Herrera Marín, MauricioGodoy Delaigue, César2026-03-112026-03-112025https://hdl.handle.net/11447/10618Proyecto de grado presentado a la Facultad de Ingeniería de la Universidad del Desarrollo para optar al grado académico de Magíster en Data ScienceLa alta variabilidad espaciotemporal de las precipitaciones en Chile representa un desafío significativo para los modelos de pronóstico tradicionales, limitando su eficacia en la gestión hídrica y la mitigación de riesgos climáticos. Este trabajo de tesis aborda dicho problema mediante el desarrollo y la validación de un modelo híbrido que integra tres pilares metodológicos. En primer lugar, se utiliza el aprendizaje profundo, combinando Autoencoders (AE) para la extracción de patrones espaciales y la Descomposición Modal Dinámica (DMD) para su evolución temporal. En segundo lugar, se incorpora el operador de Koopman a través de un Autoencoder Variacional (KoVAE), permitiendo modelar dinámicas no lineales de forma linealizada y generar pronósticos probabilísticos con cuantificación de incertidumbre. Finalmente, se emplean técnicas de geoestadística, como el análisis variográfico y el kriging, junto con datos de teledetección de alta resolución (CHIRPS), para mejorar la coherencia espacial del modelo. La pregunta de investigación central es si esta integración puede mejorar la precisión y coherencia espacial del pronóstico respecto a un enfoque AE+DMD tradicional. La hipótesis postula que la combinación de estas técnicas permitirá modelar de manera más efectiva las correlaciones espacio-temporales, reduciendo el error de predicción y ofreciendo un marco robusto para la toma de decisiones en un contexto de incertidumbre climática.43 p.es070037SGeoestadísticaOperador de KoopmanDeep learningPronósticosPrecipitacionesThesis