آزمون حافظه سیگنال سری زمانی و شبیه سازی فرایند بارش-رواناب با استفاده از مدل های شبکه عصبی و ترکیب موجک-عصبی

در پژوهش حاضر، حافظه بلندمدت و رفتار دینامیکی سیگنال سری زمانی جریان روزانه رودخانه خرم آباد که حوزه آبخیز آن کوهستانی و دارای کاربری شهری است، با استفاده از نمایه هرست بررسی شده است. مقدار نمایه هرست سیگنال رواناب رودخانه خرم آباد در بازه زمانی سال های 1370 تا 1393 برابر با 0.8 به دست آمد. این مقدار نشان از حافظه بلندمدت و دینامیک غیر خطی سیگنال رواناب این رودخانه دارد. در ادامه، با به کارگیری مدل های شبکه عصبی و تبدیلات موجک، سری زمانی بارش-رواناب این رودخانه شبیه سازی شده است. در این راستا، با اتخاذ سری های زمانی بارش و بارش-رواناب به عنوان ورودی در دو الگوریتم شبکه عصبی و ترکیب موجک-عصبی، چهار مدل شامل 1) بارش، عصبی، 2) بارش-رواناب، عصبی، 3) بارش، موجک-عصبی و 4) بارش-رواناب، موجک-عصبی تولید شده است. در مدل های ترکیبی موجک-عصبی، سری زمانی بارش و رواناب به زیرسیگنال های فرکانس بالا و پایین تجزیه شده اند. نتایج حاصل از ارزیابی میزان دقت و کارایی چهار مدل حاکی از آن است که مدل بارش-رواناب، موجک-عصبی با بهترین کارایی در سطح اطمینان 99 درصد، دقت بالایی در شبیه سازی رفتار رواناب دارد. به طوری که مقایسه نتایج مدل موجک-عصبی با مدل عصبی با استفاده از آزمون مرگان-گرنجر-نیوبلد، نشان از برتری معنی دار مدل نخست دارد. همچنین، نتایج ارزیابی سیگنال خطای چهار مدل اجرا شده با استفاده از دو آزمون نسبت وان نیومنو بویشاند نشان داد که یک نقطه جابه جایی معنی دار در سیگنال خطای مدل عصبی و سیگنال بارش-رواناب وجود دارد. بنابراین، وجود نوسان های بسیار متفاوت ماهانه و دوره ای شامل دو دوره 13771370 و 13931378 در رفتار بارش-رواناب منجر به کاهش کارایی و ضریب دقت مدل شبکه عصبی شده است. در صورتی که در مدل ترکیبی موجک-عصبی با اختصاص وزن نسبی به هر زیرسیگنال، تاثیر نوسان های کوتاه مدت، متوسط و بلند مدت در ایجاد خطای مدل سازی به نحو موثری کاهش یافته است.