Aplicación de aprendizaje automático para downscaling estadístico y adaptación local de pronósticos del modelo fundacional Aurora a observaciones de una estación meteorológica en Valparaíso

Abstract

El presente trabajo desarrolla y evalúa un sistema de adaptación local que corrige, mediante aprendizaje automático, los pronósticos del modelo fundacional Aurora hacia las observaciones de una estación meteorológica de bajo costo instalada en el campus de la Universidad Técnica Federico Santa María. Los modelos de predicción de alcance global entregan sus resultados sobre una grilla extensa y a intervalos de varias horas, por lo que no representan con exactitud las condiciones de un punto específico ni su evolución a resolución horaria. Para abordar esta limitación, el sistema aprende la diferencia entre el pronóstico y la observación, corrigiendo de manera conjunta la falta de representatividad del punto y la limitada resolución temporal. La selección de los modelos se realiza mediante validación cruzada agrupada por días, reservando un conjunto de prueba independiente para la evaluación final. Sobre dicho conjunto, el sistema reduce el error absoluto medio respecto del pronóstico sin corregir en un 17,2 % en temperatura, 23,2 % en humedad relativa, 63,8 % en velocidad del viento y 83,3 % en presión. Para la temperatura, el coeficiente de determinación se eleva de 0,23 a 0,56. Al descomponer estas cifras frente a correcciones más simples, se observa que una parte importante de las mejoras más altas proviene de procedimientos que no requieren aprendizaje, mientras que el aporte propio del modelo se reparte de forma más homogénea entre las variables, del orden de 12 a 20 % en temperatura, humedad y viento. Los resultados muestran que es posible adaptar los pronósticos de un modelo fundacional a un punto de observación específico empleando recursos computacionales convencionales, con una corrección además interpretable en términos físicos.

Foundation models for weather forecasting, such as Aurora, provide predictions at grid scale (0.25◦), but do not resolve the discrepancy between these predictions and the conditions observed at a specific point. This work develops a statistical downscaling system that uses machine learning to correct Aurora forecasts toward observations from a Davis Vantage Pro 2 weather station located on the UTFSM campus in Valparaíso, addressing both the lack of local representativeness and the 6-hour temporal resolution. The problem is formulated as a residual correction applied to the interpolated forecast, using eleven predictors per hour, with independent models trained for each variable (Ridge, Random Forest, and an ensemble of both), validated on a daily basis and evaluated on a sealed test set. Compared with the uncorrected forecast, the system reduces the error by 17.2 % for temperature, 23.2 % for humidity, 63.8 % for wind, and 83.3 % for pressure, with the contribution of machine learning alone being more homogeneous, ranging from 12 % to 20 %. The results show that a foundation model can be adapted to a local point using conventional computational resources, without retraining the foundation model.