Se ha desarrollado una red neuronal convolucional (CNN) para predecir la ocurrencia de eventos de baja visibilidad o neblinas en el área de París. Ha sido entrenada y validada utilizando mapas regionales diarios de múltiples décadas de muchas variables meteorológicas e hidrológicas junto con observaciones de visibilidad en la superficie. La estrategia es hacer que la máquina aprenda de los datos históricos disponibles para reconocer varios regímenes climáticos e hidrológicos regionales asociados con eventos de baja visibilidad. Para preservar mejor la información espacial característica de las características de entrada en el entrenamiento, se han desarrollado recientemente dos arquitecturas ramificadas. Estas arquitecturas procesan las características de entrada primero a través de varias CNN ramificadas con diferentes tamaños de núcleo para preservar mejor los patrones con ciertas escalas espaciales características. Las salidas de la primera parte de la red son luego procesadas por la segunda parte, una CNN profunda no ramificada, para entregar predicciones adicionales. Las CNN con nuevas arquitecturas han sido entrenadas utilizando datos de 1975 a 2019 en un modo de clasificación de dos clases (neblina versus no neblina) así como en un modo de regresión que predice directamente el valor de la visibilidad en la superficie. Las predicciones de regresión también se han utilizado para realizar la previsión de clasificación de dos clases utilizando la misma definición en el modo de clasificación. Este último procedimiento ha demostrado ofrecer un rendimiento mucho mejor en la realización de pronósticos basados en clases que la máquina de clasificación directa, principalmente al reducir las predicciones de falsas alarmas. Las arquitecturas ramificadas han mejorado el rendimiento de las redes en la validación y también en una evaluación utilizando los datos de 2021 a 2023 que no se han utilizado en el entrenamiento y la validación. Específicamente, en esta última evaluación, las máquinas ramificadas capturaron el 70% de los eventos de baja visibilidad observados durante el período de tres años en el Aeropuerto Charles de Gaulle. Entre esos eventos de baja visibilidad predichos por las máquinas, el 74% de ellos son casos verdaderos basados en la observación.