خشکسالی یکی از بلایای طبیعی است که بر خلاف سایر حوادث غیر مترقبه دارای ماهیت تدریجی بوده که باعث بروز خسارات زیادی از جمله آسیب های اقتصادی، اجتماعی، سیاسی، فرهنگی و زیست محیطی می_ شود. کاهش شدید بارندگی و دوره های خشک ناشی از آن تأثیرات منفی بسیاری بر منابع آب می گذارد با توجه به آنی نبودن این پدیده و ماهیت تداومی آن با مدیریتی کارا می توان اثرات آن را کاهش داد، استفاده از سیستم های زودهنگام هشدارخشکسالی1 با شاخص های هیدرولوژیکی مناسب، می تواند در مقابله با خشکسالی و کمبود آب و همچنین پیشگیری از کاهش ذخایر آبی تا حد زیادی مفید واقع شود. در این تحقیق یک سیستم زودهنگام هشدار خشکسالی با استفاده از سطوح آستانه مناسب ارائه می شود .سیستم مورد استفاده پنج مدل اصلی شامل1)محاسبه یک شاخص کمبود آب، 2) پایش خشکسالی با شرایط جاری مخزن و طبقه بندی آن به روش خوشه بندی(kmeans)، 3) اندازه گیری و پایش میزان کمبود آب در آینده همراه با طبقه بندی آن، 4)تعیین سطوح هشدار و 5) ارزیابی دقت و آنالیز ریسک. ابتدا پارامترهای مناسب از میان اطلاعات ماهیانه دبی رودخانه ای و اطلاعات ماهیانه خروجی سد جهت تأمین مصارف شرب وکشاورزی بطور جداگانه بکار رفته و شاخص های بارش استاندارد شده(spi) و دبی استاندارد شده(sdi) با گامهای زمانی میان مدت 3 و 6 ماه جهت پیش بینی خشکسالی انتخاب شد. سپس با استفاده ازمدل شبکه عصبی مناسب به کمبود آب در آینده پیش بینی شد. با استفاده از روش خوشه بندی (kmeans) سطوح احتمالاتی مختلف با حدود آستانه مناسب تعیین و درپنج دسته (بدون خشکسالی، خشکسالی ضعیف، خشکسالی متوسط، خشکسالی شدید و خشکسالی خیلی شدید) طبقه بندی شد. با ارزیابی دقت مدل، سطوح مختلف هشدار خشکسالی از آبی(شرایط نرمال) تا قرمز(شرایط کم آبی شدید) برای تصمیم گیری، محاسبه گردید. با استفاده از آمار تاریخی 38 ساله حوزه کرج، عملکرد سیستم به طورجداگانه برای مصارف شرب و کشاورزی بررسی شد. نتایج حاکی از این بود که استفاده از شاخص های بارش استاندارد شده (spi) و دبی استاندارد_ شده (sdi) و اطلاعات ماهیانه خروجی سد (مصارف شرب وکشاورزی جداگانه)، پارامتر های مناسب تری جهت پیش بینی کمبود آب در آینده بودند. شبیه سازی مصارف شرب با استفاده از شبکه عصبی مصنوعی نسبت به شبیه سازی مصارف کشاورزی، با ضریب r2 برابر 83/0، نتیجه بهتری داشت. در ارزیابی دقت مدل، در مقایسه سطوح هشدار شبیه سازی شده و سطوح هشدار واقعی، دقت کلی برابر با 6/0 و ریسک پذیری مثبت را نشان داد.