Predicción de heladas meteorológicas mediante modelos ensemble de aprendizaje automático con un enfoque multi-horizonte para la alerta agroclimática en el Altiplano de Puno, 2015-2024

Resumen

Se evaluó la capacidad predictiva de nueve algoritmos de aprendizaje automático para predecir heladas meteorológicas en seis estaciones de la región de Puno (Perú), a lo largo de tres horizontes temporales diferentes (24, 48 y 72 h). En el segundo paso, los datos de reanálisis climático (ERA5-Land mediante la API de Open-Meteo) del período 2015–2024 se consolidaron en 526 032 registros horarios correspondientes a 21 918 observaciones diarias de hasta 57 predictores agroclimáticos. Las heladas presentaron una prevalencia media regional del 17,4 %, mostrando una marcada heterogeneidad espacial que osciló desde el 31,3 % en Ilave hasta el 7,7 % en Puno, evidenciando el papel regulador de la temperatura del lago Titicaca. Se realizó una validación cruzada estratificada en cinco pliegues para estimar el AUC-ROC, la F1-Score, la precisión, la sensibilidad y el kappa de Cohen del rendimiento del modelo. El mejor desempeño global se obtuvo mediante el ensamble por votación, con un AUC-ROC de 0,957 y una F1-Score de 0,744 a las 24 h, lo cual correspondió a valores de 0,913 y 0,656 en un tiempo de corte de 72 h, respectivamente. La optimización del umbral condujo a una mejora en la F1-Score regional de +0,025 frente al umbral convencional (t = 0,50). El análisis de valores SHAP reveló que el impulsor con mayor impacto fue la temperatura mínima de promedio móvil de 3 días (media |SHAP| = 1,274). El modelo desarrollado representa una herramienta objetiva de alerta agroclimática temprana para cultivos en las tierras altas andinas.