Este artículo se ocupa de un enfoque original para la clasificación generativa de datos areales (o enrejados) espaciotemporales basados en la implementación de ponderación espacial en Modelos Ocultos de Markov (HMMs). En el marco de este enfoque, el modelo de datos en cada unidad areal está especificado por observaciones gaussianas condicionalmente independientes y una cadena de Markov de primer orden para las etiquetas, denominándolo HMM local. La clasificación propuesta se basa en la modificación del HMM convencional mediante la implementación de estimadores ponderados espacialmente de los parámetros de HMM locales. Nos enfocamos en reglas de clasificación basadas en la función discriminante de Bayes (BDF) con la inserción de los estimadores de parámetros ponderados espacialmente obtenidos de la muestra de entrenamiento etiquetada. Para cada HMM local, los estimadores de coeficientes de regresión y varianzas y dos tipos de probabilidades de transición se utilizan en dos niveles (superior e inferior) de ponderación espacial. La tasa de precisión promedio (ACC) y la tasa de precisión equilibrada (BAC), calculadas a partir de las matrices de confusión evaluadas a partir de una muestra de prueba, se utilizan como medidas de rendimiento de los clasificadores. La metodología propuesta se ilustra para datos simulados y para un conjunto de datos reales, es decir, datos de tasas de mortalidad anual recopilados por el Instituto de Higiene de la República de Lituania de los 60 municipios en el período de 2001 a 2019. Se realiza una comparación crítica de los clasificadores propuestos. Los resultados experimentales mostraron que los clasificadores basados en HMM con un mayor nivel de ponderación espacial en la mayoría de los casos tienen ventaja en consistencia espacio-temporal y precisión de clasificación sobre aquellos con un menor nivel de ponderación espacial.