ES
Scientific Research & AI
Predicción de Heladas con Modelos Ensemble Multi-Horizonte (Scopus/SciELO)
Artículo científico publicado en la Revista de Investigaciones Altoandinas (Scopus, SciELO, Latindex). Diseño y entrenamiento de arquitectura ensemble predictiva (Random Forest, XGBoost, LightGBM) sobre 10 años de registros climáticos continuos del Altiplano de Puno para alerta agroclimática.
Categorías
DATA-SCIENCEMACHINE-LEARNINGINVESTIGACION
Stack Tecnológico
PythonScikit-LearnXGBoostLightGBMSeries TemporalesFeature Engineering
Caso de Estudio & Arquitectura
Resumen de la Investigación Científica
- Revista: Revista de Investigaciones Altoandinas (Journal of High Andean Research) — Indexada en Scopus, SciELO, Latindex (ISSN: 2306-8582).
- DOI: 10.18271/ria.2026.849
- Metodología: Modelado predictivo multi-horizonte utilizando algoritmos ensemble (Random Forest, XGBoost, LightGBM) con validación cruzada temporal y feature engineering sobre 10 años de registros climáticos.
- Impacto: Sistema de alerta temprana agroclimática para la prevención y mitigación de pérdidas en comunidades agrícolas y pecuarias del Altiplano de Puno.