AU - Sadeghian, M. AU - Karami, H. AU - Mousavi, S. F. TI - Selection of a Proper Model to Predict Monthly Drought in Semnan Using Weather Data and Linear and Nonlinear Models PT - JOURNAL ARTICLE TA - JSTNAR JN - JSTNAR VO - 21 VI - 4 IP - 4 4099 - http://jstnar.iut.ac.ir/article-1-3170-fa.html 4100 - http://jstnar.iut.ac.ir/article-1-3170-fa.pdf SO - JSTNAR 4 AB  - امروزه، شناخت بیشتر خشکسالی و ایجاد سیستم‌های پایش آن، بخصوص در دوره‌های کوتاه مدت، و افزودن قابلیت پیش‌بینی به این سیستم‌ها، می‌تواند منجر به ارائه راهکارهای مناسب‎تری در بخش‌های مدیریت تخصیص منابع آب گردد. در این پژوهش، با استفاده از روش‌های پیش‌بینی سری‌های زمانی، سیستم‌های استنتاج فازی- عصبی تطبیقی و شبکه‌های عصبی مصنوعی سعی شده مدل‌های مناسب جهت پیش‌بینی خشکسالی شهرستان سمنان ارائه گردد. در این مدل‌سازی‌ها از داده‌های 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 مدل‌های ساخته شده، مدل ANFIS با ورودی‌های میانگین بارش، میانگین حداکثر دما، SPI و داده‌های یک ماه قبل آنها، با 10 قانون و تابع عضویت گوسی، با مقادیر RMSE برابر 777/0، MAE برابر 593/0 و ضریب همبستگی 4/0 در مرحله آموزش و RMSE برابر 837/0، MAE برابر 644/0 و ضریب همبستگی 362/0 در مرحله آزمون، به‌عنوان مدل برتر انتخاب شد. سپس، پارامترهای ورودی این مدل با استفاده از مدل ARIMA برای 12 ماه آینده پیش‌بینی گردید و به‌عنوان ورودی به مدل مذکور معرفی شدند و SPI برای 12 ماه آینده پیش‌بینی شد. روش‌های شبکه عصبی مصنوعی و سری زمانی با اختلاف کم در مقادیر خطا، در رتبه‌های بعد قرار گرفتند. پارامترهای ورودی SPI و دما عملکرد مناسب‎تر و پارامتر بارش عملکرد ضعیف‌تری را داشتند. CP - IRAN IN - 1. Dept. of Water Eng. and Hydraulic Struc., Faculty of Civil Eng., Semnan Univ., Semnan. Iran.*: Corresponding Author, Email: hkarami@semnan.ac.ir LG - eng PB - JSTNAR PG - 57 PT - Research YR - 2018