Este estudio proporciona un análisis espaciotemporal integral de las tormentas de arena y polvo (TAP) en Uzbekistán utilizando datos meteorológicos terrestres desde 2010 hasta 2023. Los resultados revelan una heterogeneidad espacial significativa en la actividad de las TAP, con la mayor frecuencia de días de TAP observada en las regiones sur y oeste, incluyendo Surjandarya, Kashkadarya, Bujará, Jorezm y la República de Karakalpakstán. En las áreas más vulnerables, como Karakalpakstán, Surjandarya y Kashkadarya, el número anual de días de TAP puede superar los 80 en ciertos años, reflejando una alta recurrencia de eventos extremos de polvo en ciertas zonas climáticas. Aproximadamente el 53% de los eventos de TAP fueron regionales, afectando a varias estaciones, mientras que el 47% fueron localizados, lo que indica una combinación de transporte de polvo a gran escala y emisiones localizadas. Los patrones estacionales mostraron un pico de actividad de TAP entre marzo y agosto, coincidiendo con la temporada seca caracterizada por temperaturas elevadas, humedad del suelo reducida y actividad agrícola intensa, todos los cuales contribuyen a la exposición de la superficie y aumentan la vulnerabilidad. Este estudio encontró una variación significativa en la duración de los eventos a través de las regiones, con Karakalpakstán y Surjandarya experimentando la mayor proporción de eventos prolongados debido a su orografía y patrones de viento del sur persistentes. Utilizando datos de ERA5 y un regresor de árbol de decisión, el análisis identificó la dirección del viento y la velocidad media del viento como los factores meteorológicos más influyentes, seguidos por la velocidad máxima del viento y la temperatura del suelo, con otras variables como la radiación solar y la humedad del suelo desempeñando roles moderados. Este estudio destaca la importancia de los patrones de viento regionales y la geomorfología en la formación de TAP, con direcciones de viento predominantes del noroeste, oeste y sur. La integración del reanálisis de ERA5 y técnicas de aprendizaje automático ofrece un potencial significativo para mejorar el monitoreo y los estudios de TAP.