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 – به عنوان یکی از کارآمدترین روش‌های یادگیری ماشین برای مدل‌های رگرسیون – 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)  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.