مدلسازی بارش-رواناب با استفاده از نظریه آشوب (مطالعه موردی:حوضه قره سو در کرمانشاه)

در تحقیق حاضر ابتدا آشوب پذیری سری های زمانی بارش، رواناب و دبی در دو ایستگاه پل کهنه و قورباغستان واقع بر رودخانه قره سو در کرمانشاه در سه مقیاس روزانه، هفتگی و ماهانه بررسی شد. سپس توانایی روش های پیش بینی موضعی و شبکه عصبی مصنوعی در مدل سازی این سری ها مورد ارزیابی قرار گرفت. نتایج نشان دادند که بر اساس دو روش توان لیاپانف و بعد همبستگی، سری زمانی بارش در مقیاس روزانه آشوبناک نبوده و رفتاری کاملا تصادفی دارد در حالیکه در دو مقیاس هفتگی و ماهانه دارای رفتار آشوبناک است. مقدار بعد محاط این سری زمانی در مقیاس های مختلف بین 4 تا 10 و زمان تأخیر بین 3 تا 4 به دست آمده است، همچنین بعد همبستگی بین 4 تا 7 می باشد و سری زمانی رواناب در تمامی مقیاس ها به جز مقیاس هفتگی در ایستگاه پل کهنه، آشوبناک بوده و مقدار بعد محاط این سری زمانی در مقیاس های مختلف بین 3 تا 67 و زمان تأخیر بین 3 تا 11 به دست آمده است، همچنین بعد همبستگی بین 1 تا 5 می باشد. سری زمانی دبی نیز رفتاری آشوبناک داشته و مقدار بعد محاط این سری زمانی در مقیاس های مختلف بین 4 تا 39 و زمان تأخیر بین 3 تا 79 به دست آمده است، همچنین بعد همبستگی بین 1 تا 6 می باشد و قابلیت پیش بینی بیشتری نسبت به سری های زمانی بارش و رواناب دارد بطوریکه نتایج پیش بینی این سری زمانی با استفاده از دو روش موضعی و شبکه عصبی مصنوعی این قابلیت را تایید نموده و بهترین ضریب همبستگی (r) و جذر میانگین مربعات خطا (rmse) بین داده های مدل سازی شده و داده های واقعی در سری زمانی دبی روزانه به دست آمده که مقادیر آن با روش موضعی به ترتیب 992/0 و 01/2 و با روش شبکه عصبی 980/0 و 48/1 می باشد. بهترین نتایج ضریب همبستگی در سری زمانی بارش توسط دو روش موضعی و شبکه عصبی مصنوعی در مقیاس ماهانه به دست آمده که به ترتیب برابر 676/0 و 700/0 و در سری زمانی رواناب با روش موضعی در مقیاس هفتگی برابر 801/0 و روش شبکه عصبی در مقیاس روزانه برابر 930/0بهترین نتایج حاصل از پیش بینی می باشند. در نهایت بررسی نتایج، قابلیت بالای روش پیش بینی موضعی را در تخمین سری های زمانی هیدرولوژیکی آشوبناک، نشان داد.