Revista Innovaci´on y Software
Vol. 6, No. 2, Mes Septiembre - Febrero, 2025
ISSN: 2708-0935
P´ag. 124-133
https://revistas.ulasalle.edu.pe/innosoft
Esta obra est´a bajo una Licencia
Creative Commons Atribuci´on
4.0 Internacional.
Tipo de art´ıculo: Art´ıculos originales
Tem´atica: Inteligencia Artificial
Recibido: 25/01/2025 |Aceptado: 22/02/2025 |Publicado: 30/09/2025
Identificadores persistentes:
DOI: 10.48168/innosoft.s24.a236
ARK: ark:/42411/s24.a236
PURL: 42411/s24.a236
T´ecnicas y Herramientas de Deep Learning para la
Predicci´on Meteorol´ogica Inteligente
Deep Learning Techniques and Tools for Intelligent Weather
Forecasting
Jose Luis Gutierrez Diaz1[0009-0002-0446-4454]*, Kevin Parimango G´omez2[0009-0009-9035-2184],
Marcelino Torres Villanueva3[0000-0002-9797-1510]
1Universidad Nacional de Trujillo, Per´u. Direcci´on: Av. Juan Pablo II s/n, Trujillo, Per´u.
jgutierrez@unitru.edu.pe
2Universidad Nacional de Trujillo, Per´u. Direcci´on: Av. Juan Pablo II s/n, Trujillo, Per´u.
kparimango@unitru.edu.edu
3Universidad Nacional de Trujillo, Per´u. Direcci´on: Av. Juan Pablo II s/n, Trujillo, Per´u.
mtorres@unitru.edu.pe
∗Autor para correspondencia: jgutierrez@unitru.edu.pe
Resumen
En el presente art´ıculo, se desarroll´o un an´alisis de las t´ecnicas de aprendizaje profundo para lograr una
predicci´on meteorol´ogica usando los enfoques estad´ısticos de reducci´on de escala. Estos son importantes, ya
que permiten ajustar las proyecciones clim´aticas de gran escala generadas por el modelo clim´atico MCG a
pron´osticos m´as exactos y definidos para ´areas espec´ıficas, de tal manera permitiendo sobrepasar las limitacio-
nes de los modelos num´ericos tradicionales en la representaci´on de fen´omenos locales y de peque˜na escala. Se
analizaron estudios que ponen en pr´actica las Redes Neuronales Convolucionales (CNN) y Redes Generativas
Adversariales (GAN) con el objetivo de poder mejorar la resoluci´on espacial y temporal de los datos clim´ati-
cos. Ambas herramientas y t´ecnicas han demostrado ser efectivas en proyectos como VALUE, que se encarga
de evaluar m´etodos de downscaling en Europa, y DL4DS, una biblioteca en Python, encargada de aplicar
algoritmos de aprendizaje profundo al downscaling emp´ırico de datos clim´aticos. El principal objetivo de este
art´ıculo fue analizar la efectividad de ambas herramientas y t´ecnicas enfocadas en la precisi´on, escalabilidad
y eficiencia computacional, brindando una perspectiva completa de su uso para la mejora de las predicciones
meteorol´ogicas a nivel local.
Palabras claves: modelo clim´atico, predicci´on meteorol´ogica, reducci´on de escala, Modelos de Circulaci´on
General, Redes Neuronales Convolucionales, Redes Generativas Adversariales.
Abstract
In this paper, an analysis of deep learning techniques for weather forecasting using statistical downscaling
approaches was developed. These are important, since they allow adjusting large-scale climate projections ge-
nerated 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 phe-
nomena. Studies implementing Convolutional Neural Networks (CNN) and Generative Adversarial Networks
Facultad de Ingenier´ıa
Universidad La Salle, Arequipa, Per´u
facin.innosoft@ulasalle.edu.pe
124
Revista Innovaci´on y Software
Vol. 6, No. 2, Mes Septiembre - Febrero, 2025
ISSN: 2708-0935
P´ag. 124-133
https://revistas.ulasalle.edu.pe/innosoft
(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 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.
Introducci´on
La predicci´on meteorol´ogica representa una parte esencial para el funcionamiento del mundo moderno, debido
a que, al tener exactitud en el clima, permitir´a planificar actividades diarias sobre salir a pasear, realizar
compras, deportes; para la agricultura tomar decisiones y planificar sobre qu´e momentos son los m´as adecua-
dos para sembrar, cosechar y regar, en el transporte por los diferentes medios, ya sea terrestres, acu´aticos,
a´ereos influye de manera decisiva para mantener una buena seguridad de todas las personas, evitando da˜nos y
p´erdidas humanas y materiales. [1] Tambi´en, el pron´ostico espec´ıfico del clima brinda informaci´on sobre c´omo
es el comportamiento de sistemas meteorol´ogicos complejos, as´ı como de la din´amica del cambio clim´atico,
aportando a una visi´on m´as compleja para el medioambiente.
La predicci´on metereol´ogica se conoce como el m´etodo cient´ıfico de predecir el estado de la atm´osfera 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 ´areas limitadas; mediante la resoluci´on de un complejo
sistema de ecuaciones matem´aticas no lineales basadas en modelos matem´aticos espec´ıficos, La PNM usa
algoritmos inform´aticos, con el fin de elaborar una previsi´on basada en las condiciones meteorol´ogicas actuales.
[2]
Esta predicci´on ha dependido desde sus inicios del sistema de la Predicci´on Num´erica del Tiempo (NWP) el
cual permite conocer los procesos que se dan en la atm´osfera como el movimiento de las masas de aire, la
energ´ıa en juego o los procesos termodin´amicos implicados. Para su ejecuci´on se consideran tres etapas bien
marcadas, la primera es la asimilaci´on de los datos, donde diariamente se registran en todo el mundo millones
de datos meteorol´ogicos 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 evoluci´on futura de variables como la presi´on,
la temperatura o el viento, como resultado se obtiene el c´alculo de una gigantesca matriz de n´umeros. El
´ultimo paso es la transformaci´on de esa matriz num´erica, en los diferentes campos meteorol´ogicos que tienen
Facultad de Ingenier´ıa
Universidad La Salle, Arequipa, Per´u
facin.innosoft@ulasalle.edu.pe
125
Revista Innovaci´on y Software
Vol. 6, No. 2, Mes Septiembre - Febrero, 2025
ISSN: 2708-0935
P´ag. 124-133
https://revistas.ulasalle.edu.pe/innosoft
a su disposici´on los meteor´ologos [3]. A trav´es del tiempo se han desarrollado diversos modelos, uno de los
m´as importantes es el modelo de Investigaci´on y Pron´ostico del Tiempo (WRF), siendo uno de los modelos
atmosf´ericos m´as usados en el mundo, esto debido a su gran resoluci´on, precisi´on, naturaleza de c´odigo abierto,
apoyo de la comunidad y sus diversas disciplinas. [2]
[4] La predicci´on del tiempo ha pasado a la era del Big Data gracias al progreso de los sistemas de observaci´on
clim´atica como la observaci´on satelital del clima, as´ı como al r´apido incremento en la cantidad de datos
meteorol´ogicos. As´ı pues, los modelos convencionales de inteligencia computacional no son id´oneos para prever
con exactitud el clima. De esa manera, se utilizan t´ecnicas basadas en el aprendizaje profundo para manejar
conjuntos de datos enormes que tienen la capacidad de aprender y realizar proyecciones de forma m´as eficaz
basadas en datos anteriores.
En este art´ıculo se describe y analiza las principales t´ecnicas de aprendizaje profundo aplicadas a la predicci´on
meteorol´ogica, siendo el objetivo evaluar su efectividad para la mejora de la resoluci´on espacial y temporal de
las predicciones meteorol´ogicas. Se explican algunos que otros tipos de predicciones meteorol´ogicas. Se exponen
los objetivos trazados, se revisan y analizan los trabajos m´as importantes junto con aportes de otros autores
sobre el tema, el estudio se justifica con el fin de contar con pron´osticos exactos a nivel local, buscando ofrecer
una perspectiva completa de la capacidad de nuevas herramientas en la mejora de la predicci´on meteorol´ogica,
para lograr una mejor toma de decisiones y adaptarse a las condiciones del clima.
Tipos de Predicciones Meteorol´ogicas
1. M´etodo Climatol´ogico: Este procedimiento ofrece un procedimiento para crear una predicci´on clim´ati-
ca. Despu´es de analizar los datos clim´aticos acumulados durante muchos a˜nos y realizar proyecciones,
los meteor´ologos emplean este procedimiento. [5]
2. M´etodo de Persistencia y Tendencia: La persistencia y la inclinaci´on demandan menos conocimien-
tos para anticipar el tiempo, ya que se basan en tendencias anteriores. En todo el mundo, el tiempo
es inalterable, al igual que la predicci´on clim´atica para el d´ıa de hoy. Esto solo implica mantenerse
actualizado sobre las temperaturas presentes y entender las condiciones clim´aticas de la regi´on. [5]
3. Mirando al Cielo: Si bien es algo que puede sonar muy simple, este tipo de predicci´on ha ayudado a
muchas personas durante largos a˜nos. Cuando observas el cielo, puedes establecer el tiempo observando
el sol o la luna, o si observas nubes de gran altura. Si las nieblas han nublado, existe la posibilidad de que
se genere un clima desagradable en un corto periodo. Para determinar cu´ando la tempestad se aproxima,
verifica si las nubes se desplazan o no. [5]
Facultad de Ingenier´ıa
Universidad La Salle, Arequipa, Per´u
facin.innosoft@ulasalle.edu.pe
126
Revista Innovaci´on y Software
Vol. 6, No. 2, Mes Septiembre - Febrero, 2025
ISSN: 2708-0935
P´ag. 124-133
https://revistas.ulasalle.edu.pe/innosoft
4. Nowcasting: Las proyecciones clim´aticas para las seis horas venideras se conocen frecuentemente como
nowcasting. En este momento, se puede anticipar elementos peque˜nos, como tormentas individuales, con
la exactitud necesaria, al igual que otras cosas que son demasiado peque˜nas para que un ordenador pueda
tratarlas.
5. Use of Forecasting Models: Los predictores humanos ten´ıan la tarea de generar todo el tiempo que
reflejaba los datos existentes. Actualmente, la informaci´on humana a menudo se restringe a la elecci´on
de modelos bas´andose en diversos l´ımites, como la discriminaci´on y el desempe˜no de los mismos. Emplea
la concordancia de los modelos clim´aticos, junto con la inclusi´on de integrantes de una extensa variedad
de especies, puede contribuir a reducir los errores ambientales. En cualquier situaci´on, sin importar
la sencillez del error en cualquier sistema individual, pueden surgir fallos significativos en cualquier
correcci´on direccional particular en cualquier funcionamiento del modelo proporcionado. Las personas
pueden emplear informaci´on acerca de resultados locales, que podr´ıan ser muy reducidos en tama˜no para
ser resueltos por un modelo para su soluci´on.
Materiales y m´etodos
En el presente trabajo, se realiz´o una revisi´on exhaustiva de la literatura existente sobre el uso de t´ecnicas de
aprendizaje profundo aplicadas a la predicci´on meteorol´ogica. La metodolog´ıa empleada incluy´o las siguientes
etapas:
1. Selecci´on de fuentes: Se consultaron bases de datos acad´emicas como IEEE Xplore, ScienceDirect,
SpringerLink y Google Scholar para identificar art´ıculos, revisiones y proyectos relevantes. Los criterios
de b´usqueda incluyeron palabras clave como ”deep learning”, ”weather forecasting”, C¸ NN”, ”GAN”, y
”downscaling”.
2. Criterios de inclusi´on y exclusi´on: Se seleccionaron trabajos publicados entre 2015 y 2024 que
abordaron el uso de redes neuronales en la mejora de predicciones clim´aticas, priorizando aquellos que
reportan resultados cuantitativos sobre la eficacia de los m´etodos aplicados.
3. An´alisis comparativo: Los art´ıculos seleccionados fueron analizados y categorizados seg´un las t´ecnicas
empleadas, la calidad de los resultados obtenidos, y las limitaciones identificadas por los autores.
4. Estudio de casos: Se revisaron proyectos como VALUE (Validating and Understanding Local-scale En-
vironments) y el uso de la libreria DL4DS (Deep Learning for Downscaling) para evaluar su aplicabilidad
en diferentes contextos.
Facultad de Ingenier´ıa
Universidad La Salle, Arequipa, Per´u
facin.innosoft@ulasalle.edu.pe
127
Revista Innovaci´on y Software
Vol. 6, No. 2, Mes Septiembre - Febrero, 2025
ISSN: 2708-0935
P´ag. 124-133
https://revistas.ulasalle.edu.pe/innosoft
5. Herramientas utilizadas: Se emplearon herramientas computacionales como Python y librer´ıas espe-
cializadas (TensorFlow, PyTorch y DL4DS) para analizar la estructura de los modelos y comprender su
funcionamiento.
Esta metodolog´ıa permiti´o recopilar informaci´on actualizada y relevante, identificando las principales ventajas
y limitaciones de las t´ecnicas estudiadas.
T´ecnicas y herramientas
1. Downscaling: El downscaling es un proceso utilizado para traducir proyecciones clim´aticas globales
generadas por Modelos de Circulaci´on General (MCG) a predicciones m´as detalladas y espec´ıficas a nivel
regional o local. Existen dos tipos principales de downscaling: el din´amico, que utiliza modelos de alta
resoluci´on basados en leyes f´ısicas, y el estad´ıstico, que establece relaciones emp´ıricas entre variables de
gran escala y caracter´ısticas locales. Este enfoque es crucial porque los MCG no capturan adecuadamente
los fen´omenos locales debido a su resoluci´on limitada, lo que puede resultar en pron´osticos menos precisos
para regiones espec´ıficas [6]. Esto es crucial porque los MCG no capturan adecuadamente los fen´omenos
locales debido a su resoluci´on limitada, lo que puede resultar en pron´osticos menos precisos para regiones
espec´ıficas [6]. Este enfoque es crucial para superar las limitaciones inherentes de los modelos globales
que no capturan adecuadamente los fen´omenos locales. Existen dos tipos principales de downscaling:
a)Downscaling din´amico: Utiliza modelos de alta resoluci´on que incorporan leyes f´ısicas para ge-
nerar proyecciones detalladas. Se contemplan dos t´ecnicas din´amicas de disminuci´on de escala, que
conllevan la utilizaci´on de la temperatura superficial o la lluvia simulada en el punto de cuadr´ıcula
m´as pr´oximo en un modelo de circulaci´on general (GCM) de aproximadamente 300 km de resoluci´on,
y un modelo clim´atico regional (RCM) de 50 km anidado dentro del GCM.. [7]
b)Downscaling estad´ıstico: Establece relaciones emp´ıricas entre variables clim´aticas de gran escala
y caracter´ısticas locales, y es aqu´ı donde t´ecnicas como redes neuronales y aprendizaje profundo
tienen un impacto significativo. El enfoque estad´ıstico (STAT) se fundamenta en las relaciones
lineales de regresi´on 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 ingl´es) son un tipo de red neuronal dise˜nada para procesar datos con estructuras de tipo rejilla,
como im´agenes o mapas clim´aticos [4]. Por ejemplo, un estudio reciente demostr´o que las CNN pueden
mejorar significativamente la predicci´on de precipitaciones al capturar patrones espaciales complejos en
datos clim´aticos hist´oricos, permitiendo identificar fen´omenos locales con mayor precisi´on [6]. Su principal
Facultad de Ingenier´ıa
Universidad La Salle, Arequipa, Per´u
facin.innosoft@ulasalle.edu.pe
128
Revista Innovaci´on y Software
Vol. 6, No. 2, Mes Septiembre - Febrero, 2025
ISSN: 2708-0935
P´ag. 124-133
https://revistas.ulasalle.edu.pe/innosoft
caracter´ıstica es la capacidad de extraer patrones espaciales mediante operaciones de convoluci´on, lo que
las hace ideales para mejorar la resoluci´on espacial y temporal en la predicci´on meteorol´ogica. Las
CNN han demostrado su eficacia en la identificaci´on de patrones complejos en grandes vol´umenes de
datos clim´aticos, facilitando predicciones m´as precisas y detalladas. En la predicci´on meteorol´ogica, las
CNN ayudan a reducir la p´erdida de informaci´on durante el procesamiento, permitiendo un an´alisis m´as
detallado de fen´omenos atmosf´ericos espec´ıficos. [2]
3. Redes Generativas Adversariales (GAN): Las Redes Generativas Adversariales (GAN) son un
enfoque innovador que consta de dos redes neuronales: una generadora y una discriminadora, que trabajan
en conjunto para crear datos sint´eticos altamente realistas [8]. En el contexto de la meteorolog´ıa, las GAN
se utilizan para generar datos clim´aticos que complementen conjuntos de datos insuficientes o para simular
eventos extremos. Este enfoque ha sido especialmente ´util para mejorar la representaci´on de fen´omenos
locales y la resoluci´on de los modelos clim´aticos, proporcionando una base de datos m´as robusta para
la predicci´on de eventos meteorol´ogicos complejos.Una investigaci´on [9] centrada en la aplicaci´on de una
Red Generativa Adversaria, se enfoc´o en el uso de esta red para la predicci´on del clima meteorol´ogico en
EUROPA, entrenando simult´aneamente el modelo con datos hist´oricos durante 4 a˜nos (2015-2018) para
su adecuada predicci´on. La investigaci´on se˜nala que los pron´osticos demostraron un acuerdo cualitativo
y cuantitativo adecuado con los datos reales proporcionados, adem´as de que se evidencia que el modelo
en relaci´on a datos globales tiende a fallar m´as, pero cuando se presentan datos m´as espec´ıficos se logran
mejores resultados.
4. Libreria DL4DS: DL4DS (Deep Learning for Downscaling) es una librer´ıa de Python dise˜nada espec´ıfi-
camente para aplicar algoritmos de aprendizaje profundo en el downscaling de datos clim´aticos [7]. Por
ejemplo, en un estudio realizado en Europa, se utiliz´o DL4DS para mejorar la resoluci´on de las predic-
ciones de precipitaciones diarias, lo que result´o en una reducci´on 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 resoluci´on espacial y tem-
poral. DL4DS ha sido utilizada en diversos estudios para evaluar su impacto en la predicci´on clim´atica
a nivel local. Su uso facilita la aplicaci´on de t´ecnicas complejas sin la necesidad de construir modelos
desde cero, lo que optimiza los recursos y acelera el an´alisis.
Facultad de Ingenier´ıa
Universidad La Salle, Arequipa, Per´u
facin.innosoft@ulasalle.edu.pe
129
Revista Innovaci´on y Software
Vol. 6, No. 2, Mes Septiembre - Febrero, 2025
ISSN: 2708-0935
P´ag. 124-133
https://revistas.ulasalle.edu.pe/innosoft
Figura 1. Arquitectura general de DL4DS. Se representa como se puede convertir un conjunto de datos de baja
resoluci´on en uno de alta resoluci´on.
5. TensorFlow: TensorFlow es una plataforma de c´odigo abierto desarrollada por Google que permite
construir y entrenar modelos de aprendizaje profundo de manera eficiente. En la predicci´on meteorol´ogica,
TensorFlow se utiliza para implementar redes neuronales avanzadas que analizan grandes vol´umenes de
datos clim´aticos, facilitando el desarrollo de modelos escalables y de alta precisi´on.
6. PyTorch: PyTorch, desarrollado por Facebook, es otra librer´ıa de aprendizaje profundo ampliamente
utilizada debido a su flexibilidad y capacidad para realizar c´alculos din´amicos. En el campo meteorol´ogico,
PyTorch se emplea para construir y optimizar redes neuronales complejas, incluyendo las mencionadas
CNN y GAN, proporcionando herramientas para ajustar modelos de manera m´as intuitiva.
7. Validaci´on y Estudio de Entornos a Escala Local (Proyecto VALUE): El proyecto VALUE
(Validating and Understanding Local-scale Environments) se centra en la validaci´on y comparaci´on de
m´etodos de downscaling estad´ıstico en Europa [3]. Sus resultados han influido significativamente en la
adaptaci´on de estas metodolog´ıas para su aplicaci´on en otras regiones, proporcionando un marco para
estandarizar y mejorar las t´ecnicas de predicci´on clim´atica a nivel global. Este proyecto ha proporcionado
un marco integral para evaluar c´omo diferentes enfoques de reducci´on de escala, incluidos los basados en
aprendizaje profundo, pueden mejorar la precisi´on de las predicciones clim´aticas regionales. VALUE ha
Facultad de Ingenier´ıa
Universidad La Salle, Arequipa, Per´u
facin.innosoft@ulasalle.edu.pe
130
Revista Innovaci´on y Software
Vol. 6, No. 2, Mes Septiembre - Febrero, 2025
ISSN: 2708-0935
P´ag. 124-133
https://revistas.ulasalle.edu.pe/innosoft
sido clave en la estandarizaci´on de t´ecnicas y en la promoci´on de pr´acticas replicables en la investigaci´on
clim´atica, ofreciendo una referencia confiable para el desarrollo de modelos en otras regiones del mundo.
Resultados y discusi´on
1. Eficacia de las Redes Neuronales Convolucionales (CNN): Las CNN han demostrado ser alta-
mente efectivas en la mejora de la resoluci´on espacial y temporal de los datos meteorol´ogicos. Estudios
como el de Stengel et al. [6] reportaron aumentos significativos en la precisi´on de los pron´osticos al aplicar
CNN al downscaling de datos clim´aticos. 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 autom´atico
podr´ıa convertirse en un recurso ´util para la predicci´on de grandes conjuntos. Estas redes optimizan la
extracci´on de patrones espaciales, lo que resulta en un an´alisis m´as detallado de fen´omenos locales.
2. Aplicaci´on de Redes Generativas Adversariales (GAN): Las GAN han sido ´utiles para gene-
rar datos sint´eticos que complementen conjuntos de datos existentes, mejorando la representaci´on de
fen´omenos locales. Por ejemplo, el trabajo de Weyn et al. [11] destaca el uso de GAN para simular
eventos meteorol´ogicos extremos, permitiendo una mejor planificaci´on frente a condiciones adversas.
3. Integraci´on de herramientas especializadas: Librer´ıas como DL4DS han facilitado la implementa-
ci´on de algoritmos avanzados de aprendizaje profundo, permitiendo realizar pruebas r´apidas y eficientes
en diferentes contextos geogr´aficos y clim´aticos. Su integraci´on reduce la complejidad t´ecnica y acelera
el proceso de experimentaci´on.
4. Limitaciones identificadas: A pesar de los avances, persisten retos relacionados con el costo compu-
tacional y la interpretabilidad de los modelos. Adem´as, la falta de estandarizaci´on en los datos de
entrenamiento puede influir negativamente en la precisi´on de los resultados.
Conclusiones
A partir del an´alisis realizado, se concluye que:
1. Impacto positivo del aprendizaje profundo: Las t´ecnicas de aprendizaje profundo, particularmente
las CNN y las GAN, han transformado el campo de la predicci´on meteorol´ogica, permitiendo superar las
limitaciones de los m´etodos num´ericos tradicionales.
2. Avances en la resoluci´on local: La aplicaci´on de m´etodos de downscaling asistidos por aprendizaje
Facultad de Ingenier´ıa
Universidad La Salle, Arequipa, Per´u
facin.innosoft@ulasalle.edu.pe
131
Revista Innovaci´on y Software
Vol. 6, No. 2, Mes Septiembre - Febrero, 2025
ISSN: 2708-0935
P´ag. 124-133
https://revistas.ulasalle.edu.pe/innosoft
profundo ha mejorado significativamente la precisi´on de los pron´osticos a nivel local, lo cual es crucial
para la toma de decisiones en sectores como la agricultura y la gesti´on de desastres.
3. Retos pendientes: Persiste la necesidad de abordar limitaciones como el alto costo computacional y la
interpretabilidad de los modelos, as´ı como de desarrollar est´andares para el manejo de datos clim´aticos.
a)Futuras l´ıneas de investigaci´on: Se sugiere explorar la integraci´on de modelos de aprendizaje
profundo con enfoques h´ıbridos que combinen t´ecnicas tradicionales y modernas para mejorar a´un
m´as la capacidad predictiva.
Contribuci´on de Autor´ıa
Jose Luis Gutierrez Diaz: Conceptualizaci´on,Investigaci´on,Redacci´on - borrador original. Kevin Parimango
G´omez: Metodolog´ıa,Software. Marcelino Torres Villanueva: Supervisi´on,Escritura, revisi´on y edici´on.
Referencias
[1] CEUPE, “Meteorolog´ıa: qu´e es y su importancia,” https://www.ceupe.com/blog/
meteorologia-que-es-y-su-importancia.html, n.d., 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. [Online]. Available:
https://link.springer.com/article/10.1007/s10044-020-00898-1
[3] J. M. Vi˜nas Rubio, “Origen y desarrollos actuales de la predicci´on meteorol´ogica,” EM, vol. 45, no. 2, pp.
1–20, n.d., accedido: 09-dic-2024.
[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., 2020.
[5] Anonymous, “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, 2021.
[6] P. Bauer, A. Thorpe, and G. Brunet, “The quiet revolution of numerical weather prediction,” Nature, vol.
525, no. 7567, pp. 47–55, 2015.
[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, 2000.
Facultad de Ingenier´ıa
Universidad La Salle, Arequipa, Per´u
facin.innosoft@ulasalle.edu.pe
132
Revista Innovaci´on y Software
Vol. 6, No. 2, Mes Septiembre - Febrero, 2025
ISSN: 2708-0935
P´ag. 124-133
https://revistas.ulasalle.edu.pe/innosoft
[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, 2021.
[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, 2020.
[11] P. Lynch, “The origins of computer weather prediction and climate modeling,” Journal of Computational
Physics, vol. 227, no. 7, pp. 3431–3444, 2008.
Facultad de Ingenier´ıa
Universidad La Salle, Arequipa, Per´u
facin.innosoft@ulasalle.edu.pe
133
