecciones climáticas de gran escala generadas por el modelo climático MCG a pronósti-
cos más exactos y definidos para áreas específicas, de tal manera permitiendo sobrepasar las limitaciones de los
modelos numéricos tradicionales en la representación de fenómenos locales y de pequeña escala. Se analizaron
estudios que ponen en práctica las Redes Neuronales Convolucionales (CNN) y Redes Generativas Adversaria-
les (GAN) con el objetivo de poder mejorar la resolución espacial y temporal de los datos climáticos. Ambas
herramientas y técnicas han demostrado ser efectivas en proyectos como VALUE, que se encarga de evaluar
métodos de downscaling en Europa, y DL4DS, una biblioteca en Python, encargada de aplicar algoritmos de
aprendizaje profundo al downscaling empírico de datos climáticos. El principal objetivo de este artículo fue
analizar la efectividad de ambas herramientas y técnicas enfocadas en la precisión, escalabilidad y eficiencia
computacional, brindando una perspectiva completa de su uso para la mejora de las predicciones meteorológicas
a nivel local.
Palabras claves: Modelo climático, predicción meteorológica, reducción de escala, Modelos de Circulación
General, Redes Neuronales Convolucionales, Redes Generativas Adversariales.
Abstract
In this paper, an analysis of deep learning techniques for weather forecasting using statistical downscaling ap-
proaches was developed. These are important, since they allow adjusting large-scale climate projections generated
by the GCM climate model to more accurate and defined forecasts for specific areas, thus allowing overcoming
the limitations of traditional numerical models in the representation of local and small-scale phenomena. Stu-
dies implementing Convolutional Neural Networks (CNN) and Generative Adversarial Networks (GAN) were
analyzed in order to improve the spatial and temporal resolution of climate data. Both tools and techniques
have proven to be effective in projects such as VALUE, which is in charge of evaluating downscaling methods in
Europe, and DL4DS, a Python library in charge of applying deep learning algorithms to empirical downscaling
Facultad de Ingeniería
Universidad La Salle, Arequipa, Perú
facin.innosoft@ulasalle.edu.pe
142
Revista Innovación y Software
Vol. 6, No. 1, Mes Marzo-Agosto, 2025
ISSN: 2708-0935
Pág. 142-151
https://revistas.ulasalle.edu.pe/innosoft
of climate data. The main objective of this paper was to analyze the effectiveness of both tools and techniques
focused on accuracy, scalability and computational efficiency, providing a complete overview of their use for the
improvement of local weather forecasting.
Keywords: Climate model, weather forecasting, downscaling, General Circulation Models, Convolutional Neu-
ral Networks, Adversarial Generative Networks.
Introducción
La predicción meteorológica representa una parte esencial para el funcionamiento del mundo moderno, debido a
que, al tener exactitud en el clima, permitirá planificar actividades diarias sobre salir a pasear, realizar compras,
deportes; para la agricultura tomar decisiones y planificar sobre qué momentos son los más adecuados para
sembrar, cosechar y regar, en el transporte por los diferentes medios, ya sea terrestres, acuáticos, aéreos influye
de manera decisiva para mantener una buena seguridad de todas las personas, evitando daños y pérdidas
humanas y materiales. [1] También, el pronóstico específico del clima brinda información sobre cómo es el
comportamiento de sistemas meteorológicos complejos, así como de la dinámica del cambio climático, aportando
a una visión más compleja para el medioambiente.
La predicción metereológica se conoce como el método científico de predecir el estado de la atmósfera basado
en un determinado tiempo y lugar. Para ello se usa un enfoque cuantitativo que con el tiempo se ha ido
perfeccionando, permitiendo obtener resultados de áreas limitadas; mediante la resolución de un complejo
sistema de ecuaciones matemáticas no lineales basadas en modelos matemáticos específicos, La PNM usa
algoritmos informáticos, con el fin de elaborar una previsión basada en las condiciones meteorológicas actuales.
[2]
Esta predicción ha dependido desde sus inicios del sistema de la Predicción Numérica del Tiempo (NWP) el
cual permite conocer los procesos que se dan en la atmósfera como el movimiento de las masas de aire, la
energía en juego o los procesos termodinámicos implicados. Para su ejecución se consideran tres etapas bien
marcadas, la primera es la asimilación de los datos, donde diariamente se registran en todo el mundo millones
de datos meteorológicos de todo tipo; como segundo paso es que el modelo construye a partir de los datos, un
estado inicial, significa que se asigna valores a cada 6 punto de la malla antes apuntada, para que a partir de
ello el ordenador resuelva las ecuaciones y vaya calculando la evolución futura de variables como la presión,
la temperatura o el viento, como resultado se obtiene el cálculo de una gigantesca matriz de números. El
último paso es la transformación de esa matriz numérica, en los diferentes campos meteorológicos que tienen
a su disposición los meteorólogos [3]. A través del tiempo se han desarrollado diversos modelos, uno de los
más importantes es el modelo de Investigación y Pronóstico del Tiempo (WRF), siendo uno de los modelos
Facultad de Ingeniería
Universidad La Salle, Arequipa, Perú
facin.innosoft@ulasalle.edu.pe
143
Revista Innovación y Software
Vol. 6, No. 1, Mes Marzo-Agosto, 2025
ISSN: 2708-0935
Pág. 142-151
https://revistas.ulasalle.edu.pe/innosoft
atmosféricos más usados en el mundo, esto debido a su gran resolución, precisión, naturaleza de código abierto,
apoyo de la comunidad y sus diversas disciplinas. [2]
[4] La predicción del tiempo ha pasado a la era del Big Data gracias al progreso de los sistemas de observación
climática como la observación satelital del clima, así como al rápido incremento en la cantidad de datos
meteorológicos. Así pues, los modelos convencionales de inteligencia computacional no son idóneos para prever
con exactitud el clima. De esa manera, se utilizan técnicas basadas en el aprendizaje profundo para manejar
conjuntos de datos enormes que tienen la capacidad de aprender y realizar proyecciones de forma más eficaz
basadas en datos anteriores.
En este artículo se describe y analiza las principales técnicas de aprendizaje profundo aplicadas a la predicción
meteorológica, siendo el objetivo evaluar su efectividad para la mejora de la resolución espacial y temporal de
las predicciones meteorológicas. Se explican algunos que otros tipos de predicciones meteorológicas. Se exponen
los objetivos trazados, se revisan y analizan los trabajos más importantes junto con aportes de otros autores
sobre el tema, el estudio se justifica con el fin de contar con pronósticos exactos a nivel local, buscando ofrecer
una perspectiva completa de la capacidad de nuevas herramientas en la mejora de la predicción meteorológica,
para lograr una mejor toma de decisiones y adaptarse a las condiciones del clima.
Tipos de Predicciones Meteorológicas
1. Método Climatológico: Este procedimiento ofrece un procedimiento para crear una predicción climá-
tica. Después de analizar los datos climáticos acumulados durante muchos años y realizar proyecciones,
los meteorólogos emplean este procedimiento [5].
2. Método de Persistencia y Tendencia: La persistencia y la inclinación demandan menos conocimientos
para anticipar el tiempo, ya que se basan en tendencias anteriores. En todo el mundo, el tiempo es
inalterable, al igual que la predicción climática para el día de hoy. Esto solo implica mantenerse actualizado
sobre las temperaturas presentes y entender las condiciones climáticas de la región. [5]
3. Mirando al Cielo: Si bien es algo que puede sonar muy simple, este tipo de predicción ha ayudado a
muchas personas durante largos años. Cuando observas el cielo, puedes establecer el tiempo observando
el sol o la luna, o si observas nubes de gran altura. Si las nieblas están nubladas, existe la posibilidad
de que se genere un clima desagradable en un corto periodo. Para determinar cuándo la tempestad se
aproxima, verifica si las nubes se desplazan o no. [5]
4. Nowcasting: Las proyecciones climáticas para las seis horas venideras se conocen frecuentemente como
nowcasting. En este momento, se puede anticipar elementos pequeños, como tormentas individuales, con
Facultad de Ingeniería
Universidad La Salle, Arequipa, Perú
facin.innosoft@ulasalle.edu.pe
144
Revista Innovación y Software
Vol. 6, No. 1, Mes Marzo-Agosto, 2025
ISSN: 2708-0935
Pág. 142-151
https://revistas.ulasalle.edu.pe/innosoft
la exactitud necesaria, al igual que otras cosas que son demasiado pequeñas para que un ordenador pueda
tratarlas.
5. Use of Forecasting Models: Los predictores humanos tenían la tarea de generar todo el tiempo que
reflejaba los datos existentes. Actualmente, la información humana a menudo se restringe a la elección
de modelos basándose en diversos límites, como la discriminación y el desempeño de los mismos. Emplea
la concordancia de los modelos climáticos, junto con la inclusión de integrantes de una extensa variedad
de especies, puede contribuir a reducir los errores ambientales. En cualquier situación, sin importar la
sencillez del error en cualquier sistema individual, pueden surgir fallos significativos en cualquier correc-
ción direccional particular en cualquier funcionamiento del modelo proporcionado. Las personas pueden
emplear información acerca de resultados locales, que podrían ser muy reducidos en tamaño para ser
resueltos por un modelo para su solución.
Materiales y Metodología computacional
En el presente trabajo, se realizó una revisión exhaustiva de la literatura existente sobre el uso de técnicas de
aprendizaje profundo aplicadas a la predicción meteorológica. La metodología empleada incluyó las siguientes
etapas:
1. Selección de fuentes: Se consultaron bases de datos académicas como IEEE Xplore, ScienceDirect,
SpringerLink y Google Scholar para identificar artículos, revisiones y proyectos relevantes. Los criterios
de búsqueda incluyeron palabras clave como "deep learning", "weather forecasting", ÇNN", "GAN", y
"downscaling".
2. Criterios de inclusión y exclusión: Se seleccionaron trabajos publicados entre 2015 y 2024 que abor-
daron el uso de redes neuronales en la mejora de predicciones climáticas, priorizando aquellos que reportan
resultados cuantitativos sobre la eficacia de los métodos aplicados.
3. Análisis comparativo: Los artículos seleccionados fueron analizados y categorizados según las técnicas
empleadas, la calidad de los resultados obtenidos, y las limitaciones identificadas por los autores. Estudio
de casos: Se revisaron proyectos como VALUE (Validating and Understanding Local-scale Environments)
y el uso de la libreria DL4DS (Deep Learning for Downscaling) para evaluar su aplicabilidad en diferentes
contextos. Herramientas utilizadas: Se emplearon herramientas computacionales como Python y librerías
especializadas (TensorFlow, PyTorch y DL4DS) para analizar la estructura de los modelos y comprender
su funcionamiento.
Facultad de Ingeniería
Universidad La Salle, Arequipa, Perú
facin.innosoft@ulasalle.edu.pe
145
Revista Innovación y Software
Vol. 6, No. 1, Mes Marzo-Agosto, 2025
ISSN: 2708-0935
Pág. 142-151
https://revistas.ulasalle.edu.pe/innosoft
Esta metodología permitió recopilar información actualizada y relevante, identificando las principales ventajas
y limitaciones de las técnicas estudiadas.
Técnicas y herramientas
1. Downscaling: El downscaling es un proceso utilizado para traducir proyecciones climáticas globales
generadas por Modelos de Circulación General (MCG) a predicciones más detalladas y específicas a nivel
regional o local. Existen dos tipos principales de downscaling: el dinámico, que utiliza modelos de alta
resolución basados en leyes físicas, y el estadístico, que establece relaciones empíricas entre variables de
gran escala y características locales. Este enfoque es crucial porque los MCG no capturan adecuadamente
los fenómenos locales debido a su resolución limitada, lo que puede resultar en pronósticos menos precisos
para regiones específicas [6]. Esto es crucial porque los MCG no capturan adecuadamente los fenómenos
locales debido a su resolución limitada, lo que puede resultar en pronósticos menos precisos para regiones
específicas [6]. Este enfoque es crucial para superar las limitaciones inherentes de los modelos globales
que no capturan adecuadamente los fenómenos locales. Existen dos tipos principales de downscaling:
Downscaling dinámico: Utiliza modelos de alta resolución que incorporan leyes físicas para generar
proyecciones detalladas. Se contemplan dos técnicas dinámicas de disminución de escala, que con-
llevan la utilización de la temperatura superficial o la lluvia simulada en el punto de cuadrícula más
próximo en un modelo de circulación general (GCM) de aproximadamente 300 km de resolución, y
un modelo climático regional (RCM) de 50 km anidado dentro del GCM.. [7]
Downscaling estadístico: Establece relaciones empíricas entre variables climáticas de gran escala y
características locales, y es aquí donde técnicas como redes neuronales y aprendizaje profundo tienen
un impacto significativo. El enfoque estadístico (STAT) se fundamenta en las relaciones lineales de
regresión detectadas entre la temperatura superficial o la lluvia y un espectro de variables predictivas
del clima. [7]
2. Redes Neuronales Convolucionales (CNN): Las Redes Neuronales Convolucionales (CNN, por sus siglas
en inglés) son un tipo de red neuronal diseñada para procesar datos con estructuras de tipo rejilla, como
imágenes o mapas climáticos [4]. Por ejemplo, un estudio reciente demostró que las CNN pueden mejorar
significativamente la predicción de precipitaciones al capturar patrones espaciales complejos en datos
climáticos históricos, permitiendo identificar fenómenos locales con mayor precisión [6]. Su principal
característica es la capacidad de extraer patrones espaciales mediante operaciones de convolución, lo
que las hace ideales para mejorar la resolución espacial y temporal en la predicción meteorológica. Las
CNN han demostrado su eficacia en la identificación de patrones complejos en grandes volúmenes de
datos climáticos, facilitando predicciones más precisas y detalladas. En la predicción meteorológica, las
Facultad de Ingeniería
Universidad La Salle, Arequipa, Perú
facin.innosoft@ulasalle.edu.pe
146
Revista Innovación y Software
Vol. 6, No. 1, Mes Marzo-Agosto, 2025
ISSN: 2708-0935
Pág. 142-151
https://revistas.ulasalle.edu.pe/innosoft
CNN ayudan a reducir la pérdida de información durante el procesamiento, permitiendo un análisis más
detallado de fenómenos atmosféricos específicos. [2]
3. Redes Generativas Adversariales (GAN): Las Redes Generativas Adversariales (GAN) son un enfo-
que innovador que consta de dos redes neuronales: una generadora y una discriminadora, que trabajan en
conjunto para crear datos sintéticos altamente realistas [8]. En el contexto de la meteorología, las GAN se
utilizan para generar datos climáticos que complementen conjuntos de datos insuficientes o para simular
eventos extremos. Este enfoque ha sido especialmente útil para mejorar la representación de fenómenos
locales y la resolución de los modelos climáticos, proporcionando una base de datos más robusta para
la predicción de eventos meteorológicos complejos.Una investigación [9] centrada en la aplicación de una
Red Generativa Adversaria, se enfocó en el uso de esta red para la predicción del clima meteorológico en
EUROPA, entrenando simultáneamente el modelo con datos históricos durante 4 años (2015-2018) para
su adecuada predicción. La investigación señala que los pronósticos demostraron un acuerdo cualitativo
y cuantitativo adecuado con los datos reales proporcionados, además de que se evidencia que el modelo
en relación a datos globales tiende a fallar más, pero cuando se presentan datos más específicos se logran
mejores resultados.
4. Libreria DL4DS: DL4DS (Deep Learning for Downscaling) es una librería de Python diseñada especí-
ficamente para aplicar algoritmos de aprendizaje profundo en el downscaling de datos climáticos [7]. Por
ejemplo, en un estudio realizado en Europa, se utilizó DL4DS para mejorar la resolución de las predic-
ciones de precipitaciones diarias, lo que resultó en una reducción significativa de errores al comparar con
datos observados locales. Esta herramienta permite a los investigadores implementar modelos avanzados
de manera eficiente, integrando funciones preconfiguradas para la mejora de la resolución espacial y tem-
poral. DL4DS ha sido utilizada en diversos estudios para evaluar su impacto en la predicción climática a
nivel local. Su uso facilita la aplicación de técnicas complejas sin la necesidad de construir modelos desde
cero, lo que optimiza los recursos y acelera el análisis.
Facultad de Ingeniería
Universidad La Salle, Arequipa, Perú
facin.innosoft@ulasalle.edu.pe
147
Revista Innovación y Software
Vol. 6, No. 1, Mes Marzo-Agosto, 2025
ISSN: 2708-0935
Pág. 142-151
https://revistas.ulasalle.edu.pe/innosoft
Figura 1. Arquitectura general de DL4DS. Se representa como se puede convertir un conjunto de datos de baja
resolución en uno de alta resolución.
5. TensorFlow: TensorFlow es una plataforma de código abierto desarrollada por Google que permite
construir y entrenar modelos de aprendizaje profundo de manera eficiente. En la predicción meteorológica,
TensorFlow se utiliza para implementar redes neuronales avanzadas que analizan grandes volúmenes de
datos climáticos, facilitando el desarrollo de modelos escalables y de alta precisión.
6. PyTorch: PyTorch, desarrollado por Facebook, es otra librería de aprendizaje profundo ampliamente
utilizada debido a su flexibilidad y capacidad para realizar cálculos dinámicos. En el campo meteorológico,
PyTorch se emplea para construir y optimizar redes neuronales complejas, incluyendo las mencionadas
CNN y GAN, proporcionando herramientas para ajustar modelos de manera más intuitiva.
7. Validación y Estudio de Entornos a Escala Local (Proyecto VALUE): El proyecto VALUE
(Validating and Understanding Local-scale Environments) se centra en la validación y comparación de
métodos de downscaling estadístico en Europa [3]. Sus resultados han influido significativamente en la
adaptación de estas metodologías para su aplicación en otras regiones, proporcionando un marco para
estandarizar y mejorar las técnicas de predicción climática a nivel global. Este proyecto ha proporcionado
un marco integral para evaluar cómo diferentes enfoques de reducción de escala, incluidos los basados en
aprendizaje profundo, pueden mejorar la precisión de las predicciones climáticas regionales. VALUE ha
sido clave en la estandarización de técnicas y en la promoción de prácticas replicables en la investigación
climática, ofreciendo una referencia confiable para el desarrollo de modelos en otras regiones del mundo.
Facultad de Ingeniería
Universidad La Salle, Arequipa, Perú
facin.innosoft@ulasalle.edu.pe
148
Revista Innovación y Software
Vol. 6, No. 1, Mes Marzo-Agosto, 2025
ISSN: 2708-0935
Pág. 142-151
https://revistas.ulasalle.edu.pe/innosoft
Resultados
1. Eficacia de las Redes Neuronales Convolucionales (CNN): Las CNN han demostrado ser alta-
mente efectivas en la mejora de la resolución espacial y temporal de los datos meteorológicos. Estudios
como el de Stengel et al. [6] reportaron aumentos significativos en la precisión de los pronósticos al aplicar
CNN al downscaling de datos climáticos. El estudio reciente de Jhonatan et al [10] demuestra que las
redes neuronales convolucionales las cuales estan basadas en datos son mucho mas rapidas y eficaces a
diferencia de otros modelos para la prediccion del clima, sugiriendo que el aprendizaje automático podría
convertirse en un recurso útil para la predicción de grandes conjuntos. Estas redes optimizan la extracción
de patrones espaciales, lo que resulta en un análisis más detallado de fenómenos locales.
2. Aplicación de Redes Generativas Adversariales (GAN): Las GAN han sido útiles para generar
datos sintéticos que complementen conjuntos de datos existentes, mejorando la representación de fenó-
menos locales. Por ejemplo, el trabajo de Weyn et al. [11] destaca el uso de GAN para simular eventos
meteorológicos extremos, permitiendo una mejor planificación frente a condiciones adversas.
3. Integración de herramientas especializadas: Librerías como DL4DS han facilitado la implementación
de algoritmos avanzados de aprendizaje profundo, permitiendo realizar pruebas rápidas y eficientes en
diferentes contextos geográficos y climáticos. Su integración reduce la complejidad técnica y acelera el
proceso de experimentación.
4. Limitaciones identificadas: A pesar de los avances, persisten retos relacionados con el costo compu-
tacional y la interpretabilidad de los modelos. Además, la falta de estandarización en los datos de entre-
namiento puede influir negativamente en la precisión de los resultados.
Facultad de Ingeniería
Universidad La Salle, Arequipa, Perú
facin.innosoft@ulasalle.edu.pe
149
Revista Innovación y Software
Vol. 6, No. 1, Mes Marzo-Agosto, 2025
ISSN: 2708-0935
Pág. 142-151
https://revistas.ulasalle.edu.pe/innosoft
Conclusiones
A partir del análisis realizado, se concluye que:
1. Impacto positivo del aprendizaje profundo: Las técnicas de aprendizaje profundo, particularmente las
CNN y las GAN, han transformado el campo de la predicción meteorológica, permitiendo superar las
limitaciones de los métodos numéricos tradicionales.
2. Avances en la resolución local: La aplicación de métodos de downscaling asistidos por aprendizaje profundo
ha mejorado significativamente la precisión de los pronósticos a nivel local, lo cual es crucial para la toma
de decisiones en sectores como la agricultura y la gestión de desastres.
3. Retos pendientes: Persiste la necesidad de abordar limitaciones como el alto costo computacional y la
interpretabilidad de los modelos, así como de desarrollar estándares para el manejo de datos climáticos.
4. Futuras líneas de investigación: Se sugiere explorar la integración de modelos de aprendizaje profundo con
enfoques híbridos que combinen técnicas tradicionales y modernas para mejorar aún más la capacidad
predictiva.
Contribución de Autoría
Jose Luis Gutierrez Diaz: Conceptualización, Investigación, Metodología, Validación, Redacción - borrador
original. Kevin Parimango Gómez: Conceptualización, Investigación, Metodología, Validación, Redacción -
borrador original. Torres Villanueva Marcelino: Análisis formal, Visualización, Supervisión, Administración
de proyectos, Curación de datos, Escritura, revisión y edición.
Facultad de Ingeniería
Universidad La Salle, Arequipa, Perú
facin.innosoft@ulasalle.edu.pe
150
Revista Innovación y Software
Vol. 6, No. 1, Mes Marzo-Agosto, 2025
ISSN: 2708-0935
Pág. 142-151
https://revistas.ulasalle.edu.pe/innosoft
Referencias
[1] CEUPE, “Meteorología: qué es y su importancia,” https://www.ceupe.com/blog/
meteorologia-que-es-y-su-importancia.html, accedido: 09-dic-2024.
[2] H. S. Walia and M. Mahajan, “Automatic feature learning using neuro-fuzzy systems: a survey,” Pattern
Analysis and Applications, vol. 23, no. 2, pp. 451–471, 2020, accedido el 12 de diciembre de 2024. [Online].
Available: https://link.springer.com/article/10.1007/s10044-020-00898-1
[3] J. M. Viñas Rubio, “Origen y desarrollos actuales de la predicción meteorológica,” EM, vol. 45, no. 2,
pp. 1–20, accedido: 09-dic-2024. [Online]. Available: https://repositorio.uam.es/bitstream/handle/10486/
678728/EM_45_2.pdf?sequence=1
[4] K. U. Jaseena and B. C. Kovoor, “Deterministic weather forecasting models based on intelligent predictors:
A survey,” J. King Saud Univ. - Comput. Inf. Sci., September 2020, accedido el 13 de diciembre de 2024.
[5] “A survey of weather forecasting based on machine learning and deep learning techniques,” Int. J. Emerg.
Trends Eng. Res., vol. 9, no. 7, pp. 988–993, July 2021, accedido el 13 de diciembre de 2024.
[6] P. Bauer, A. Thorpe, and G. Brunet, “The quiet revolution of numerical weather prediction,” Nature, vol.
525, no. 7567, pp. 47–55, 2015, accedido: 10 de diciembre de 2024.
[7] J. Murphy, “Predictions of climate change over europe using statistical and dynamical downscaling tech-
niques,” Int. J. Climatol., vol. 20, no. 5, pp. 489–501, April 2000, accedido el 11 de diciembre de 2024.
[8] K. Stengel, A. Glaws, D. Hettinger, and R. N. King, “Adversarial super-resolution of climatological wind
and solar data,” Proceedings of the National Academy of Sciences, vol. 117, no. 29, pp. 16 805–16 815, 2020.
[9] A. Bihlo, “A generative adversarial network approach to (ensemble) weather prediction,” Neural Netw.,
vol. 139, pp. 1–16, July 2021, accedido el 12 de diciembre de 2024.
[10] J. A. Weyn, D. R. Durran, and R. Caruana, “Improving data-driven global weather prediction using deep
convolutional neural networks on a cubed sphere,” J. Advances Model. Earth Syst., vol. 12, no. 9, September
2020, accedido el 12 de diciembre de 2024.
[11] P. Lynch, “The origins of computer weather prediction and climate modeling,” Journal of Computational
Physics, vol. 227, no. 7, pp. 3431–3444, 2008, accedido: 10 de diciembre de 2024.
Facultad de Ingeniería
Universidad La Salle, Arequipa, Perú
facin.innosoft@ulasalle.edu.pe
151
