La vegetación juega un papel vital en los ecosistemas terrestres, y las sequías impulsadas por el aumento de las temperaturas representan amenazas significativas para la salud de la vegetación. Este estudio investiga la evolución de la sequía de la vegetación desde 2010 hasta 2024 e introduce un modelo de pronóstico basado en aprendizaje profundo para analizar las variaciones espaciales y temporales regionales en la sequía. Se utilizaron extensos datos de teledetección en series temporales, e integramos el Índice de Sequedad Temperatura-Vegetación (TVDI), el Índice de Severidad de Sequía (DSI), el Índice de Estrés por Evaporación (ESI) y el Índice de Sequedad Temperatura-Vegetación-Precipitación (TVPDI) para desarrollar una metodología integral para extraer las características de sequía de la vegetación regional. Para mitigar los efectos de la no estacionariedad de la sequía regional en la precisión predictiva, proponemos una estrategia de mejora de acoplamiento que combina el Algoritmo de Optimización de Ballenas (WOA) con el modelo Informer, lo que permite un pronóstico más preciso de las variaciones de sequía regional a largo plazo. A diferencia de los modelos de aprendizaje profundo convencionales, este enfoque introduce una convergencia rápida y capacidades de búsqueda global, utilizando un mecanismo de autoatención escaso que mejora el rendimiento mientras reduce la complejidad del modelo. Los resultados demuestran que: (1) en comparación con el modelo Transformer tradicional, la precisión de la prueba mejora en un 43%; (2) el modelo WOA-Informer maneja eficientemente el pronóstico multiobjetivo para series temporales extendidas, logrando un MAE (Error Absoluto Medio).