در مطالعه حاضر خشکسالی حوضه آبریز سیمنه‌رود به وسیله مدلهای هوشمند ماشین بردار پشتیبان (SVM)، شبکه عصبی مصنوعی (ANN) و تئوری موجک (W) مورد بررسی قرار گرفت. از دادههای شش ایستگاه باران‌سنجی در منطقه استفاده و شاخص خشکسالی در چهار مقیاس زمانی محاسبه گردید. همچنین خود همبستگی مرتبه اول به عنوان تاخیر بهینه انتخاب شد. سپس ساختار مناسب شبکه عصبی مصنوعی با استفاده از روش آزمون و خطا تعیین و ضرایب سه‌گانه مدل SVM نیز مشخص و مدلسازی انجام شد. نتایج ارزیابی مدلهای منفرد نشان داد که تفاوت معنی داری بین دو روش در پیش‌بینی خشکسالیها وجود ندارد. در ادامه مدلهای هیبریدی WANN و WSVMتهیه شدند. نتایج نشان داد کاربست تئوری موجک عملکرد مدلهای منفرد را بسیار بهبود داده و مقدار شاخصهای RMSE و MAE به ترتیب 19٪ و 21٪ کاهش و ضریب همبستگی 30٪ افزایش داشته و مدل W(L2)SVM برای پیشبینی خشکسالی‌های حوضه آبریز سیمینه‌رود پیشنهاد گردید. Manuscript profile

تبخیر و تعرق از مهمترین اجزای چرخه هیدرولوژی بوده و برآورد دقیق آن در مطالعات زیادی مانند بیلان آب، مدیریت منابع آب و برنامه‎ریزی آبیاری کاربرد دارد. استفاده از مدل‎های هوشمند می‎تواند ابزارهای مناسبی برای تخمین متغیرهای غیرخطی همچون تبخیر و تعرق باشد. مطالعه حاضر از روش‎های برنامه‎ریزی بیان ژن GEP و سیستم استنتاج عصبی فازی- تطبیقی ANFIS برای پیش بینی تبخیر و تعرق مرجع ماهانه استفاده گردید. بدین منظور دو حالت مختلف مدل‎سازی توسعه داده شد. حالت اول الگوهای اقلیم پایه و حالت دوم نقش حافظه در پیش‎بینی تبخیر و تعرق مرجع ماهانه، از روش آنتروپی شانون برای انتخاب بهینه‎ترین ورودی‎ها استفاده شد. مطابق نتایج مدل GEP در الگوی CBM8با مقادیر 91/0KGE=، 87/0WI= و 495/0 RMSE=بهترین عملکرد را در پیش‎بینی تبخیر و تعرق مرجع ماهانه ایستگاه سینوپتیک داشت. نتایج حاصل از اجرای مدل‎ها با الگوهای تاخیر پایه نیز روش آنتوپی شانون توانست تاخیر بهینه را به درستی شناسایی نماید. Manuscript profile