fa برآورد مقادیر مفقود شاخص جهانی امنیت آب با بهره‌گیری از الگوریتم‌های یادگیری ماشین و تحلیل عوامل محیطی، مکانی و انسانی اب و هواشناسی climatology پژوهشي Research <div style="text-align: justify;">بحران جهانی آب، با کمبود داده‌های مکانی دقیق در شاخص‌های فشار آبی مانند Baseline Water Stress (BWS)، چالش‌های جدی در سیاست‌گذاری و مدیریت منابع ایجاد کرده است. این پژوهش، با بهره‌گیری از الگوریتم XGBoost &ndash; به عنوان یکی از کارآمدترین روش‌های یادگیری ماشین برای مدل‌های رگرسیون &ndash; مقادیر گمشده BWS را در مقیاس جهانی تخمین می‌زند. متغیرهای کلیدی شامل رطوبت خاک، عوامل اقلیمی (بارش، دما، تبخیر-تعرق)، کاربری اراضی و ارتفاع، بر اساس داده‌های Aqueduct Water Risk Atlas 4.0 و منابع سنجش از دور انتخاب شده‌اند. مدل، با پیش‌پردازش جامع داده‌ها و تنظیم بهینه پارامترها، حدود ۷۱٪ واریانس داده‌های واقعی را توضیح می دهد(71/0= R2) با خطای متوسط مطلق (72/0= MAE) &nbsp;و ریشه میانگین مربعات خطا (14/1= RMSE) در مقیاس 5-0 که عملکرد رقابتی نسبت به مطالعات پیشین نشان می دهد. تحلیل اهمیت ویژگی‌ها حاکی از برتری رطوبت خاک (35.41٪) به عنوان شاخص یکپارچه هیدرولوژیکی، اقلیم (24.58٪) به عنوان موتور چرخه آب، کاربری اراضی (18.30٪) و جمعیت (16.04٪) به عنوان عوامل انسانی، و ارتفاع (5.67٪) به عنوان متغیر توپوگرافی است. نقشه تکمیل‌شده BWS، الگوهای ناهمگون فشار آبی را برجسته می‌سازد: کانون‌های بحرانی در خاورمیانه، شمال آفریقا و جنوب آسیا، و امنیت بالاتر در مناطق استوایی و معتدل. این مدل، ابزاری عملی برای سیاست‌گذاران در شناسایی مناطق پرریسک، توسعه سیستم‌های هشدار زودهنگام و برنامه‌ریزی پایدار منابع آب ارائه می‌دهد. محدودیت‌های واریانس باقیمانده (۲۹٪) بر لزوم ادغام داده‌های اقتصادی-اجتماعی و کالیبراسیون محلی تأکید دارد و گامی محوری در مقابله با بحران آب جهانی به شمار می‌رود.</div> <div style="text-align: justify;">&ldquo;The global water crisis is exacerbated by significant spatial data gaps in key water stress indicators such as Baseline Water Stress (BWS), posing serious challenges for policy-making and water resource management. This study leverages the XGBoost algorithm one of the most efficient machine learning methods for regression modeling to estimate missing BWS values at the global scale. Key predictor variables include soil moisture, climatic factors (precipitation, temperature, and evapotranspiration), land use/land cover, and elevation, derived from the Aqueduct Water Risk Atlas 4.0 and remote sensing datasets. Through comprehensive data preprocessing and hyperparameter optimization, the model explains approximately 71% of the variance in observed BWS values (R&sup2; = 0.711), achieving a Mean Absolute Error (MAE) of 0.727 and a Root Mean Square Error (RMSE) of 1.143 on the standardized 0&ndash;5 BWS scale&mdash;demonstrating competitive performance compared to prior studies (R&sup2; range: 0.60&ndash;0.75). Feature importance analysis reveals soil moisture as the dominant hydrological integrator (35.41%), followed by climate variables as the primary driver of the hydrological cycle (24.58%), land use/land cover (18.30%) and population density as key anthropogenic factors (16.04%), and elevation as a topographic modulator (5.67%). The reconstructed global BWS map highlights pronounced spatial heterogeneity in water stress: critical hotspots emerge across the Middle East, North Africa, and South Asia, while higher water security is observed in tropical and temperate regions. This model provides a practical tool for policymakers to identify high-risk areas, develop early-warning systems, and support sustainable water planning. The unexplained variance (29%) underscores the need to integrate socioeconomic data and implement local-scale calibration representing a pivotal step toward addressing the global water crisis.</div> فشار آبی, XGBoost, رطوبت خاک, تغییرات اقلیمی, مدیریت منابع آب, سنجش از دور Water stress, XGBoost, Soil moisture, Climate change, Water resources management, Remote sensing 0 0 http://jgs.khu.ac.ir/browse.php?a_code=A-10-2672-1&slc_lang=fa&sid=1 Masoud Minaei مسعود مینائی m.minaai@um.ac.ir 100319475328460024859 100319475328460024859 No Department of Geography, Ferdowsi University of Mashhad, Mashhad, Iran گروه جغرافیا، دانشگاه فردوسی مشهد، مشهد، ایران. Sylvia Tramberend سیلویا ترامبرند s.tramberend@iiasa.ac.at 100319475328460024860 100319475328460024860 No Water Security Research Group, Biodiversity and Natural Resources Program, International Institute for Applied Systems Analysis (IIASA), Schlossplatz 1, A-2361 Laxenburg, Austria گروه پژوهشی امنیت آب، برنامه تنوع زیستی و منابع طبیعی، موسسه بین‌المللی تحلیل سیستم‌های کاربردی یاسا ، اتریش . Mohammad Kamangar محمد کمانگر mohamad.kamangar63@gmail.com 100319475328460024861 100319475328460024861 Yes Department of Geography, Ferdowsi University of Mashhad, Mashhad, Iran گروه جغرافیا، دانشگاه فردوسی مشهد، مشهد، ایران. Ali Reza Karbalaee علیرضا کربلائی درئی karbalaee@khu.ac.ir 100319475328460024862 100319475328460024862 No Department of Climatology, Faculty of Geographical Sciences, Kharazmi University, Tehran, Iran گروه جغرافیا طبیعی، دانشکده علوم جغرافیایی، دانشگاه خوارزمی، تهران، ایران Emilio Politti امیلیو پلویوتی em.politti@iiasa.ac.at 100319475328460024863 100319475328460024863 No Water Security Research Group, Biodiversity and Natural Resources Program, International Institute for Applied Systems Analysis (IIASA), Schlossplatz 1, A-2361 Laxenburg, Austria گروه پژوهشی امنیت آب، برنامه تنوع زیستی و منابع طبیعی، موسسه بین‌المللی تحلیل سیستم‌های کاربردی یاسا ، اتریش .