A medida que el cambio climático aumenta la ocurrencia de eventos climáticos extremos, como las inundaciones, estas amenazan a los humanos con más frecuencia. Los modelos hidrodinámicos proporcionan profundidades de agua distribuidas espacialmente como mapas de inundación, que son esenciales para la protección contra inundaciones. Sin embargo, dichos modelos no son lo suficientemente eficientes desde el punto de vista computacional para ofrecer resultados antes o durante un evento. Para garantizar predicciones en tiempo real, desarrollamos un sistema de pronóstico basado en datos informado por características (FFS), que interpreta el proceso de pronóstico como una traducción de imagen a imagen, para predecir la profundidad máxima de agua para un evento de inundación fluvial. El FFS combina una red neuronal convolucional (CNN) y capas densas informadas por características para permitir la integración de la distancia al río de cada celda a predecir en el FFS. El objetivo es garantizar el entrenamiento para toda el área de estudio en una computadora estándar. Se utiliza una base de datos híbrida con escenarios pre-simulados para entrenar, validar y probar el FFS. El FFS ofrece predicciones en segundos, lo que hace posible una aplicación en tiempo real. La calidad de la predicción en comparación con los resultados del modelo físico pre-simulado muestra un error cuadrático medio (RMSE) promedio de 0.052 para treinta y cinco eventos de prueba, y de 0.074 y 0.141 para dos eventos observados. Así, el FFS proporciona una alternativa eficiente a los modelos hidrodinámicos para la predicción de inundaciones.