En la aviación civil, las condiciones meteorológicas severas, como el fuerte cizallamiento del viento, los vientos cruzados y las tormentas eléctricas cerca de las pistas de aterrizaje, a menudo obligan a los pilotos a abortar aterrizajes para garantizar la seguridad del vuelo. Aunque los aterrizajes abortados debido al cizallamiento del viento no son comunes, ocurren bajo circunstancias ambientales y situacionales específicas. Esta investigación tiene como objetivo predecir con precisión los aterrizajes abortados de aeronaves utilizando tres técnicas avanzadas de aprendizaje profundo: la red neuronal profunda convencional (DNN), la red profunda y cruzada (DCN) y la red amplia y profunda (WDN). Estos modelos se complementan con varios métodos de aumento de datos, incluyendo la Técnica de Sobremuestreo de Minorías Sintéticas (SMOTE), KMeans-SMOTE y Borderline-SMOTE, para corregir el desequilibrio en los datos de informes de pilotos. Se utilizó optimización bayesiana para ajustar los modelos para una precisión predictiva óptima. La efectividad de estos modelos se evaluó a través de métricas que incluyen sensibilidad, precisión, puntuación F1 y el Coeficiente de Correlación de Matthew. Luego, se aplicó el algoritmo de Explicaciones Aditivas de Shapley (SHAP) a los modelos más efectivos para interpretar sus resultados e identificar factores clave, revelando que la intensidad del cizallamiento del viento, pistas específicas como la 07R y la distancia vertical del cizallamiento del viento desde la pista (dentro de 700 pies sobre el nivel de la pista) eran factores significativos. Los resultados de esta investigación proporcionan valiosos conocimientos a los expertos en aviación civil, potencialmente revolucionando los protocolos de seguridad para gestionar aterrizajes abortados en condiciones meteorológicas adversas, mejorando así la eficiencia y seguridad general del aeropuerto.