Las estrategias de estimación de parámetros han sido durante mucho tiempo un punto focal en la investigación debido a sus implicaciones significativas para comprender el comportamiento de los datos, incluidas las dinámicas de los grandes datos. Este estudio ofrece un avance en estas estrategias al proponer un enfoque de estimación de parámetros adaptativo para la distribución Generalizada del Valor Extremo (GEVD) utilizando una red neuronal artificial (ANN). A través del enfoque de estimación de parámetros adaptativo propuesto, basado en ANNs, este estudio aborda los desafíos de estimación de parámetros asociados con la GEVD. Al aprovechar el poder de las ANNs, la metodología propuesta proporciona una solución innovadora y efectiva para estimar los parámetros de la GEVD, mejorando nuestra comprensión del análisis de valores extremos. Para predecir las áreas de riesgo de inundación en la cuenca del río Chi en Tailandia, primero determinamos las variables que son significativas en la estimación de los tres parámetros de la GEVD, considerando el respectivo coeficiente de correlación y luego estimando estos parámetros. Los datos se compilaron a partir de datos satelitales y meteorológicos en la cuenca del Chi recopilados del Departamento Meteorológico y 92 estaciones meteorológicas desde 2010 hasta 2021, y consisten en variables como el Índice de Vegetación de Diferencia Normalizada (NDVI), clima, precipitación, escorrentía, entre otros. La estimación de parámetros se centra en la GEVD. Teniendo en cuenta que los procesos podrían ser estacionarios (los parámetros son constantes en el tiempo, S) o no estacionarios (los parámetros cambian con el tiempo, NS), se aplican enfoques de estimación de máxima verosimilitud y ANN, respectivamente. Ambos casos se modelan con la GEVD para la precipitación máxima mensual. El coeficiente de Nash-Sutcliffe (NSE) se utiliza para comparar el rendimiento y la precisión de los modelos. Los resultados ilustran que el modelo no estacionario fue adecuado para 82 estaciones, mientras que el modelo estacionario fue adecuado solo para 10 estaciones. Los valores de NSE en cada modelo oscilan entre 0.6 y 0.9. Esto indica que los 92 modelos fueron altamente precisos. Además, se encontró que las variables meteorológicas, las coordenadas geográficas y el NDVI, que están correlacionados con el parámetro de forma en el modelo ANN, son más significativos que otros. Finalmente, se presentan mapas bidimensionales de los niveles de retorno en los períodos de retorno de 2, 5, 10, 20, 50 y 100 años para una aplicación posterior. En general, este estudio contribuye al avance de las estrategias de estimación de parámetros en el contexto del análisis de valores extremos y ofrece implicaciones prácticas para la gestión de recursos hídricos y la mitigación del riesgo de inundaciones.