La reconstrucción de información a escala fina a partir de datos escasos es a menudo necesaria en la dinámica de fluidos práctica, donde los sensores son típicamente escasos y, sin embargo, se puede necesitar aprender las estructuras de flujo subyacentes o informar predicciones a través de la asimilación en modelos impulsados por datos. Dado que la reconstrucción escasa es inherentemente un problema mal planteado, los enfoques más exitosos codifican la física en un espacio de base escasa subyacente que abarca el manifold para generar un buen planteamiento. Para lograr esto, comúnmente se utiliza una base de Fourier ortogonal genérica o una base de descomposición ortogonal propia (POD) específica de datos para reconstruir a partir de información de sensores escasos en ubicaciones elegidas. Tal problema de reconstrucción está bien planteado siempre que las ubicaciones de los sensores sean incoherentes y puedan muestrear los mecanismos físicos clave. El problema inverso resultante se resuelve fácilmente utilizando minimización l2 o, si es necesario, minimización l1 que promueve la escasez. Dada la proliferación del aprendizaje automático y la necesidad de marcos de reconstrucción robustos frente a flujos en evolución dinámica, exploramos en este estudio la idoneidad de bases no ortogonales obtenidas de máquinas de aprendizaje extremo (ELM) auto-codificadoras para la reconstrucción escasa. En particular, evaluamos la interacción entre la cantidad de sensores y la colocación de sensores en una dimensión de sistema dada para la reconstrucción precisa de flujos de fluidos canónicos en comparación con la reconstrucción basada en POD.