Los modelos de lluvia-escorrentía son herramientas cruciales para la gestión de los recursos hídricos. La ausencia de datos de lluvia fiables en muchas regiones del mundo es una limitación importante para estos modelos, especialmente en muchos países africanos, aunque algunos productos globales recientes de lluvia pueden monitorear eficazmente la lluvia desde el espacio. En Argelia, para identificar un enfoque de modelado relevante utilizando esta nueva fuente de información sobre la lluvia, la presente investigación tiene como objetivo (i) comparar un modelo conceptual (GR4J) y siete algoritmos de aprendizaje automático (FFNN, ELM, LSTM, LSTM2, GRU, SVM y GPR) y (ii) comparar diferentes tipos de entradas de precipitación, incluyendo cuatro productos satelitales (CHIRPS, SM2RAIN, GPM y PERSIANN), un producto de reanálisis (ERA5) y precipitación observada, para evaluar qué combinación de modelos y datos de precipitación proporciona el mejor rendimiento para la simulación del caudal de los ríos. Los resultados muestran que los algoritmos ELM, FFNN y LSTM ofrecen el mejor rendimiento (NSE > 0.6) para la simulación de escorrentía de ríos y proporcionan alternativas fiables en comparación con un modelo hidrológico conceptual. Los productos de lluvia SM2RAIN-ASCAT y ERA5 son tan eficientes como la precipitación observada en este contexto de escasez de datos. En consecuencia, este trabajo es el primer paso hacia la implementación de estas herramientas para el monitoreo operativo de los recursos hídricos superficiales en Argelia.