Las características del movimiento ocular de los pilotos son críticas para el aterrizaje de aeronaves, especialmente en condiciones de baja visibilidad y viento. Este estudio realiza experimentos de vuelo simulados sobre el enfoque y aterrizaje de aeronaves bajo tres condiciones de baja visibilidad y viento, incluyendo sin viento, viento cruzado y viento de cola. Esta investigación recopila datos del movimiento ocular de 30 participantes después de descender del enfoque por instrumentos al enfoque visual y mide la desviación de la posición de aterrizaje. Luego, se utiliza un método de bosque aleatorio para clasificar las características del movimiento ocular y construir secuencialmente conjuntos de características según la importancia de las mismas. Se entrenan dos modelos de aprendizaje automático (SVR y RF) y cuatro modelos de aprendizaje profundo (GRU, LSTM, CNN-GRU y CNN-LSTM) con estos conjuntos de características para predecir la desviación de la posición de aterrizaje. Los resultados muestran que la duración acumulativa de fijación en el indicador de rumbo, altímetro, indicador de velocidad del aire y paisaje externo es vital para la desviación de la posición de aterrizaje en condiciones sin viento. La asignación de atención requerida por los enfoques en condiciones de viento cruzado y viento de cola es más compleja. Según la métrica MAE, CNN-LSTM tiene el mejor rendimiento de predicción y estabilidad en condiciones sin viento, mientras que CNN-GRU es mejor para casos de viento cruzado y viento de cola. RF también tiene un buen desempeño según la métrica RMSE, ya que es adecuado para predecir errores de posición de aterrizaje de valores atípicos.