کاربرد الگوی کمانک تطبیقی چندمتغیره در الگوبندی و تبیین درازمدت شوری و باقی‌مانده خشک آب رودخانه مطالعه موردی: حوضه‌های‌ آبریز استان خراسان جنوبی

نوع مقاله: مقاله پژوهشی

نویسندگان

1 فوق لیسانس آمار

2 فوق لیسانس هیدرولوؤی، مدرس دانشگاه آزاد مشهد

چکیده

شوری (Ec) و باقی­مانده خشک (TDS) از عوامل کیفی آب‌های شرب، کشاورزی و صنعت محسوب می‌شوند. ابتدا رابطه بین دبی- شوری و دبی- TDS (توابع سنجه) نمونه­های برداشت شده با برازش الگوهای رگرسیونی نمایی، توانی و شبکه عصبی انجام می­شود. سپس تحلیل دراز مدت Ec  و TDSآب رودخانه (مقیاس روز، ماه و سال) با الگوی انتخابی صورت می­گیرد. نمونه­های برداشتی اغلب از جریان عادی و سیلاب­های کوچک است. سیلاب­های بزرگ و کم آبی­های شدید رودخانه اثرات مهمی در تحلیل و تبیین نوسانات Ec و TDS دارند. لذا نیاز به تخمین Ec و TDSاین سیلاب­ها و کم آبی­هاست (برون­یابی). الگوهای رایج در برون­یابی به دلیل کران دار بودن شوری و باقیمانده خشک خوب عمل نمی­کنند. هدف مقاله حاضر به­کارگیری الگوی جدید کمانک تطبیقی چند ­متغیره[1] (MARS) برای حل این مشکل است. حوضه­های آبریز خراسان جنوبی نیز برای مطالعه موردی انتخاب شد. MARS یک الگوی رگرسیون تکه‌ای خطی  (یا غیرخطی) کمانکی است که در برون­یابی و رعایت کران­ها عملکرد بهتری دارد. سه الگوی نمایی، توانی و MARS (با نردبان تبدیل) بر آمار دبی- Ec و دبی- TDS ایستگاه‌های استان خراسان جنوبی برازش داده شد. دو دیدگاه آماری و فیزیکی این الگوها معیار انتخاب الگوی برتر است که MARSبرتری خود را در این دو حالت نشان داد. نتایج الگوهای برازشی در دو حالت درون­یابی و برون‌یابی با هم مقایسه شد. برون­یابی الگوی MARSاعداد معقول و برون­یابی سایر الگوها اعدا بسیار بزرگ (حتی بی­نهایت) ارائه می­کنند. تحلیل­ها نشان داد که الگوی MARS با نردبان تبدیل می­تواند جایگزین خوبی برای الگو بندی منحنی سنجه Ecو TDS باشد.



 

کلیدواژه‌ها


عنوان مقاله [English]

Applications of Multivariate Adaptive Regression Spline (MARS) for Modeling and Explaining Long Term Salinity and Total Dissolve Solid (TDS) river water Case study: Basins of khorasan jonobi

نویسندگان [English]

  • majid janfeda 1
  • Hojat Rezai Pazhand 2
چکیده [English]

Salinity (Ec) and Total Dissolve Solid (TDS) are considered as quality factor s of drinking water, agriculture and industry. First relation between Debite-Ec and Debite-TDS (rating function) of taken samples doing with the fitted regression models, exponential, power and the neural network. The long-term analysis of Ec and TDS of water river (day, month and annual scales) did with the selected model.  Almost analytical samples taken from  normal flow and small flood. River floods and low floods have important effects in analyzing and explaining the volatility Ec and TDS. Therefore it is need to estimate Ec and TDS of these flood and low flood (extrapolation). Through Ec and TDS are bounded, so current models can not be well in Extrapolation.  Propose of this paper is implementation a new model multivariate adaptive regression spline (MARS) to solve this problem. Also South Khorasan province basins were selected for case study. MARS is a piecewise linear regression model (or nonlinear) that better perform in extrapolation and observe in bound. Three models exponential, power, and MARS (with transform) were fitted on the statistics of Debit-Ec and Debit-TDS stations in South Khorasan  province. Two views of the physical and statistical model are superior selection criteria that MARS show superiority in these models. The results of  models fitting were compared with two modes of interpolation and extrapolation. The MARS model extrapolation represented the reasonable values, while extrapolation of other models represented very big values (infinite). Analysis showed that  the MARS model with transform can be suitable replacement for rating curve modeling of Ec and TDS

کلیدواژه‌ها [English]

  • water salinity
  • MARS Regression
  • Exponential
  • Power
  • khorasan jonobi basins
  1.  اسدالله فردی، غلامرضا، قنبری، علی، کنعانی، شهیر، 1387. پیش بینی شوری با استفاده از شبکه های عصبی مصنوعی مطالعه موردی: حوضه آبریز رودخانه آجی چای، چهارمین کنگره ملی مهندسی عمران، دانشگاه تهران.
  2.  اسدالله فردی، غلامرضا، تکلیفی، آیدین و قنبری، علی، 1388، استفاده از روش شبکه عصبی مصنوعی در پیشبینی مقادیر TDS در رودخانه تلخه رود، سومین همایش تخصصی مهندسی محیط زیست.
  3. آرشیو سازمان مدیریت منابع آب وزارت نیرو.
  4. بختیاری، مرتضی، کاشفی پوردزفولی، سید محمود، عزیزی مبصر، جوانشیر ،1386،  استفاده از شبکه‌های عصبی در ارزیابی کیفی رودخانه کرخه، ششمین کنفرانس هیدرولیک ایران.
  5. رضائی پژند حجت و جانفدا مجید، 1390، کاربرد رگرسیون مارس در براورد نسبت جذب سدیم مثال کاربردی: خراسان شمالی، حوضه آبریز دربند سملقان، چهارمین کنفرانس مدیریت منابع آب ایران، دانشگاه امیر کبیر.
  6. قاسمپور، لیلا، مصطفوی، رویا و دانشور، نرگس، 1389، تعیین رابطه بین مواد جامد در اب TDS با دبی در محدوده ایستگاههای هیدرومتری بلده و رزن رودخانه نور، اولین همایش ملی مدیریت منابع آب اراضی ساحلی.
  7. قبادیان، رسول، مشایخی، حسن، 1387، شبیه‌سازی پارامترهای کیفی آب رودخانه قره سو در محل ایستگاه قرباغستان با استفاده از شبکه عصبی مصنوعی، سومین کنفرانس مدیریت منابع آب.
  8. کرمی، مهدی، کاشفی پور، محمود، معاضد، هادی، فروغی، حسن، 1385، پیش بینی کیفیت آب رودخانه کارون با استفاده از شبکه های عصبی مصنوعی. هفتمین سمینار بین المللی مهندسی رودخانه، دانشگاه اهواز.
  9. محجوبی، عماد و تجریشی، مسعود، 1389، مقایسه عملکرد الگوریتم های شبکه عصبی مصنوعی و درختان تصمیم گیری درپیش بینی تغییرات شوری آب رودخانه‌ها - مطالعه موردی : رودخانه کارون، چهارمین همایش و نمایشگاه تخصصی مهندسی محیط زیست.
  10. Lo. Shuh-shiaw. (1992). “Glossary of  hydrology”, Water resources Pub.
  11. Barnet. V. Lewis. T. (1994). “Outliers in statistical data”, John Wiley & Sons.
  12. Sarmad, M. (2012), “Detecting Outliers in Data from Exponential Distribution”, Heber International Conference on Applications of Mathematics and Statistics.
  13.  Weisberg. S. (2005). “Applied Linear Regression, John Wiley & Sons”, INC. PUB.
  14.  Freedman, D. A. (2009), “Statistical Models: Theory and Practice”, Cambridge.
  15.  Sheather. S. J. (2009). “A modern approach to regression with R”, Springer.
  16.  Ryan. S.E. et al. (2002), “difining phase of bedlood transport using piecewise regression”, J. Earth Surf. Process, Landforms, 27, 971-999.
  17. Friedman. J.H. (1991), “Multivariate adaptive regression splines (with discussion)”. J. Annals of Statistics, 19, 1–141.
  18.  Hastie, T, et al, (2009), “The elements of Statistical Learning Data Mining, Inference and Prediction”, 2th Ed., Univ. Press.
  19. Palani S. et al, (2008), “An ANN Application for Water Quality  Forecasting”, J. of Marine Pollution Bulletin.
  20. Chavez P., Chang F., (2006), “Simulation of Multiple Water Quality Parameters Using Artificial Neural Networks”, 7th International Conference on Hydro information, 2006
  21. www.R-project.com.