پیش بینی خشکسالی با نمایه های spi و edi به روش مدلسازی anfis بر مبنای خوشه بندی c-mean و sc (مطالعه موردی: استان کهگیلویه و بویراحمد)

خشکسالی از جمله اصلی‌ترین و قدیمی‌ترین بلای طبیعی است که اثرات زیست محیطی مهمی را به دنبال دارد. استان کهگیلویه و بویر احمد علیرغم آنکه از لحاظ میزان بارش مقام سوم را در سطح کشور دارا می باشد، اما خشکسالی‌ها به‌طور متناوب این استان را تحت تاثیر قرار داده و خسارات بسیار سنگینی را به دنبال دارند. ﻳﺎﻓﺘﻦ نمایه‌های اندازه‌گیری ﺧﺸﮑﺴﺎﻟﻲ ﺑﺮﺍﻱ پیش‌بینی ﻭ ﺍﺭﺯﻳﺎﺑﻲ ﻣﮑـﺎﻧﻲ ﻭ ﺯﻣـﺎﻧﻲ ﺍﻳـﻦ ﭘﺪﻳـﺪﻩ به‌منظور ﻣﺪﻳﺮﻳﺖ ﺑﺤﺮﺍﻥ ﺁﻥ ضروری ﻭ ﺣﻴﺎﺗﻲ ﺑﻪ ﻧﻈﺮ می‌رسد. ﺩﺭ ﺍﻳﻦ پژوهش با استفاده ﺍﺯ ﻣﺒﺎﻧﻲ شبکه‌های عصبی مصنوعی (ann) و مدل ﻋﺼﺒﻲ ﻓﺎﺯﻱ تطبیقی (anfis) ﺑﻪ ﻫﻤﺮﺍﻩ آنالیز خوشه‌بندی فازی ﺑﺮﺍﻱ پیش‌بینی ﺧﺸﮑﺴﺎﻟﻲ ﺑﺎ ﻧﻤﺎﻳـﻪ ﺑـﺎﺭﺵ استاندارد (spi) و نمایه خشکسالی موثر (edi) اﺳﺘﻔﺎﺩﻩ گردیده است. نتایج به دست آمده از پژوهش بیانگر آن است که نمایه spi با ضریب صحت‌سنجی 87/0 نسبت به نمایه edi با ضریب صحت‌سنجی 73/0 قابلیت و دقت بیشتری در پیش بینی خشکسالی دارد و از طرف دیگر راهبرد شبکه عصبی- فازی تطبیقی بر مبنای روش خوشه بندی تکراری (c-mean) و کاهشی (sc) در امر مدل‌سازی برای پیش‌بینی خشکسالی از کارایی بالایی برخوردار است. نتایج نشان می دهد که خوشه‌بندی باعث افزایش دقت مدل‌سازی در مرحله صحت‌سنجی و واسنجی شده است. همچنین خوشه بندی تکراری با ضریب واسنجی 93/0 و ضریب صحت‌‌سنجی 87/0 بهترین مدل می‌باشد.