Recentemente, modelos espaço-temporais multivariados têm atraído o interesse de muitos pesquisadores para modelagem de dados por acomodarem estruturas de dependência complexas, sendo aplicados em diversas áreas como ciências ambientais, ecologia, epidemiologia, entre outras. Estes modelos buscam descrever a relação existente num processo considerando a dependência das variáveis entre si, em diferentes locais e ao longo do tempo. Em muitos casos, a aplicação de tais modelos é dificultada pelo alto custo computacional envolvido na sua implementação, além da necessidade da especificação das covariâncias cruzadas, que pode ser uma tarefa desafiadora. Para lidar com isso, uma abordagem condicional foi considerada para a especificação de um processo Gaussiano multivariado. Esta abordagem especifica a distribuição conjunta de um processo espacial através de um produtório de condicionais. Esparsidade pode ser obtida na matriz de correlação limitando o número de condicionantes em cada fator. Neste trabalho, foi proposto um modelo de mistura que inclui os modelos especificados sob diferentes organizações das variáveis condicionantes. Também foi considerado um método de seleção com base nas distribuições preditivas para obter um subconjunto de modelos e limitar o número de componentes no modelo de mistura. Neste modelo os pesos da mistura evoluem no tempo seguindo um processo Dirichlet, resultando em flexibilidade na estrutura de dependência entre as variáveis do vetor, permitindo que esta possa variar ao longo do tempo. Estudos simulados com diversos cenários de interesse são apresentados e ilustra a flexibilidade do modelo proposto. Além disso, uma aplicação em dados de poluentes atmosféricos foi realizada.