Floods are among the most frequent and destructive natural hazards in Kazakhstan, particularly in the Abai Region, Kazakhstan, where topographic, hydrological, and climatic factors strongly influence flood occurrence. This study presents a comprehensive spatial assessment of flood susceptibility in the Abai Region using a multi-criteria Geographic Information System (GIS) approach. The analysis integrates twelve flood-conditioning factors representing hydrological, topographic, environmental, and anthropogenic variables. The relative importance of these factors was determined using the Analytical Hierarchy Process (AHP). The results indicate that distance to rivers (20%) and precipitation (16%) are the most influential drivers of flood susceptibility, followed by Height Above Nearest Drainage (HAND) (11%) and drainage density (9%). The resulting flood susceptibility map classifies the study area into five susceptibility levels. Approximately 56.6% of the study area falls within the moderate susceptibility class, while 25.0% is categorized as high susceptibility, mainly concentrated in low-lying floodplains and foothill regions. Low-susceptibility areas account for 18.1% of the region, whereas the very high and very low susceptibility classes together represent less than 1% of the territory. Model performance was evaluated using Receiver Operating Characteristic (ROC) analysis, yielding an Area Under the Curve (ROC–AUC) value of 0.893, indicating strong agreement between predicted susceptibility patterns and observed flood occurrences. Additional validation metrics derived from the confusion matrix show an overall accuracy of 83.3%, precision of 0.75, recall of 1.0, and a Kappa coefficient of 0.67, confirming reliable predictive performance. Sensitivity analysis with ±10% variation in factor weights further demonstrated the spatial stability of the susceptibility results. The resulting susceptibility map provides an important spatial basis for infrastructure planning, flood mitigation, and disaster preparedness in the Abai Region and offers a transferable framework for flood-susceptibility assessment in other semi-arid regions of Central Asia.

Mountain regions are highly climate-sensitive, yet long-term observational evidence of elevation and seasonal climate dynamics in Central Asia remains limited. This study examines spatiotemporal trends in temperature (Tmean, Tmax, Tmin, and diurnal temperature range [DTR]) and precipitation across Kazakhstan’s transmountain regions using 74 meteorological stations (1981–2023). Data were analyzed using the Mann–Kendall test and Sen’s slope estimator, stratified across six elevation zones from lowlands (1500 m). Results reveal a robust, spatially coherent warming signal across all zones. Annual Tmean increased at a median rate of ~0.30 °C decade⁻¹, peaking at 0.36 °C decade⁻¹ above 1500 m, corresponding to an absolute increase exceeding 1.5 °C. Warming exhibited strong seasonal and diurnal asymmetries. Spring warmed most rapidly, with Tmean increasing >0.60 °C decade⁻¹ (approaching 3 °C total). Winter warming was driven by Tmin increases (up to 0.44 °C decade⁻¹), causing widespread DTR contraction, whereas summer warming was driven by Tmax increases, expanding DTR at higher elevations. Tmin showed the strongest elevation amplification overall. In stark contrast, precipitation trends were weak, spatially heterogeneous, and largely non-significant. Annual changes ranged from −6.63 to +14.35 mm decade⁻¹, with seasonal tendencies indicating modest, non-significant winter/spring wetting and summer drying. Ultimately, the results demonstrate a profound decoupling between strong, elevation-dependent warming and weak precipitation changes. The acute amplification of temperature, particularly during spring and summer at high elevations, has severe implications for snowmelt timing, glacier mass balance, evapotranspiration demand, and long-term water security in Kazakhstan.

Pasture degradation under increasing climatic aridity threatens sustainable land use, livestock production, and ecosystem stability in southern Kazakhstan. This study assessed drought-related pasture degradation in Zhambyl District, Almaty Region, using Sentinel-2 imagery, climatic data, and GIS analysis to support sustainable pasture management and climate-adaptive land-use planning. The study area was subdivided into four zones: semi-desert, arid foothill, typical foothill, and mountain. Zone-specific seasonal windows were defined to account for differences in relief, aridity, and vegetation phenology. Pasture conditions were evaluated using NDVI, NDMI, and BSI, while precipitation, air temperature, and the hydrothermal coefficient (HTC) were used to characterize drought conditions for 2021–2025. Multi-year anomalies, repeatability of unfavorable signals, and an integrated degradation indicator were used for GIS-based mapping of drought-related pasture degradation signals. The results showed pronounced spatial differentiation of degradation processes. The semi-desert and arid foothill zones contained the largest total mapped areas of degradation, whereas the typical foothill zone showed a relatively higher share of moderate degradation. Weak and moderate degradation predominated in all zones, while severe degradation was confined to small local areas. In the semi-desert zone, weak and moderate degradation occupied 891,169 and 95,414 ha, respectively. In the arid foothill zone, these classes covered 303,283 and 43,185 ha; in the typical foothill zone, 134,966 and 67,163 ha; and in the mountain zone, 66,376 and 17,286 ha. HTC showed a more consistent correlation pattern with pasture conditions than precipitation alone. The proposed approach can support sustainable pasture management by identifying drought-sensitive areas, prioritizing zones for monitoring and restoration, and informing adaptive grazing and land-use decisions under increasing climatic aridity. Because formal accuracy assessment was limited by the available field data, the resulting maps should be interpreted as exploratory maps of drought-related pasture degradation signals rather than as a fully validated categorical classification of pasture degradation.

В условиях изменения климата и учащающихся экстремальных погодных явлений проблема оценки риска наводнений приобретает особую значимость во всём мире. Наводнения ежегодно приводят к человеческим жертвам, разрушению инфраструктуры и серьёзным экономическим потерям, особенно в горных и прибрежных районах. В Казахстане, наряду с засухами, паводки остаются одними из наиболее опасных природных явлений, особенно в восточных регионах страны, где весенние талые воды и интенсивные осадки вносят существенный вклад в формирование паводковой опасности. Река Ульба, протекающая по гористым районам Восточного Казахстана, характеризуется сложным рельефом и высокой водосборной активностью, что делает её бассейн уязвимым к внезапным паводкам. Это обусловливает необходимость применения современных геоинформационных методов для пространственного анализа и моделирования зон потенциального риска.Впервые на региональном уровне выполнено комплексное геоинформационное моделирование риска наводнений в бассейне реки Ульба с применением методов дистанционного зондирования, многокритериального анализа (MCDA) и взвешенного наложения (Weighted Overlay Analysis) в среде ArcGIS. Новизна работы заключается в адаптации и апробации интегральной модели оценки риска с учётом локальных геоморфологических и климатических особенностей, ранее не рассмотренных в столь детальном пространственном разрешении. В качестве входных факторов использованы цифровая модель рельефа (ЦМР), уклон местности, пространственное распределение атмосферных осадков (TerraClimate), карта типов землепользования (LULC) и евклидово расстояние от водотоков. Каждый из критериев был классифицирован на пять категорий риска с присвоением шкалированных значений от 2 до 10 в зависимости от степени влияния на вероятность затопления: низменности, пологие уклоны, высокая увлажнённость и близость к водотокам получили наибольшие значения риска. Все слои были нормированы и объединены с помощью метода взвешенного наложения. Результатом моделирования стала первая детализированная карта пространственного распределения риска наводнений для бассейна реки Ульбы, позволяющая выделить территории с высокой уязвимостью в границах водосборного бассейна.Предложенная методика может быть использована как репрезентативная модель для горных территорий Центральной Азии, что подчёркивает её научную и прикладную значимость. Методика обоснована рядом международных исследований и продемонстрировала высокую применимость в условиях ограниченных наблюдательных данных.

В статье представлена пространственно-временная оценка экологического состояния и уровня антропогенного воздействия в бассейне реки Терис (Жамбылская область) на основе многолетних данных дистанционного зондирования Земли за 2015-2025 гг. Информационной основой исследования послужили спутниковые данные Landsat 8 и 9 (Collection 2 Level 2), обработанные в среде Google Earth Engine с применением процедур атмосферной коррекции, маскирования облачности и нормализации спектральных показателей. Для количественной характеристики ключевых компонентов геосистем рассчитаны индексы NDVI (растительность), WET (влажностная компонента преобразования Tasseled Cap), LST (температура земной поверхности) и NDBSI (сухость и степень антропогенной трансформации). Интеграция стандартизированных индикаторов выполнена методом главных компонент с последующим формированием интегрального индекса экологического состояния RSEI. Полученные результаты свидетельствуют о выраженной пространственной дифференциации и высокой межгодовой вариабельности экологических условий. В структуре территории на протяжении всего периода исследования доминируют классы «ниже среднего» и «средний», совокупная доля которых в большинстве лет превышает 70 %. Наибольшая доля класса «средний» зафиксирована в 2016 г. (56,88 %), тогда как в 2025 г. отмечено существенное расширение класса «высокий» (34,29 %), отражающее локальное улучшение экологического состояния. Зоны с низкими значениями RSEI занимают ограниченные площади (до 1,34 %), однако пространственно приурочены к участкам интенсивного землепользования и деградированных земель. Результаты непараметрического анализа показали отсутствие статистически значимых долговременных трендов для большинства классов RSEI, что свидетельствует о преобладании межгодовой вариабельности экологических условий. Наиболее благоприятные экологические условия характерны для горных и пойменных ландшафтов, тогда как центральные и сельскохозяйственно освоенные районы демонстрируют пониженные интегральные показатели. Результаты исследования подтверждают методическую состоятельность RSEI как интегрального инструмента мониторинга динамики экологического состояния и оценки антропогенной нагрузки в пределах бассейновых геосистем полузасушливых регионов.

In data-sparse Central Asian watersheds, machine learning and Geographic Information Systems (GIS) are increasingly applied to hydrological hazard classification. This article compares Random Forest (RF), XGBoost, and Long Short-Term Memory (LSTM) models for daily elevated-discharge classification in the Koksu River basin, Zhetysu Region, Kazakhstan (1614 km², semi-arid, snowmelt- and glacier-influenced climate; 2005–2023), using verified discharge, precipitation, and temperature records from four monitoring stations. The elevated-discharge threshold (80th percentile, ~90.5 m³/s) was computed using only the training period (2005–2017) to avoid temporal data leakage into validation and test periods. Class imbalance, addressed via class weighting, was moderate under this threshold. All models were benchmarked against a naive persistence baseline. Contrary to expectation, the persistence baseline achieved the highest Critical Success Index (CSI = 0.821, 95% block-bootstrap CI [0.725, 0.891]), narrowly ahead of XGBoost (CSI = 0.813, [0.703, 0.897]), Random Forest (CSI = 0.809, [0.691, 0.897]), and LSTM (CSI = 0.763, [0.630, 0.873]); the confidence intervals overlap substantially, indicating no statistically distinguishable advantage of any trained model over simple persistence in this basin. Feature-importance and ablation analyses confirmed that lagged discharge, not precipitation, drove nearly all predictive skill: a discharge-lags-only model performed as well as or better than the complete pipeline, while a meteorology-and-seasonality-only model performed markedly worse (CSI ≈ 0.57–0.59). As a preliminary, exploratory illustration rather than a core result, Gumbel-derived return-period discharges (Q10, Q25, and Q100) were separately translated into illustrative, uncalibrated, DEM-proximity-based inundation extents, a candidate direction for future work rather than an engineering-grade flood-mapping contribution of this study. These results indicate that, in this basin and period, machine learning classifiers provide no clearly demonstrated advantage over simple discharge persistence, underscoring the necessity of routine persistence benchmarking before adopting machine learning approaches for early warning in Central Asian watersheds facing increasing flood risk under climate change.