La creciente incidencia de sequías en regiones globales específicas en los últimos años, atribuida principalmente al calentamiento global, ha aumentado notablemente la demanda de estimaciones de caudal de agua fiables y precisas. La estimación del caudal es esencial para la gestión y utilización efectiva de los recursos hídricos, así como para el diseño de infraestructuras hidráulicas. Además, la investigación sobre la estimación del caudal ha ganado una importancia creciente porque el agua es esencial no solo para la supervivencia de todos los organismos vivos, sino también para determinar la calidad de vida en la Tierra. En este estudio, se emplearon técnicas avanzadas de computación suave, incluyendo memoria a largo y corto plazo (LSTM), red neuronal convolucional-red neuronal recurrente (CNN-RNN) y algoritmos del método de manejo de datos (GMDH) para predecir series temporales de caudal mensual en dos estaciones diferentes de la cuenca de Wadi Mina. El rendimiento de cada técnica se evaluó utilizando criterios estadísticos como el error cuadrático medio (MSE), el error de sesgo medio (MBE), el error absoluto medio (MAE) y el coeficiente de correlación (R). Los resultados de este estudio demostraron que el algoritmo GMDH produjo las previsiones más precisas en la estación Sidi AEK Djillali, con métricas de MSE: 0.132, MAE: 0.185, MBE: -0.008 y R: 0.636. De manera similar, el algoritmo CNN-RNN logró el mejor rendimiento en la estación Kef Mehboula, con métricas de MSE: 0.298, MAE: 0.335, MBE: -0.018 y R: 0.597.