El cambio climático se considera uno de los mayores problemas de nuestro tiempo, lo que resulta en muchos efectos no deseados en la vida en la Tierra. La cobertura fraccional de nubes (CFC), la porción del cielo cubierta por nubes, podría afectar al calentamiento global y a otros aspectos de la sociedad humana como la agricultura y la producción de energía solar. Por lo tanto, es importante mejorar la proyección de futura CFC, que generalmente se proyecta utilizando métodos numéricos climáticos. En este documento, exploramos el potencial de utilizar el aprendizaje automático como parte de un marco estadístico de reducción de escala para proyectar futura CFC. No tenemos conocimiento de ninguna otra investigación que haya explorado esto. Evaluamos el potencial de dos métodos diferentes, un modelo de memoria a corto y largo plazo convolucional (ConvLSTM) y una ecuación de regresión múltiple, para predecir CFC a partir de otras variables ambientales. Las predicciones estuvieron asociadas con mucha incertidumbre, lo que indica que puede que no haya mucha información en las variables ambientales utilizadas en el estudio para predecir CFC. En general, la ecuación de regresión tuvo el mejor rendimiento, pero el ConvLSTM fue el modelo que tuvo un mejor rendimiento a lo largo de algunas áreas costeras y montañosas. Se explican todos los aspectos de los análisis de la investigación, incluida la preparación de datos, el desarrollo del modelo, el entrenamiento de ML, la evaluación del rendimiento y la visualización.