La temperatura de la superficie terrestre (LST) es una variable crítica para comprender los intercambios de energía y el balance hídrico en la superficie de la Tierra, así como para calcular el flujo de calor turbulento y la radiación de onda larga en la interfaz superficie-atmósfera. Las técnicas de teledetección, particularmente utilizando plataformas satelitales como Landsat 8 OLI/TIRS y Sentinel-2A, han facilitado el mapeo detallado de LST. Sentinel-2 ofrece datos multiespectrales de alta resolución espacial y temporal, pero carece de bandas de infrarrojo térmico, que Landsat 8 puede proporcionar con una resolución de 30 m y revisitas menos frecuentes en comparación con Sentinel-2. Este estudio emplea índices espectrales de Sentinel-2 como variables independientes y datos de LST derivados de Landsat 8 como la variable objetivo dentro de un marco de aprendizaje automático, lo que permite la predicción de LST a una resolución de 10 m. Este método aplica algoritmos de aprendizaje automático ajustados por hiperparámetros basados en búsqueda en cuadrícula: Random Forest (RF), Gradient Boosting Machine (GBM), Support Vector Machine (SVM) y k-Nearest Neighbours (kNN) para modelar relaciones no lineales complejas entre los índices espectrales (NDVI, NDWI, NDBI y BSI) y LST. La búsqueda en cuadrícula, combinada con la validación cruzada, mejoró la precisión de predicción del modelo tanto para las temporadas anteriores como posteriores al monzón. Este enfoque supera métodos anteriores que empleaban modelos no ajustados o que no lograban integrar datos de Sentinel-2. Este estudio demuestra que capturar la dinámica térmica urbana a escalas espaciales y temporales finas, combinada con modelos de aprendizaje automático ajustados, puede mejorar la capacidad de monitoreo de islas de calor urbano, la planificación de adaptación climática y los modelos de gestión ambiental sostenible.