Los métodos matemáticos son la base de la mayoría de los modelos que describen los fenómenos naturales que nos rodean. Sin embargo, los conocidos modelos matemáticos convencionales para la modelización atmosférica tienen algunas limitaciones. El aprendizaje automático con Big Data también se basa en las matemáticas pero ofrece un nuevo enfoque para la modelización. Hay dos metodologías para desarrollar modelos de aprendizaje profundo para la predicción de imágenes espacio-temporales. Sobre estas bases, se construyeron dos modelos - ConvLSTM y CNN-LSTM - con dos tipos de predicciones, es decir, de secuencia a secuencia y de secuencia a uno, con el fin de predecir secuencias de Espesor Óptico de Aerosol. El conjunto de datos de entrada para el entrenamiento fue la imagen satelital MODAL2_E_AER_OD de la NASA de los satélites Terra/MODIS, que presenta el Espesor Óptico de Aerosol global con una resolución temporal de 8 días desde el año 2000 hasta la actualidad. Los resultados obtenidos muestran que el modelo ConvLSTM de secuencia a uno tuvo el menor error RMSE y el valor de Similitud Coseno más alto. Las ventajas de los modelos de DL desarrollados son que pueden ejecutarse en milisegundos en una PC, pueden utilizarse para observaciones terrestres a escala global y pueden servir como trazadores para estudiar cómo se mueve la atmósfera terrestre. Los modelos desarrollados pueden utilizarse como aprendizaje por transferencia para modelos de pronóstico de series temporales de imágenes similares.