Este estudio se centra en desarrollar un modelo de predicción de niveles de agua por hora para embalses agrícolas de pequeño y mediano tamaño utilizando la Herramienta de Optimización de Tuberías basada en Árboles (TPOT), una técnica automatizada de aprendizaje automático (AutoML). El área de estudio es el embalse de Baekhak en Corea del Sur, y se recopilaron diversos datos relacionados con la precipitación y el almacenamiento de agua en el embalse. Utilizando estos datos recopilados, comparamos modelos ampliamente utilizados de aprendizaje automático individual y profundo con los modelos de tuberías generados por TPOT. La comparación mostró que los modelos de tuberías, que incluían varias técnicas de preprocesamiento y de conjunto, exhibieron una mayor precisión predictiva que los modelos individuales de aprendizaje automático e incluso los modelos de aprendizaje profundo. El modelo de tubería óptimo se evaluó por su rendimiento en la predicción de niveles de agua durante un evento de lluvia extrema, demostrando su eficacia para la predicción de niveles de agua por hora. Sin embargo, se observaron problemas como la sobrepredicción de los niveles máximos de agua y retrasos en la predicción de cambios repentinos en los niveles de agua, probablemente debido a inexactitudes en los datos de pronóstico de precipitación a ultra corto plazo y la falta de información sobre las operaciones del embalse (por ejemplo, aperturas de compuertas y planes de drenaje para la agricultura). Este estudio destaca el potencial de las técnicas de AutoML para su uso en modelado hidrológico, y demuestra su contribución a estrategias de gestión del agua más eficientes y de prevención de inundaciones en embalses agrícolas.