باقر شیر محمدی - دانشگاه تربیت مدرس، دانشکده منابع طبیعی، گروه مهندسی آبخیزداری
حمیدرضا مرادی - دانشگاه تربیت مدرس، دانشکده منابع طبیعی، گروه مهندسی آبخیزداری
مجید طائی - دانشگاه تربیت مدرس، دانشکده منابع طبیعی، گروه مهندسی آبخیزداری
وحید موسوی - دانشگاه تربیت مدرس، دانشکده منابع طبیعی، گروه مهندسی آبخیزداری

خشکسالی به عنوان یکی از مهمترین بلایای طبیعی بوده که بر ابعاد مختلف زندگی بشر تاثیر می گذارد. در طی دهه های اخیر تکنیک های هوشمند توانایی های زیادی را در مدل سازی و پیش بینی سری های زمانی غیر خطی و غیر ایستا نشان داده اند. از این رو در این مطالعه از روش های شبکه عصبی مصنوعی و سیستم فازی-عصبی تطبیقی به منظور پیش بینی خشکسالی، استفاده شده است. به این منظور از داده های بارندگی در حوزه آبخیز صوفی چای و قلعه چای، برای این مطالعه استفاده شد. ابتدا شاخص SPI شش ماهه محاسبه و بعنوان ورودی برای مدل های ANN و ANFIS در نظر گرفته شد. نتایج این بررسی نشان داد که ANFIS عملکرد بهتری نسبت به ANN در مدل سازی و پیش بینی خشکسالی را دارد. نتایج نشان داد که شبکه ای با الگوریتم یادگیری لونبرگ-مارگارت با تابع انتقال تانژانت سیگموئید در لایه مخفی، با 40 نرون و برای یک گام به جلو و با RMSE و R2 به ترتیب 81/1 و 89/0 بهترین مدل شبکه عصبی در این تحقیق بودند. همچنین نتایج بیانگر این بود که مدلی با تابع عضویت pi در گام زمانی یک گام روبه جلو با تعداد توابع عضویت 5 و در تکرار 3000 و با RMSE و R2 به ترتیب 089/0 و 90/0 بهترین عملکرد را داشته است.

پیش بینی خشک سالی، شبکه عصبی مصنوعی، سیستم فازی- عصبی تطبیقی، شاخص SPI