Las sequías repentinas (FDs) representan desafíos significativos para la detección precisa debido a su corta duración. Los métodos convencionales de monitoreo de sequías tienen dificultades para capturar este fenómeno que se intensifica rápidamente de manera precisa. Los modelos de aprendizaje automático son cada vez más útiles para detectar sequías después de entrenar los modelos con datos. El noreste de Brasil (NEB) ha sido un punto caliente para eventos de FD con daños ecológicos significativos en los últimos años. Esta investigación presenta una nueva red neuronal convolucional 2D (CNN) diseñada para identificar FDs espaciales en simulaciones históricas basadas en múltiples factores ambientales y umbrales como entradas. Nuestro modelo, entrenado con datos hidroclimáticos, proporciona un mapa de detección probabilística de sequías en el noreste de Brasil (NEB) en 2012 como su salida. Además, examinamos los cambios futuros en las FDs utilizando el Proyecto de Comparación de Modelos Acoplados Fase 6 (CMIP6) impulsado por salidas de las Rutas Socioeconómicas Compartidas (SSPs) bajo el escenario SSP5-8.5 de 2024-2050. Nuestros resultados demuestran que el modelo propuesto para la detección espacial de FDs basado en la arquitectura de CNN 2D y la metodología para un aprendizaje robusto muestran promesas para el monitoreo integral de FDs a nivel regional. Finalmente, se observó una considerable variabilidad espacial de las FDs en el NEB durante 2012 y 2024-2050, lo que fue particularmente evidente en la Cuenca del Río São Francisco. Esta investigación contribuye significativamente a avanzar en nuestra comprensión de las sequías repentinas, ofreciendo información crítica para una gestión informada de los recursos hídricos y fortaleciendo la resiliencia contra los impactos de las sequías repentinas.