La presente investigación tiene el objetivo de mejorar la precisión de las predicciones y optimizar la gestión de riesgos en agricultura, ganadería y salud pública. Se empleará una metodología cuantitativa con enfoque aplicado y diseño experimental predictivo, utilizando modelos de IA como Random Forest, Extra Trees y Gradient Boosting. Se analizaron cinco años de datos climáticos históricos del Instituto Geofísico del Perú (IGP) y SENAMHI, incluyendo temperatura, humedad y radiación. Los resultados mostraron que Random Forest y Extra Trees fueron los modelos más precisos para predecir heladas en un horizonte de 6 a 48 horas. Se realizaron pruebas experimentales bajo escenarios de variabilidad climática, como inversión térmica y el fenómeno del Niño, para evaluar su desempeño. Se concluyó que la integración de redes neuronales profundas y la actualización constante de datos podrían mejorar aún más la precisión de las predicciones a largo plazo.