فهرست نشریات علمی دسترسی آزاد ایران

خشکسالی پدیده‌ای است که احتمال وقوع آن در همه نقاط کره زمین و با هر شرایط اقلیمی وجود دارد. پیش‌بینی خشکسالی می‌تواند نقش مهمی در مدیریت منابع آبی و بهره‌برداری بهینه از آن‌ها ایفا کند. در این مطالعه، برای پیش‌بینی خشکسالی، کاربرد دو روش هوشمند سیستم استنتاج فازی-عصبی (ANFIS) و کنترل گروهی داده‌ها (GMDH) چند نمونه اقلیمی مختلف ایران مورد ارزیابی قرار گرفته است. به این منظور از  شاخص بارش استاندارد شده (SPI) در سه مقیاس 6،3 و 12 ماهه استفاده شد. آمار و اطلاعات بارندگی طی یک دوره 20 ساله (2015-1996) در 7 ایستگاه سینوپتیک ایران با اقلیم‌های متفاوت بکار گرفته شد و جهت بررسی عملکرد مدل‌ها از سه معیار ریشه میانگین مربعات خطا (RMSE)، ضریب تبیین (R2) و میانگین قدرمطلق خطا (MAE) استفاده شد. نتایج نشان داد که در روش ANFIS مقدار ضریب تبیین در کمترین حالت مربوط به SPI سه ماهه (SPI-3) با 59/0 و بیشترین آن در  SPI دوازده ماهه (SPI-12) با مقدار 97/0 می‌باشد. در روش GMDH، مقادیر ضریب تبیین در هر سه مقیاس SPI و در تمامی اقلیم‌ها بین 90/0 تا 99/0 بدست آمد که نشان‌دهنده دقت قابل قبول این مدل بود. . همچنین نتایج حاکی از عملکرد مناسب SPI در مقیاس دوازده ماهه بودند. . در واقع، بهبود عملکرد مدل‌های ساخته شده با افزایش مقیاس زمانی محاسبه SPI، رابطه مستقیمی دارد. در نهایت نتایج مربوط به مقایسه مقادیر مشاهداتی و پیش‌بینی شده‌ی هر سه مقیاس زمانی با استفاده از روش GMDH در تمامی اقلیم‌ها نشان داد که پیش‌بینی خشکسالی با این روش قابل اطمینان و امکان استفاده از این روش برای پیش‌بینی‌های آتی میسر می‌باشد. بطور کلی نتایج تولید شده توسط هردو روش ANFIS و GMDH دارای دقت قابل قبولی می‌باشند اما پاسخ‌های بدست آمده از روش GMDH بهتر بوده و به عنوان مدل برتر در پیش‌بینی خشکسالی در این پژوهش معرفی می‌گردد