Los recientes eventos climatológicos ocurridos en el país nos demuestran que no poseemos capacidades físicas ni humanas para recuperarnos rápidamente, esto debido a diferentes factores; pero, ocurrida la catástrofe, el paso inmediato es medir el daño producido de manera que se puedan definir proyectos de infraestructura y saneamiento que consigan recuperar las áreas afectadas y reinstaurar el normal funcionamiento de servicios y mejora de la calidad de vida de las personas. En el caso de inundaciones la tarea fundamental es detectar los cuerpos de agua, pero, luego de ocurrido el desastre natural, estos cuerpos de agua se presentan de forma no homogénea por causa de mezcla del agua con otros materiales; es decir los índices de color en imágenes de sensores remotos presentan una alta variabilidad. El trabajo de caracterización de cuerpos de agua, así como la determinación de zonas afectadas y evaluación del daño post-desastre, se realizan por especialistas de forma visual directa con apoyo de herramientas semiautomáticas. Nuestra propuesta consiste en aplicar técnicas de aprendizaje de máquina y visión computacional (deep learning) para la extracción automática de información de cuerpos de agua en imágenes satelitales multi-temporales, de manera que se facilite la evaluación del daño provocado por desastre de inundaciones y huaycos en un menor periodo de tiempo. Por tratarse de un proyecto inicial nos centraremos en el diseño de la red neuronal y para el área de estudio nos concentraremos en el distrito de Catacaos, donde el fenómeno de El Niño costero causó graves estragos el 2016. Para ello se cuentan con las imágenes satelitales obtenidas de bancos de imágenes libres de la región de Catacaos previos y posteriores a la catástrofe. El resultado del presente proyecto podrá ser usado para un proyecto mayor, que involucre más regiones afectadas y la participación de mayores actores (CONIDA, COEN, etc), de manera que se apoye en las políticas nacionales de resiliencia.