Predecir el flujo de los ríos es esencial para gestionar los recursos hídricos, especialmente en cuencas y cuencas hidrográficas donde el deshielo juega un papel importante en el caudal de los ríos. Este estudio evalúa los modelos avanzados de aprendizaje profundo para la predicción precisa del flujo de los ríos mensual y en picos en la cuenca del río Gilgit. Los modelos utilizados fueron LSTM, BiLSTM, GRU, CNN y sus combinaciones híbridas (CNN-LSTM, CNN-BiLSTM, CNN-GRU y CNN-BiGRU). Nuestra investigación midió la precisión del modelo a través del error cuadrático medio (RMSE), el error absoluto medio (MAE), la eficiencia de Nash-Sutcliffe (NSE) y el coeficiente de determinación (R). Los hallazgos indicaron que los modelos híbridos, especialmente CNN-BiGRU y CNN-BiLSTM, lograron un rendimiento mucho mejor que los modelos tradicionales como LSTM y GRU. Por ejemplo, CNN-BiGRU logró el RMSE más bajo (71.6 en entrenamiento y 95.7 en prueba) y el R más alto (0.962 en entrenamiento y 0.929 en prueba). Un aspecto novedoso de esta investigación fue la integración de datos de área cubierta de nieve (SCA) derivados de MODIS, que mejoró sustancialmente la precisión del modelo. Cuando se incluyeron los datos de SCA, el RMSE del modelo CNN-BiLSTM mejoró de 83.6 a 71.6 durante el entrenamiento y de 108.6 a 95.7 durante la prueba. En la predicción del flujo de los ríos en picos, CNN-BiGRU superó a otros modelos con el error absoluto más bajo (108.4), seguido por CNN-BiLSTM (144.1). Los resultados de este estudio refuerzan la noción de que combinar las capacidades de extracción de características espaciales de CNN con las dependencias temporales capturadas por LSTM o GRU mejora significativamente la precisión del modelo. Las mejoras demostradas en la precisión de la predicción, especialmente para eventos extremos, destacan el potencial de estos modelos para apoyar una toma de decisiones más informada en la gestión del riesgo de inundaciones y la asignación de agua.