En este estudio, se evaluaron los modelos de pronóstico ahora proporcionados por la biblioteca Python pySTEPS utilizando datos de tasa de lluvia derivados de radar y el producto satelital Diferencia de Ventana Dividida (SWD) basado en datos de GOES-16, centrándose en el centro de México. Inicialmente, obtuvimos una caracterización de la lluvia que ocurrió en la región utilizando la tasa de lluvia del radar y el SWD. Posteriormente, se evaluaron los pronósticos ahora utilizando ambas variables. Se emplearon dos modelos de pronóstico ahora de pySTEPS: Extrapolación y S-PROG. Los resultados indican que el SWD promedio está por debajo de 2.5 K, 90 minutos antes del inicio de los eventos de lluvia, y, en promedio, el SWD es de 2 K durante los eventos de lluvia. Los resultados de ambos modelos de pronóstico ahora fueron precisos y produjeron resultados similares. Los pronósticos ahora funcionaron mejor cuando se utilizaron datos de SWD como entrada, teniendo una Probabilidad de Detección (PoD) promedio superior al 70% y una Tasa de Alarmas Falsas (FAR) alcanzando el 40% para la predicción de 15 minutos. Los pronósticos ahora fueron menos precisos utilizando la tasa de lluvia del radar como entrada para la predicción de 15 minutos, donde la PoD fue máxima del 70% y la FAR alcanzó el 40%. Sin embargo, estos pronósticos ahora fueron más confiables durante eventos de precipitación bien organizados. En este trabajo, se determinó que los modelos de pronóstico ahora proporcionados por pySTEPS pueden ofrecer pronósticos de lluvia valiosos utilizando datos de satélite GOES-16 y datos de radar para la región del centro de México.