دانشگاه تبریز هیدروژئولوژی 2588-3011 10 2 2026 02 20 Assessment of Groundwater Level Response to Climate Change Scenarios Using a Combined Statistical Downscaling and Artificial Intelligence Model (Case study: Maragheh–Bonab Plain) ارزیابی پاسخ تراز آب زیرزمینی به سناریوهای تغییر اقلیم با به‌کارگیری رویکرد ترکیبی ریزمقیاس‌سازی آماری و مدل هوش مصنوعی (مطالعه موردی: دشت مراغه-بناب) 1 17 21965 10.22034/hydro.2026.72699.1342 FA علی اژدرزاده اسکویی دانشجوی کارشناسی ارشد مدیریت منابع آب، گروه مهندسی عمران، دانشکده فنی و مهندسی، دانشگاه مراغه، مراغه، ایران. مهدی ربانی زاده دانشجوی کارشناسی ارشد مدیریت منابع آب، گروه مهندسی عمران، دانشکده فنی و مهندسی، دانشگاه مراغه، مراغه، ایران. سینا صادق فام دانشیار، گروه مهندسی عمران، دانشکده فنی و مهندسی، دانشگاه مراغه، مراغه، ایران. سید بهمن موسوی دانشیار، گروه مهندسی عمران، دانشکده فنی و مهندسی، دانشگاه مراغه، مراغه، ایران. Journal Article 2026 05 30 Climate change and human activities have exerted immense pressure on groundwater resources in arid and semi-arid regions, particularly in the Middle East. In addition to climatic impacts, over-extraction from aquifers in alluvial plains has led to water level decline, water quality degradation, and ecosystem destruction. Recent studies indicate that the intensification of water stress and droughts in these regions is driven by rising temperatures due to global warming and subsequent changes in groundwater levels; therefore, an accurate assessment of these trends is essential for sustainable water resources management. In this study, a hybrid climate-artificial intelligence approach was employed to predict the impacts of climate change on the groundwater level of selected well in the Maragheh-Bonab plain. Initially, climatic variables were downscaled for future periods using an ensemble of Global Climate Models (GCMs) from the CMIP6 project and the LARS-WG stochastic weather generator under two emission scenarios. To model the complex and non-linear relationship between climatic variables and water resources, a Long Short-Term Memory (LSTM) deep neural network was utilized to simulate and forecast groundwater levels. The key innovation of this research is the integration of novel climate data with deep learning architecture and the incorporation of the time-lag effects of hydroclimatic variables to enhance prediction accuracy. Climate projection results indicate a significant increasing trend in temperature across all months and a shift in the temporal distribution of precipitation, leading to increased evapotranspiration and reduced natural aquifer recharge. Furthermore, the LSTM model demonstrated that under the projected climate scenarios, the groundwater level will experience a substantial decline. This drawdown is a direct consequence of the simultaneous effects of reduced climate-driven recharge and increased demand for water resources. تغییر اقلیم و فعالیت‌های انسانی فشار مضاعفی بر منابع آب زیرزمینی در مناطق خشک و نیمه‌خشک، به‌ویژه در خاورمیانه، وارد کرده‌اند. علاوه‌بر اثرات اقلیمی، برداشت بیش‌ازحد از آبخوان‌ها در دشت‌های آبرفتی، منجر به افت تراز آب، کاهش کیفیت و تخریب اکوسیستم‌ها شده است. از این رو، ارزیابی دقیق این روندها برای مدیریت پایدار منابع آب ضروری است. در این پژوهش، به منظور پیش‌بینی اثرات تغییر اقلیم بر تراز آب زیرزمینی در چاه نمونه از دشت مراغه-بناب، از یک رویکرد ترکیبی اقلیمی-هوش مصنوعی استفاده شد. ابتدا متغیرهای اقلیمی با بهره‌گیری از مدل میانگین مدل‌های گردش عمومی جو پروژه CMIP6 و مدل تولیدکننده تصادفی LARS-WG، تحت دو سناریوی انتشار برای دوره‌های آتی ریزمقیاس‌سازی شدند. جهت مدل‌سازی ارتباط غیرخطی و پیچیده میان متغیرهای اقلیمی و تراز آب زیرزمینی، از مدل عمیق حافظه طولانی کوتاه‌مدت (LSTM) برای شبیه‌سازی و پیشنمایی تراز آب زیرزمینی استفاده گردید. نوآوری کلیدی این پژوهش، تلفیق داده‌های نوین اقلیمی با معماری یادگیری عمیق و لحاظ نمودن اثر تأخیرهای زمانی متغیرهای هیدرولوژیکی و اقلیمی جهت ارتقای دقت پیش‌بینی‌ها است. نتایج پیشنمایی‌های اقلیمی حاکی از روند افزایشی معنادار دما در تمامی ماه‌ها و تغییر در توزیع زمانی بارش‌ها است که منجر به افزایش تبخیر و تعرق و کاهش تغذیه طبیعی آبخوان می‌شود. مدل LSTM نشان داد که تحت سناریوی‌های اقلیمی، تراز آب زیرزمینی با افت قابل‌توجهی مواجه خواهد شد. این کاهش تراز، پیامد مستقیم اثرات همزمان کاهش تغذیه اقلیمی و افزایش تقاضا برای منابع آب است. https://hydro.tabrizu.ac.ir/article_21965_8c56911cabe8885e5e4d38c12cbd0d4e.pdf