Journal of Water and Soil Science

fa انتخاب مدل مناسب برای پیش‌بینی خشکسالی شهر سمنان در مقیاس زمانی کوتاه مدت ماهانه با استفاده از آمار هواشناسی و مدل‌های خطی و غیرخطی Selection of a Proper Model to Predict Monthly Drought in Semnan Using Weather Data and Linear and Nonlinear Models عمومی Ggeneral پژوهشي Research <div style="text-align: justify;">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 مناسب&lrm;تری 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 مناسب&lrm;تر و پارامتر بارش عملکرد ضعیف‌تری را داشتند.</div> <div style="text-align: justify;">Nowadays, greater recognition of drought and introducing its monitoring systems, particularly for the short-term periods, and adding predictability to these systems, could lead to presentation of more effective strategies for the management of water resources allocation. In this research, it is tried to present appropriate models to predict drought in city of Semnan, Iran, using time series, adaptive neuro-fuzzy inference system (ANFIS) and artificial neural networks (MLP and RBF). For these modeling processes, average monthly meteorological parameters of rainfall, temperature, minimum temperature, maximum temperature, relative humidity, minimum relative humidity, maximum relative humidity and SPI drought index were used during the period 1966 to 2013. The results showed that among the many developed models, the ANFIS model, with input data of average rainfall, maximum temperature, SPI and its last-month value, 10 rules and Gaussian membership function, showed appropriate performance at each stage of training and testing. The values of RMSE, MAE and R at training stage were 0.777, 0.593 and 0.4, respectively, and at testing stage were 0.837, 0.644 and 0.362, respectively. Then, the input parameters of this model were predicted for the next 12 months using ARIMA model, and SPI values were predicted for the next 12 months. The ANN and time series methods with low difference in error values were ranked next, respectively. The input parameters SPI and temperature had better performance and rainfall parameter had weaker performance.</div> پیش‌بینی خشکسالی, سری زمانی, شبکه عصبی مصنوعی, سیستم استنتاج فازی- عصبی تطبیقی Adaptive neuro-fuzzy inference system, Artificial neural network, Prediction of drought, Time-series. 57 70 http://jstnar.iut.ac.ir/browse.php?a_code=A-10-3412-1&slc_lang=fa&sid=1 M. Sadeghian مریم صادقیان miss_sadeghian@yahoo.com No 1. Dept. of Water Eng. and Hydraulic Struc., Faculty of Civil Eng., Semnan Univ., Semnan. Iran.*: Corresponding Author, Email: hkarami@semnan.ac.ir 1. گروه مهندسی آب و سازه‌های هیدرولیکی، دانشکده مهندسی عمران، دانشگاه سمنان H. Karami حجت کرمی hkarami@semnan.ac.ir Yes 1. Dept. of Water Eng. and Hydraulic Struc., Faculty of Civil Eng., Semnan Univ., Semnan. Iran.*: Corresponding Author, Email: hkarami@semnan.ac.ir 1. گروه مهندسی آب و سازه‌های هیدرولیکی، دانشکده مهندسی عمران، دانشگاه سمنان S. F. Mousavi سیدفرهاد موسوی Mousavi_sf@yahoo.com No 1. Dept. of Water Eng. and Hydraulic Struc., Faculty of Civil Eng., Semnan Univ., Semnan. Iran.*: Corresponding Author, Email: hkarami@semnan.ac.ir 1. گروه مهندسی آب و سازه‌های هیدرولیکی، دانشکده مهندسی عمران، دانشگاه سمنان