En el contexto del cambio climático, estudiar los cambios en los patrones de lluvia es un área de investigación crucial, especialmente en regiones áridas y semiáridas debido a la susceptibilidad de las actividades humanas a eventos extremos como las sequías. Emplear modelos predictivos para calcular índices de sequía puede ser un método útil para la caracterización efectiva de las condiciones de sequía. Este estudio aplica dos tipos de métodos de aprendizaje automático: memoria a corto y largo plazo (LSTM) e Interpolación Jerárquica Neural para la Predicción de Series Temporales (N-HiTS) para desarrollar y desplegar modelos de redes neuronales artificiales con el objetivo de predecir el índice de precipitación estandarizado regional (SPI) en cuatro regiones de Zacatecas, México. Las variables predictoras fueron un conjunto de datos de series temporales climatológicas que abarcan desde 1964 hasta 2020. Los resultados sugieren que el modelo N-HiTS supera al modelo LSTM en la predicción y pronóstico de series temporales de SPI para todas las regiones en términos de métricas de rendimiento: el Error Cuadrático Medio, el Error Absoluto Medio, el Coeficiente de Determinación y el coeficiente de correlación varían de 0.0455 a 0.5472, de 0.1696 a 0.6661, de 0.9162 a 0.9684 y de 0.9222 a 0.9368, respectivamente, para las regiones estudiadas. En consecuencia, los resultados revelaron el exitoso desempeño de los modelos N-HiTS en la predicción precisa del SPI en las cuatro regiones examinadas.