La predicción precisa de la Temporada Principal de Polen (MPS) es crucial para la salud pública y la gestión ambiental, particularmente para taxones alérgicos y altamente abundantes. Este estudio presenta una evaluación comparativa de múltiples modelos predictivos para estimar la MPS en Salónica, Grecia, desde 2016 hasta 2022. Los modelos examinados incluyen enfoques basados en temperatura acumulativa, Modelos Logísticos (LM), el Método de Distribución (DM) y Técnicas de Aprendizaje Automático (MLTs) como Bosques Aleatorios, Redes Neuronales y Aprendizaje por Conjuntos. Los resultados indican que los modelos basados en temperatura de Doble Umbral (DT) y LM capturan efectivamente el final de la temporada de polen, con diferencias respecto a los valores observados que oscilan entre 0 y 7 días. Mientras tanto, las MLTs, particularmente los Bosques Aleatorios, exhiben alta precisión en la predicción de su inicio, con desviaciones que varían de 0 a 10 días. Notablemente, el enfoque DT, que incorpora rangos de transición, mejora la fiabilidad de la predicción en entornos urbanos complejos. Estos hallazgos contribuyen al desarrollo de sistemas de pronóstico aerobiológico más robustos, apoyando estrategias de mitigación de exposición a alérgenos y planificación agrícola en climas mediterráneos. La investigación futura debería centrarse en técnicas de validación cruzada múltiples y modelos avanzados de aprendizaje profundo, como LSTMs (modelos de Memoria a Largo y Corto Plazo), para refinar aún más la precisión de la predicción. Estos avances permitirían el desarrollo de modelos de pronóstico más precisos y generalizados, contribuyendo a un sistema de modelado más amplio capaz de predecir concentraciones diarias de polen, apoyando aún más los esfuerzos de pronóstico de polen en tiempo real.