Herrera Marín, MauricioPérez Carvajal, AndrésZavala Zavala, Luis Alejandro2024-02-262024-02-262023https://hdl.handle.net/11447/8422Proyecto Capstone 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 conjunto de Funciones Ortogonales Empíricas (EOF) y Deep Learning en la predicción de patrones espacio-temporales climáticos en Chile. Se propone un enfoque basado en el modelo de Federico Amato (Amato F. 2020), adaptando y aplicando esta metodología a datos climáticos específicos de Chile. Los resultados obtenidos demuestran una alta precisión en la predicción de patrones climáticos, especialmente en el pronóstico de temperaturas máximas. Se observó una eficacia notable en la representación de la variabilidad climática y la reducción de la dimensionalidad, así como un Error Absoluto Medio (MAE) bajo en la predicción de las temperaturas máximas, junto a una representación efectiva de patrones climáticos complejos. En síntesis, en este proyecto se observó que es factible la aplicabilidad de esta metodología para analizar y predecir con precisión el clima en Chile, destacando su enfoque innovador en la modelización climática.44 p.es070037SClimaModelos predictivosThesis