Work

Evaluation of meteorological forecasting models based on artificial intelligence in South America

Year: 2026
Type: dissertation
Abstract: La inteligencia artificial (AI) ha permitido el desarrollo de modelos de predicción meteorológica capaces de alcanzar una precisión comparable o incluso superior a la de los modelos dinámicos tradicionales. Sin embargo, su capacidad para representar fenómenos extremos y los procesos físicos asociados sigue siendo poco explorada, especialmente en Sudamérica. Este trabajo analiza el desempeño de tres modelos de AI (FourCastNet-v2, Pangu-Weather y GraphCast) y del modelo numérico Global Forecast System (GFS) durante las cuatro olas de calor más extensas registradas en el sur de Sudamérica en el verano austral 2022/2023, utilizando los reanálisis ERA5 y MERRA-2 como referencia. La evaluación se realiza mediante métricas estadísticas aplicadas a las principales variables atmosféricas. Además, se incluye una caracterización multiparamétrica de la corriente en chorro en niveles superiores junto con un análisis del balance termodinámico en la baja troposfera. Los resultados muestran que los modelos de AI presentan un desempeño adecuado y comparable al del GFS en la representación de los eventos analizados. Frente a MERRA-2 se observa un comportamiento similar entre todos los sistemas, mientras que respecto a ERA5 los modelos de AI destacan por menores errores en variables de superficie, siendo Pangu-Weather el modelo más consistente. Asimismo, los modelos reproducen correctamente las principales características de la corriente en chorro y los mecanismos dominantes de la evolución térmica durante las olas de calor, aunque muestran una tendencia general a suavizar las amplitudes extremas. En conjunto, los resultados indican que los modelos de AI constituyen una herramienta robusta para la predicción de olas de calor en Sudamérica, al representar adecuadamente tanto la circulación atmosférica de gran escala como los procesos físicos asociados a estos eventos extremos.
Language: Spanish
Open Access status: green
OpenAlex ID: W7219306661
Cites: 37
Cited by:
Related to: 9