La predicción precisa de la intensidad de los ciclones es crucial para que las ciudades inteligentes se preparen y mitiguen efectivamente la devastación potencial causada por estos eventos climáticos extremos. Los modelos meteorológicos tradicionales a menudo enfrentan desafíos para pronosticar con precisión la intensidad de los ciclones debido a la naturaleza compleja y dinámica de los sistemas ciclónicos. Predecir la intensidad de los ciclones es una tarea desafiante en la investigación meteorológica, ya que requiere experiencia en la extracción de características espacio-temporales. Para abordar este desafío, se ha propuesto una nueva técnica, llamada clasificador perceptivo profundo de descenso de gradiente de soporte vectorial lineal Jaccardizado (LEGEMP), para mejorar la precisión de la predicción de la intensidad de los ciclones. Esta técnica utiliza un conjunto de datos que contiene varios atributos. Emplea la selección de características de regresión de soporte vectorial lineal correlacionada de Herfindahl para identificar las características más importantes que mejoran la precisión de la predicción de la intensidad de los ciclones. Las características seleccionadas se utilizan junto con el clasificador perceptivo profundo de descenso de gradiente de Nesterov para predecir las clases de intensidad de los ciclones, incluyendo depresión, depresión profunda, ciclón, ciclón severo, ciclón muy severo y ciclón extremadamente severo. Los resultados experimentales han demostrado que LEGEMP supera a los métodos convencionales en términos de precisión de la predicción de la intensidad de los ciclones, requiriendo un tiempo mínimo, una tasa de error baja y un consumo de memoria reducido. Al aprovechar técnicas avanzadas y selección de características, LEGEMP proporciona predicciones más confiables y precisas para la intensidad de los ciclones, lo que permite mejores estrategias de preparación y respuesta para mitigar el impacto de estas tormentas destructivas. La técnica LEGEMP ofrece un enfoque mejorado para la predicción de la intensidad de los ciclones, aprovechando clasificadores avanzados y métodos de selección de características para mejorar la precisión y reducir las tasas de error. Demostramos la efectividad de nuestro enfoque a través de una evaluación rigurosa y comparación con métodos de predicción convencionales, mostrando mejoras significativas en la precisión de la predicción. Integrar nuestro modelo de predicción mejorado en los sistemas de gestión de desastres de ciudades inteligentes puede mejorar sustancialmente las estrategias de preparación y respuesta, contribuyendo en última instancia a la seguridad y resiliencia de las comunidades en regiones propensas a ciclones.