Flood is one of the most destructive and frequent natural disasters, causing extensive human and financial losses worldwide. This research aims to delineate floodplains and assess flood risk in the Qarah-Su River located in Kermanshah Province, Iran. In this study, the hydraulic model HEC-RAS was used in both Steady State and Unsteady (Unsteady) flow conditions to simulate floods with various return periods (2 to 1000 years). To estimate peak flood discharge in an ungauged area (Doab Qaranji), two methods, the Area-Discharge method and the SCS Unit Hydrograph method, were utilized. The geometric data required for the model were extracted from a Digital Elevation Model (DEM) using the RAS Mapper module. Furthermore, satellite imagery from Sentinel-1 (radar data), Sentinel-2, and Landsat-8 on the Google Earth Engine (GEE) platform, along with NDWI and MNDWI indices, were used to extract actual flood extents and compare them with the model results.   

   پدیده خشکسالی به‌عنوان یکی از مهم‌ترین مخاطرات اقلیمی ایران، در دهه‌های اخیر تحت تاثیر گرمایش جهانی و تغییر الگوهای بارش شدت و فراوانی بیشتری یافته است. درک دقیق رفتار زمانی و مکانی خشکسالی و پیش‌بینی روندهای آینده آن، نقشی اساسی در مدیریت پایدار منابع آب و امنیت غذایی کشور دارد. ازاین‌رو، هدف این پژوهش ارزیابی خشکسالی‌های هواشناسی و کشاورزی ایران با استفاده از مدل‌های اقلیمی CMIP6 و الگوریتم‌ یادگیری ماشین، و تحلیل تغییرات آتی آن‌ها تحت سناریوهای انتشار مختلف تا میانه قرن بیست‌ویکم بود. در گام نخست، به‌منظور انتخاب مدل‌های برتر از تمام مدل‌های CMIP6 موجود برای متغیرهای اقلیمی بارش، دمای میانگین، حداکثر و حداقل، از روش تصمیم‌گیری چندمعیاره TOPSIS مبتنی بر وزن‌دهی پنج شاخص ارزیابیMAE، MBE، NRMSE، NSE   و R استفاده شد.   نتایج رتبه‌بندی نشان داد که مدل‌هایCMIP6 شامل NorESM2-MM، TaiESM1   و   AWI-CM-1-1-MR   بهترین عملکرد را در شبیه‌سازی بارش، NorESM2-MM، TaiESM1   و EC-Earth3-CC برای دمای میانگین، EC-Earth3-CC، FIO-ESM-2-0   و MPI-ESM1-2-LR در دمای حداکثر و GFDL-ESM4، MRI-ESM2-0 و EC-Earth3-CC در دمای حداقل دقیق‌ترین نتایج را در شبیه‌سازی دارند. داده‌های خروجی این مدل‌ها پس از ریزمقیاس‌سازی مکانی (Nearest) و اصلاح بایاس به روش نگاشت چندکی، برای محاسبه شاخص‌های خشکسالی و آموزش مدل‌های پیش‌بینی استفاده شدند. در ادامه، شبکه عصبی بازگشتی LSTM   برای شبیه‌سازی و پیش‌بینی، با اختصاص 70% داده‌ها به آموزش و 30% به تست برای بارش و تبخیر و تعرق پتانسیل(برآورد شده با روش پنمن مونتیث FAO-56) و 80% به آموزش و 20% به تست برای شاخص‌های خشکسالی آموزش داده شد. ارزیابی عملکرد مدل LSTM نشان داد که این شبکه توانایی بالایی در بازتولید رفتار زمانی- مکانی شاخص‌های خشکسالی دارد؛ به‌طوری‌که مقدار NSE برای SPEI بیش از 90/0 و برای SPI بیش از 6/0 در اغلب ایستگاه‌ها حاصل شد. خطای مدل در برآورد بارش در بازه ??? تا 84 میلی‌متر در ایستگاه‌های زابل و انزلی و برای تبخیر- تعرق پتانسیل در بازه ?? میلیمتر در انزلی تا 39 میلی‌متر در آبادان بود که بیانگر دقت بالا و پایداری مدل در مناطق خشک و نیمه‌خشک کشور است. نتایج مقایسه شاخص‌ها نشان داد که SPEI به دلیل درنظرگرفتن اثر دما و تراز آبی، نمایانگر دقیق‌تری از وضعیت واقعی خشکسالی کشاورزی در مقایسه با SPI است. تحلیل شاخص‌های SPI و SPEI در دور? ???? تا ???? نشان داد که خشکسالی در ایران رفتاری متناوب و وابسته به اقلیم دارد؛ بطوریکه در گذشته شدت آن از جنوب و شرق به سمت شمال و غرب کاهش داشته. نواحی بیابانی گرم و خشک (BWh   و BWk) بیشترین شدت خشکسالی را با مقادیر تا ???- تجربه کرده‌اند، در حالی‌که مناطق مرطوب شمالی (Cfa و Csa) دچار رخدادهای پرتکرار اما کم‌شدت‌تر بوده‌اند. بیشترین افت رطوبتی در فصل تابستان و در نواحی جنوبی و مرکزی رخ داده است که بیانگر نقش موثر افزایش دما و تبخیر-تعرق بالا در تشدید خشکسالی‌های حرارتی است. در سناریوهای آینده   2-4.5 و   5-8.5، فراوانی رخداد خشکسالی پیش‌بینی شد. در اقلیم‌های مرطوب و نیمه‌مرطوب شمال و غرب، شاخص SPI بین ???- تا ???- و SPEI   بین ???- تا ???- واحد متغیر است؛ بیشترین شدت در استان‌های لرستان، کرمانشاه و قزوین پیش‌بینی می‌شود. در اقلیم‌های خشک و نیمه‌خشک (BWh، BSh و BSk)، کاهش SPEI در سناریوی میانه بین ???- تا ???- و در سناریوی شدید بین ???- تا ???- پیش‌بینی شد. این نتایج نشان‌دهند? افزایش تبخیر، افت رطوبت موثر و تشدید خشکسالی‌های کشاورزی در آینده و تایید نقش شاخص SPEI به‌عنوان حساس‌ترین شاخص برای ردیابی اثر گرمایش اقلیم بر منابع آب ایران است. در مجموع، نتایج این تحقیق بیانگر کارایی بالای ترکیب مدل‌های اقلیمی CMIP6 و شبکه‌های یادگیری عمیق در شبیه‌سازی و پیش‌بینی خشکسالی است.