Herrera Marín, MauricioMarchant Ferrada, MartínSilva Uribe, Sergio2025-02-172025-02-172024https://hdl.handle.net/11447/9772Proyecto de grado presentado a la Facultad de Ingeniería de la Universidad del Desarrollo para optar al grado académico de Magíster en Data ScienceEl objetivo de esta investigación es evaluar la efectividad del uso combinado de un Autoencoder (AE) y la Descomposición Modal Dinámica (DMD) en la predicción de patrones espacio-temporales de precipitaciones en Chile. Se propone un enfoque innovador que integra estas metodologías para capturar la complejidad dinámica de los datos climáticos, utilizando una representación compacta en un espacio latente y su posterior descomposición dinámica. Los resultados obtenidos evidencian una alta precisión en la predicción de precipitaciones, con un destacado desempeño en la identificación de patrones dominantes y recurrentes en las series temporales. Además, se resalta el bajo costo computacional del modelo, ya que todo el proceso se ejecutó exitosamente en un equipo de cómputo estándar, lo que refuerza su aplicabilidad en contextos con recursos limitados. Este enfoque permitió generar predicciones locales, logrando un nivel de detalle y especificidad superior al de los modelos globales tradicionales, crucial para la toma de decisiones en áreas específicas de Chile. En síntesis, esta investigación demuestra la viabilidad y precisión de esta metodología para predecir precipitaciones en Chile, destacando su potencial para aplicaciones climáticas en entornos específicos, ya que son predicciones locales. Su enfoque basado en la integración de técnicas modernas de machine learning y análisis modal dinámico resalta como una solución eficiente e innovadora en el campo de la modelización climática.57 p.es070037SPronósticoRedes neuronalesClimaPrecipitacionesThesis