El rayo es un impulsor crítico de la ignición natural de incendios forestales y de la dinámica de los ecosistemas, pero los modelos de predicción existentes dependen de predictores de la atmósfera superior, como la energía potencial convectiva disponible (CAPE), que están ausentes en las reconstrucciones paleoclimáticas. Para permitir reconstrucciones a largo plazo de la actividad de rayos, desarrollamos y evaluamos modelos estadísticos basados únicamente en variables climáticas cercanas a la superficie: temperatura, precipitación, humedad, presión del aire en la superficie, viento y radiación de onda corta. Utilizando datos de reanálisis ERA5 y de la Red de Detección de Rayos Vaisala (2005-2010) para el noreste de Estados Unidos, comparamos la regresión lineal, modelos lineales generalizados gamma y modelos bayesianos gamma contra puntos de referencia basados en CAPE. Si bien los modelos basados en CAPE superaron a los modelos basados en predictores individuales cercanos a la superficie, mostraron limitaciones al predecir anomalías temporales. Los modelos que incorporan múltiples predictores cercanos a la superficie superaron consistentemente a los modelos basados en CAPE, reproduciendo gradientes espaciales observados, variabilidad interanual y distribuciones de tasas de impacto. Los modelos lineales generalizados gamma lograron el mejor rendimiento general, equilibrando predicciones realistas y no negativas con precisión en métricas basadas en errores y correlaciones, mientras que los modelos bayesianos capturaron mejor la distribución de tasas de impacto pero sacrificaron precisión espacial. Nuestros resultados demuestran que los predictores cercanos a la superficie proporcionan una alternativa viable para la predicción de rayos cuando los datos de la atmósfera superior no están disponibles, ofreciendo un camino metodológico para reconstruir la variabilidad estacional de rayos a largo plazo y su papel en las interacciones clima-fuego.