کاربرد رگرسیون مارس در برآورد بارمعلق مطالعه موردی: حوضه های آبریز خراسان رضوی

نوع مقاله: یادداشت فنی (5 صفحه)

نویسندگان

1 کارشناس ارشد /هیدرولوژی، دانشگاه آزاد اسلامی، واحد مشهد، ایران.

2 کارشناس ارشد/ آمار، دانشگاه صنعتی شاهرود، شاهرود، ایران

چکیده

رسوب (بارمعلق وکف) مواد جامدی است که توسط آب‌رودخانه جابه‌جا می‌شود. روش مرسوم تخمین بارمعلق، استفاده از نمونه دبی– رسوب و برازش الگوهای نمائی، توانی، شبکه عصبی یا تنظیم جدول توزیع فراوانی است. این الگوها در برون‌یابی دبی‌های سیلابی خوب عمل نکرده و برآوردهای غیر‌واقعی می‌دهند. زیرا توان حمل بارمعلق توسط آب‌رودخانه کراندار است (خاصیت فیزیکی). الگوی رگرسیونی کمانک تطبیقی چند متغیره (مارس) برای حل این مشکل در این مقاله پیشنهاد می‌شود. مارس یک الگوی تکه‌ای‌خطی کمانکی است که در برون‌یابی عملکرد بهتری دارد. الگوهای مارس، نمایی و توانی در این مقاله بر آمار دبی- رسوب 23 ایستگاه استان خراسان رضوی برازش داده شد. نتایج در دوحالت درون‌یابی و برون‌یابی و با معیارهای آماری و فیزیکی مقایسه شدند. معیارهای آماری الگو شامل: ضریب‌تعیین پیراسته (R2adj)، مجموع‌ مربعات ‌خطا (SSE)، اعتبارمتقابل تعمیم‌یافته (GCV)، آسیب‌شناسی خطاها و معیار فیزیکی شامل: منطقی بودن برآورد رسوب در دوحالت درون‌یابی و برون‌یابی است. نتایج بررسی‌ها  نشان از برتری الگوی مارس (به ویژه در برون‌یابی) نسبت به دو الگوی دیگر دارد. 

کلیدواژه‌ها


عنوان مقاله [English]

Applications of MARS Regression for Estimating Bed Loads Case study: Basins of Khorasan Razavi Province, Iran

نویسندگان [English]

  • H Rezaee -Pazhand 1
  • M Janfada 2
1 M.Sc. in Hydrology, Azad Islamic University, Mashhad, Iran
2 M.Sc. in Statistics, Shahrood University of Technology, Shahrood, Iran.
چکیده [English]

The conventional methods for estimating the suspended load in rivers are using the sample of debit-sediment and fit them into exponential patterns, power model, neural networks, or frequency distribution table. In high flood flows these models cannot be extrapolated and their estimations are unrealistic. This is due to the bounded water power to carry suspended load (physical properties). Multivariate Adaptive Regression Spline (MARS) model are proposed in this paper to pass this limitation. MARS is a piecewise linear spline model that has better performance in extrapolations. The MARS exponential and power models were fitted on debit-sediment data of 23 stations khorasan razavi province in this article. The results were compared in two modes of interpolation and extrapolation and base on statistical and physical criteria. Statistical criteria models included the R2adj, sum of squares error (SSE), generalized cross validation (GCV), and diagnostic residual. The physical criteria included realistic estimation of the sediment in two modes of interpolation and extrapolation. The results showed the superiority of MARS model to other practices.
 

کلیدواژه‌ها [English]

  • MARS model
  • Power model
  • Exponential model
  • Extrapolation
  • Statistical criteria
  • Physical criteria

آرشیو سازمان مدیریت منابع آب وزارت نیرو، 1389.

آرشیو شرکت آب منطقه­ای خراسان رضوی، 1389.

آوریده  ف،  بنی حبیب م ا، و طاهرشمسی ا (1380) کاربرد شبکه‌های عصبی مصنوعی جهت تخمین دبی رسوب رودخانه‌ها. سومین کنفرانس هیدرولیک، دانشگاه تهران: 269-275 .

تلوری ع، بیرودیان ن، منوچهری ا (1386) مدلسازی تغییرات زمانی رسوب مطالعه موردی حوزه آبریز گاران در کردستان. فصلنامه پژوهش و سازندگی در منابع طبیعی، شماره 75 : 64-70 .

فتاحی م، طوسی س، ضیاء تبار احمدی م (1385) تخمین میزان رسوب رودخانه نکا به روش شبکه عصبی مصنوعی. هفتمین سمینار بین‌المللی مهندسی رودخانه، اهواز، دانشگاه شهید چمران، 253-261.

Barnet V, Lewis T (1994) Outliers in statistical data. John Wiley & Sons.

Freedman D A (2009) Statistical models: Theory and practice, Cambridge University Press:256p.

Friedman JH (1991) Multivariate adaptive regression splines, J. Annals of Statistics, 19: 1–141.

Hastie T, Tibshirani R, Freidman J (2009) The element of statistical learning data mining, inference, and prediction. Second Edition. Springer Series in Statistics: 736.

Ryan SE, Porth L, Troendle CA (2002) Defining phase of bedlood transport using piecewise regression. Earth Surf. Process, Landforms, 27: 971-999.

Sarangi A, Bhatta Charya AK (2005) Comparison of artificial neural network and regression models for sediment loss predication from Banha watershed in India. J. Agricultural Water Management. 78:195-208.

Sheather S J (2009) A modern approach to regression with R, Springer Texts in Statistics: 214.

Weisberg S (2005) Applied linear regression, John Wiley & Sons.