ارزیابی عملکرد مدل های سری زمانی، شبکه عصبی و سیستم استنتاج عصبی- فازی در پیش بینی خشکسالی هواشناسی (مطالعه موردی: ایستگاه سینوپتیک سمنان)

خشک  سالی به عنوان یک بلای طبیعی نا محسوس تقریبا در تمامی اقلیم ها رخ می دهد و مشخصات آن از یک منطقه به منطقه دیگر متفاوت است. با توجه به نوسانات بیشتر در مقادیر بارندگی دربخش های جنوبی، شرقی و مرکزی ایران و در نتیجه آسیب پذیریبیشتر آن ها نسبت به پدیده خشک سالی، هدف اصلی این تحقیق یافتن مناسب  ترین روش برای پیش  بینی خشک سالی شهر سمنان می باشد. در پژوهش حاضر، با استفاده از روش های سری های زمانی، شبکه عصبی مصنوعی (ANN) و سیستم استنتاج فازی-عصبی تطبیقی (ANFIS) سعی شده تا مدل های مناسب برای پیش بینی خشک سالی شهر سمنان ارایه گردد. در این مدل سازی ها از داده های میانگین ماهانه شامل بارندگی، دما، حداکثر و حداقل دما، رطوبت نسبی، حداکثر و حداقل رطوبت نسبی و شاخص خشک سالی SPI طی دوره آماری 1966 تا 2013 استفاده شده است. بر اساس نتایج، SPI و مقادیر پیشین آن نسبت به بارش عملکرد مناسب تری را داشت. با بررسی تمامی مدل ها، مدل 6(1،0،1)(0،0،1)ARIMA با برازش مناسب داده های SPIبا کمترین مقدار جذر میانگین مربعات خطا (RMSEبرابر 442/0 در مرحله آموزش و 521/0 در مرحله آزمون) و مناسب ترین ضریب همبستگی (R) برابر 889/0 در مرحله آموزش و 846/0 در مرحله آزمون) به عنوان مدل برتر انتخاب شد. با استفاده از این مدل، مقادیر SPI برای 12 گام زمانی بعدی پیش بینی گردید. مدل ANFIS  با مقادیر 513/0=RMSE، 377/0=MAE، و ضریب همبستگی (R) برابر 861/0 در مرحله آموزش و 518/0=RMSE، 41/0=MAE، و 841/0=R در مرحله آزمون و ANNبا مقادیر 534/0=RMSE، 393/0=MAE و 85/0=R در مرحله آموزش و 532/0=RMSE، 402/0=MAE، و 837/0=R در مرحله آزمون به ترتیب در رتبه های بعدی قرار گرفتند.