Los modelos de regresión de series temporales son componentes esenciales en vehículos aéreos no tripulados (UAV) para una predicción precisa de trayectorias y estados. Sin embargo, todavía son vulnerables a ataques adversariales híbridos, lo que puede llevar a un rendimiento de misión comprometido y causar grandes pérdidas económicas. Para este desafío, proponemos el marco de Defensa Adaptativa de Perturbación Impulsada por Distribución (DPAD). DPAD mejora la detección de perturbaciones con una ampliación de características basada en el Modelo de Mezcla Gaussiana (GMM) que aumenta la precisión de la predicción de la fuerza de perturbación, pasando de 0.685 a 0.943 R2, y elige dinámicamente un submodelo de defensa adecuado o el modelo original para la corrección adaptativa. Los experimentos en UAV_Delivery muestran que DPAD mejora significativamente la robustez al lograr una reducción de aproximadamente el 80% en los errores de predicción bajo ataques híbridos, manteniendo una alta precisión en muestras limpias con una velocidad de inferencia de 2.744 ms por muestra. El marco propuesto puede escalar una solución efectiva para defender los modelos de regresión de series temporales de UAV contra escenarios adversariales complejos.