La radiación solar es una de las fuentes de energía más abundantes en el mundo y es un parámetro crucial que debe ser investigado y desarrollado para los proyectos sostenibles de las generaciones futuras. Este estudio evalúa el rendimiento de diferentes métodos de aprendizaje automático para la predicción de la radiación solar en Konya, Turquía, una región con alto potencial de energía solar. El análisis se basa en datos hidrometeorológicos recopilados de NASA/POWER, que cubren el período del 1 de enero de 1984 al 31 de diciembre de 2022. El estudio compara el rendimiento de Long Short-Term Memory (LSTM), Bidirectional LSTM (Bi-LSTM), Gated Recurrent Unit (GRU), Bidirectional GRU (Bi-GRU), LSBoost, XGBoost, Bagging, Random Forest (RF), General Regression Neural Network (GRNN), Support Vector Machines (SVM) y Redes Neuronales Artificiales (MLANN, RBANN). Las variables hidrometeorológicas utilizadas incluyen temperatura, humedad relativa, precipitación y velocidad del viento, mientras que la variable objetivo es la radiación solar. El conjunto de datos se dividió en un 75% para entrenamiento y un 25% para pruebas. Las evaluaciones de rendimiento se realizaron utilizando el Error Absoluto Medio (MAE), el Error Cuadrático Medio (RMSE) y el coeficiente de determinación (R). Los resultados indican que los modelos LSTM y Bi-LSTM tuvieron el mejor rendimiento en la fase de prueba, demostrando la superioridad de los enfoques basados en aprendizaje profundo para la predicción de la radiación solar.