Aunque los modelos computacionales están avanzando en la predicción de la calidad del aire, lograr el rendimiento o la precisión deseada en la predicción sigue siendo una brecha, lo que impacta la implementación de modelos de predicción de calidad del aire mediante aprendizaje automático (ML). Se han empleado varios modelos y algunos se han hibridado para mejorar las predicciones de calidad del aire y del índice de calidad del aire. El objetivo de este artículo es revisar sistemáticamente las técnicas de aprendizaje automático y profundo para los desafíos de predicción espaciotemporal del aire. En esta revisión, se utilizó un marco metodológico basado en el flujo PRISMA en el que se definieron los términos de búsqueda iniciales para guiar la estrategia de búsqueda de literatura en fuentes de datos en línea (Scopus y Google Scholar). Los criterios de inclusión son artículos publicados en inglés, tipo de documento (artículos y ponencias de conferencias) y tipo de fuente (revistas y actas de conferencias). Los criterios de exclusión son series de libros y libros. La estrategia de búsqueda de los autores se complementó con palabras clave generadas por ChatGPT para reducir el riesgo de sesgo. La síntesis del informe se logró mediante la agrupación de palabras clave utilizando Microsoft Excel, lo que llevó a la clasificación de palabras clave en orden ascendente para facilitar la identificación de palabras clave similares y disímiles. Se utilizaron tres investigadores independientes en esta investigación para evitar sesgos en la recolección y síntesis de datos. Los artículos se recuperaron el 27 de julio de 2024. De 374 artículos, se seleccionaron 80 ya que estaban en línea con el alcance del estudio. La revisión identificó la combinación de una técnica de aprendizaje automático y técnicas de aprendizaje profundo para las limitaciones de datos y el procesamiento de las características no lineales de los contaminantes del aire. Los modelos de ML, como el bosque aleatorio y el clasificador de árbol de decisión, se encontraban entre los modelos más utilizados para las predicciones del índice de calidad del aire y de la calidad del aire, con resultados de rendimiento prometedores. Los modelos de aprendizaje profundo son prometedores debido a los componentes de hiperparámetros, que consisten en funciones de activación adecuadas para datos espaciotemporales no lineales. Se destaca la aparición de dispositivos de bajo costo para las limitaciones de datos, además del uso de modelos de aprendizaje por transferencia y aprendizaje federado. Nuevamente, se destaca que las actividades militares y los incendios impactan la concentración de O, y los modelos de mejor rendimiento destacados en esta revisión podrían ser útiles en el desarrollo de modelos predictivos para la predicción de la calidad del aire en áreas con actividades militares intensas. Esta revisión reconoce los desafíos metodológicos en términos de fuentes de recolección de datos, ya que hay materiales igualmente relevantes en otras fuentes de datos en línea. Nuevamente, la elección y el uso de palabras clave para la búsqueda inicial y la creación de palabras clave de filtro subsiguientes limitan la recolección de otros artículos de investigación relevantes.