Los forzamientos atmosféricos son factores físicos significativos que influyen en la variación de la temperatura de la superficie del mar (SST) y a menudo se utilizan como variables de entrada esenciales para los modelos numéricos oceánicos. Sin embargo, su contribución a la predicción de la SST basada en métodos de aprendizaje automático aún necesita ser probada. Este estudio presenta un modelo de predicción para la SST en el Mar de China Oriental (ECS) utilizando dos métodos de aprendizaje automático: Random Forest y algoritmos SA-ConvLSTM. Según las puntuaciones de importancia de características de Random Forest y los coeficientes de correlación R, la temperatura del aire a 2 m y la radiación de onda larga fueron seleccionadas como los dos factores atmosféricos clave más importantes que pueden afectar el rendimiento de la predicción de SST de los métodos de aprendizaje automático. Se construyeron cuatro conjuntos de datos como entrada para SA-ConvLSTM: solo SST, SST-T2m, SST-LWR y SST-T2m-LWR. Usando SST-T2m y SST-LWR, la habilidad de predicción del modelo puede mejorarse en aproximadamente un 9.9% y un 9.43% para el RMSE y en aproximadamente un 8.97% y un 8.21% para el MAE, respectivamente. Usando el conjunto de datos SST-T2m-LWR, la habilidad de predicción del modelo puede mejorarse en un 10.75% para RMSE y un 9.06% para MAE. El SA-ConvLSTM puede representar bien la SST en ECS, pero con el RMSE y AE más altos en verano. Los hallazgos del estudio presentado requieren mucha más exploración en estudios futuros.