Floods are among the devastating natural disasters that occurred very frequently in arid regions during the last decades. Accurate assessment of the flood susceptibility mapping is crucial in sustainable development. It helps respective authorities to prevent as much as possible their irreversible consequences. The Digital Elevation Model (DEM) spatial resolution is one of the most crucial base layer factors for modeling Flood Probability Maps (FPMs). Therefore, the main objective of this study was to assess the influence of the spatial resolution of the DEMs 12.5 m (ALOS PALSAR) and 30 m (ASTER) on the accuracy of flood probability prediction using three machine learning models (MLMs), including Random Forest (RF), Artificial Neural Network (ANN), and Generalized Linear Model (GLM). This study selected 14 causative factors in the flood as independent variables, and 220 flood locations were selected as dependent variables. Dependent variables were divided into training (70%) and validation (30%) for flood susceptibility modeling. The Receiver Operating Characteristic Curve (ROC), Kappa index, accuracy, and other statistical criteria were used to evaluate the models' accuracy. The results showed that resolving the DEM alone cannot significantly affect the accuracy of flood probability prediction regardless of the applied MLM and independently of the statistical model used to assess the performance accuracy. In contrast, the factors such as altitude, precipitation, and distance from the river have a considerable impact on floods in this region. Also, the evaluation results of the models showed that the RF (AUC_12.5,30m = 0.983, 0.975) model is more accurate in preparing the FPM than the ANN (AUC_12.5,30m = 0.949, 0.93) and GLM (AUC_12.5,30m = 0.965, 0.949) models. This study's solution-oriented findings might help water managers and decision-makers to make the most effective adaptation and mitigation measures against potential flooding.

洪水是过去几十年干旱地区频繁发生的毁灭性自然灾害之一。准确评估洪水敏感性图对可持续发展至关重要。它有助于相关当局尽可能地防止其不可逆转的后果。数字高程模型 (DEM) 空间分辨率是建模洪水概率图 (FPM) 的最关键的基础层因素之一。因此，本研究的主要目的是使用三种机器学习模型 (MLM) 评估 DEM 12.5 m (ALOS PALSAR) 和 30 m (ASTER) 的空间分辨率对洪水概率预测准确性的影响，包括随机森林 (RF)、人工神经网络 (ANN) 和广义线性模型 (GLM)。本研究选取14个洪水成因作为自变量，选取220个洪水位点作为因变量。因变量分为训练 (70%) 和验证 (30%) 用于洪水敏感性建模。接收者操作特征曲线 (ROC)、Kappa 指数、准确性和其他统计标准用于评估模型的准确性。结果表明，无论应用的 MLM 和用于评估性能精度的统计模型如何，单独解析 DEM 都不会显着影响洪水概率预测的准确性。相比之下，海拔、降水量、与河流距离等因素对该地区的洪水影响较大。此外，模型的评估结果表明，RF (AUC 220 个洪水位置被选为因变量。因变量分为训练 (70%) 和验证 (30%) 用于洪水敏感性建模。接收者操作特征曲线 (ROC)、Kappa 指数、准确性和其他统计标准用于评估模型的准确性。结果表明，无论应用的 MLM 和用于评估性能精度的统计模型如何，单独解析 DEM 都不会显着影响洪水概率预测的准确性。相比之下，海拔、降水量、与河流距离等因素对该地区的洪水影响较大。此外，模型的评估结果表明，RF (AUC 220 个洪水位置被选为因变量。因变量分为训练 (70%) 和验证 (30%) 用于洪水敏感性建模。接收者操作特征曲线 (ROC)、Kappa 指数、准确性和其他统计标准用于评估模型的准确性。结果表明，无论应用的 MLM 和用于评估性能精度的统计模型如何，单独解析 DEM 都不会显着影响洪水概率预测的准确性。相比之下，海拔、降水量、与河流距离等因素对该地区的洪水影响较大。此外，模型的评估结果表明，RF (AUC 因变量分为训练 (70%) 和验证 (30%) 用于洪水敏感性建模。接收者操作特征曲线 (ROC)、Kappa 指数、准确性和其他统计标准用于评估模型的准确性。结果表明，无论应用的 MLM 和用于评估性能精度的统计模型如何，单独解析 DEM 都不会显着影响洪水概率预测的准确性。相比之下，海拔、降水量、与河流距离等因素对该地区的洪水影响较大。此外，模型的评估结果表明，RF (AUC 因变量分为训练 (70%) 和验证 (30%) 用于洪水敏感性建模。接收者操作特征曲线 (ROC)、Kappa 指数、准确性和其他统计标准用于评估模型的准确性。结果表明，无论应用的 MLM 和用于评估性能精度的统计模型如何，单独解析 DEM 都不会显着影响洪水概率预测的准确性。相比之下，海拔、降水量、与河流距离等因素对该地区的洪水影响较大。此外，模型的评估结果表明，RF (AUC 和其他统计标准用于评估模型的准确性。结果表明，无论应用的 MLM 和用于评估性能精度的统计模型如何，单独解析 DEM 都不会显着影响洪水概率预测的准确性。相比之下，海拔、降水量、与河流距离等因素对该地区的洪水影响较大。此外，模型的评估结果表明，RF (AUC 和其他统计标准用于评估模型的准确性。结果表明，无论应用的 MLM 和用于评估性能精度的统计模型如何，单独解析 DEM 都不会显着影响洪水概率预测的准确性。相比之下，海拔、降水量、与河流距离等因素对该地区的洪水影响较大。此外，模型的评估结果表明，RF (AUC 海拔、降水量、与河流距离等因素对本地区的洪水影响较大。此外，模型的评估结果表明，RF (AUC 海拔、降水量、与河流距离等因素对本地区的洪水影响较大。此外，模型的评估结果表明，RF (AUC_12.5,30m  = _0.983 , 0.975) 模型在准备 FPM 时比 ANN (AUC _12.5,30m  = 0.949, 0.93) 和 GLM (AUC _12.5,30m  = 0.965, 0.949) 模型更准确。本研究以解决方案为导向的发现可能有助于水资源管理者和决策者针对潜在的洪水制定最有效的适应和缓解措施。