Abstract Floods are one of the most widespread natural hazards occurring across the globe. The main objective of this study was to produce flood susceptibility maps for the province of Salzburg, Austria, using two multi-criteria decision analysis (MCDA) models including analytical hierarchical process (AHP) and analytical network process (ANP) and two machine learning (ML) models including random forest (RF) and support vector machine (SVM). Additionally, we compare which of the MCDA and ML models are better suited for flood susceptibility and evaluate the use of Dempster Shafer Theory (DST) for optimising the resulting flood susceptibility maps based on eleven flood conditioning factors: elevation, slope, aspect, topographic wetness index (TWI), stream power index (SPI), normalised difference vegetation index (NDVI), geology, rainfall, land cover, distance to roads and distance to drainage. The accuracy evaluation of the flood susceptibility maps through the AUC (area under the receiver operating characteristic curve) method along with the relative flood density (R-Index) shows that RF (AUC = 87.8%) and SVM (AUC = 87%) outperform the ANP (AUC = 86.6%) and AHP (AUC = 85.9%) models. Therefore, the predictive performance of ML models was slightly better than the MCDA models. The DST could further increase the accuracy of both ML models (AUC = 88.3%) and MCDA models (AUC = 87.3%). However, the best accuracy (AUC = 89.3%) is reached through an ensemble of all four models.

中文翻译：

---

使用机器学习、多标准决策分析和使用 Dempster Shafer 理论集成的洪水敏感性图

摘要 洪水是全球发生的最普遍的自然灾害之一。本研究的主要目标是使用两个多标准决策分析 (MCDA) 模型，包括分析层次过程 (AHP) 和分析网络过程 (ANP) 以及两个机器学习 ( ML) 模型，包括随机森林 (RF) 和支持向量机 (SVM)。此外，我们比较了 MCDA 和 ML 模型中的哪一个更适合洪水敏感性，并评估使用 Dempster Shafer 理论 (DST) 来优化基于 11 个洪水调节因素的洪水敏感性图：高程、坡度、坡向、地形湿度指数 (TWI)、河流功率指数 (SPI)、归一化差异植被指数 (NDVI)、地质、降雨、土地覆盖、到道路的距离和到排水系统的距离。通过 AUC（接受者操作特征曲线下的面积）方法以及相对洪水密度（R-Index）对洪水敏感性图的准确性评估表明，RF (AUC = 87.8%) 和 SVM (AUC = 87%) 表现优于ANP (AUC = 86.6%) 和 AHP (AUC = 85.9%) 模型。因此，ML 模型的预测性能略好于 MCDA 模型。DST 可以进一步提高 ML 模型（AUC = 88.3%）和 MCDA 模型（AUC = 87.3%）的准确性。然而，最好的准确度 (AUC = 89.3%) 是通过所有四个模型的集成来实现的。通过 AUC（接受者操作特征曲线下的面积）方法以及相对洪水密度（R-Index）对洪水敏感性图的准确性评估表明，RF (AUC = 87.8%) 和 SVM (AUC = 87%) 表现优于ANP (AUC = 86.6%) 和 AHP (AUC = 85.9%) 模型。因此，ML 模型的预测性能略好于 MCDA 模型。DST 可以进一步提高 ML 模型（AUC = 88.3%）和 MCDA 模型（AUC = 87.3%）的准确性。然而，最好的准确度 (AUC = 89.3%) 是通过所有四个模型的集成来实现的。通过 AUC（接受者操作特征曲线下的面积）方法以及相对洪水密度（R-Index）对洪水敏感性图的准确性评估表明，RF (AUC = 87.8%) 和 SVM (AUC = 87%) 表现优于ANP (AUC = 86.6%) 和 AHP (AUC = 85.9%) 模型。因此，ML 模型的预测性能略好于 MCDA 模型。DST 可以进一步提高 ML 模型（AUC = 88.3%）和 MCDA 模型（AUC = 87.3%）的准确性。然而，最好的准确度 (AUC = 89.3%) 是通过所有四个模型的集成来实现的。DST 可以进一步提高 ML 模型（AUC = 88.3%）和 MCDA 模型（AUC = 87.3%）的准确性。然而，最好的准确度 (AUC = 89.3%) 是通过所有四个模型的集成来实现的。DST 可以进一步提高 ML 模型（AUC = 88.3%）和 MCDA 模型（AUC = 87.3%）的准确性。然而，最好的准确度 (AUC = 89.3%) 是通过所有四个模型的集成来实现的。