Monitoring drought in semi-arid regions due to climate change is of paramount importance. This study, conducted in Morocco's Upper Drâa Basin (UDB), analyzed data spanning from 1980 to 2019, focusing on the calculation of drought indices, specifically the Standardized Precipitation Index (SPI) and the Standardized Precipitation Evapotranspiration Index (SPEI) at multiple timescales (1, 3, 9, 12 months). Trends were assessed using statistical methods such as the Mann-Kendall test and the Sen's Slope estimator. Four significant machine learning (ML) algorithms, including Random Forest, Voting Regressor, AdaBoost Regressor, and K-Nearest Neighbors Regressor, were evaluated to predict the SPEI values for both three and 12-month periods. The algorithms' performance was measured using statistical indices. The study revealed that drought distribution within the UDB is not uniform, with a discernible decreasing trend in SPEI values. Notably, the four ML algorithms effectively predicted SPEI values for the specified periods. Random Forest, Voting Regressor, and AdaBoost demonstrated the highest Nash-Sutcliffe Efficiency (NSE) values, ranging from 0.74 to 0.93. In contrast, the K-Nearest Neighbors algorithm produced values within the range of 0.44 to 0.84. These research findings have the potential to provide valuable insights for water resource management experts and policymakers. However, it is imperative to enhance data collection methodologies and expand the distribution of measurement sites to improve data representativeness and reduce errors associated with local variations.

Abstract Anthropogenic activities like overgrazing, deforestation and mismanaged land use accelerate soil erosion (SE), causing nutritional and organic matter loss. In this study, we predicted the annual rate of soil loss in the Salt Range, extending south from the Pothohar plateau, Pakistan, using the Revised Universal Soil Loss Equation (RUSLE). The RUSLE model parameters and erosion probability zones were estimated using remote sensing and Geo‐Spatial methods. The annual average soil loss rates were calculated by considering five geo‐environmental factors, that is, slope length and steepness (LS), rainfall erosivity (R), cover management (C), soil erodibility (K), and conservation practice (P) range from 0–559 527, 1404–4431, 0–1, −0.14 to 1.64, and 0.2–122 respectively. This research determined that the yearly average rate of SE in the Salt Range varies from over 50 to above 350 . The distribution of land area across different SE probability zones reveals that a small portion (2.11%) is classified as High, a moderate portion (7.13%) falls under the category of Moderate, while the majority (90.7%) is classified as Low in terms of proneness towards erosion. The land devoid of vegetation and characterized by steep slopes is especially prone to SE. The Salt Range is highly vulnerable to SE risk due to climatic variations and improper land use practices. The result provides a spatial distribution of SE across the salt range, utilized for management planning processes and conservation at the policy level among decision‐makers and land‐use planners.

The management of groundwater systems is essential for nations that rely on groundwater as the principal source of communal water supply (e.g., Mohmand District of Pakistan). The work employed Remote Sensing and GIS datasets to ascertain the groundwater recharge zones (GWRZ) in the Mohmand District of Pakistan. Subsequently, a sensitivity analysis was conducted to examine the impact of geology and hydrologic factors on the variability of the GWRZ. The GWRZ was determined by employing weighted overlay analysis on thematic maps derived from datasets about drainage density, slope, geology, rainfall, lineament density, land use/land cover, and soil types. The use of multi-criteria decision analysis (MCDA) involves the utilization of the multi-influencing factor (MIF) and analytical hierarchy procedure (AHP) to allocate weights to the selected influencing factors. The MIF data found that very high groundwater recharge spanned 1.20%, high zones covered 40.44%, moderate zones covered 50.81%, and low zones covered 7.54%. In comparison, the AHP technique results suggest that 1.81% of the whole area is very high, 33.26 is high, 55.01% is moderate, and 9.92% has low groundwater potential. The geospatial-assisted multi-influencing factor approach helps increase conceptual knowledge of groundwater resources and evaluate possible groundwater zones.