در این پژوهش ، پیش بینی بارش فصلی در جنوب ایران با استفاده از مدلهای یادگیری عمیق مورد بررسی قرار گرفته است. دادههای ورودی از مجموعه باز تحلیل ERAS شامل ۶ متغیر ارتفاع ژئوپتانسیل دما رطوبت نسبی رطوبت ویژه و مولفههای افقی و عمودی باد در بازه زمانی ۱۹۹۴ تا ۲۰۲۳ استخراج و دو مدل مجزای LSTM و CNN و مدل ترکیبی ConvLSTM به کار گرفته شد. مدلهای LSTM و CNN به ترتیب برای شناسایی وابستگیهای زمانی و استخراج ویژگیهای فضایی استفاده میشوند، در حالی که ConvLSTM از ترکیب این دو مدل برای پوشش همزمان وابستگیهای زمانی و مکانی بهره میبرد مدلها پس از آماده سازی و نرمال سازی دادهها آموزش داده شدند و با معیارهای MSE MAE و R ارزیابی گردیدند. نتایج نشان داد که مدل ConvLSTM با ضریب تبیین (R) برابر ۰/۷۲۴۲۰ عملکرد بهتری نسبت به دو مدل دیگر دارد این مدل به دلیل قابلیت ترکیب ویژگیهای زمانی و مکانی خطای کمتری را در پیشبینی بارشهای فصلی نشان داد در نهایت دادههای ورودی (۶) (متغیر) سال ۲۰۲۵ نیز برای پیش بینی بارشهای آینده با استفاده از مدلها به کار گرفته شد و مجموع مقادیر بارش به تفکیک هر فصل استخراج گردید که در مدل ترکیبی این مقادیر برای فصلهای بهار ،تابستان پاییز و زمستان به ترتیب برابر ،۱۲۲/۱ ،۵۱/۶ ۶۸/۹ و ۱۶۰/۳ میلیمتر می باشد. به طور کلی یافته ها نشان دهنده پتانسیل استفاده از مدلهای ترکیبی یادگیری عمیق برای بهبود دقت پیشبینی بارش فصلی در جنوب ایران است و میتواند ابزار موثری برای برنامه ریزی منابع آب و کشاورزی باشد.
