Este estudio presenta un enfoque novedoso para modelar el flujo no saturado utilizando redes neuronales profundas (DNN) integradas con funciones de base radial (RBF) espacio-temporales. Los métodos tradicionales para simular el flujo no saturado a menudo enfrentan desafíos en eficiencia computacional y precisión, especialmente al tratar con propiedades no lineales del suelo y condiciones de contorno complejas. Nuestro modelo propuesto enfatiza las capacidades de las DNN para identificar patrones complejos y la precisión de las RBF espacio-temporales para modelar datos espacio-temporales. Los datos de entrenamiento comprenden los datos iniciales, los datos de contorno y las distancias radiales utilizadas para construir las RBF espacio-temporales. La innovación de este enfoque es que introduce las RBF espacio-temporales, eliminando la necesidad de discretizar la ecuación gobernante del flujo no saturado y proporcionando directamente la solución del flujo no saturado en todo el dominio de tiempo y espacio. Se evalúan exhaustivamente varias métricas de evaluación de errores para validar el método propuesto. Este estudio examina un caso en el que, a pesar de datos iniciales y de contorno incompletos y contaminación por ruido en los datos de contorno disponibles, la solución del flujo no saturado aún puede determinarse con precisión. El modelo logra valores de RMSE, MAE y MRE de 10, 10 y 10 respectivamente, demostrando que el método propuesto es robusto para resolver el flujo no saturado en suelos, proporcionando conocimientos más allá de los obtenibles con métodos tradicionales.