پژوهش حاضر با هدف پهنه‌بندی خطر سیل نکارود انجام گردید. برای این منظور ۱۵ متغیر مؤثر شامل عوامل ژئومورفولوژیک، اقلیمی، هیدرولوژیک و کاربری اراضی با استفاده از داده‌های چندمنبعی (ASTER DEM، تصاویر لندست دو، لندست هشت، داده‌های ERA5، نقشه‌های خاک FAO و منابع توپوگرافی) تهیه و در محیط GIS استانداردسازی شدند. الگوریتم‌های یادگیری ماشین جنگل تصادفی، ماشین بردار پشتیبان و پرسپترون چندلایه برای مدل‌سازی به‌کار گرفته و عملکرد آن‌ها با شاخص‌هایی چون دقت کلی، دقت مثبت، یادآوری و امتیاز F1 و مساحت زیر منحنی ارزیابی گردید. نتاج نشان داد مدل پرسپترون چندلایه با دقت 5/94٪ و مساحت زیر منحنی برابر با 11/91٪ بهترین عملکرد را داشته، در حالی‌که مدل جنگل تصادفی با دقت 64/88٪، و مساحت زیر منحنی 64/88% و مدل ماشین بردار پشتیبان با دقت 2/87% و مساحت زیر منحنی 92/82% در رتبه‌های بعدی قرار گرفتند. از نظر توزیع مکانی، مدل جنگل تصادفی بیشترین سهم را به کلاس‌های خطر سیل های متوسط و کم اختصاص داده، مدل ماشین بردار پشتیبان سهم بیشتری برای مناطق پرخطر پیش‌بینی نموده و مدل پرسپترون چندلایه توزیع متعادلی ارائه داد. تحلیل اهمیت متغیرها در مدل جنگل تصادفی نشان داد فاصله از رودخانه، شیب و شاخص رطوبت توپوگرافی، بیشترین نقش را در رخداد سیل داشته‌اند.