Predecir la disponibilidad de aguas subterráneas es importante para la sostenibilidad del agua y la mitigación de la sequía. Las herramientas de aprendizaje automático tienen el potencial de mejorar la predicción de aguas subterráneas, lo que permite a los planificadores de recursos: (1) anticipar la calidad del agua en áreas o zonas de profundidad no muestreadas; (2) diseñar programas de monitoreo específicos; (3) informar estrategias de protección de aguas subterráneas; y (4) evaluar la sostenibilidad de las fuentes de agua potable de aguas subterráneas. Este documento propone un enfoque de aprendizaje automático para la predicción de aguas subterráneas con las siguientes características: (i) el uso de un enfoque basado en regresión para predecir imágenes completas de aguas subterráneas basadas en secuencias de mapas mensuales de aguas subterráneas; (ii) selección automática estratégica de características (tanto locales como globales) utilizando extreme gradient boosting; y (iii) el uso de una multiplicidad de técnicas de aprendizaje automático (extreme gradient boosting, regresión lineal multivariante, bosques aleatorios, perceptrón multicapa y regresión de vectores de soporte). De estas técnicas, la regresión de vectores de soporte tuvo consistentemente el mejor rendimiento en términos de minimizar el error cuadrático medio y el error absoluto medio. Además, incluir una característica global obtenida de un Modelo de Mezcla Gaussiana produjo modelos con un error menor que el mejor que se podría obtener con características geográficas locales.