Taiwán es altamente susceptible al calentamiento global, experimentando un aumento de 1.4 grados Celsius en la temperatura del aire desde 1911 hasta 2005, lo que es el doble del promedio del hemisferio norte. Esto ha llevado potencialmente a tasas más altas de mortalidad respiratoria y cardiovascular. Predecir con precisión las temperaturas máximas durante la temporada de verano es crucial, pero los modelos numéricos de clima se vuelven menos precisos y más inciertos más allá de cinco días. Para mejorar la fiabilidad de un pronóstico, las técnicas de post-procesamiento son esenciales para abordar errores sistemáticos. En septiembre de 2020, la NOAA NCEP implementó la versión 12 del Sistema Global de Pronóstico por Conjuntos (GEFSv12) para ayudar a gestionar los riesgos climáticos. Este estudio desarrolló un método híbrido de post-procesamiento estadístico que combina redes neuronales artificiales (ANN) y enfoques de mapeo de cuantiles (QQ) para predecir las temperaturas máximas diarias (T) y sus extremos en Taiwán durante la temporada de verano. La técnica híbrida, que utiliza técnicas de aprendizaje profundo, se aplicó a los datos de repronóstico del GEFSv12 y se evaluó en comparación con el reanálisis ERA5. La técnica híbrida fue la más efectiva entre las tres técnicas probadas. Tuvo el menor sesgo y RMSE y el mayor coeficiente de correlación y el Índice de Acuerdo. Redujo con éxito el sesgo cálido y la sobreestimación de los días extremos de T. Esto llevó a una mejora en las habilidades de predicción para todos los plazos de pronóstico. En comparación con ANN y QQ, el método híbrido demostró ser más efectivo en la predicción de T diaria, incluidos los extremos de T durante el verano, en pronósticos deterministas y probabilísticos de rango extendido sobre Taiwán.