La temperatura del suelo (ST) juega un papel clave en los procesos y funciones de casi todos los ecosistemas, y también es un parámetro esencial para diversas aplicaciones como la producción agrícola, el desarrollo geotérmico y su utilización. Aunque se han utilizado numerosos modelos de aprendizaje automático en la predicción de ST, y se han obtenido buenos resultados, la mayoría de los estudios actuales se han centrado en predicciones diarias o mensuales de ST, mientras que las predicciones horarias de ST son escasas. Este artículo presenta un esquema novedoso para pronosticar la ST por hora utilizando datos de pronóstico del tiempo. El método considera que la predicción horaria de ST es la superposición de dos partes, a saber, la predicción de la ST promedio diaria y la amplitud de ST (la diferencia entre la ST horaria y la ST promedio diaria) predicción. Según los resultados del análisis de correlación, seleccionamos nueve parámetros meteorológicos y combinamos dos parámetros temporales como los vectores de entrada para predecir la ST promedio diaria. Para la tarea de predecir la amplitud de ST, se seleccionaron siete parámetros meteorológicos y un parámetro temporal como entradas. Se construyeron dos submodelos utilizando una red neuronal de memoria a corto y largo plazo bidireccional profunda (BiLSTM). Para la tarea de predicción horaria de ST en cinco profundidades de suelo diferentes en 30 sitios, que se encuentran en 5 climas comunes en los Estados Unidos, los resultados mostraron que el método propuesto en este artículo funciona mejor en todas las profundidades para 30 estaciones (100% de todas) para el error cuadrático medio (RMSE), 27 estaciones (90% de todas) para el error absoluto medio (MAE) y 30 estaciones (100% de todas) para el coeficiente de determinación (R), respectivamente. Además, el método adoptado en este estudio muestra una mayor capacidad de predicción de ST que los métodos tradicionales en todos los tipos de climas involucrados en el experimento, la ST horaria producida por él puede ser utilizada como un parámetro de control para modelos biogeoquímicos de alta resolución, modelos de superficie terrestre y modelos hidrológicos y puede proporcionar ideas para un análisis de otros datos de series temporales.