Para lograr predicciones precisas de eventos de golpe de cola durante la fase de aterrizaje del entrenamiento de vuelo, proponemos un modelo de predicción de aprendizaje por apilamiento que utiliza Random Forest (RF), Regresión de Vectores de Soporte (SVR), K-Vecinos Más Cercanos (KNN) y Aumento Adaptativo (AdaBoost) como modelos base, con Regresión Logística (LR) como el meta-modelo. Este modelo se basa en datos de vuelo de no excedencia registrados en tarjetas SD en vuelo. Al evaluar las puntuaciones de importancia de los parámetros de características que influyen en los eventos de golpe de cola, identificamos el conjunto óptimo de características para la entrada del modelo, utilizando el ángulo de inclinación de aterrizaje como la salida del modelo. Luego comparamos el R y el RMSE de cada modelo. Los resultados indican que, bajo un horizonte de predicción de 5 segundos antes del aterrizaje, el modelo de aprendizaje por apilamiento demuestra una alta precisión predictiva. Esta capacidad proporciona a los aprendices de vuelo un tiempo de reacción suficiente para ajustar sus actitudes de vuelo, ayudando así a evitar la ocurrencia de eventos de golpe de cola durante el aterrizaje.