انتخاب مدل مناسب برای پیش‌بینی خشکسالی شهر سمنان در مقیاس زمانی کوتاه مدت ماهانه با استفاده از آمار هواشناسی و مدل‌های خطی و غیرخطی

امروزه، شناخت بیشتر خشکسالی و ایجاد سیستم های پایش آن، بخصوص در دوره های کوتاه مدت، و افزودن قابلیت پیش بینی به این سیستم ها، می تواند منجر به ارائه راهکارهای مناسب تری در بخش های مدیریت تخصیص منابع آب گردد. در این پژوهش، با استفاده از روش های پیش بینی سری های زمانی، سیستم های استنتاج فازی عصبی تطبیقی و شبکه های عصبی مصنوعی سعی شده مدل های مناسب جهت پیش بینی خشکسالی شهرستان سمنان ارائه گردد. در این مدل سازی ها از داده های میانگین ماهانه پارامترهای هواشناسی مانند بارندگی، دما، حداکثر دما، حداقل دما، رطوبت نسبی، حداکثر رطوبت نسبی، حداقل رطوبت نسبی و شاخص خشکسالی spi طی دوره آماری 1966 تا 2013 استفاده شده است. نتایج نشان داد که از بین انبوه مدل های ساخته شده، مدل anfis با ورودی های میانگین بارش، میانگین حداکثر دما، spi و داده های یک ماه قبل آنها، با 10 قانون و تابع عضویت گوسی، با مقادیر rmse برابر 0/777، mae برابر 0/593 و ضریب همبستگی 0/4 در مرحله آموزش و rmse برابر 0/837، mae برابر 0/644 و ضریب همبستگی 0/362 در مرحله آزمون، به عنوان مدل برتر انتخاب شد. سپس، پارامترهای ورودی این مدل با استفاده از مدل arima برای 12 ماه آینده پیش بینی گردید و به عنوان ورودی به مدل مذکور معرفی شدند و spi برای 12 ماه آینده پیش بینی شد. روش های شبکه عصبی مصنوعی و سری زمانی با اختلاف کم در مقادیر خطا، در رتبه های بعد قرار گرفتند. پارامترهای ورودی spi و دما عملکرد مناسب تر و پارامتر بارش عملکرد ضعیف تری را داشتند.