Las recientes temperaturas superiores a la media, que exacerbaron los impactos de los déficits de precipitación, son reconocidas como el principal motor de las sequías en la Cuenca Superior del Río Colorado (UCRB), EE. UU. Esta investigación tiene como objetivo mejorar los modelos de predicción de sequías al abordar los cambios estructurales en las series temporales de temperatura no estacionarias y minimizar la mala clasificación de sequías a través del modelo ES-CBS-SVR, que integra ESSVR y CBS-SVR. La investigación investiga si este acoplamiento mejora la precisión de la predicción. Además, se probará el rendimiento del modelo en una región distinta de aquellas utilizadas originalmente para evaluar su generalizabilidad y efectividad en la predicción de condiciones de sequía. Utilizamos una técnica de detección de puntos de cambio para dividir la serie temporal no estacionaria en subconjuntos estacionarios. Para minimizar las posibilidades de mala categorización de sequías, se utilizó una puntuación basada en categorías en ES-CBS-SVR. En este estudio, probamos y comparamos los modelos ES-CBS-SVR y SVR en la Cuenca Superior del Río Colorado (UCRB) utilizando datos del Sistema de Asimilación de Datos Globales de Tierra (GLDAS), donde los períodos 1950-2004 y 2005-2014 se utilizaron para entrenamiento y prueba, respectivamente. Los resultados indicaron que ES-CBS-SVR superó consistentemente a SVR en una mayor porción de los índices de sequía utilizados en este estudio en la UCRB. Esto se atribuye principalmente a los hiperparámetros variables (constante de regularización y tamaño del tubo) utilizados en ES-CBS-SVR para abordar los cambios estructurales en los datos. En general, nuestro análisis demostró que el ES-CBS-SVR puede predecir sequías con mayor precisión que el SVR tradicional en un clima en calentamiento.