Perubahan iklim global menuntut pengembangan sistem pemodelan yang akurat, adaptif, dan responsif untuk mendukung upaya mitigasi serta adaptasi di berbagai sektor. Penelitian ini mengembangkan sebuah kerangka pemodelan iklim berbasis kecerdasan buatan yang mengintegrasikan fusi data satelit multisumber dengan arsitektur pembelajaran mendalam. Model dirancang dengan pendekatan Long Short-Term Memory (LSTM) yang dikombinasikan dengan mekanisme attention dan Convolutional Neural Networks (CNN) untuk mengekstraksi fitur spasial. Sistem dilatih menggunakan data satelit MODIS, Sentinel-2, dan ERA5 pada periode 2018–2024, mencakup 156 titik pengamatan di wilayah Indonesia dengan resolusi temporal harian dan resolusi spasial 1 kilometer. Proses fusi data dilakukan menggunakan teknik weighted averaging berdasarkan tingkat kepercayaan sensor dan konsistensi temporal. Validasi model dilakukan menggunakan data observasi stasiun meteorologi BMKG dengan metrik Root Mean Square Error (RMSE), Mean Absolute Error (MAE), serta koefisien korelasi. Hasil penelitian menunjukkan bahwa model hybrid CNN-LSTM dengan mekanisme attention mencapai RMSE 0,87°C untuk prediksi suhu, 12,3% untuk kelembapan relatif, dan 8,9 mm untuk curah hujan pada horizon prediksi tujuh hari. Analisis ablasi mengonfirmasi bahwa fusi multisensor meningkatkan akurasi sebesar 23,4% dibandingkan pemodelan berbasis satu sumber data satelit. Kerangka kerja ini memberikan kontribusi penting bagi pengembangan sistem peringatan dini iklim dan pengambilan keputusan berbasis data pada sektor pertanian, manajemen sumber daya air, serta mitigasi bencana iklim.