El trabajo de evaluación de modelos climáticos ha progresado tanto en teoría como en práctica, proporcionando un fuerte apoyo para una mejor comprensión y predicción del cambio climático. Sin embargo, a escala meteorológica, hay relativamente poca evaluación de los modelos climáticos en términos de fenómenos climáticos a escala diaria, como la frecuencia e intensidad de tormentas. Estas variables a escala meteorológica son de gran importancia para nuestra comprensión de los impactos del cambio climático. Para evaluar la capacidad de los modelos climáticos para simular patrones climáticos a escala meteorológica, este estudio emplea Mapas Auto-Organizados (SOM) para la clasificación de patrones meteorológicos. Al combinar diferentes métricas de evaluación, variar el número de tipos de SOM, cambiar el tamaño del área de estudio y alterar los conjuntos de datos de referencia, se evalúan los modelos climáticos para asegurar la robustez de los resultados de la evaluación. Los resultados demuestran que el tamaño del área de estudio está correlacionado positivamente con las diferencias observadas, y hay correlaciones entre diferentes métricas de evaluación. La mayor correlación se observa entre las métricas de evaluación en dominios espaciales a gran escala y a pequeña escala, mientras que la correlación con el tamaño de SOM es relativamente baja. Esto sugiere que la elección de métricas de evaluación tiene un impacto menor en el ranking del modelo. Además, al comparar los coeficientes de correlación calculados utilizando las mismas métricas de evaluación para regiones de diferentes tamaños, se observa una correlación positiva significativa. Esto indica que las variaciones en el tamaño del área de estudio no afectan significativamente el ranking del modelo. Una investigación adicional de la relación entre el rendimiento del modelo y diferentes tamaños de SOM muestra una correlación positiva significativa. También se compara el impacto de la selección de conjuntos de datos en el ranking del modelo, revelando una alta consistencia. Esto mejora la fiabilidad del ranking del modelo. Teniendo en cuenta la influencia de la selección de métricas de evaluación, el tamaño de SOM y la selección de datos de reanálisis en la evaluación del rendimiento del modelo, se observan variaciones significativas en el ranking del modelo. Basado en el ranking acumulativo, los cinco modelos principales identificados son ACCESS1-0, GISS-E2-R, GFDL-CM3, MIROC4h y GFDL-ESM2M. En conclusión, factores como la selección de métricas de evaluación, el tamaño del área de estudio y el tamaño de SOM deben ser considerados al evaluar el ranking del modelo. La clasificación de patrones meteorológicos juega un papel crucial en la evaluación de modelos climáticos, ya que nos ayuda a comprender mejor el rendimiento del modelo en diferentes sistemas meteorológicos, evaluar su capacidad para simular eventos meteorológicos extremos y mejorar el diseño y los métodos de evaluación de las predicciones de conjuntos de modelos. Estos hallazgos son de gran importancia para optimizar y fortalecer los métodos de evaluación de modelos climáticos y proporcionan valiosas ideas para futuras investigaciones.