Postproceso estadístico de modelos con machine learning: una aplicación al gSREPS y al Harmonie

Abstract

Las técnicas de machine learning o aprendizaje automático, provenientes del campo de la Inteligencia Artificial, están demostrando ser extraordinariamente exitosas para extraer significado de un conjunto de datos. En este trabajo se ha buscado aplicar las técnicas de machine learning al postproceso estadístico de dos modelos: el ensemble gSREPS de AEMET y el Harmonie v40. Para el caso del gSREPS se ha hecho una calibración determinista, miembro a miembro, de la temperatura a 2 metros, velocidad del viento a 10 metros y precipitación en 24 horas en varios aeropuertos de España, que representan diferentes condiciones climáticas. Para el Harmonie v40 el objetivo ha sido mejorar la predicción vectorial del viento a 10 metros en el aeropuerto de Tenerife Sur. Los resultados han sido muy buenos con el viento y la temperatura. Para la precipitación existe, como era de esperar, algo más de ambigüedad.