Hoy en día, el cambio climático no solo provoca inundaciones fluviales y repentinas, sino también inundaciones por exceso de agua interior (IEW) y sequías debido a procesos hidrológicos extremos. La Cuenca de los Cárpatos se ve extremadamente afectada por las condiciones climáticas que cambian rápidamente a lo largo del año. El IEW (a veces denominado encharcamiento) se forma cuando, debido a un escaso escurrimiento, infiltración y evaporación, el agua sobrante permanece en la superficie o en lugares donde el agua subterránea que fluye hacia áreas más bajas aparece en la superficie al filtrarse a través de suelos porosos. En este estudio, se aplicaron ocho enfoques diferentes de aprendizaje automático para derivar inundaciones de IEW en tres fechas diferentes en 2021 (23 de febrero, 7 de marzo, 20 de marzo). Los enfoques basados en índices son simples y proporcionan resultados relativamente buenos, pero deben adaptarse a las circunstancias específicas de cada área y fecha. Con una precisión general del 0.98, un Kappa de 0.65 y un puntaje QADI de 0.020, el método de aprendizaje profundo Red Neuronal Convolucional (CNN) dio los mejores resultados, en comparación con los enfoques de aprendizaje automático más tradicionales como Máxima Verosimilitud (ML), Bosque Aleatorio (RF), Máquina de Vectores de Soporte (SVM) y red neuronal artificial (ANN) que fueron evaluados. Los mapas de IEW basados en CNN pueden ser utilizados en el control operativo del exceso de agua interior por parte de las autoridades de gestión del agua.