La técnica de aprendizaje automático se ha aplicado cada vez más en las predicciones numéricas del tiempo. El objetivo de este estudio es explorar la aplicación de una red neuronal en la asimilación de datos aprovechando la conveniencia de obtener el lineal tangente y adjunto (TL/AD) de una red neuronal (NN) y formular un sistema de asimilación de datos (DA) basado en NN de variación cuatridimensional (4D-Var). En este estudio se desarrolla un modelo de agua poco profunda (SW) basado en NN. El modelo de NN consta de tres capas. Los pesos y sesgos en el modelo SW basado en NN se entrenan con 60 años de geopotenciales horarios de ERA5 y el campo de viento a 500 hPa como condiciones iniciales y las correspondientes previsiones de 12 horas del Modelo para la Predicción a Escalas (MPAS)-SW, en un total de 534,697 conjuntos de muestras. Las previsiones de 12 horas de fechas independientes realizadas por el SW basado en NN demuestran emular de cerca las simulaciones del modelo MPAS-SW real. Este estudio muestra además que el TL/AD de un modelo NN puede desarrollarse y validarse fácilmente. La facilidad para obtener el TL/AD hace que la NN sea convenientemente aplicable en varios aspectos dentro de un sistema de asimilación de datos (DA). Para demostrar esto, también se desarrolla un sistema de DA 4D-Var continuo con la NN hacia adelante y su adjunto. Para demostrar la funcionalidad del sistema de DA 4D-Var basado en NN, los resultados de una simulación de mayor resolución se tratarán como observaciones y se asimilarán para analizar las condiciones iniciales de baja resolución. Las previsiones que comienzan a partir de las condiciones iniciales analizadas se compararán con aquellas sin asimilación para demostrar las mejoras.