La gestión efectiva de los cuerpos de agua superficial, como ríos, lagos y embalses, requiere una comprensión integral del estado de la calidad del agua. Los patrones de precipitación alterados debido al cambio climático pueden afectar significativamente la calidad del agua e influir en los procedimientos de tratamiento. Este estudio tiene como objetivo identificar los modelos de predicción de calidad del agua más adecuados para la evaluación del estado de la calidad del agua en tres embalses de suministro de agua en Toowoomba, Australia. Se emplearon cuatro modelos de aprendizaje automático y dos modelos de aprendizaje profundo para determinar el Índice de Calidad del Agua (WQI) basado en cinco parámetros sensibles al impacto de la lluvia. Se examinan las variaciones temporales del WQI durante un período de 22 años (2000-2022) a lo largo de 4 estaciones y 12 meses. A través del análisis de regresión, tanto los modelos de aprendizaje automático como los de aprendizaje profundo anticipan el WQI medido por siete métricas de precisión. Notablemente, XGBoost y GRU produjeron resultados excepcionales, mostrando un valor R de 0.99. Por el contrario, el LSTM Bidireccional (BiLSTM) demostró una precisión moderada con resultados que oscilan entre el 88% y el 90% para la predicción de calidad del agua en todos los embalses. El Coeficiente de Eficiencia (CE) y el Índice de Willmott (d) mostraron que los modelos capturan bien los patrones, mientras que MAE, MAPE y RMSE proporcionaron buenas métricas de rendimiento para los modelos RFR, XGBoost y GRU. Estos modelos han proporcionado conocimientos valiosos que pueden ser utilizados para evaluar las consecuencias adversas de eventos climáticos extremos, como cambios en los patrones de lluvia. Estos conocimientos pueden ser utilizados para mejorar las estrategias de gestión de los cuerpos de agua de manera más efectiva.