本文提出了一个时空动态模型，该模型允许对委内瑞拉一些气象站的降水状态进行贝叶斯推断。数字数据库中报告的限制之一是记录的可靠性以及某些日子、几周或几个月的信息缺乏。为了完成缺失的数据，使用了吉布斯算法，即马尔可夫链蒙特卡罗（MCMC）程序。降水序列的一个特点是其分布包含离散和连续分量，暗示着复杂的动力学。基于随机积分差分方程的离散表示，提出了一种模型。由于难以获得预测后验分布的显式解析表达式，因此使用称为并行集成卡尔曼滤波器的顺序蒙特卡罗算法获得近似值。建议的方法允许在需要时完成序列中缺失的数据，其次允许将大型数据库拆分为较小的数据库，以便单独评估和最终组合单个结果。其目标是降低维数和计算成本，以获得能够实时描述现实的模型。结果表明，所获得的模型能够快速、高效、准确地预测至少三到四天的降雨状态。使用三种统计验证方法来评估模型的性能，没有发现显著差异。计算了加速因子和效率因子，以比较使用并行集成卡尔曼滤波算法的计算速度和序列版本的计算速度。四个pthread执行的速度改进最大。