La clasificación de señales de infrasonido sigue siendo un desafío crítico en los sistemas de monitoreo geofísico, donde el rendimiento de la clasificación está fundamentalmente limitado por la eficacia de la extracción de características. Los métodos existentes de extracción de características bidimensionales sufren de una representación inadecuada de la dinámica espacial y temporal de las señales, lo que lleva a una degradación del rendimiento en escenarios de detección a larga distancia. Para superar estas limitaciones, presentamos un nuevo marco de clasificación que captura de manera efectiva las características espaciales y temporales del infrasonido a través de la transformación de Campo Angular Gramiano (GAF). El método propuesto introduce un esquema de codificación innovador que transforma formas de onda infrasonoras unidimensionales en imágenes GAF bidimensionales, preservando dependencias temporales cruciales. Basándonos en esta representación, desarrollamos una arquitectura avanzada de aprendizaje profundo híbrido que integra redes ConvLSTM para extraer y correlacionar simultáneamente características espaciales y espectrales. Una extensa validación experimental en conjuntos de datos de explosiones químicas e infrasonido sísmico muestra que nuestro enfoque logra una precisión de clasificación del 92.4%, demostrando una superioridad constante sobre cuatro métodos de referencia de última generación. Estos hallazgos demuestran la efectividad del método propuesto.