La medición aérea de la velocidad y dirección del viento es importante para el desarrollo de la economía de baja altitud, la meteorología, la investigación climática y los sistemas de energía renovable. Las mediciones de viento basadas en UAV existentes, ya sean basadas en instrumentos o en dinámica de vuelo, exhiben consistentemente sesgos y errores significativos, limitando su fiabilidad para la estimación precisa del viento. Este estudio introduce un enfoque de aprendizaje automático (ML) para mejorar la precisión de la estimación de la velocidad y dirección del viento utilizando UAVs. El método propuesto aprovecha los datos de los sensores a bordo de las plataformas UAV, combinados con algoritmos avanzados de ML entrenados en mediciones de verdad terrestre obtenidas a través de sistemas LiDAR de alta resolución. Los experimentos revelan que incorporar una ventana de suavizado de 10 s produce un valor de error cuadrático medio (RMSE) de 0.39 m/s para la velocidad del viento (horizontal) y un sesgo aún más bajo.