This study addresses the challenges of flash flood susceptibility mapping in Yemen's Qaa'Jahran Basin, characterized by complex terrain and limited hydro-meteorological data. To enhance predictive accuracy, we integrate metaheuristic feature selection with ensemble learning models. Initially, fifteen flash flood variables were retrieved using Geographic Information System (GIS) based remote sensing, setting the stage for a novel feature selection algorithm. Then, the Memo Search Algorithm (MSA), a metaheuristic approach is proposed to efficiently reduce feature space. Through comprehensive comparisons with established algorithms such as the Artificial Bee Colony (ABC) and Gray Wolf Optimizer (GWO), MSA refined the selection, identifying 'elevation' and 'distance to streams' as optimal factors. Statistical validations using the Friedman and Wilcoxon signed-rank tests confirmed the significant superiority of MSA over competing algorithms. Ensemble classifiers (bagging, boosting, stacking) were then applied to the reduced feature space. Comprehensive evaluation revealed the boosting ensemble with MSA outperformed traditional techniques reaching 98.75% accuracy, 0.9896 Area Under the Curve (AUC), and 98.95% the harmonic mean of the precision and recall (F1-score). Precision in identifying high-risk flash flood zones was underlined via spatial prediction, confirming the integrated framework's ability to significantly improve forecast accuracy. The findings aid disaster management with powerful geographic mapping in data-poor regions. The proposed framework is adaptable globally for flash flood-prone areas with similar constraints. As climate change is expected to increase extreme rainfall events, communities globally will need robust data-driven methodologies for flash flood susceptibility mapping. The Key recommendations of the current study include investigating hybrid feature selection methods to better enhance predictive inputs and analyzing transferability across hydro-climatic zones.

In recent years, the United Arab Emirates (UAE) has experienced a marked increase in extreme rainfall events, challenging urban planning and infrastructure. This study investigates four extreme rainfall events in Al Ain, UAE, between 2007 and 2020, using data from 11 rain gauges and estimates from three satellite precipitation products. These events set new rainfall records, with some gauges recording up to 195.7 mm and intensities exceeding 175 mm/hr. Comparisons revealed significant discrepancies among satellite products, which underestimated three events and overestimated one. A watershed encompassing Al Ain was delineated, and runoff from these events was simulated using the fully distributed, physically based GSSHA hydrologic model. The model provided detailed, spatially explicit runoff estimates, highlighting urban areas of Al Ain as particularly vulnerable to flooding. Despite low runoff ratios (0.11% to 3.14%) due to high infiltration rates, significant flooding occurred in urban regions, emphasizing compounded flood risks from intense rainfall and rapid urban expansion. The study discusses general mitigation strategies that can be considered to enhance Al Ain's resilience, ensuring the safety of residents and infrastructure and managing escalating flood hazards amid increasingly extreme weather patterns. Thoroughly evaluated strategies are essential for adapting to the dynamic climate and safeguarding urban areas from future extreme weather events.