IJACSA Vol. 16, No. 9, 2025  ·  SCOPUS Q3

Predicción de Heladas
en el Altiplano Peruano

Análisis comparativo de 12 modelos estadísticos, machine learning y deep learning usando 25 años de datos NASA POWER en 13 estaciones meteorológicas (3,808–4,470 m.s.n.m.).

1.65°C
RMSE Ensemble
0.931
R²
0.87
TSS
35%
Mejora
Probar predictor Ver resultados
13
Estaciones
25
Años de datos
12
Modelos comparados
122,148
Observaciones

Contexto del problema

Impacto de las heladas en el Altiplano de Puno

Las heladas son el principal peligro climático del Altiplano Peruano, afectando la agricultura de subsistencia, la ganadería y la economía rural de la región Puno. La elevación extrema (3,800–4,470 m.s.n.m.) produce condiciones de enfriamiento radiativo nocturno severo, con hasta 180 noches de helada al año.

74%
Comunidades rurales afectadas
-25.7°C
Temperatura mínima extrema (Mazocruz)
180
Noches de helada por año
34.1%
Tasa de heladas en el dataset

Solución propuesta

Comparación sistemática de métodos de predicción

1
Datos NASA POWER
122,148 observaciones diarias, 25 años, 13 estaciones. Variables: T_min, T_max, HR, viento, presión, precipitación.
2
102 variables ingenierizadas
Rezagos (1, 2, 3, 7 días), medias móviles (3, 7, 14, 30 días), codificación cíclica estacional, interacciones físicas.
3
12 modelos comparados
Estadísticos (SARIMAX, Holt-Winters, Prophet, STL+ARIMA), ML (RF, SVM, XGBoost), DL (MLP, LSTM, CNN-1D), híbridos (SARIMA+ANN, Ensemble).
4
Ensemble: mejor resultado
RMSE = 1.65°C  ·  R² = 0.931  ·  TSS = 0.87  ·  35% de mejora sobre métodos tradicionales.

Categorías de modelos

Los 12 modelos cubren el espectro metodológico completo para clima de alta altitud

Estadístico

Capturan estacionalidad, tendencias y ciclos mediante modelos de series de tiempo.

SARIMAX
Holt-Winters
Prophet
STL+ARIMA
Machine Learning

Capturan interacciones no lineales altitud-radiación-humedad.

Random Forest
SVM
XGBoost
Deep Learning

Modelan dependencias temporales de episodios de heladas de múltiples días.

MLP
LSTM
CNN-1D
Híbrido

Combina enfoques para reducir sesgo y varianza entre microclimas.

SARIMA+ANN
Ensemble