مطالعه مقایسه ای بین الگوریتم های خوشه بندی سیستم استنتاج فازی-عصبی تطبیقی (anfis) در پیش بینی خشکسالی با شاخص spi (مطالعه موردی: ایستگاه سینوپتیک ارومیه)

خشکسالی یک تهدید جهانی و مشکل منطقه ای است که از راه های گوناگون خسارات زیادی به بار می آورد. خشکسالی باعث خسارات کلان در کشاورزی شده و تاثیرات منفی بسیاری روی اکوسیستم های طبیعی دارد. در این مقاله داده های بارندگی ماهیانه ایستگاه سینوپتیک ارومیه مورد استفاده قرار گرفت و شاخص بارش استاندارد شده که در مقایسه با سایر شاخص ها، مزیت های بیشتری دارد در مقیاس زمانی سه ماهه به عنوان داده های ورودی به شبکه عصبی-فازی استفاده گردید؛ سپس مطالعه مقایسه ای بین الگوریتم های خوشه بندی کاهشی، c میانگین فازی (fcm) و پارتیشن بندی شبکه ای در سیستم استنتاج فازی-عصبی تطبیقی (anfis) به منظور پیش بینی خشکسالی انجام گرفت و نتایج نشان داد روش fcm بهترین عملکرد را در مدل anfis جهت پیش بینی خشکسالی با شاخص spi دارد.