La sequía es un fenómeno natural complejo e interconectado, que involucra múltiples tipos de sequía que se influyen mutuamente. Para capturar esta complejidad, se han desarrollado varios índices compuestos de sequía utilizando diversas metodologías. Tradicionalmente, el Análisis de Componentes Principales (PCA) ha servido como el método principal para extraer los pesos de los índices, capturando predominantemente relaciones lineales entre variables. Este estudio propone un enfoque innovador al emplear el Análisis de Componentes Independientes (ICA) para desarrollar un Índice Compuesto de Sequía basado en ICA (ICDI), capaz de abordar tanto interdependencias lineales como no lineales. Se integraron tres índices de sequía que representan sequías meteorológicas, hidrológicas y agrícolas. Específicamente, se adoptó el Índice de Precipitación Estandarizado (SPI) como el indicador de sequía meteorológica, mientras que se utilizó el Índice de Suministro de Embalses Estandarizado (SRSI) para representar tanto sequías hidrológicas (SRSI(H)) como agrícolas (SRSI(A)). El ICDI se derivó extrayendo pesos óptimos para cada índice de sequía a través de ICA, aprovechando la optimización de la no gaussianidad. Además, se introdujeron restricciones (denominadas ICDI-C) para asegurar que todos los pesos de los índices fueran positivos y normalizados a la unidad. Estas restricciones evitaron asignaciones de peso negativas, mejorando así la interpretabilidad física y asegurando que ningún índice de sequía dominara desproporcionadamente el compuesto. Para evaluar rigurosamente el rendimiento del ICDI, se desarrolló un Índice Compuesto de Sequía basado en PCA (PCDI) para análisis comparativo. La evaluación se llevó a cabo a través de tres métricas de rendimiento distintas: diferencia, modelo y rendimiento de alarma. El rendimiento de diferencia, calculado restando los valores del índice compuesto de los índices de sequía individuales, indicó que el PCDI y el ICDI-C superaron al ICDI, exhibiendo un rendimiento general comparable. Notablemente, el ICDI-C demostró una preservación superior de los valores de SRSI(H), produciendo valores de diferencia más cercanos a cero. Las métricas de rendimiento del modelo (Error Cuadrático Medio (RMSE), Error Absoluto Medio (MAE) y correlación) destacaron el rendimiento comparativamente inferior del ICDI, caracterizado por correlaciones más bajas y mayores RMSE y MAE. Por el contrario, el PCDI y el ICDI-C exhibieron un rendimiento similar en estas métricas, aunque el ICDI-C mostró una correlación notablemente más alta con SRSI(H). La evaluación del rendimiento de alarma (Tasa de Falsos Alarmas (FAR), Probabilidad de Detección (POD) y Precisión (ACC)) confirmó aún más la menor fiabilidad del ICDI, con un FAR notablemente alto (hasta 0.82), un POD bajo (hasta 0.13) y una ACC baja (hasta 0.46). El PCDI y el ICDI-C demostraron resultados similares, aunque el PCDI superó ligeramente al ICDI-C como indicadores de sequía meteorológica y agrícola, mientras que el ICDI-C destacó notablemente en la detección de sequías hidrológicas (SRSI(H)). Los resultados subrayan que el ICDI-C es particularmente hábil para capturar las características de la sequía hidrológica, lo que lo hace especialmente valioso para la gestión de recursos hídricos, una consideración crítica dada la importancia de los índices hidrológicos como SRSI(H) en contextos de gestión de embalses. Sin embargo, el ICDI y el ICDI-C exhibieron limitaciones para capturar con precisión las sequías meteorológicas (SPI(6)) y agrícolas (SRSI(A)) en relación con el PCDI. Así, aunque el índice compuesto de sequía basado en ICA presenta una alternativa prometedora, se recomienda una mayor refinación y pruebas para ampliar su aplicabilidad en diversas condiciones de sequía y contextos de gestión.