پهنه‌بندی خطر سیلاب ابزاری کلیدی در مدیریت ریسک بلایا و برنامه‌ریزی شهری است. در این پژوهش، یک چارچوب دسته‌ای ‌(Stacking) برای ارتقای دقت پیش‌بینینقشه‌های آسیب‌پذیری سیلاب توسعه داده شد. سه ترکیب مدل شامل RF+LightGBM، SVM+LightGBM و RF+SVM+LightGBM ساخته شد و رگرسیون لجستیک به عنوان فرا‌مدل به کار رفت. داده‌ها پس از نرمال‌سازی و استفاده از روش SMOTE برای رفع عدم‌توازن کلاس‌ها به مدل‌ها وارد شدند و عملکرد با داده‌های آزمون مستقل ارزیابی شد. از میان ۶۸۳ رخداد سیلاب، ۷۰٪ (۴۶۶ رخداد) برای آموزش و ۳۰٪ (۲۰۰ رخداد) برای اعتبارسنجی به کار رفت. ده عامل مؤثر در پهنه‌بندی شامل فاصله از آبراهه، تراکم زهکشی، جهت جریان، شیب، جهت شیب، بارش، رقوم ارتفاعی، کاربری اراضی و زمین‌شناسی انتخاب گردید. تحلیل حساسیت نشان داد بارش، رقوم ارتفاعی و تراکم زهکشی بیشترین اثر را دارند. نتایج بیانگر برتری مدل سه‌گانه RF+SVM+LightGBM بود که به دقت ۰٫۸۸، ضریب کاپا ۰٫۸۱، امتیاز F1 وزنی ۰٫۸۷ و مقدار AUC برابر ۰٫۹۲ دست یافت. در مقابل، مدل‌های RF+LightGBM و SVM+LightGBM به ترتیب با دقت‌های ۰٫۸۴ و ۰٫۸۳، کاپا ۰٫۷۶ و مقادیر AUC برابر ۰٫۸۸ و ۰٫۸۷ عملکرد ضعیف‌تری داشتند. همچنین RMSE مدل‌ها به ترتیب ۰٫۳۴، ۰٫۳۹ و ۰٫۴۱ بود که بیانگر کاهش خطای مدل سه‌گانه است. منحنی‌های ROC نیز توان تفکیک بالاتر این مدل را در تشخیص نواحی مستعد و غیرمستعد سیلاب تأیید کرد. بنابراین، چارچوب پیشنهادی می‌تواند ابزاری مطمئن برای تصمیم‌گیری، ارائه نقشه‌های دقیق خطر سیلاب و پشتیبانی از برنامه‌ریزی شهری و مدیریت بحران باشد.