تخمین خشکسالی با نمایه های SPI و EDI با استفاده از شبکه عصبی مصنوعی- فازی بهینه شده با الگوریتم بهینه سازی ازدحام ذرات (مطالعه موردی: استان کهگیلویه و بویراحمد)

خشکسالی یکی از اصلی ترین و قدیمی ترین بلای طبیعی است که عواقب زیست محیطی مهمی را به در پی دارد. در واقع میزان خشکسالی مقایسه نسبی بین میزان بارندگی هر منطقه در آن سال با میانگین بارندگی در سال های گذشته می باشد. استان کهگیلویه و بویراحمدگر چه از نظر میزان بارش دارای جایگاه سوم در کشور می باشد اما خشکسالی ها به طور متناوب این استان را تحت تاثیر قرار داده و خسارات جبران ناپذیری را به دنبال دارند. استفاده از نمایه های اندازه گیری خشکسالی برای پایش و ارزیابی مکانی و زمانی این پدیده به جهتش مدیریت بحران آن ضروری و حیاتی به نظر می رسد. در این پژوهش از شبکه های عصبی مصنوعی (ANN) و مدل عصبی فازی تطبیقی (ANFIS) برای پیش بینی خشکسالی با نمایه بارش استاندارد (SPI) و نمایه خشکسالی موثر (EDI) استفاده گردیده است بر اساس مطالعات نمایه های SPI و EDI قابلیت بیشتری در پیش بینی نسبت به نمایه هایی چون پالمر، پالفی و دیگر نمایه ها دارند. نتایج این پژوهش حاکی از آن است که نمایه SPI قابلیت و دقت بالاتری نسبت به نمایه EDI در پیش بینی خشکسالی دارد و از طرفی مدل شبکه عصبی- فازی تطبیقی بهینه شده (PSO-ANFIS) جهت پیش بینی خشکسالی از کارایی بالایی برخوردار است. نتایج نشان می دهد که بهینه شده موجب افزایش دقت مدلسازی در مرحله صحت سنجی و واسنجی شده است همچنین مدل با ضریب واسنجی 97/0 و ضریب صحت سنجی 86/0 بهترین مدل می باشد.