El campo geotérmico de The Geysers en California está experimentando subsidencia del terreno debido a las actividades sísmicas y geotérmicas que están ocurriendo. Esto representa un riesgo no solo para la infraestructura subyacente, sino también para el nivel de agua subterránea, lo que reduciría la disponibilidad de agua para la comunidad local. Por ello, es crucial monitorear y evaluar la deformación de la superficie que ocurre y ajustar las operaciones geotérmicas en consecuencia. En este estudio, examinamos la correlación entre las tasas de inyección y producción geotérmica, así como la actividad sísmica en la zona, y mostramos la alta correlación entre la tasa de inyección y el número de terremotos. Esto motiva el uso de estos datos en un modelo de aprendizaje automático que predeciría futuros mapas de deformación. Primero, construimos un modelo que utiliza imágenes de radar de apertura sintética interferométrica (InSAR) que han sido procesadas y convertidas en una serie temporal de deformación utilizando LiCSBAS, un paquete de series temporales InSAR de código abierto, y evaluamos el rendimiento en comparación con un modelo base lineal. El modelo incluye tanto capas de red neuronal convolucional (CNN) como capas de memoria a corto y largo plazo (LSTM) y es capaz de mejorar el modelo base en función de una métrica de error cuadrático medio. Luego, después de ser preprocesados, incorporamos los datos geotérmicos añadiéndolos como entradas adicionales al modelo. Este nuevo modelo pudo superar tanto al modelo base como a la versión anterior del modelo que utiliza solo datos de InSAR, lo que motiva el uso de modelos de aprendizaje automático así como datos geotérmicos en la evaluación y predicción de futuras deformaciones en The Geysers como parte de modelos de mitigación de riesgos que luego se utilizarían como herramientas fundamentales para la toma de decisiones informadas en lo que respecta al ajuste de las operaciones geotérmicas.