El cizallamiento del viento presenta un peligro considerable para la seguridad de la aviación, especialmente durante las fases críticas de despegue y aterrizaje. La previsión precisa de eventos de cizallamiento del viento es esencial para mitigar estos riesgos y mejorar tanto la seguridad de los vuelos como la eficiencia operativa. Este documento presenta un marco híbrido de Redes Neuronales Convolucionales Temporales y Modelos Basados en Árboles (TCNs-TBMs) diseñado específicamente para el modelado de series temporales y la predicción de la intensidad del cizallamiento del viento. El marco utiliza la capacidad de las TCNs para capturar patrones temporales intrincados e integra esto con las fortalezas predictivas de los TBMs, como el Aumento de Gradiente Extremo (XGBoost), Bosque Aleatorio (RF) y Aumento Categórico (CatBoost), resultando en pronósticos robustos. Para asegurar un rendimiento óptimo, se realizó un ajuste de hiperparámetros utilizando la Estrategia de Evolución de Adaptación de Matriz de Covarianza (CMA-ES), mejorando la precisión predictiva. La efectividad del marco se valida a través de análisis comparativos con modelos de aprendizaje automático independientes como XGBoost, RF y CatBoost. El modelo propuesto TCN-XGBoost superó estas alternativas, logrando un menor Error Cuadrático Medio (RMSE: 1.95 para entrenamiento, 1.97 para prueba), Error Absoluto Medio (MAE: 1.41 para entrenamiento, 1.39 para prueba) y Error Porcentual Absoluto Medio (MAPE: 7.90% para entrenamiento, 7.89% para prueba). Además, el análisis de incertidumbre demostró la fiabilidad del modelo, con una menor incertidumbre media (7.14 x 10) y desviación estándar de incertidumbre (6.48 x 10) en comparación con otros modelos. Estos resultados destacan el potencial del marco TCNs-TBMs para mejorar significativamente la precisión de las predicciones de la intensidad del cizallamiento del viento, enfatizando el valor de las técnicas avanzadas de modelado de series temporales para la gestión de riesgos y la toma de decisiones en la industria de la aviación. Este estudio resalta la aplicabilidad más amplia del marco a otras tareas de previsión meteorológica, contribuyendo a la seguridad de la aviación en todo el mundo.