Presentamos un enfoque robusto de modelado de orden reducido para la predicción casi en tiempo real de flujos de mesoescala. En nuestro marco de modelado híbrido, combinamos métodos de proyección basados en la física con cierres de redes neuronales para tener en cuenta los modos truncados. Introducimos un parámetro de ponderación entre la proyección de Galerkin y los modelos de máquina de aprendizaje extremo y exploramos su efectividad, precisión y generalizabilidad. Para ilustrar el éxito del paradigma de modelado propuesto, predecimos tanto el patrón de flujo medio como la respuesta de la serie temporal de un modelo oceánico cuasi-geostrófico de una sola capa, que es un prototipo simplificado para modelos de circulación general impulsados por el viento. Demostramos que nuestro enfoque produce mejoras significativas sobre la proyección estándar de Galerkin y los métodos de redes neuronales completamente no intrusivos con una sobrecarga computacional negligible.