Este estudio empleó un modelo de red neuronal convolucional (CNN), utilizado hasta ahora solo para resolver problemas de clasificación, con datos de entrada bidimensionales para predecir las cargas de contaminación y evaluar la aplicabilidad del modelo CNN. Un modelo CNN generalmente requiere datos de entrada bidimensionales, como fotografías en estudios anteriores. Sin embargo, el modelo CNN de este estudio requiere imágenes numéricas que reflejen fenómenos hidrológicos debido a la naturaleza del estudio. Se utilizó una imagen hidrológica como datos de entrada para el modelo CNN en este estudio para abordar este problema. La última capa del modelo CNN también se transformó en una función lineal para derivar la variable continua. Como resultado, el coeficiente de correlación de Pearson, que representa la relación entre los valores medidos y predichos, demostró un modelo de carga de Demanda Bioquímica de Oxígeno (DBO) de 0.94 y un modelo de carga de Fósforo Total (TP) de 0.87. La eficiencia de Nash-Sutcliffe se utilizó para evaluar el rendimiento del modelo; el modelo de carga de DBO fue de 0.83, mientras que el modelo de carga de TP fue de 0.79, respectivamente, lo que indica un buen rendimiento. Estos resultados demuestran que las imágenes hidrológicas llevaron a un aprendizaje y generalización estable del modelo, y el modelo CNN propuesto es adecuado para predecir la carga de contaminación, con posibles aplicaciones futuras en diversos campos.