En el análisis de datos de dimensionalidad ultracuadro, para mantener un buen rendimiento computacional y que las propiedades estadísticas sigan siendo efectivas, los modelos aditivos no paramétricos enfrentan desafíos crecientes. Para superarlos, introducimos una metodología de selección de modelo para modelos aditivos no paramétricos de alta dimensionalidad. Nuestro enfoque es proponer un procedimiento de selección de grupo novedoso a través de la estimación de suavizado no paramétrico de crestas (GRIE) para encontrar la importancia de cada covariable. Luego se combina con la propiedad de selección segura de GRIE y la propiedad de selección de modelo de los criterios de información bayesiana extendida (EBIC) para seleccionar los submodelos adecuados en modelos aditivos no paramétricos. Teóricamente, establecemos la consistencia fuerte de la selección de modelo para el método propuesto. Simulaciones extensas y dos conjuntos de datos reales ilustran el rendimiento sobresaliente del método GRIE-EBIC.