El Fenómeno Isla de Calor (UHI) es un actual y creciente problema, presente en varias ciudades al rededor del mundo. Esta definido como el aumento en la temperatura en el gradiente rural a urbano. Sus causas principales son debido al cambio de cobertura, morfología urbana, falta de vegetación y metabolismo urbano. El UHI ha sido explorado extensivamente a través de métodos tradicionales estadísticos, debido al impacto que tiene sobre la vida urbana y la salud humana. Por otra parte, por la amenaza que presenta al futuro de las ciudades en escenarios de cambio climático. Este estudio propone un enfoque diferente, a través de Redes Neuronales Artificiales (ANNs) e Inteligencia Artificial. Las ANNs han sido ampliamente reconocidas en otros campos por su habilidad de predecir, reconocer patrones y describir relaciones no lineales. En ecología, las ANNS han sido extensamente recomendadas por su habilidad para trabajar con valores atípicos, incertidumbre y sistemas abiertos; aún así, son no son frecuentemente utilizadas debido a su reputación negativa de ser 'cajas negras'. La principal ventaja de las ANNs son la habilidad de alterar su comportamiento con base a información externa, que entra a las capas durante la fase de entrenamiento. Este estudio considera diferentes variables constantemente relacionadas con UHI, evalúa su importancia relativa y los pesos sinápticos asignados por la ANN. Por otra parte evalúa la habilidad de las ANN para predecir clima y proyectar escenarios futuros. Finalmente, pone en consideración el uso de las ANNs en estudios similares. Además de las variables altamente relacionadas con UHI, como: precipitación, altura, áreas de vegetación; emisiones de CO2 fue la variable con la importancia relativa mas alta. Los resultados de las predicciones, a pesar de representar alta variación y variables, se ajustaron al promedio de la temperatura máxima. Las proyecciones tuvieron un coeficiente de determinación más alto que el de las predicciones, a pesar de tener menos datos. Los resultados de las ANN debieron ser transformados para su interpretación y no representan explícitamente la relación entre las variables. A pesar y a favor de esto, las ANNs son una herramienta prometedora para los fenómenos ecológicos y deben ser profundamente exploradas.Urban Heat Island Effect (UHI) is a current and growing problem, present in many cities around the globe. It’s defined as the increase in temperature from the rural to urban gradient. Caused mainly by of changes in land cover, urban morphology, lack of vegetation and urban metabolism. UHI has been extensively explored through traditional statistical methods, due to the impacts it has on urban life and human health. Also, the threat it poses to the future of cities in climate change scenarios. This study proposes a different approach, via Artificial Neural Networks(ANNs) and Artificial Intelligence. ANNs are widely recognized in other fields for their ability to predict, recognize patterns and depict non-linear relationships. In ecology, ANNs are extensively recommended because of their ability to work with outliers, uncertainty and open systems; yet are seldomly used, due their notorious ‘black box’ reputation. ANNs main advantage is the ability to change their behaviour based on external information, that flows through the ANNs during the training phase. This study considers different variables constantly related to UHI, and evaluates the relative importance and the synaptic weights given to them by the ANN. It also evaluates the ability of the ANN to predict climate and its ability to project climate for future scenarios. Finally, it poses a question to whether they should be used as a tool in ecological studies. Aside from variables highly related to UHI like: precipitation, building height, vegetation areas; CO2 emissions was one of the variables with the highest relative importance. Prediction results, despite representing increasing amounts of variables and variation, were adjusted to the mean of the maximum temperature; and projections had a higher determination coefficient despite having less data as input. ANNs results need to be further transformed to be interpreted, they don’t explicitly state relationships between variables and have too many options to represent the system being considered. In spite and in favour, ANNs are an excellent tool to explore ecological phenomena, that should be very thoroughly explored.Ecólogo (a)Pregrado