در این مقاله، هدف توسعه مدل هایی داده محور برای پیش بینی حداکثر نشست سطح زمین (Smax) ناشی از استخراج زغال سنگ به روش جبهه کار طویل است ؛ پدیده ای که از چالش های اساسی مهندسی معدن محسوب می شود و پیش بینی آن می تواند در کاهش خسارات اعمالی به سازه های سطحی و زیرسطحی مجاور و ارتقاء ایمنی عملیات معدنی مؤثر باشد. بدین منظور، 46 دسته داده معتبر از مطالعات پیشین شامل سه پارامتر کلیدی ضخامت لایه زغال سنگ (hs)، عمق روباره (H) و عرض پهنه استخراجی (Lw) گردآوری شد.در ادامه، یک مدل پیش بینی کننده ترکیبی مبتنی بر رگرسیون ماشین بردار پشتیبان (SVR) که با الگوریتم فراابتکاری عقاب طلایی (GEO) بهینه سازی شده است توسعه یافت. به منظور ارزیابی عملکرد این مدل، یک مدل مقایسه ای نیز بر پایه رگرسیون چندمتغیره غیرخطی (NLMR) توسعه داده شد. برای ارزیابی تعمیم پذیری و پایداری مدل SVR-GEO، از تکنیک اعتبارسنجی متقابل5-بخشی استفاده شد. عملکرد مدل های پیشنهادی در مراحل آموزش و تست با بهره گیری از دیاگرام تیلور، منحنی مشخصه خطای رگرسیون (REC) و شش شاخص آماری شامل ضریب تعیین (R²)، شمول واریانس (VAF)، a20، جذر میانگین مربعات خطا (RMSE)، میانگین قدرمطلق خطا (MAE) و میانگین درصد خطای مطلق (MAPE) مورد ارزیابی و مقایسه با شش رابطه تجربی رایج قرار گرفت. نتایج بدست آمده از دیاگرام تیلور و منحنی مشخصه خطای رگرسیون (REC) حاکی از آن است که مدل SVR-GEO در هر دو مرحله آموزش و تست عملکرد به مراتب بهتری نسبت به مدل NLMR و روابط تجربی دارد. همچنین، نتایج بدست آمده براساس شاخص های آماری نشان داد که مدل SVR-GEO دارای بالاترین دقت و کمترین میزان خطا نسبت به مدل NLMR و روابط تجربی است ؛ به طوری که مقادیر شاخص های R²، VAF، a20، RMSE، MAE و MAPE این مدل به ترتیب در مرحله آموزش 0.988، 98.8%، 0.946، 0.134، 0.053 و 5.7% و در مرحله تست 0.942، 93.9%، 0.778، 0.292، 0.235 و 19.7% بدست آمد. در نهایت، نتایج تحلیل حساسیت نشان داد که ضخامت لایه زغال سنگ (hs) بیشترین تأثیر را بر Smax دارد و پس از آن، عرض پهنه (Lw) و عمق روباره (H) در اولویت قرار دارند. بنابراین، مدل پیشنهادی SVR-GEO می تواند به عنوان ابزاری دقیق، مطمئن و کارآمد برای پیش بینی Smax در پروژه های معدنی به روش جبهه کار طویل مورد استفاده قرار گیرد.