La conductancia estomática (gS) es un factor clave en la transpiración de los árboles urbanos y en su potencial de mitigación del calor, pero pocos estudios comparan modelos de aprendizaje automático para predecir gS en múltiples especies en las ciudades. Este estudio aplica cinco modelos de aprendizaje automático (XGBoost, Bosque Aleatorio, Máquina de Vectores de Soporte [SVM], Red Neuronal y Bosque Aleatorio Ajustado) y dos modelos clásicos (Regresión Lineal Múltiple y Modelo Aditivo Generalizado [GAM]) para predecir gS de 15 especies de árboles dominantes en el bosque urbano de la Ciudad de México utilizando variables ambientales (temperatura del aire, déficit de presión de vapor, radiación fotosintéticamente activa y potencial hídrico de las hojas). Entrenamos los modelos en un conjunto de datos de 300 observaciones por especie, con un 70% para entrenamiento, un 20% para validación y un 10% para pruebas, y evaluamos el rendimiento utilizando RMSE, MAE y R2. En general, XGBoost, GAM y SVM mostraron consistentemente el mejor rendimiento predictivo, con valores de R2 de hasta 0.997, mientras que la Red Neuronal y la Regresión Lineal Múltiple tuvieron un rendimiento deficiente (R2 ~ 0.10-0.65). El rendimiento del modelo varió sustancialmente entre especies, siendo XGBoost el mejor para siete especies, GAM para cuatro y SVM para cuatro. Nuestros resultados demuestran que se puede predecir con precisión gS de especies de árboles utilizando modelos de aprendizaje automático en bosques urbanos; sin embargo, la elección del modelo debe tener en cuenta las diferencias de rendimiento entre especies. Por lo tanto, recomendamos que los profesionales consideren enfoques de conjunto de múltiples modelos, excluyendo solo la Red Neuronal, al seleccionar predictores para especies individuales.