خشک سالی، به عنوان یک حادثة ناگوار طبیعی، به طور مستقیم جوامع را از طریق تغییرات در دسترسی به منابع آب تحت تأثیر قرار می دهد. برای درجه بندی شدت خشک سالی، شاخص های متعددی وجود دارد که از میان آن ها، شاخص خشک سالی مؤثر (EDI) و شاخص بارش استاندارد (SPI) کاربرد فراوانی دارند. در این پژوهش، برای پیش بینی خشک سالی از داده های بارش دو حوضة واقع در استان های همدان و لرستان برای محاسبة شاخص SPIو شاخص EDI بهره گرفته و برای پیش بینی پدیدة خشک سالی از دو مدل برنامه ریزی ژنتیکی و مدل درختی M5 استفاده شد. بررسی های انجام گرفته نشان داد که این مدل ها توانایی خوبی در پیش بینی پدیدة خشک سالی داشتند و از دقت مناسبی برای مسائل پیش بینی برخوردار هستند. از دیگر مزیت این مدل ها، ارائة فرمول های ساده و صریح برای پیش بینی پدیدة موردنظر است. ضریب تبیین در مدل M5 برای شاخص EDI در بهترین حالت 97/0 و در مدل برنامه ریزی ژنتیکی 95/0به دست آمد. همچنین ضریب تبیین برای شاخص SPI در بهترین حالت در مدل M5، 93/0 و در مدل برنامه ریزی ژنتیکی 83/0 حاصل شد. این مهم نشان دهندة این نکته است که مدل درختی M5 در مقایسه با مدل برنامه ریزی ژنتیکی از دقت بالاتری برخوردار بوده و به دلیل سادگی و قابل فهم بودن نسبت به مدل برنامه ریزی ژنتیکی دارای برتری نسبی است.

درخت مدل خطی محلی یا LOLIMOT که در آن از نوعی مدل فازی عصبی خطی محلی استفاده شده است، الگوریتمی بر اساس استراتژی تقسیم و حل می باشد که در آن حل مساله پیچیده از طریق تقسیم مساله به تعدادی زیر مساله کوچک تر (و از این رو ساده تر) صورت می پذیرد. بنابراین مشخصات این مدل فازی - عصبی (زیرمساله های کوچک تر شده) به مقدار زیادی به ساختار الگوریتم به کار برده شده جهت تقسیم بندی وابسته می باشد. الگوریتم LOLIMOT برای رسیدن به خروجی با خطای کمتر فضای مساله را به تعدادی مدل خطی محلی یا LLM تقسیم می نماید و پس از پیدا کردن بدترین LLM) LLM با خطای بیشتر) با تقسیم آن به دو LLM الگوریتم را ادامه می دهد. در این الگوریتم در هر تکرار از آن بدترین LLM با نرخ تقسیم 1/2 در جهت های متعامد بر فضای ورودی تقسیم می شود. در این مقاله به کمک الگوریتم بهینه سازی حدی به بهینه سازی نرخ تقسیم می پردازیم، نتایج پیاده سازی حاکی از آن است که کارایی نسخه جدید الگوریتم LOLIMOT از نظر شاخص میانگین مربعات خطا بهتر از الگوریتم اولیه است.