Este estudio presenta una mejora novedosa al algoritmo del filtro de Kalman al integrarlo con redes neuronales de Función de Base Radial para mejorar los modelos de predicción numérica del tiempo. Los filtros de Kalman tradicionales a menudo tienen un rendimiento deficiente cuando se utilizan en sistemas dinámicos debido a su dependencia de matrices de covarianza fijas, lo que resulta en inexactitudes e incertidumbre en las predicciones. El filtro de Kalman modificado propuesto utiliza redes neuronales de Función de Base Radial para estimar las matrices de covarianza de manera adaptativa durante el proceso de filtrado. Este sistema computacional auto-adaptativo permite abordar simultáneamente las partes sistemáticas y las restantes no sistemáticas del error de predicción, produciendo una estrategia de posprocesamiento innovadora y eficiente. La metodología sugerida se evalúa en predicciones de velocidad del viento a 10 metros y temperatura del aire a 2 metros obtenidas del modelo de Investigación y Pronóstico Meteorológico para estaciones de observación en el norte de Grecia. Los resultados obtenidos demuestran una reducción significativa en el error sistemático, ya que el sesgo disminuyó hasta un 88% para la velocidad del viento a 10 metros y un 58% para la temperatura del aire a 2 metros. Además, la variabilidad de las predicciones se mitigó con éxito, con una reducción del RMSE del 39% y 40%, respectivamente. En comparación con el filtro de Kalman tradicional, que mostró un aumento del RMSE en varios casos y no logró controlar la incertidumbre de las predicciones, el enfoque propuesto superó consistentemente al proporcionar predicciones estables y confiables en todos los escenarios examinados. Estas mejoras validan la robustez del método en comparación con técnicas convencionales, destacando su potencial para producir predicciones confiables y estables para aplicaciones ambientales.