ايران با قرارگيري در كمربند خشك و نيمه خشك جهان، همواره با چالش خشكسالي مواجه بوده است كه آثار گسترده‌اي بر منابع آب و انرژي دارد. اين پژوهش يك سيستم پيشرفته پيش‌بيني خشكسالي را با تلفيق داده‌هاي ماهواره‌اي (CHIRPS) و اطلاعات هواشناسي زميني (بارش، دما، SPI، وSPEI ) در بازه 2024 تا 2034 و مدل‌هاي يادگيري عميق توسعه داده است. در اين سيستم، از معماري تركيبي CNN-LSTM براي تحليل الگوهاي زماني خشكسالي و از شبكه‌هاي مولد تخاصمي شرطي (cGAN) براي پيش بيني خشكسالي كشور ايران طي 10 سال آينده با وضوح بالا استفاده شده است. ارزيابي مدل نشان‌دهنده دقت قابل قبول (95%<‎R² و Db 15=PSNR و SSIM=0.79و RMSE=0.18 ) بوده، همچنين ميانگين پارامترهاي عددي داده هاي زميني با 88%<‎R² است كه قابليت اطمينان آن را براي استفاده عملياتي تأييد مي‌كند. نتايج نشان مي‌دهد مساحت مناطق خشك و نيمه خشك در ايران روند افزايشي داشته، درحالي كه مناطق مرطوب و نيمه مرطوب كاهش يافته است. همچنين، نوسانات اقليمي در مناطق مديترانه اي و نيمه خشك مشهود است، درحالي كه مناطق بسيار مرطوب (مانند نوار شمالي كشور) ثبات نسبي دارند. اين پژوهش با ارائه تحليلي مكاني-زماني از خشكسالي، ابزاري كارآمد براي سياست‌گذاري هاي مديريت منابع آب، كشاورزي، و مقابله با تغييرات اقليمي فراهم مي‌كند. به‌كارگيري مدل پيشنهادي مي‌تواند به بهينه‌سازي سياست‌‌هاي مديريت منابع در اقليم ‌‌هاي خشك و نيمه‌‌خشك كمك كند. تركيب پيش‌بيني خشكسالي با سياست‌گذاري انرژي، زمينه واكنش سريع‌تر به بحران ناترازي را نيز فراهم مي‌سازد. اين اقدام منجر به كاهش خسارات اقتصادي، اجتماعي و زيست ‌محيطي ناشي از ناترازي انرژي خواهد شد.

1404/06/22

Developing a model for drought prediction in Iran based on satellite imagery analytics using deep learning

6/17/2026 12:00:00 AM

Iran, being located in the arid an‎d semi-arid belt of the world, has always faced the challenge of drought, which has extensive effects on water an‎d energy resources. The research has developed an advanced drought forecasting system by combining satellite data (CHIRPS) an‎d terrestrial meteorological information (precipitation, temperature, SPI, an‎d SPEI) in the period 2024 to 2034 an‎d deep learning models. In this system, CNN-LSTM hybrid architecture has been used to analyze drought time patterns an‎d conditional adversarial generator networks (cGAN) have been used to predict drought in Iran during the next 10 years with high resolution. The eva‎luation of the model showed acceptable accuracy (95%<‎R², PSNR=15 db, SSIM=0.79, RMSE=0.18), as well as the average of the numerical parameters of the ground data with 88%<‎R², which confirms its reliability for operational use. The results show that the area of arid an‎d semi-arid regions in Iran has been increasing, while humid an‎d semi-humid regions have decreased. Also, climatic fluctuations are evident in the Mediterranean an‎d semi-arid regions, while very humid regions (such as the northern belt of the country) are relatively stable. This research provides an efficient tool for water resources management, agriculture, an‎d climate change response policies by providing a spatiotemporal analysis of drought. The application of the proposed model can help to optimize resource management policies in arid an‎d semi-arid climates. The combination of drought forecasting with energy policy also provides the ground for a faster response to the imbalance crisis. This action will lead to a reduction in the economic, social, an‎d environmental damages caused by energy imbalances.

تغيير اقليم , پيش‌بيني خشكسالي , يادگيري عميق , تصاوير ماهواره‌اي , ايران

Climate change , Drought forecasting , Deep learning , Satellite imagery , Iran

Hanieh Khodadady Abiazani

Vahid Khatibi