پیش بینی خشکسالی ابزار مناسبی برای مدیران و سیاست گذاران حوزه های مختلف است تا باا در نررگارفتا ایاا پایش بینای ، سیاست های آینده را در جهت بهینه نمودن هزینه ها طار ریازی نماوده و باا اتخااه راهکارهاای پیشاگیرانه خسااراا ناشای از خشکسالی های آتی بر بخش های آسیب پذیر جامعه را به حداقل ممکا برسانند. در ایا مطالعه، از شاخص استانداردشده باار ( SPI ( و رو شبکه عصبی مصنوعی برای شبیه سازی خشکسالی هاا بهاره گرفتاه شاد . همچنایا، از آماار بارنادگی ایساتگاه تبخیرسااااانشی ترشاااااکلی واقاااااع در شهرساااااتان گنبااااادکاووس اساااااتان گلساااااتان طااااای ساااااا هاااااای 1334-78 استفاده گردید. بر اساس معیارهای ضاریب همبساتگی ) r (، کمتاریا میاانگیا مربعااا خطاا ) MSE ( و میاانگیا خطای مطلق ) MAE ( مشخص گردید، شبکه عصبی با 8 نرون در لایه ورودی، 27 نرون با تابع فعالیت تانژانت هایپربولیا در لایه پنهان، ی نرون در لایه خروجی با تابع فعالیت خطی و همچنیا، قانون یادگیری مومنتم در مقایسه باا ساایر شابکه هاای عصبی اجراشده، ارتباط بیا اطلاعاا ورودی و خروجی را با دقت بالایی شبیه سازی نموده و از عملکرد بهتری در توصیف رفتار 1377 ماورد - تصادفی پدیده خشکسالی ایستگاه ترشکلی برخوردار است. شبکه منتخب برای پیش بینی خشکسالی در دوره 33 استفاده قرار گرفت؛ به گونه ای که مقادیر پیش بینی شده، وقوع خشکسالی های ملایام در ایاا دوره را نشاان دادناد . در مشماوع، نتایج شبیه سازی الگوهای شبکه عصبی مصنوعی نشان می دهند، ایا رو از دقت بالایی در دوره های اولیه پیش بینی برخوردار است.

کلمات کلیدی