En este artículo, utilizamos redes de Operador Neuronal de Fourier (FNO) para resolver ecuaciones de reacción-difusión. El FNO es un marco novedoso diseñado para resolver ecuaciones diferenciales parciales aprendiendo mapeos entre espacios funcionales de dimensión infinita. Aplicamos el FNO a la ecuación Cuasi-Geostrófica de Superficie (SQG), y probamos el modelo con dos condiciones iniciales significativamente diferentes: Condiciones Iniciales de Vórtice y Condiciones Iniciales Sinusoidales. Además, exploramos la capacidad de generalización del modelo evaluando su rendimiento cuando se entrenó con Condiciones Iniciales de Vórtice y se aplicó a Condiciones Iniciales Sinusoidales. Adicionalmente, investigamos los modos (parámetros de frecuencia) utilizados durante el entrenamiento, analizando su impacto en los resultados experimentales, y determinamos los modos más adecuados para este estudio. A continuación, realizamos experimentos sobre el número de capas convolucionales. Los resultados mostraron que el rendimiento de los modelos no difería significativamente al usar dos, tres o cuatro capas, siendo el rendimiento de dos o tres capas incluso ligeramente superior al de cuatro capas. Sin embargo, a medida que el número de capas aumentó a cinco, el rendimiento mejoró significativamente. Más allá de 10 capas, el sobreajuste se hizo evidente. Basándonos en estas observaciones, seleccionamos el número óptimo de capas para asegurar el mejor rendimiento del modelo. Dada la naturaleza autorregresiva del FNO, también lo aplicamos para resolver el modelo Gray-Scott (GS), analizando el impacto de diferentes pasos de tiempo de entrada en el rendimiento del modelo durante la resolución recursiva. Los resultados indicaron que el FNO requiere suficiente información para capturar la evolución a largo plazo de las ecuaciones. Sin embargo, en comparación con métodos tradicionales, el FNO ofrece una ventaja significativa al requerir casi ningún tiempo de computación adicional al predecir con nuevas condiciones iniciales.