Los vientos de Santa Ana son eventos meteorológicos extremos que afectan fuertemente la región fronteriza entre EE. UU. y México, a menudo asociados con sequías, alto riesgo de incendios e imbalances hidrológicos. Comprender el comportamiento temporal de variables atmosféricas clave durante estos eventos es crucial para la gestión integrada de recursos hídricos en regiones semiáridas como la Cuenca de Guadalupe en el norte de Baja California. En este estudio, exploramos la capacidad predictiva de varias arquitecturas híbridas de aprendizaje profundo: Memoria a Largo y Corto Plazo (LSTM), Red Neuronal Convolucional combinada con LSTM (CNN-LSTM) y LSTM Bidireccional con Atención (BiLSTM-Attention) para modelar la evolución temporal de la velocidad del viento, dirección del viento, temperatura, humedad relativa y presión atmosférica utilizando datos de reanálisis de la Modern-Era Retrospective analysis for Research and Applications, Version 2 (MERRA-2) desde 1980 hasta 2020. El rendimiento del modelo se evaluó utilizando métricas de RMSE, MAE y R, y se comparó con las líneas base de persistencia y climatología. El modelo BiLSTM-Attention logró el mejor rendimiento general, mostrando una precisión particularmente alta para la temperatura (R = 0.95) y la humedad relativa (R = 0.76), manteniendo errores angulares por debajo de 35 grados para la dirección del viento. Los resultados demuestran el potencial de los modelos híbridos de aprendizaje profundo para capturar dependencias temporales no lineales en series temporales meteorológicas y proporcionar un marco metodológico para mejorar la comprensión hidrometeorológica y la gestión de recursos hídricos en la Cuenca de Guadalupe bajo condiciones de viento de Santa Ana.