El problema inverso de las aguas subterráneas presenta varios desafíos, como la inestabilidad, la no unicidad y la complejidad, especialmente en acuíferos heterogéneos. Resolver el problema inverso es la forma tradicional de calibrar modelos, pero es tanto laborioso como sensible a errores en las mediciones. Este estudio explora el uso de modelos sustitutos de aprendizaje automático (ML), a saber, Random Forest (RF) y Extreme Gradient Boosting (XGBoost), para resolver el problema inverso en la calibración del modelo de aguas subterráneas. Se crearon aleatoriamente conjuntos de datos para 20 campos de conductividad hidráulica basados en estadísticas de conductividad hidráulica de los datos disponibles del Acuífero del Norte de Qatar, que se utilizó como estudio de caso. Los valores correspondientes de la cabeza hidráulica se obtuvieron utilizando simulaciones de MODFLOW, y los datos se utilizaron para entrenar y validar los modelos de ML. Los modelos sustitutos entrenados se utilizaron para estimar la conductividad hidráulica basada en observaciones de campo. Los resultados muestran que tanto RF como XGBoost tienen una habilidad predictiva considerable, siendo RF el que tiene mejores valores de R y RMSE (R = 0.99 para entrenamiento, 0.93 para prueba) en comparación con XGBoost (R = 0.86 para entrenamiento, 0.85 para prueba). El método basado en ML redujo enormemente el esfuerzo computacional en comparación con la solución clásica del problema inverso (es decir, utilizando PEST) y aún así produjo patrones espaciales fuertes y confiables de conductividad hidráulica. Esto demuestra el potencial de los modelos de aprendizaje automático para calibrar sistemas complejos de aguas subterráneas.