Thesis (Ph.D)-Cairo University, 2025.

Bibliography: pages 187-196.

The current study is one of the records of Floods on part of the Earth's surface in South Sudan, and used Artificial Intelligence (AI) techniques as a modeling tool to estimate the risk of Nile flooding in the cities of southern Sudan. Climatic records from stations along the Blue Nile were used between 2010 and 2019. To test how well the models worked, the forecast was done using a variety of stations. To determine the flood rate in southern Sudan with the highest degree of accuracy, various artificial neural network techniques were investigated. Six artificial neural network (ANN) models were created and compared to show flood prediction to reach the maximum level of accuracy and to improve the results (NN, GRNN, RNN, CFNN, PNN, FFNN). The artificial neural network (FFNN) produced the best results in the first test, reaching a 95% accuracy rate. Three further strategies were evaluated by increasing the neural network's hidden layer count to ten. Tests with 15 and 25 hidden layers also showed that the accuracy changes with the increase in hidden layers. Also, six other algorithms were applied to reach the highest value expected from using one of the artificial intelligence techniques (AI), in predicting floods by machine learning methods (ML). The highest expected value of flooding was reached through the (Gradient Boosting) model, where it was Classification Accuracy (CA) 0.937, followed by (AdaBoost), (CA 0.916).

الدراسة الحالية هي إحدى سجلات الفيضانات على جزء من سطح الأرض في جنوب السودان، واستخدمت تقنيات الذكاء الاصطناعي كأداة نمذجة لتقدير خطر فيضانات النيل في مدن جنوب السودان. تم استخدام السجلات المناخية من المحطات على طول النيل الأزرق بين عامي 2010 و 2019. لاختبار مدى نجاح النماذج، تم إجراء التنبؤ باستخدام مجموعة متنوعة من المحطات. لتحديد معدل الفيضانات في جنوب السودان بأعلى درجة من الدقة، تم التحقيق في تقنيات الشبكة العصبية الاصطناعية المختلفة. تم إنشاء ستة نماذج للشبكة العصبية الاصطناعية (ANN) ومقارنتها لإظهار التنبؤ بالفيضانات للوصول إلى أقصى مستوى من الدقة وتحسين النتائج (NN، GRNN، RNN، CFNN، PNN، FFNN). أنتجت الشبكة العصبية الاصطناعية (FFNN) أفضل النتائج في الاختبار الأول، حيث وصلت إلى معدل دقة 95٪. تم تقييم ثلاث استراتيجيات أخرى من خلال زيادة عدد الطبقات المخفية للشبكة العصبية إلى عشرة. كما أظهرت الاختبارات التي أجريت على 15 و 25 طبقة مخفية أن الدقة تتغير مع زيادة الطبقات المخفية، كما تم تطبيق ستة خوارزميات أخرى للوصول إلى أعلى قيمة متوقعة من استخدام إحدى تقنيات الذكاء الاصطناعي (AI)، في التنبؤ بالفيضان بطرق التعلم الآلي (ML). تم الوصول إلى أعلى قيمة متوقعة للفيضان من خلال نموذج (Gradient Boosting)، حيث كانت دقة التصنيف (CA) 0.937، تليها (AdaBoost)، (CA 0.916).

Issues also as CD.

Text in English and abstract in Arabic & English.