Los cambios climáticos actualmente se presentan de manera brusca e inmediata siendo impredecibles por la población, ocasionando daños y pérdidas materiales, pero con el apoyo de las tecnologías presentes, como lo es la inteligencia artificial: machine learning, nos va a ayudar a anticipar estos hechos. Por lo tanto, esta revisión tiene como objetivo analizar la efectividad de machine learning para la predicción de cambios climáticos en el medio ambiente, para proporcionar la validez de su rendimiento y mejora. La metodología empleada en esta revisión sistemática consistió en utilizar PICO para establecer criterios de elegibilidad agrupándolos en componentes que finalmente se redujo a PIOC, con lo que se estableció la siguiente pregunta, ¿En qué medida el Machine Learning mejora la predicción de cambios climáticos en el medio ambiente? que dio paso al desarrollo de las palabras claves para la creación de la ecuación de búsqueda. Consiguiente se utilizó la metodología PRISMA para el descarte de artículos mediante la exclusión e inclusión, se inició con una base de 2020 artículos y después de haber aplicado todos los filtros resultaron 22 artículos que serán incluidos en la RSL. Los resultados mostraron que machine learning mostró un rendimiento superior para desentrañar asociaciones complejas e interactivas entre el medio ambiente y la diversidad vegetal, además el método ELM generalmente proporcionó una precisión superior a los otros métodos para predecir las temperaturas mensuales del suelo a varias profundidades. Se llegó a la conclusión de que machine learning es un método efectivo y que destaca entre los demás tipos de inteligencia artificial mostrando una relación positiva para predecir cambios de temperatura en el ambiente, de acuerdo con el enfoque que se le presente se debe aplicar el modelo más efectivo que se adecue a la investigación para obtener mejores resultados.