امروزه خشکسالی یک معضل جدّی و گریبانگیر دربسیاری از کشور های جهان است؛بنابراین پیش بینیِ آن از اهمیت به سزایی برخوردار می باشد. در این تحقیق، کارایی شبکة عصبی مصنوعی و سیستم استنتاج عصبی - فازیتطبیقی به عنوان روش هایی مؤثر برای پیش بینی شدت خشکسالی حوزة ""مُند"" استان فارس مورد بررسی قرار گرفت. برای این منظور از داده های بارندگی ماهانة ایستگاه باران سنجی تنگاب استان فارس با دورة آماری 32 ساله استفاده گردید. شدت خشکسالی در دورة ماهانه با استفاده از شاخص بارندگی استاندارد شده (SPI) تعیین شد؛ سپس به وسیلة مدل های ANN وANFIS و با استفاده از شاخص SPI پیش بینی شدت خشکسالی انجام گردید. از بین داده های موجود، 70 درصد به عنوان داده های آموزش و مابقی به عنوان داده های اعتبارسنجی و داده های آزمون انتخاب شد؛ سپس از طریق معیار های آماری شامل ضریب همبستگی، میانگین مجذور مربعات خطا و ضریب ناش به کارایی عملکرد مدل ها پرداخته شد. نتایج نشان دادد که دقت روش شبکه های عصبی مصنوعی از روش سیستم استنتاج عصبی - فازیتطبیقی بیشتر می باشد؛ همچنین یافته های حاصل از این بررسی نشان می دهد که هرچه پراکندگی داده های ورودی مدل بیشتر باشد مدل استنتاج عصبی - فازی تطبیقی دارای توانایی بیشتری در شبیه سازی این نوع از داده ها می باشد.
