Desarrollar modelos de pronóstico a corto plazo para la temperatura atmosférica global y el viento en el espacio cercano es crucial para entender la dinámica atmosférica y apoyar las actividades humanas en esta región. Si bien se han desarrollado extensamente modelos numéricos, las técnicas de aprendizaje profundo han mostrado recientemente promesas para mejorar la precisión de los pronósticos atmosféricos. En este estudio, se aplicaron redes neuronales convolucionales de memoria a largo y corto plazo (ConvLSTM) y unidades recurrentes convolucionales con compuertas (ConvGRU) para construir un modelo de pronóstico a corto plazo a escala global de la temperatura atmosférica y el viento en el espacio cercano, basado en el conjunto de datos de reanálisis MERRA-2 de 2010 a 2022. Los resultados del modelo mostraron que el modelo ConvGRU supera al modelo ConvLSTM en los resultados de pronóstico a corto plazo. El modelo ConvGRU logró un error cuadrático medio en las primeras tres horas de aproximadamente 1.8 K para las predicciones de temperatura, y errores de 4.2 m/s y 3.8 m/s para las predicciones de viento hacia el este y hacia el norte en todas las 72 superficies isobáricas. Específicamente, a una mayor altitud (en la superficie isobárica de 1.65 Pa, aproximadamente 70 km sobre el nivel del mar), el modelo ConvGRU logró un RMSE de aproximadamente 2.85 K para las predicciones de temperatura, y 5.67 m/s y 5.17 m/s para el viento hacia el este y hacia el norte. Este hallazgo es significativamente significativo para los pronósticos a corto plazo de temperatura y viento en el espacio cercano y para explorar los mecanismos físicos relacionados con las variaciones de temperatura y viento en esta región.