Floods are one of nature's most destructive disasters because of the immense damage to land, buildings, and human fatalities. It is difficult to forecast the areas that are vulnerable to flash flooding due to the dynamic and complex nature of the flash floods. Therefore, earlier identification of flash flood susceptible sites can be performed using advanced machine learning models for managing flood disasters. In this study, we applied and assessed two new hybrid ensemble models, namely Dagging and Random Subspace (RS) coupled with Artificial Neural Network (ANN), Random Forest (RF), and Support Vector Machine (SVM) which are the other three state-of-the-art machine learning models for modelling flood susceptibility maps at the Teesta River basin, the northern region of Bangladesh. The application of these models includes twelve flood influencing factors with 413 current and former flooding points, which were transferred in a GIS environment. The information gain ratio, the multicollinearity diagnostics tests were employed to determine the association between the occurrences and flood influential factors. For the validation and the comparison of these models, for the ability to predict the statistical appraisal measures such as Freidman, Wilcoxon signed-rank, and t-paired tests and Receiver Operating Characteristic Curve (ROC) were employed. The value of the Area Under the Curve (AUC) of ROC was above 0.80 for all models. For flood susceptibility modelling, the Dagging model performs superior, followed by RF, the ANN, the SVM, and the RS, then the several benchmark models. The approach and solution-oriented outcomes outlined in this paper will assist state and local authorities as well as policy makers in reducing flood-related threats and will also assist in the implementation of effective mitigation strategies to mitigate future damage.

Wetlands, vital ecosystems that support 40 % of the world's species and serve as nature's water filters, are disappearing three times faster than forests. While global research extensively examines the increasing degradation of wetland health, there exists a significant research gap concerning its impact on livelihoods and the achievement of Sustainable Development Goals (SDGs). To address this gap, a systematic review was conducted following the Preferred Reporting Items for Systematic Reviews and Meta-Analysis (PRISMA) guidelines, utilising data from 1270 database records and 350 research studies spanning 1990 to 2023. The study reveals alarming annual wetland health loss rates ranging from 0.02 % to 3.14 %, driven globally by built-up areas, agricultural expansion, climate change, and pollution. Notably, developing countries and those with lower development indices exhibit the highest rates of wetland health degradation, primarily attributed to agricultural and urban expansion, as well as pollution. The analysis establishes a negative correlation between wetland health degradation rates, driving factors, and key indicators such as the Sustainable Development Goal Index (SDGI) (r = −0.38), Environmental Performance Index (EPI) (r = −0.34), Income Classification (r = −0.42), and Human Development Index (HDI) (r = −0.38). The study emphasizes the imperative of improving economic and socio-ecological conditions to enhance conservation and restoration efforts in wetland areas, thereby contributing to the achievement of SDGs. The interconnectedness of wetland health with broader SDGs underscores the need for targeted interventions. Recommendations include prioritizing comprehensive strategies for environmental and societal well-being, urging policymakers and practitioners to consider the holistic implications of wetland health degradation in their decision-making processes.