La preparación de un mapa de probabilidad de inundaciones sirve como el primer paso en un programa de gestión de inundaciones. Esta investigación desarrolla un mapa de probabilidad de inundaciones para inundaciones resultantes del cambio climático en el futuro. Se utilizaron dos modelos de Análisis de Discriminación Flexible (FDA) y Redes Neuronales Artificiales (ANN). Se consideraron dos escenarios de cambio climático optimistas (RCP2.6) y pesimistas (RCP8.5) para mapear la lluvia futura. Además, para producir mapas de ocurrencia de inundaciones probabilísticas, se utilizaron 263 ubicaciones de eventos de inundación pasados como variables dependientes. El número de 13 factores que condicionan las inundaciones se tomó como variables independientes en la modelización. Del total de 263 ubicaciones de inundaciones, se consideraron el 80% (210 ubicaciones) para el entrenamiento del modelo y el 20% (53 ubicaciones) para la validación. Se utilizó la curva de Característica Operativa del Receptor (ROC) y otros criterios estadísticos para validar los modelos. Basado en las evaluaciones de los modelos validados, el FDA, con un ROC-AUC = 0.918, error estándar (SE = 0.038) y una precisión del 0.86% en comparación con el modelo ANN con un ROC-AUC = 0.897, tiene la mayor precisión en la preparación del mapa de probabilidad de inundaciones en el área de estudio. Los resultados de la modelización también mostraron que los factores de distancia del río, altitud, pendiente y lluvia tienen el mayor impacto en las inundaciones en el área de estudio. Los mapas de susceptibilidad a inundaciones futuras de ambos modelos mostraron que la mayor área está relacionada con la clase muy baja. La menor área está relacionada con la clase alta.