El cambio climático está teniendo un impacto significativo en el almacenamiento de agua subterránea, afectando los recursos hídricos en muchas partes del mundo. Para caracterizar este impacto, la teledetección y el aprendizaje automático son herramientas esenciales para analizar los datos de manera precisa y eficiente. Este estudio tiene como objetivo predecir las variaciones del almacenamiento de agua subterránea (GWS) utilizando datos de GRACE/GRACE-FO y de teledetección de múltiples fuentes, combinados con técnicas de aprendizaje automático. El enfoque se aplicó en la región de las Praderas canadienses. El área de estudio se clasificó en tres zonas de diferentes potenciales de acuíferos (bajo, medio y alto) utilizando una combinación de datos de teledetección y el enfoque de Árboles de Clasificación y Regresión (CART). El modelo de predicción se desarrolló utilizando un enfoque de aprendizaje automático basado en regresión lineal múltiple para estimar las variaciones de GWS en función de varios parámetros ambientales. Los resultados mostraron que el modelo desarrollado fue capaz de predecir las variaciones de GWS con una precisión satisfactoria (hasta el 95% de la varianza explicada) y buena robustez (96% de tasa de éxito). También proporcionaron una mejor comprensión de las variaciones en el almacenamiento de agua subterránea en las Praderas canadienses. Por lo tanto, este trabajo proporciona un método prometedor para predecir GWS, que podría aplicarse eventualmente a otras condiciones ambientales similares.