Los eventos de fuertes lluvias son la principal causa de inundaciones, especialmente en regiones como Kerala, India. Kerala es vulnerable a fenómenos meteorológicos extremos debido a su ubicación geográfica en los Ghats Occidentales. La previsión precisa de eventos de lluvia es esencial para minimizar el impacto de las inundaciones en la vida, la infraestructura y la agricultura. Para una previsión precisa de eventos de fuertes lluvias en esta región, las evaluaciones específicas de la región sobre el rendimiento de los modelos de Predicción Numérica del Tiempo (NWP) son muy importantes. Este estudio evaluó el rendimiento de seis modelos de NWP: NCEP, NCMRWF, ECMWF, CMA, UKMO y JMA, en la previsión de eventos de fuertes lluvias en Kerala. Se realizó una evaluación integral de estos modelos utilizando métricas de rendimiento tradicionales, métricas de precipitación categórica y Puntuaciones de Habilidad Fraccionaria (FSS) a través de diferentes plazos de previsión. Se calcularon FSS para diferentes umbrales de lluvia (100 mm, 50 mm, 5 mm). Los resultados revelan que todos los modelos capturaron bien los patrones de lluvia para el umbral más bajo de 5 mm, pero la mayoría de los modelos tuvieron dificultades para prever con precisión las fuertes lluvias, especialmente para plazos más largos. JMA tuvo un buen desempeño en general en la mayoría de las métricas, excepto en la Relación de Alarmas Falsas (FAR). Mostró un FAR alto, lo que reveló que podría predecir eventos de lluvia falsos. ECMWF demostró un rendimiento consistente. NCEP y UKMO tuvieron un desempeño moderadamente bueno. CMA y NCMRWF tuvieron la menor precisión, ya sea debido a más errores o sesgos. Los hallazgos subrayan las compensaciones en el rendimiento del modelo, sugiriendo que la selección del modelo debe depender de la precisión requerida o de la capacidad de predicción de eventos de lluvia. Este estudio recomienda el uso de Conjuntos de Modelos Múltiples (MME) para mejorar la precisión de la previsión, integrar las fortalezas de los modelos de mejor rendimiento y reducir sesgos. La investigación futura también puede centrarse en expandir las redes de observación y emplear técnicas avanzadas de asimilación de datos para obtener predicciones más fiables, particularmente en regiones con terreno complejo como Kerala.