Este artículo propone un modelo sustituto basado en aprendizaje profundo para acelerar los solucionadores basados en física, con un alto coste computacional, como HEC-RAS, para una rápida toma de decisiones durante inundaciones. Utilizando HEC-RAS como motor de generación de datos, empleamos una arquitectura autorregresiva híbrida que combina GRU para capturar la dinámica temporal a corto plazo y Geo-FNO para modelar las dependencias espaciales a largo plazo a lo largo de los segmentos fluviales. Entrenado en 67 segmentos de la cuenca del río Misisipi, el modelo se evalúa con un año de datos desconocidos y alcanza una alta precisión de predicción con un error absoluto medio del nivel del agua de 0,31 pies. En una predicción por conjuntos para los 67 segmentos, el modelo es aproximadamente 3,5 veces más rápido, de 139 minutos para el solucionador convencional a 40 minutos. Este enfoque basado en datos demuestra que la potente ingeniería de características puede utilizarse para generar modelos sustitutos viables y rápidos que pueden reemplazar los modelos hidráulicos convencionales, mejorando así la viabilidad computacional de la predicción de inundaciones por conjuntos a gran escala.
