La interpolación espacial de datos meteorológicos puede tener inmensas implicaciones en la gestión de riesgos y la planificación del cambio climático. El kriging con deriva externa (KED) es una variante de interpolación espacial que utiliza información auxiliar en la estimación de variables objetivo en ubicaciones no observadas. Sin embargo, los métodos tradicionales de KED con funciones de tendencia lineal pueden no ser capaces de capturar la compleja e no lineal interdependencia entre las variables objetivo y auxiliares, lo que puede llevar a una estimación inexacta. En este trabajo, se propone un nuevo método de KED que utiliza regresión de vectores de soporte de mínimos cuadrados (LSSVR). Este algoritmo de aprendizaje automático se emplea para construir funciones de tendencia independientemente del tipo de interrelaciones de variables que se estén considerando. Para evaluar la eficiencia del método propuesto (KED con LSSVR) en comparación con el método tradicional (KED con una función de tendencia lineal), se realizó un estudio sistemático de simulación para estimar la temperatura y presión media mensual en Tailandia en 2017. Se demuestra que el KED con LSSVR tiene un rendimiento superior al KED con la función de tendencia lineal.