La previsión precisa de la temperatura es crítica para varios sectores, sin embargo, los métodos tradicionales luchan con las dinámicas atmosféricas complejas. Las redes neuronales profundas (DNN), especialmente las DNN basadas en transformadores, ofrecen ventajas potenciales, pero enfrentan desafíos con la adaptación de dominio en diferentes regiones geográficas. Evaluamos la efectividad de la adaptación de dominio basada en DNN para la previsión de la temperatura máxima diaria en entornos experimentales de bajos recursos. Utilizamos una arquitectura de aprendizaje profundo basada en transformadores con atención como el marco central de previsión y utilizamos el emparejamiento de medias de núcleo (KMM) para la adaptación de dominio. La adaptación de dominio mejoró significativamente la precisión de la previsión en la mayoría de los entornos experimentales, mitigando así las diferencias de dominio entre las regiones de origen y destino. Específicamente, observamos que la adaptación de dominio es más efectiva que entrenar exclusivamente con una pequeña cantidad de datos de entrenamiento del dominio objetivo. Este estudio refuerza el potencial de utilizar DNN para la previsión de temperatura y subraya los beneficios de la adaptación de dominio utilizando KMM. También destaca la necesidad de tener precaución al usar pequeñas cantidades de datos del dominio objetivo para evitar el sobreajuste. La investigación futura incluye investigar estrategias para minimizar el sobreajuste y profundizar aún más en el efecto de varios factores en el rendimiento del modelo.