El cizallamiento del viento en el Aeropuerto Internacional de Hong Kong (HKIA) representa un riesgo significativo para la seguridad debido a las interrupciones del flujo de aire inducidas por el terreno cerca de las pistas. Una evaluación precisa es esencial para salvaguardar las aeronaves durante el despegue y el aterrizaje, ya que los cambios bruscos en la velocidad o dirección del viento pueden comprometer la estabilidad del vuelo. Este estudio presenta un marco híbrido para la predicción a corto plazo del cizallamiento del viento basado en datos recopilados de sistemas Doppler LiDAR ubicados cerca de las pistas central y sur del HKIA. Estos sistemas proporcionan mediciones de alta resolución de la magnitud del cizallamiento del viento a lo largo de rutas de vuelo críticas. Para predecir el cizallamiento del viento de manera más efectiva, el marco propuesto integra una técnica de procesamiento de señales con una estrategia de aprendizaje profundo. Comienza con la descomposición de modo variacional optimizada (OVMD), que descompone la serie temporal del cizallamiento del viento en funciones de modo intrínseco (IMFs), cada una capturando características temporales distintas. Estas IMFs se modelan utilizando unidades recurrentes bidireccionales con compuertas (BiGRU), con hiperparámetros optimizados a través del Estimador de Parzen estructurado en árbol (TPE). Para mejorar aún más la precisión de la predicción, los errores residuales se corrigen utilizando Extreme Gradient Boosting (XGBoost), que captura discrepancias entre la señal reconstruida y las observaciones reales. El marco resultante OVMD-BiGRU-XGBoost exhibe un fuerte rendimiento predictivo en los datos de prueba, logrando valores R de 0.729 y 0.926, valores RMSE de 0.931 y 0.709, y valores MAE de 0.624 y 0.521 para las pistas central y sur, respectivamente. En comparación con las GRUs, LSTM, BiLSTM y las líneas base basadas en ResNet, el marco propuesto logra una mayor precisión y una representación más efectiva de las dinámicas temporales multiescala. Contribuye a mejorar la predicción a corto plazo del cizallamiento del viento y apoya la planificación operativa y la gestión de seguridad en entornos aeroportuarios.