Los impactos de aves son una amenaza predominante para la seguridad de la aviación, especialmente en el espacio aéreo de los aeropuertos. Se requieren métodos efectivos de vigilancia de la vida silvestre para la coexistencia armoniosa entre la gestión del aeropuerto y una ecología amigable. Los trabajos existentes indican la estrecha relación entre las actividades de las aves y el clima. La relevancia de la actividad de las aves y el clima es favorable para una comprensión intuitiva de los entornos ecológicos y para proporcionar referencias constructivas para la gestión de la vida silvestre. Este documento presenta un método de caracterización y pronóstico de la actividad de las aves basado en información meteorológica. Las actividades de las aves se modelan y cuantifican en diferentes grados de actividad. Su relevancia con los parámetros climáticos se explora primero de manera independiente para apoyar el estudio de relevancia multivariable. Se adoptan dos grupos de estrategias de aprendizaje automático para probar su viabilidad para la predicción de la actividad de las aves. Se construyen conjuntos de datos de radar de áreas de estudio de actividad diurna y nocturna a partir de un sistema de radar aviar desplegado en el aeropuerto. Los resultados experimentales verifican que ambas estrategias de aprendizaje automático podrían lograr pronósticos de actividad de aves basados en información meteorológica con una precisión aceptable. El modelo de bosque aleatorio es una mejor opción por su robustez y ajustabilidad a las inconsistencias de características. La desviación de la información meteorológica entre el espacio aéreo de actividad de aves y la medición en tierra es un factor predominante que limita la precisión de la predicción. Se discute la dependencia de suficiencia de datos del modelo de predicción. Los trabajos existentes indican la razonabilidad y viabilidad del método propuesto de modelado y predicción de actividades; se necesitan más mejoras en la precisión de la información meteorológica y la suficiencia de datos para elevar aún más la significancia de la aplicación del modelo de predicción.