هفت درصد از کل زمین ها و پنج درصد از زمین های کشاورزی تحت تاثیر شوری هستند. اثرات مضر شوری به علت غلظت سمی یون های na+ و cl- ، به هم خوردن تعادل عناصر غذایی و تنش اسمزی بوده و قابلیت تولید و بازده را متاثر می کند. در این تحقیق بذر salsola arbuscula در محیط های w.a (حاوی: 0 , 100 , 200 , 250 , 300 mm nacl) و m.s (حاوی:0 , 100 , 200 , 250 , 275 , 300 mm nacl)، در شرایط در شیشه کشت و به ترتیب گیاهان 10 و 60 روزه به منظور بررسی فاکتورهای رشد، محتوای آب، رنگیزه های فتوسنتزی و غیر فتوسنتزی، سدیم و پتاسیم، پروتئین محلول کل گیاه، پرولین و کربوهیدرات محلول کل برداشت شدند. نتایج نشان داد با افزایش غلظت nacl درصد جوانه زنی و میزان رنگیزه های فتوسنتزی و غیر فتوسنتزی کاهش یافت. کاهش درصد جوانه زنی به دلیل پتانسیل اسمزی بالای محیط است. میزان رشد در غلظت های بالای شوری کاهش یافت. نیاز به رژیم تغذیه ای منجر به افزایش رشد در غلظت های پایین شوری شد. محتوای آب، تجمع یون سدیم، میزان پروتئین محلول در ریشه و تجمع پرولین و کربوهیدرات افزایش یافت. تجمع یون پتاسیم در غلظت های اولیه شوری کاهش و سپس افزایش یافت که در مقاومت موثر است. میزان پروتئین محلول در بخش هوایی نیز کم شد. تجمع و حجره بندی یون ها عمدتاً در ناحیه ریشه انجام گرفت. salsola arbuscula گیاهی هالوفیت است که با حجره بندی سدیم، حفظ جذب پتاسیم و سنتز اسمولیت ها (پرولین غالباً در بخش هوایی و پروتئین و کربوهیدرات های محلول بیشتر در ریشه) در تنش شوری مقاومت می کند.

خشکسالی ویژگی طبیعی و بازگشت پذیر اقلیم است که در اثر کمبود بارندگی در یک دوره زمانی طولانی صورت می گیرد و در اکثر اقلیم ها رخ می دهد. به علت پیچیدگی دینامیک پدیده های جوی، معادلات رگرسیونی بدرستی قادر به پیش بینی این پدیده ها نمی باشند. در دهه های اخیر شبکه های عصبی توانایی زیادی در مدل کردن پیش بینی سری های زمانی غیر خطی از خود نشان دادند. در این پژوهش سعی شده ابتدا ارتباط میان نمایه های بزرگ مقیاس جوی (نمایه های نوسانات جنوبی(soi) و اطلس شمالی nao) با مقادیر بارندگی و دمای ایستگاه سینوپتیک مشهد مورد بررسی قرار گیرد و سپس مقادیر نمایه های spi و pdsi به کمک شبکه های عصبی مصنوعی برای ماه های آتی پیش بینی شوند. بدین منظور از داده های ماهانه spi، بارندگی، دما، nao و soi در طول سال های 1951-2007 استفاده شد و عملکرد شبکه های عصبی پرسپترون سه لایه و پیش خور عمومی با الگوریتم های مومنتوم و گرادیان نزولی برای پیش بینی این نمایه ها مورد ارزیابی قرارگرفت. نتایج حاکی از آن بود که وقوع النینو نشان دهنده افزایش بارندگی در فصل زمستان و کاهش بارندگی در دیگر فصول و وقوع فاز سرد انسو (لانینا) موجب کاهش بارندگی در این ایستگاه می شود. سری زمانی نمایه spi هجده ماهه با ضریب 778/0= r2 و 042/0=rmse و سری زمانی شاخص pdsi با ضریب 763/0= r2 و 035/0=rmse قادر به پیش بینی برای یک ماه آینده می باشند.