آزمون حافظه سيگنال سري زماني و شبيه‌سازي فرايند بارش - رواناب با استفاده از مدل‌هاي شبكه عصبي و تركيب موجك - عصبي

Assessing memory signal of time-series and simulation of rainfall-runoff process, using neural networks and wavelet-neural hybrid models

‌در پژوهش حاضر، حافظه بلندمدت و رفتار ديناميكي سيگنال سري زماني جريان روزانه رودخانه خرم‌آباد كه حوزه آبخيز آن كوهستاني و داراي كاربري شهري است، با استفاده از نمايه هرست بررسي شده است. مقدار نمايه هرست سيگنال رواناب رودخانه خرم‌آباد در بازه زماني سال‌هاي 1370 تا 1393 برابر با 0.8 به‌دست آمد. اين مقدار نشان از حافظه بلندمدت و ديناميك غير خطي سيگنال رواناب اين رودخانه دارد. در ادامه، با به‌كارگيري مدل‌هاي شبكه عصبي و تبديلات موجك، سري زماني بارش-رواناب اين رودخانه شبيه‌سازي شده است. در اين راستا، با اتخاذ سري‌هاي زماني بارش و بارش-رواناب به‌عنوان ورودي در دو الگوريتم شبكه عصبي و تركيب موجك-عصبي، چهار مدل شامل 1) بارش، عصبي، 2) بارش-رواناب، عصبي، 3) بارش، موجك-عصبي و 4) بارش-رواناب، موجك-عصبي توليد شده است. در مدل‌هاي تركيبي موجك-عصبي، سري زماني بارش و رواناب به زيرسيگنال‌هاي فركانس بالا و پايين تجزيه شده­‌اند. نتايج حاصل از ارزيابي ميزان دقت و كارايي چهار مدل حاكي از آن است كه مدل بارش-رواناب، موجك-عصبي با بهترين كارايي در سطح اطمينان 99 درصد، دقت بالايي در شبيه‌سازي رفتار رواناب دارد. به‌طوري كه مقايسه نتايج مدل موجك-عصبي با مدل عصبي با استفاده از آزمون مرگان-گرنجر-نيوبلد، نشان از برتري معني‌دار مدل نخست دارد. همچنين، نتايج ارزيابي سيگنال خطاي چهار مدل اجرا شده با استفاده از دو آزمون نسبت وان‌نيومنو بويشاند نشان داد كه يك نقطه جابه­جايي معني‌دار در سيگنال خطاي مدل عصبي و سيگنال بارش-رواناب وجود دارد. بنابراين، وجود نوسان‌هاي بسيار متفاوت ماهانه و دوره‌اي شامل دو دوره 1377ـ1370 و 1393ـ1378 در رفتار بارش-رواناب منجر به كاهش كارايي و ضريب دقت مدل شبكه عصبي شده است. در صورتي‌كه در مدل تركيبي موجك-عصبي با اختصاص وزن نسبي به هر زيرسيگنال، تأثير نوسان‌هاي كوتاه‌ مدت، متوسط و بلند مدت در ايجاد خطاي مدل‌سازي به‌نحو مؤثري كاهش يافته است.

In this study, long-term memory and dynamic behavior of daily flow time-series 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 1991-2014 period was obtained as 0.8. This value shows long-term memory and nonlinear, dynamic signal of this river’s runoff. By applying neural network and wavelet transforms, the rainfall-runoff time-series of this river was simulated. In this respect, by taking the time-series of rainfall and rainfall-runoff as input to the artificial neural network and wavelet-neural network hybrid, four models including: 1) rainfall, neural network, 2) rainfall-runoff, neural network, 3) rainfall, wavelet-neural network and 4) rainfall-runoff, wavelet-neural network were developed. In the hybrid models of wavelet-neural network, time-series of rainfall and runoff were decomposed to high-frequency and low-frequency sub-signals. 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 Morgan-Granger-Newbold, showed significant superiority of the first model. Also, results of evaluating signal error of the four implemented models, using two tests of Von-Neumann and Buishand test, showed that there is a significant substitution point in the signal error of the neural network model and signal of rainfall-runoff model. Therefore, existence of very different monthly and periodical fluctuations in 1991-1998 and 1999-2014 in the behavior of rainfall-runoff leads to reduction of efficiency and precision coefficient of neural network model. While, in the hybrid model of wavelet-neural network, allocation of relative weight to each sub-signal, has effectively reduced the short-term, average and long-term fluctuations in modeling error.