Los laboratorios profundos subterráneos ofrecen ventajas para realizar observaciones de alta precisión de señales geofísicas débiles, beneficiándose de un bajo nivel de ruido de fondo. Mejorar los datos del campo electromagnético (EM) terrestre, que son fuertes y ruidosos, utilizando señales EM subterráneas registradas de manera sincrónica, que típicamente exhiben una alta relación señal-ruido, es tanto valioso como factible. En este estudio, proponemos un método de reconstrucción del campo EM empleando una red neuronal recurrente de memoria a largo y corto plazo (LSTM) con observaciones EM profundas subterráneas referenciadas. Inicialmente, se desarrolló un modelo de aprendizaje profundo para capturar las características variables en el tiempo de los campos EM subterráneos de múltiples componentes utilizando la red neuronal recurrente LSTM. Posteriormente, este modelo se aplicó para procesar datos fuertes y ruidosos observados sincrónicamente de otros sistemas de observación convencionales, como los de la superficie, para lograr la supresión de ruido a través de reconstrucciones de señales. Tanto el análisis teórico como los datos de observación práctica sugieren que el método propuesto suprime efectivamente el ruido y reconstruye señales EM limpias. Este método es eficiente y ahorra tiempo, representando un enfoque efectivo para aprovechar al máximo las ventajas de los datos de observación subterránea profunda. Además, este método podría extenderse al procesamiento y análisis de otros datos geofísicos.