Este estudio presenta un enfoque innovador para predecir el nivel del agua en el río San Juan, Chocó, Colombia, mediante la implementación de dos modelos híbridos: autorregresivo no lineal con entradas exógenas (NARX) y memoria a largo y corto plazo (LSTM). Estos modelos combinan redes neuronales artificiales con técnicas de suavizado, incluyendo los filtros de suavizado exponencial, Savitzky-Golay y Rauch-Tung-Striebel (RTS), con el objetivo de mejorar la precisión de las predicciones hidrológicas. Dada la alta pluviosidad en la región, el río San Juan experimenta fluctuaciones significativas en sus niveles de agua, lo que presenta un desafío para la predicción precisa. Los modelos fueron entrenados utilizando datos históricos, y se aplicaron diversas técnicas de suavizado para optimizar la calidad de los datos y reducir el ruido. La efectividad de los modelos se evaluó utilizando métricas de regresión estándar, como la eficiencia de Nash-Sutcliffe (NSE), el error cuadrático medio (MSE) y el error absoluto medio (MAE), además de la eficiencia de Kling-Gupta (KGE). Los resultados muestran que la combinación de redes neuronales con filtros de suavizado, especialmente el filtro RTS y el filtro de Kalman suavizado, proporcionó las predicciones más precisas, superando a los métodos tradicionales. Esta investigación tiene importantes implicaciones para la gestión de recursos hídricos y la prevención de inundaciones en áreas vulnerables como Chocó. La implementación de estos modelos híbridos permitirá a las autoridades locales anticipar cambios en los niveles de agua y planificar medidas preventivas de manera más efectiva, reduciendo así el riesgo de daños por eventos extremos. En resumen, este estudio establece una base sólida para futuras investigaciones en la predicción del nivel del agua, destacando la importancia de integrar tecnologías avanzadas en la gestión de recursos hídricos.