El avance hacia la utilización de fuentes de energía renovable es crucial para mitigar problemas ambientales como la contaminación del aire y el cambio climático. Las turbinas eólicas marinas, particularmente las turbinas eólicas flotantes (FOWTs), se desarrollan para aprovechar los vientos más fuertes y constantes disponibles sobre aguas profundas. Los pronósticos precisos de datos metoceánicos, que abarcan la velocidad del viento y la altura de las olas, son cruciales para la ubicación, operación y mantenimiento óptimos de los parques eólicos marinos y contribuyen significativamente a la eficiencia, seguridad y vida útil de las FOWT. Este estudio examina la aplicación de tres modelos de aprendizaje automático (ML), incluyendo Facebook Prophet, el Promedio Móvil Integrado Autoregresivo Estacional con Factores Exógenos (SARIMAX) y la memoria a largo y corto plazo (LSTM), para pronosticar velocidades del viento y alturas significativas de las olas, utilizando datos de una boya situada en el Océano Pacífico. Los modelos se evalúan en función de su capacidad para predecir valores futuros de velocidad del viento y altura de las olas a 1, 3 y 30 días, con un rendimiento evaluado a través de métricas de Error Absoluto Medio (MAE) y Error Cuadrático Medio (RMSE). Entre los modelos, LSTM mostró un rendimiento superior, capturando efectivamente las complejas dependencias temporales en los datos. La incorporación de variables exógenas, como las condiciones atmosféricas y la velocidad de ráfagas, refinó aún más las predicciones. Los hallazgos del estudio destacan el potencial de los modelos de aprendizaje automático (ML) para mejorar la integración y fiabilidad de las fuentes de energía renovable a través de pronósticos metoceánicos precisos.