La previsión del tiempo, una tarea vital para la agricultura, el transporte, la energía, etc., ha evolucionado significativamente a lo largo de los años. Las encuestas exhaustivas juegan un papel crucial en la síntesis del conocimiento, la identificación de tendencias y la atención a los desafíos emergentes en este campo dinámico. En esta encuesta, examinamos críticamente los métodos de previsión del tiempo basados en el aprendizaje automático (ML), que demuestran una capacidad excepcional para manejar conjuntos de datos complejos y de alta dimensión y aprovechar grandes volúmenes de datos históricos y en tiempo real, lo que permite la identificación de patrones sutiles y relaciones entre variables meteorológicas. La investigación sobre tareas específicas como la previsión del tiempo global, la reducción de escala, la predicción de fenómenos meteorológicos extremos y cómo combinar métodos de aprendizaje automático con principios físicos está muy activa en el campo actual. Sin embargo, quedan varios problemas no resueltos o desafiantes, incluida la interpretabilidad de los modelos y la capacidad de predecir eventos meteorológicos raros. Al identificar estas brechas, esta investigación proporciona una hoja de ruta para avanzar en las técnicas de previsión del tiempo basadas en el aprendizaje automático para complementar y mejorar los resultados de la predicción meteorológica.