Las inundaciones son uno de los peligros naturales más significativos en Irán, principalmente debido al clima árido y semiárido del país, los patrones irregulares de precipitación y los cambios sustanciales en las condiciones de la cuenca. Estos factores se combinan para hacer de las inundaciones una causa frecuente de desastres. En este estudio de caso, se analizaron los patrones de susceptibilidad a inundaciones en la Llanura de Marand, ubicada en la provincia de Azerbaiyán Oriental en el noroeste de Irán, utilizando cinco algoritmos de aprendizaje automático (ML): árbol de modelo M5P, SubEspacio Aleatorio (RSS), Bosque Aleatorio (RF), Bagging y Lineal Ponderado Localmente (LWL). El proceso de modelado incorporó doce factores meteorológicos, hidrológicos y geográficos que afectan las inundaciones en 485 puntos identificados como propensos a inundaciones. Los datos se analizaron utilizando un sistema de información geográfica, con el conjunto de datos dividido en un 70% para entrenamiento y un 30% para pruebas para construir y validar los modelos. Se emplearon un índice de ganancia de información y un análisis de multicolinealidad para evaluar la influencia de varios factores en la ocurrencia de inundaciones, y las variables relacionadas con inundaciones se clasificaron utilizando clasificación cuantílica. Se utilizó el método de razón de frecuencia para evaluar la importancia de cada factor. El rendimiento del modelo se evaluó utilizando medidas estadísticas, incluida la curva de Característica Operativa del Receptor (ROC). Todos los modelos demostraron un rendimiento robusto, con un área bajo la curva ROC (AUROC) que superó 0.90. Entre los modelos, el algoritmo LWL ofreció las predicciones más precisas, seguido por RF, M5P, Bagging y RSS. El mapa de susceptibilidad a inundaciones generado por LWL clasificó el 9.79% del área de estudio como altamente susceptible a inundaciones, el 20.73% como alto, el 38.51% como moderado, el 29.23% como bajo y el 1.74% como muy bajo. Los hallazgos de esta investigación proporcionan valiosas ideas para las agencias gubernamentales, las autoridades locales y los responsables de políticas en el diseño de estrategias para mitigar los riesgos relacionados con inundaciones. Este estudio ofrece un marco práctico para reducir el impacto de futuras inundaciones a través de la toma de decisiones informadas y estrategias de gestión de riesgos.