在过去的几十年里，以陡峭地形和高度城市化为特征的埃查兹集水区的对流降雨导致山洪暴发。降水的高度时空变化，加上流域面积小，导致可预测性低，此类事件可能造成相当大的破坏。本研究的目的是开发一个简单的模型来预测 Echaz 流域的洪水严重程度。该模型基于来自个人气象站 （PWS） 网络的开放获取降水数据和来自低成本超声波传感器的水位测量。机器学习分类方法（逻辑回归和决策树）使用观测数据进行训练，以确定不同累积期（范围为 5 至 60 分钟）的最大降雨量阈值。因此，所提出的模型使用多个触发器来预测临界水位的超标。因此，可以更早地识别出严重的洪水，并具有更高的可靠性，从而为地方当局提供更长的响应时间。尽管有限的数据可用性增加了第一个即将到来的事件的过拟合和性能降低的风险，但随着未来新测量数据的合并，模型质量将提高。该模型的复杂性降低，可解释性高，可实现快速决策过程。此外，该模型具有很高的潜力，可以很容易地适应类似的小型集水区。