El método de picos sobre umbral (POT) tiene una larga tradición en el modelado de extremos en variables ambientales. Sin embargo, originalmente fue introducido bajo la suposición de datos independientes e idénticamente distribuidos (iid). Dado que los datos ambientales a menudo presentan una estructura de series temporales, es probable que esta suposición se viole debido a dependencias a corto y largo plazo en entornos prácticos, lo que conduce a la agrupación de superaciones de umbrales altos. En este artículo, primero revisamos enfoques populares que se centran en modelar explícitamente dinámicas de corto o largo alcance. En particular, consideramos variantes POT condicionales y la distribución de Mittag-Leffler que modela los tiempos de espera entre superaciones. Además, proponemos un nuevo enfoque de dos pasos que captura simultáneamente correlaciones de corto y largo alcance. Sugerimos el enfoque de picos sobre umbral autorregresivo de media móvil integrada fraccional (ARFIMA-POT), que en un primer paso ajusta un modelo ARFIMA a la serie original y luego en un segundo paso utiliza un modelo POT clásico para los residuos. Aplicando estos modelos a una serie temporal oceanográfica de alturas significativas de olas medidas en la costa de Sefton (Reino Unido), encontramos que ni el modelado exclusivo de dependencias de corto ni de largo alcance explica satisfactoriamente la agrupación de extremos. El enfoque ARFIMA-POT, sin embargo, proporciona una mejora significativa en términos de ajuste del modelo, subrayando la necesidad de modelos que incorporen conjuntamente dependencias de corto y largo alcance para abordar la agrupación extrema, y su justificación teórica.