@article { author = {Sadeghian, Maryam and Karami, Hojat and Mousavi, Seyed Farhad}, title = {Evaluating the Performance of Time-Series, Neural Network and Neuro-Fuzzy Models in Prediction of Meteorological Drought (Case study: Semnan Synoptic Station)}, journal = {Irrigation Sciences and Engineering}, volume = {43}, number = {2}, pages = {1-18}, year = {2020}, publisher = {Shahid Chamran University of Ahvaz}, issn = {2588-5952}, eissn = {2588-5960}, doi = {10.22055/jise.2017.17729.1283}, abstract = {Introduction Drought phenomenon is one of the natural and creeping disasters, which occurs in almost every climate and its properties vary spatially. A considerable number of scientific research has been done on drought in Iran and throughout the world. These studies have examined various aspects of drought. Through such research and knowledge effective and efficient solutions could be found to deal with good management of drought. Since Iran is located in an arid region of the world, nowhere in the country is immune from this phenomenon. This research has attempted to present appropriate models to predict drought for the city of Semnan, Iran.}, keywords = {Prediction of drought,Time-series model,Artificial Neural Network (ANN),Adaptive neuro-fuzzy inference system (ANFIS),Semnan city}, title_fa = {ارزیابی عملکرد مدل‌های سری‌ زمانی، شبکه عصبی و سیستم استنتاج عصبی- فازی در پیش‌بینی خشکسالی هواشناسی (مطالعه موردی: ایستگاه سینوپتیک سمنان)}, abstract_fa = {خشک ­سالی به­ عنوان یک بلای طبیعی نا محسوس تقریباً 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 دربخش­های جنوبی، شرقی و مرکزی ایران و در نتیجه آسیب­پذیریبیشتر آن­ ها نسبت به پدیده خشک سالی، هدف اصلی این تحقیق یافتن مناسب ­ترین روش برای پیش­ بینی خشک­سالی شهر سمنان می­باشد. 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 خشک­سالی شهر سمنان ارائه 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 خشک­سالی SPI طی دوره آماری 1966 تا 2013 استفاده شده است. بر­اساس 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.}, keywords_fa = {Prediction of drought,Time-series model,Artificial Neural Network (ANN),Adaptive neuro-fuzzy inference system (ANFIS),Semnan city}, url = {https://jise.scu.ac.ir/article_15887.html}, eprint = {https://jise.scu.ac.ir/article_15887_13962930b184d8584d81df4bba951a9b.pdf} }