زهره مریانجی

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 1979تا 1939برابر با 9/1بهدست 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 بارش-رواناب این رودخانه شبیهسازی شده است. در این راستا، با اتخاذ سریهای زمانی بارش و بارش-رواناب بهعنوان ورودی در دو الگوریتم شبکه عصبی و ترکیب موجک-عصبی، چهار مدل شامل )1بارش، عصبی، )2بارش-رواناب، عصبی، )9بارش، موجک-عصبی و )4بارش-رواناب، موجک-عصبی تولید شده است. در مدلهای ترکیبی موجک-عصبی، سری زمانی بارش و رواناب به زیرسیگنالهای فرکانس بالا و پایین تجزیه شدهاند. 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 33درصد، دقت بالایی در شبیهسازی رفتار رواناب دارد. بهطوری که مقایسه نتایج مدل موجک-عصبی با مدل عصبی با استفاده از آزمون مرگان-گرنجر-نیوبلد، نشان از برتری معنیدار مدل نخست دارد. همچنین، نتایج ارزیابی سیگنال خطای چهار مدل اجرا شده با استفاده از دو آزمون نسبت واننیومن و بویشاند نشان داد که یک نقطه جابهجایی معنیدار در سیگنال خطای مدل عصبی و سیگنال بارش-رواناب وجود دارد. بنابراین، وجود نوسانهای بسیار متفاوت ماهانه و دورهای شامل دو دوره 1977ـ 1979و 1939ـ 1971در رفتار بارش-رواناب 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، تأثیر نوسانهای کوتاه مدت، متوسط و بلند مدت در ایجاد خطای مدلسازی بهنحو مؤثری کاهش یافته است