Modelo de predicción de heladas con XGBoost integrado a APIs meteorológicas en tiempo real para zonas altoandinas del Perú

• Autores: Anco Coaquira, Jorge L., Poma Maquera , Abad, Machaca Cahuana, Gianmarco Alain B., Zanabria Gálvez, Aldo H.
• Formato: artículo
• Fecha de Publicación: 2026
• Institución: Universidad Nacional Micaela Bastidas de Apurímac
• Repositorio: UNMB-Riqchary
• Lenguaje: español
• OAI Identifier: oai:revistas.unamba.edu.pe:article/250
• Enlace del recurso: https://revistas.unamba.edu.pe/index.php/riqchary/article/view/250
• Nivel de acceso: acceso abierto
• Materia: machine learning; frosts; weather forecasting; high Andean areas; aprendizaje automático; heladas; predicción meteorológica; zonas altoandinas

Las heladas representan uno de los principales riesgos climáticos para la agricultura en las zonas altoandinas del Perú, debido a su impacto directo en la productividad agrícola y la seguridad alimentaria de las poblaciones rurales. Debido a esta situación, se abordó el problema evaluando el desempeño de un modelo de aprendizaje automático basado en XGBoost con el objetivo de predecir eventos de helada, integrando datos meteorológicos históricos y en tiempo real. El análisis se realizó utilizando un conjunto de datos compuesto por 1 672 825 observaciones en 25 años provenientes de once regiones altoandinas, obtenidas de SENAMHI y la plataforma NASA POWER que fué sometida a procesos de limpieza, integración y balanceo. El modelo fue entrenado con el 80% de los datosy evaluado con el 20% restante mediante un esquema de validación estratificada, empleando métricas como accuracy, precision, recall, F1-score y AUC-ROC. Los resultados muestran un desempeño sobresaliente, con una exactitud del 95.17% y un AUC-ROC de 0.9938, evidenciando una alta capacidad para detectar eventos de helada incluso en escenarios de clases desbalanceadas. Finalmente, la implementación del modelo en un sistema de predicción en tiempo real con APIs meteorológicas y su visualización a través de un dashboard interactivo demuestran su potencial como herramienta de apoyo para sistemas de alerta temprana y la gestión del riesgo agrícola en zonas altoandinas.