آزمون حافظه سیگنال سری زمانی و شبیه‌سازی فرایند بارشرواناب با استفاده از مدل‌های شبکه عصبی و ترکیب موجک-عصبی

‌در پژوهش حاضر، حافظه بلندمدت و رفتار دینامیکی سیگنال سری زمانی جریان روزانه رودخانه خرم‌آباد که حوزه آبخیز آن کوهستانی و دارای کاربری شهری است، با استفاده از نمایه هرست بررسی شده است. مقدار نمایه هرست سیگنال رواناب رودخانه خرم‌آباد در بازه زمانی سال‌های 1370 تا 1393 برابر با 0.8 به‌دست آمد. این مقدار نشان از حافظه بلندمدت و دینامیک غیر خطی سیگنال رواناب این رودخانه دارد. در ادامه، با به‌کارگیری مدل‌های شبکه عصبی و تبدیلات موجک، سری زمانی بارشرواناب این رودخانه شبیه‌سازی شده است. در این راستا، با اتخاذ سری‌های زمانی بارش و بارشرواناب به‌عنوان ورودی در دو الگوریتم شبکه عصبی و ترکیب موجکعصبی، چهار مدل شامل 1) بارش، عصبی، 2) بارشرواناب، عصبی، 3) بارش، موجکعصبی و 4) بارشرواناب، موجکعصبی تولید شده است. در مدل‌های ترکیبی موجکعصبی، سری زمانی بارش و رواناب به زیرسیگنال‌های فرکانس بالا و پایین تجزیه شده ‌اند. نتایج حاصل از ارزیابی میزان دقت و کارایی چهار مدل حاکی از آن است که مدل بارشرواناب، موجک-عصبی با بهترین کارایی در سطح اطمینان 99 درصد، دقت بالایی در شبیه‌سازی رفتار رواناب دارد. به‌طوری که مقایسه نتایج مدل موجکعصبی با مدل عصبی با استفاده از آزمون مرگانگرنجرنیوبلد، نشان از برتری معنی‌دار مدل نخست دارد. همچنین، نتایج ارزیابی سیگنال خطای چهار مدل اجرا شده با استفاده از دو آزمون نسبت وان‌نیومنو بویشاند نشان داد که یک نقطه جابه جایی معنی‌دار در سیگنال خطای مدل عصبی و سیگنال بارشرواناب وجود دارد. بنابراین، وجود نوسان‌های بسیار متفاوت ماهانه و دوره‌ای شامل دو دوره 13771370 و 13931378 در رفتار بارشرواناب منجر به کاهش کارایی و ضریب دقت مدل شبکه عصبی شده است. در صورتی‌که در مدل ترکیبی موجک-عصبی با اختصاص وزن نسبی به هر زیرسیگنال، تاثیر نوسان‌های کوتاه‌ مدت، متوسط و بلند مدت در ایجاد خطای مدل‌سازی به‌نحو موثری کاهش یافته است.

Assessing memory signal of timeseries and simulation of rainfallrunoff process, using neural networks and waveletneural hybrid models

In this study, longterm memory and dynamic behavior of daily flow timeseries of Khorramabad River, which its basin is mountainous and has urban land use, is investigated by Hurst exponent. The Hurst exponent of runoff signal of Khorramabad River during 19912014 period was obtained as 0.8. This value shows longterm memory and nonlinear, dynamic signal of this river’s runoff. By applying neural network and wavelet transforms, the rainfallrunoff timeseries of this river was simulated. In this respect, by taking the timeseries of rainfall and rainfallrunoff as input to the artificial neural network and waveletneural network hybrid, four models including: 1) rainfall, neural network, 2) rainfallrunoff, neural network, 3) rainfall, waveletneural network and 4) rainfallrunoff, waveletneural network were developed. In the hybrid models of waveletneural network, timeseries of rainfall and runoff were decomposed to highfrequency and lowfrequency subsignals. Results of evaluating the accuracy and efficiency of the four models showed that the wavelet–neural network model correctly simulated the runoff behavior with the best efficiency at 99% confidence level. Comparison of the results of wavelet–neural network model to the neural network model, using MorganGrangerNewbold, showed significant superiority of the first model. Also, results of evaluating signal error of the four implemented models, using two tests of VonNeumann and Buishand test, showed that there is a significant substitution point in the signal error of the neural network model and signal of rainfallrunoff model. Therefore, existence of very different monthly and periodical fluctuations in 19911998 and 19992014 in the behavior of rainfallrunoff leads to reduction of efficiency and precision coefficient of neural network model. While, in the hybrid model of waveletneural network, allocation of relative weight to each subsignal, has effectively reduced the shortterm, average and longterm fluctuations in modeling error.