Un problema general en la ciencia del clima es el manejo de grandes volúmenes de datos y la ejecución de simulaciones complejas y computacionalmente pesadas. En este documento, exploramos el potencial de utilizar el aprendizaje automático (ML) para ahorrar tiempo computacional y optimizar el uso de datos. El documento analiza los efectos de los cambios en la cobertura terrestre (LC), como la deforestación o la urbanización, en el clima local. Junto con las emisiones de gases de efecto invernadero, se sabe que los cambios en LC son causas importantes del cambio climático. Los métodos de ML fueron entrenados para aprender la relación entre los cambios en LC y los cambios de temperatura. Los resultados mostraron que el bosque aleatorio (RF) superó a otros métodos de ML, y especialmente a modelos de regresión lineal que representan la práctica actual en la literatura. La inteligencia artificial explicativa (XAI) se utilizó además para interpretar el método RF y analizar el impacto de diferentes cambios en LC en la temperatura. Los resultados coinciden principalmente con la literatura científica del clima, pero también revelan hallazgos nuevos e interesantes, demostrando que los métodos de ML en combinación con XAI pueden ser útiles para analizar los efectos climáticos de los cambios en LC. Se explican todas las partes del proceso de análisis, incluido el preprocesamiento de datos, la extracción de características, el entrenamiento de ML, la evaluación del rendimiento y XAI.