انتخاب مدل مناسب براي پيش‌بيني خشكسالي شهر سمنان در مقياس زماني كوتاه مدت ماهانه با استفاده از آمار هواشناسي و مدل‌هاي خطي و غيرخطي

امروزه، شناخت بيشتر خشكسالي و ايجاد سيستم هاي پايش آن، بخصوص در دوره هاي كوتاه مدت، و افزودن قابليت پيش بيني به اين سيستم ها، مي تواند منجر به ارائه راهكارهاي مناسب تري در بخش هاي مديريت تخصيص منابع آب گردد. در اين پژوهش، با استفاده از روش هاي پيش بيني سري هاي زماني، سيستم هاي استنتاج فازي عصبي تطبيقي و شبكه هاي عصبي مصنوعي سعي شده مدل هاي مناسب جهت پيش بيني خشكسالي شهرستان سمنان ارائه گردد. در اين مدل سازي ها از داده هاي ميانگين ماهانه پارامترهاي هواشناسي مانند بارندگي، دما، حداكثر دما، حداقل دما، رطوبت نسبي، حداكثر رطوبت نسبي، حداقل رطوبت نسبي و شاخص خشكسالي SPI طي دوره آماري 1966 تا 2013 استفاده شده است. نتايج نشان داد كه از بين انبوه مدل هاي ساخته شده، مدل ANFIS با ورودي هاي ميانگين بارش، ميانگين حداكثر دما، SPI و داده هاي يك ماه قبل آنها، با 10 قانون و تابع عضويت گوسي، با مقادير RMSE برابر 0/777، MAE برابر 0/593 و ضريب همبستگي 0/4 در مرحله آموزش و RMSE برابر 0/837، MAE برابر 0/644 و ضريب همبستگي 0/362 در مرحله آزمون، به عنوان مدل برتر انتخاب شد. سپس، پارامترهاي ورودي اين مدل با استفاده از مدل ARIMA براي 12 ماه آينده پيش بيني گرديد و به عنوان ورودي به مدل مذكور معرفي شدند و SPI براي 12 ماه آينده پيش بيني شد. روش هاي شبكه عصبي مصنوعي و سري زماني با اختلاف كم در مقادير خطا، در رتبه هاي بعد قرار گرفتند. پارامترهاي ورودي SPI و دما عملكرد مناسب تر و پارامتر بارش عملكرد ضعيف تري را داشتند.