Las tormentas de polvo son eventos atmosféricos significativos que impactan la calidad del aire, la salud pública y la visibilidad, especialmente en la árida Arabia Saudita. Este estudio tuvo como objetivo desarrollar predicciones de la frecuencia de tormentas de polvo para Riad, Yeda y Dammam mediante la integración de variables meteorológicas y ambientales. Nuestros modelos incluyen regresión lineal múltiple, máquina de soporte vectorial, árbol de regresión de refuerzo por gradiente, memoria a largo y corto plazo (LSTM) y red convolucional temporal (TCN). Este estudio destaca la efectividad de los modelos LSTM y TCN para capturar la compleja dinámica temporal de las tormentas de polvo y demuestra que superan a los métodos tradicionales, como lo evidencian sus menores valores de error absoluto medio (MAE) y error cuadrático medio (RMSE) y su mayor puntuación R. En Riad, el modelo TCN demuestra su notable rendimiento, con una puntuación R de 0.51, un MAE de 2.80 y un RMSE de 3.48, destacando su precisión, adaptabilidad y capacidad de respuesta a los cambios en la frecuencia de tormentas de polvo. Por el contrario, en Dammam, el modelo LSTM resultó ser el más preciso, logrando un MAE de 3.02, un RMSE de 3.64 y una puntuación R de 0.64. En Yeda, el modelo LSTM también mostró un MAE de 2.48 y un RMSE de 2.96. Esta investigación muestra el potencial de utilizar modelos de aprendizaje profundo para mejorar la precisión y fiabilidad de las predicciones de la frecuencia de tormentas de polvo.