http://hdl.handle.net/20.500.12160/378 2026-09-12T03:12:30Z http://hdl.handle.net/20.500.12160/3316 Análisis Estratégico de Experiencia Ciudadana (CX) mediante Procesamiento de Lenguaje Natural (PNL): Una Arquitectura Orientada a Objetos para el Monitoreo Estratégico de la App móvil del SMN Barreyro, Fernando Diego El presente análisis documenta el desarrollo y la implementación de un ecosistema de ciencia de datos diseñado para la monitorización de la “ Voz del Ciudadano” respecto a la aplicación (App) oficial del Servicio Meteorológico Nacional (ar.gob.smn). Debido a la falta de acceso a las herramientas de análisis primarias y datos internos de Google Play Console, se implementó un proceso de recolección de datos exógeno mediante técnicas de webscraping. A través de una arquitectura de Programación Orientada a Objetos (OOP), se extrajo una muestra de 4.107 reseñas, volumen que, si bien es estadísticamente relevante, representa solo un subconjunto del universo total de comentarios existentes en la tienda. La metodología empleada integra modelos de Deep Learning (Transformers) especializados en español ( RoBERTuito) para la clasificación de sentimientos y el algoritmo Latent Dirichlet Allocation (LDA) para el descubrimiento de tópicos latentes. Los hallazgos revelan un Net Promoter Score (NPS) percibido de 16.97, con una tendencia de recuperación de la versión 0.0.9. Se identificaron “ Aha! Moments” vinculados a la precisión del dato y “ Pain Points” críticos asociados a la estabilidad de los widgets y la geolocalización: Esta investigación proporciona una ruta estratégica para optimizar el desarrollo de software institucional, reconociendo las limitaciones de alcance impuestas por la recolección externa de datos.; This study documents the development and implementation of a data science ecosystem designed to monitor the “Voice of the Citizen” regarding the official mobile application (ar.gob.smn) of Argentina´s National Meteorological Service (Servicio Meteorológico Nacional). Given the lack of access to primary analytics tools and internal data from Google Play Console, an exogenous data collection process was implemented using web scraping techniques. Through an Object-Oriented Programming (OOP) architecture, a sample of 4,107 reviews was extracted. Although statistically relevant, this sample represents only a subset of the total universe of comments available in the store. The methodology integrates Spanish-specialized Deep Learning models base on Transformers (RoBERTuito) for sentiment classification, along whit Latent Dirichlet Allocation (LDA) for the discovery of latent topics. Key findings reveal a perceived Net Promoter Score (NPS) of 16.97, wit h a positive recovery trend starting from version 0.0.9. The analysis identified “Aha! Moments” primarily linked to data accuracy, as well as critical “Pain Points” related to widget stability and geolocation functionality. This research offers a strategic roadmap for optimizing institutional software development while explicitly acknowledging the inherent limitations of external data collection methods . Fil: Barreyro, Fernando Diego. Servicio Meteorológico Nacional; Argentina. 2026-09-01T00:00:00Z http://hdl.handle.net/20.500.12160/3310 Evaluación de desempeño y corrección de los pronósticos de radiación solar global del SAP.SMN-DET Salazar, Germán; Ledesma, Rubén; Righetti, Silvina Andrea; Matsudo, Cynthia Mariana; Lanson, Anahí; Denegri, María José; Bastani, Hamid En el marco del Plan de Desarrollo de Capacidades de la Organización Meteorológica Mundial y el proyecto ENANDES+ se desarrolló el miniproyecto “Energy mini-project on AI-based performance evaluation and correction of solar radiation forecasts from the Weather Research and Forecasting (WRF) numerical prediction model (Ref. 6455259-2025/GS/PEX)”. El objetivo del mismo fue evaluar y calibrar los pronósticos determinísticos de radiación solar global (GHI, de sus siglas en inglés) del modelo numérico operativo en el Servicio Meteorológico Nacional, aplicando una técnica de aprendizaje automático para 3 sitios de la región pampeana (Buenos Aires, Pilar y Armstrong). La evaluación de los pronósticos a 72 horas de GHI evidenció una sobreestimación sistemática del modelo. Durante las horas del día el error relativo medio (rRMSE) se situó entre el 30% y 45%, registrándose máximos superiores a 65% durante el amanecer y atardecer. Asimismo, el modelo demostró una alta precisión para identificar condiciones de cielo claro (~90% de aciertos), pero disminuyó su desempeño considerablemente ante cielos parcialmente nublados (40%) y cubiertos (10%). Para corregir los errores, se aplicó una técnica basada en aprendizaje automático mediante un perceptrón multicapa (MLP, de sus siglas en inglés). El modelo optimizado (MLP3) redujo drásticamente el sesgo de ~24% a valores cercanos al 0%, disminuyendo el rRMSE en aproximadamente 10%. Por último, las pruebas de validación cruzada confirmaron que la metodología presenta una transferencia intersitio estable y una robusta capacidad de generalización regional.; Within the framework of the World Meteorological Organization’s Capacity Development Plan and the ENANDES+ project, the mini-project entitled “Energy mini-project on AI-based performance evaluation and correction of solar radiation forecasts from the Weather Research and Forecasting (WRF) numerical prediction model” (Ref. 6455259-2025/GS/PEX) was developed. Its objective was to evaluate and calibrate deterministic global horizontal irradiance (GHI) forecasts produced by the operational numerical weather prediction model at the National Meteorological Service, using a machine learning technique at three sites in the Pampas region: Buenos Aires, Pilar, and Armstrong. The evaluation of the 72-hour GHI forecasts revealed a systematic overestimation by the model. During daylight hours, the relative root mean square error (rRMSE) ranged from 30% to 45%, with peaks exceeding 65% around sunrise and sunset. Although the model showed high accuracy in identifying clear-sky conditions, with a success rate of approximately 90%, its performance deteriorated substantially under partially cloudy and overcast conditions, with success rates of around 40% and 10%, respectively. To address these errors, a machine learning approach based on a multilayer perceptron (MLP) was applied. The optimized configuration (MLP3) substantially reduced the bias, from approximately 24% to values close to 0%, while decreasing the rRMSE by about 10%. Finally, cross-validation tests demonstrated that the methodology has stable inter-site transferability and robust regional generalization capabilities. Fil: Salazar, Germán. Universidad Nacional de Salta.Instituto de Investigaciones en Energía No Convencional, CONICET; Argentina.; Fil: Ledesma, Rubén. Universidad Nacional de Salta.Instituto de Investigaciones en Energía No Convencional, CONICET; Argentina.; Fil: Righetti, Silvina Andrea. Servicio Meteorológico Nacional; Argentina. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales. Departamento de Ciencias de la Atmósfera y los Océanos; Argentina.; Fil: Matsudo, Cynthia Mariana. Servicio Meteorológico Nacional; Argentina.; Fil: Lanson, Anahí. Grupo de Estudios de la Radiación Solar, Universidad Nacional de Luján; Argentina.; Fil: Denegri, María José. Grupo de Estudios de la Radiación Solar, Universidad Nacional de Luján; Argentina.; Fil: Bastani, Hamid. Organización Meteorológica Mundial. 2026-08-01T00:00:00Z http://hdl.handle.net/20.500.12160/3290 Evaluación de los pronósticos de los modelos dinámicos y de IA del ECMWF durante una ola de calor de Argentina Castro, Lucía M.; Godoy, Alejandro Anibal Se compara el desempeño de Temperatura a 2 Metros (T2M) entre pronósticos con aprendizaje automático y dinámicos, en la escala subestacional (plazo de dos semanas) del ECMWF, durante una ola de calor entre enero y febrero de 2025 en Argentina. Se utiliza el modelo dinámico ensamblado (IFS) para comparar dos modelos de aprendizaje automático, en formato ensamble (AIFS-ENS) y determinístico (AIFS-OPER). Se utiliza de referencia la temperatura media de las estaciones del SMN. Con plazos de dos semanas, todos los modelos pronostican T2M menores a la observada. Aun así, existe acuerdo entre los modelos y las observaciones en la primera semana del evento, en todo el rango de temperaturas observadas. Además, al predecir el inicio de la ola de calor, los pronósticos hechos con aprendizaje automático son comparables al pronóstico dinámico. La subestimación es mayor al pronosticar la segunda semana del evento, especialmente en temperaturas mayores a 30oC. Por lo tanto, los modelos presentaron dificultades en predecir la duración e intensidad del evento. Al analizar la evolución de los pronósticos en las localidades de Rivadavia y Neuquén, se observa mejor desempeño en Neuquén, con señal 7 días antes del inicio del evento, mientras que en Rivadavia la señal se observa 4 días antes. El modelo dinámico IFS tiende a predecir T2M 1 a 2 °C mayores que los modelos AIFS, con menor incertidumbre. Aun así, en plazos cortos los modelos convergen a valores similares. El buen desempeño de los modelos de aprendizaje automático en este evento no aseguran un desempeño similar en otras instancias. Es necesario continuar el análisis en otros eventos y variables.; It is compared the performance between dynamic and machine learning subseasonal forecasts of Two Meter Temperature (T2M) from ECMWF, during a heatwave event in Argentina. The dynamical ensemble model (IFS) is chosen to compare with two AI models; AIFS-OPER which is deterministic, and AIFS-ENS that has an ensemble of the same size as IFS. The mean daily temperature observed by National Meteorological Service’s stations is used as a benchmark. With a two week lead, every model underestimates the T2M. Still, there is agreement between models and observations in the first event week, in all the observed temperature range. Additionally, when predicting the heatwave onset, dynamical and machine learning forecasts are comparable. During the event’s second week the underestimation is larger than in the first week, specially for T2M above 30ºC. Therefore, all models presented difficulties to predict the events' duration and intensity. When analyzing forecast evolution in two stations, Rivadavia and Neuquen, is it observed better performance in Neuquen, with a signal 7 days before event’s onset, while in Rivadavia the signal is observed 4 days before. IFS tends to predict T2M 1 to 2ºC larger than AIFS models, with less uncertainty. However, the values converge in short er lead times. The good performance of machine learning models during this event does not guarantee an equal performance in similar instances. It is necessary to further this analysis in other events and variables. Fil: Castro, Lucía M. Investigadora independiente del proyecto ENANDES; Argentina.; Fil: Godoy, Alejandro Anibal. Servicio Meteorológico Nacional; Argentina. 2026-07-01T00:00:00Z http://hdl.handle.net/20.500.12160/3278 Desarrollo de productos para el monitoreo de la superficie cubierta por nieve a partir del sensor MODIS Bolzi, Silvana Carina; Córdoba Fradinger, Cam; Rossi Lopardo, Sol El monitoreo de la superficie cubierta por nieve es esencial para los estudios hidrológicos y climáticos, donde el deshielo estacional contribuye significativamente al caudal fluvial. Esta nota técnica aborda el desarrollo de diferentes productos que contribuyen al monitoreo de la cobertura nívea a lo largo de las provincias cordilleranas, incluyendo la superficie extra andina (llanuras, valles y meseta patagónica), para no excluir de las estadísticas las nevadas extraordinarias. Los productos incluyen tanto imágenes satelitales que permiten una visualización rápida de las áreas nevadas, como estimaciones del porcentaje de la extensión de la superficie cubierta por nieve. Los productos contribuyen a mejorar las técnicas de monitoreo de nieve en regiones con escasez de datos in-situ. Se utilizan productos de resolución diaria del espectrorradiómetro de imágenes de resolución moderada (MODIS, por sus siglas en inglés) durante el período frío.; Monitoring snow cover is essential for hydrological and climatological studies, where seasonal snowmelt significantly contributes to river flow. This technical note addresses the development of various products that contribute to snow cover monitoring across the Andean provinces, including the extra-Andean region (plains, valleys, and the Patagonian plateau), to ensure that extraordinary snowfalls are not excluded from the statistics. The products include both satellite imagery, which allows for rapid visualization of snow covered areas, and estimates of the percentage of snow cover. These products contribute to improving snow monitoring techniques in regions with limited in-situ data. Daily resolution products from the Moderate Resolution Imaging Spectroradiometer (MODIS) are used during the cold period. Fil: Bolzi, Carina Silvana. Servicio Meteorológico Nacional; Argentina.; Fil: Cordoba Fradinger, Cam . Servicio Meteorológico Nacional; Argentina.; Fil: Rossi Lopardo, Sol. Facultad de Agronomía de la Universidad de Buenos Aires (FAUBA); Argentina. 2026-07-01T00:00:00Z