چکیده: استفاده از علم یادگیری ماشین در مهندسی سواحل می‌تواند به بهبود درک پدیده‌های ساحلی، مدیریت بهتر منابع و افزایش دقت تحلیل‌ها کمک نماید. مطالعات مورفودینامیک ساحلی عموماً در شرایط طوفانی بوده است؛ در این پژوهش با کمک روش یادگیری ماشین، تحلیل ناحیه ساحلی نارابین استرالیا از دیدگاه دیگری بررسی شده است. یکی از مهمترین عامل در شناخت رفتار ساحل، عملکرد آن در بازسازی خود در دوره‌های پس از وقوع طوفان می‌باشد که می‌توان آن را با مفهوم رفتار تعادلی ساحل بیان نمود. علاوه بر این، شناخت و توصیف پدیده‌های حاکم و تاثیرگذار بر عملکرد تعادلی ساحل نیز بسیار با اهمیت می‌باشد. داده‌های هیدرودینامیک و مورفودینامیک با استفاده از روش‌های انتخاب ویژگی و حذف پارامترهای کم‌اهمیت پالایش شدند. الگوریتم‌های مختلف از جمله DT، XGBoost و SVM جهت تحلیل و شناسایی پارامترهای کلیدی مؤثر بر سه تابع هدف: تغییرات خط ساحل، تغییرات ارتفاعی تاج سکوی ساحلی و موقعیت افقی تاج سکوی ساحلی، مورد استفاده قرار گرفتند. بر اساس نتایج و یافته‌ها، برای تغییرات خط ساحل، به ترتیب سه پارامتر کلیدی: توان موج، تغییرات عرض سکوی ساحلی و ارتفاع حداکثر موج؛ برای تغییرات ارتفاعی تاج سکوی ساحلی، دو پارامتر: تغییرات افقی تاج سکوی ساحلی و توان موج؛ و برای موقعیت افقی تاج سکوی ساحلی، پنج پارامتر: عرض سکوی ساحلی، ارتفاع تاج سکوی ساحلی، تغییر تراز آب، شیب سکوی ساحلی و اندیس شکست موج، بیشترین نقش و اثرگذاری را داشته‌اند. با بررسی و تحلیل نتایج یادگیری ماشین، SVM بهترین الگوریتم برای هر سه تابع هدف بوده که توانسته است به ترتیب با دقت 89.02%، 74.36% و 70.20% داده‌ها را ببیند. بر این اساس می‌توان بیان نمود که این الگوریتم در شناخت پدیده‌های حاکم بر عارضه‌های ساحلی قابل اعتماد بوده و در بررسی تغییرات مورفودینامیک سکوی ساحلی و شناخت رفتار تعادلی، شکل هندسی و شیب اولیه آن، نقش بسزایی را ایفا می‌نماید. همچنین، نتایج این پژوهش برای سواحل ماسه‌ای با D50≅0.3 میلیمتر قابل تعمیم است.