Este artículo aborda el problema de la estabilidad de los pronósticos a largo plazo utilizando modelos meteorológicos a gran escala (LWM). Si bien los modelos de vanguardia existentes logran estabilidad interanual transformando los datos de entrada en dominios espaciales no estándar, como armónicos esféricos o mallas HEALPix, este artículo demuestra que se puede lograr un rendimiento similar en una cuadrícula estándar de latitud y longitud. Proponemos AtmosMJ, una red neuronal convolucional profunda que procesa directamente los datos de ERA5. Esta red genera pronósticos estables durante aproximadamente 500 días al evitar la acumulación de errores mediante un novedoso mecanismo de Fusión Residual Controlada (GRF). AtmosMJ logra una precisión de pronóstico de 10 días comparable a la de modelos como Pangu-Weather y GraphCast, con un bajo costo de entrenamiento de 5,7 días en una GPU V100. Esto demuestra que el diseño eficiente de la arquitectura, en lugar de las representaciones de datos no estándar, es clave para el pronóstico meteorológico a largo plazo.
