La disminución bien documentada en la extensión mínima anual del hielo marino ártico en las últimas décadas es un indicador alarmante del cambio climático actual. Sin embargo, se sabe mucho menos sobre el grosor del hielo marino ártico. Desarrollar modelos de pronóstico precisos es fundamental para predecir mejor sus cambios y monitorear los impactos del calentamiento global en el volumen total de hielo marino ártico (SIV). Se pueden lograr mejoras significativas en el rendimiento de pronóstico con los avances en el procesamiento de señales y el aprendizaje profundo. En consecuencia, aquí nos proponemos utilizar los recientes avances en el aprendizaje automático para desarrollar técnicas no basadas en la física para pronosticar el volumen de hielo marino con bajos costos computacionales. En particular, este documento tiene como objetivo proporcionar un proceso de decisión paso a paso necesario para desarrollar un modelo de pronóstico más preciso en horizontes a corto y mediano plazo. Este trabajo integra la descomposición de modo variacional (VMD) y la memoria a largo y corto plazo bidireccional (BiLSTM) para el pronóstico del SIV panártico de múltiples entradas y múltiples salidas. Se realizan diferentes experimentos para identificar el impacto de varios aspectos, incluidos los inputs multivariantes, la descomposición de señales y el aprendizaje profundo, en el rendimiento del pronóstico. Los resultados empíricos indican que (i) el modelo híbrido propuesto es consistentemente efectivo en el procesamiento y pronóstico de series temporales, con mejoras promedio de hasta el 60% en comparación con el caso sin descomposición y más del 40% en comparación con otros modelos de aprendizaje profundo en ambos horizontes de pronóstico y estaciones; (ii) la optimización del nivel de VMD es esencial para un rendimiento óptimo; y (iii) el uso de la técnica propuesta con una estrategia de dividir y conquistar demuestra un rendimiento de pronóstico superior.