Este estudio investiga la aplicación de técnicas de aprendizaje automático para predecir las ubicaciones de los respiraderos volcánicos basándose en datos geofísicos aeromagnéticos. Los datos magnéticos, conocidos por reflejar estructuras geológicas subterráneas, presentan una valiosa fuente de información para comprender la actividad volcánica. Aprovechando estos datos, nuestro objetivo es desarrollar y validar modelos predictivos capaces de discernir la presencia de respiraderos volcánicos. A través de un análisis de datos integral, ingeniería de características y entrenamiento de modelos, exploramos las complejas relaciones entre las variaciones magnéticas y las ubicaciones de los respiraderos volcánicos. Se evaluaron varios algoritmos de aprendizaje automático por su eficacia en la clasificación binaria, con un enfoque en identificar áreas con alta probabilidad de presencia de respiraderos volcánicos. Se adoptó el modelo de Bosque Aleatorio (RFM) dado su alto rendimiento, logrando una precisión de predicción del 92%. Nuestros resultados demuestran la exitosa predicción de las ubicaciones de los respiraderos volcánicos, con una correlación significativa del 86% entre las ubicaciones reales y las predicciones, y un alto Grado de Certeza (DC) del 97%. Esta investigación contribuye al avance del análisis de datos geoespaciales dentro del campo de la geociencia, mostrando el potencial del aprendizaje automático en la interpretación y utilización de datos magnéticos para la evaluación de riesgos volcánicos y sistemas de alerta temprana. Los hallazgos representan un paso significativo hacia la mejora de nuestra comprensión de la dinámica volcánica y la mejora de las herramientas predictivas disponibles para la evaluación de riesgos volcánicos.