Los eventos de flujos de escombros son fenómenos naturales complejos que son difíciles de predecir, especialmente cuando los datos son limitados o inciertos. Este estudio presenta un enfoque probabilístico novedoso utilizando Redes Neuronales Bayesianas (BNN) para predecir posibles volúmenes de acumulación de flujos de escombros mediante el uso de datos sintéticos y del mundo real. Se crean conjuntos de datos sintéticos basados en distribuciones estadísticas informadas por conocimientos geomorfológicos e hidrológicos, lo que permite al modelo aprender comportamientos típicos cuando los datos reales son escasos. Las BNN proporcionan cuantificación de la incertidumbre al modelar los pesos neuronales como distribuciones de probabilidad. El modelo resultante de la validación en datos sintéticos y en dos conjuntos de datos reales de China y Corea del Sur muestra un fuerte rendimiento predictivo (R > 0.98) y una estrecha alineación entre los volúmenes predichos y observados, incluso en presencia de valores atípicos. La principal fortaleza de este enfoque integrado radica en su integración de generación de datos sintéticos, aumento de datos reales basado en Bootstrapping, conocimiento experto y aprendizaje profundo bayesiano para superar las limitaciones de los modelos estadísticos tradicionales, mejorando la previsión de flujos de escombros y permitiendo estrategias de gestión de riesgos más informadas y resilientes.