El monitoreo de aguas subterráneas requiere costosas redes in situ, que son difíciles de mantener durante largos períodos, especialmente en países que enfrentan recesión económica como Grecia. Nuestro trabajo tiene como objetivo proporcionar una metodología para estimar las extracciones de aguas subterráneas a escala de acuífero utilizando datos remotos de acceso público del Experimento de Recuperación de Gravedad y Cambio Climático (GRACE) de la NASA, junto con observaciones meteorológicas de acceso público que sirven como variables de entrada para un método de Red Neuronal Artificial (ANN). La metodología se demostró en un acuífero aluvial en el noreste de Grecia durante un período de 10 años (2005-2014), donde la agricultura de riego representa una amenaza seria tanto para los recursos hídricos como para los ecosistemas que dependen de ellos. Para generalizar el modelo desarrollado, se creó un conjunto de 100 ANN mediante el enfoque de aleatorización de pesos iniciales y la salida se calculó promediando la salida de cada modelo individual. Se utilizaron el Error Cuadrático Medio Escalado y el coeficiente de Nash-Sutcliffe para probar la eficiencia del modelo. Ambas métricas de rendimiento indicaron que las extracciones mensuales de aguas subterráneas pueden estimarse de manera eficiente y que la metodología desarrollada ofrece un sustituto económico para el monitoreo in situ de aguas subterráneas cuando las redes in situ no están disponibles o no pueden operar correctamente.