Este estudio incorpora los proxies observados de manera integral de conjuntos de datos geotécnicos, geofísicos, petrofísicos y litológicos in situ para estimar la presencia de agua subterránea. Se aplican dos enfoques de aprendizaje automático, la regresión de bosque aleatorio (RFR) y la red neuronal profunda (DNN). Los modelos RFR y DNN construidos se validan utilizando las profundidades observadas de los niveles de agua subterránea en 772 sitios K-NET en Japón. El modelo RFR mostró efectividad y un rendimiento robusto en comparación con el rendimiento de ajuste deficiente del modelo DNN y los enfoques anteriores basados en la detección física de agua subterránea. Los modelos RFR y DNN lograron un notable acuerdo de 1:1 entre los niveles de agua subterránea observados y predichos en 733 y 470 sitios K-NET, respectivamente. Durante el proceso de entrenamiento del RFR, todos los conjuntos de datos en los 772 sitios K-NET se dividieron en conjuntos de datos de entrenamiento, validación y prueba no vistos con una proporción establecida en 1:1:11. Esta estrategia de validación cruzada -fold demuestra un mejor rendimiento de ajuste para el modelo RFR. Se pueden entender las contribuciones e interacciones entre los proxies observados in situ utilizando análisis de sensibilidad global basados en la varianza. La velocidad de onda - y los valores de la prueba de penetración estándar han mostrado contribuciones prominentes entre otros proxies a las profundidades de agua subterránea. Para aplicar el modelo RFR en cualquier sitio dado, son cruciales estructuras de velocidad de onda - y - confiables y detalladas para construir los conjuntos de datos de origen necesarios.