Herrera Marín, MauricioSaquel Depaoli, Carlos2026-03-162026-03-162026https://hdl.handle.net/11447/10629Proyecto de grado presentado a la Facultad de Ingeniería de la Universidad del Desarrollo para optar al grado académico de Magíster en Data ScienceEste trabajo desarrolla un sistema de pronóstico espacio–temporal de precipitaciones en Chile basado en un modelo híbrido que combina un Autoencoder convolucional 3D (AE) con Descomposición Modal Dinámica (DMD). El desarrollo se centra en las regiones del Maule y Ñuble, utilizando precipitación diaria CR2MET (1980–2021) en alta resolución para capturar la variabilidad regional relevante. El AE reduce la dimensionalidad de cubos espacio–temporal y genera un espacio latente compacto, sobre el cual la DMD ajusta un operador lineal encargado de propagar la dinámica y producir pronósticos a horizontes de 1 a 5 días. El desempeño del modelo AE+DMD se evalúa para horizontes de 1 a 5 días y se compara con un baseline de referencia basado en DeepAR aplicado a múltiples series univariadas, mediante métricas como MAE y RMSE. Los resultados muestran que el enfoque híbrido captura adecuadamente los patrones espacio–temporal dominantes y ofrece pronósticos competitivos, en particular para 1–3 días, con un costo computacional moderado y modos DMD que facilitan la interpretación física de la dinámica de precipitación regional.102 p.es070037SPrecipitaciónAguas lluviasPronóstico espaciotemporalAutoencodersDMDThesis