كاربرد رگرسيون مارس در برآورد بار معلق مطالعه موردي: حوضه هاي آبريز خراسان رضوي

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

رسوب (بارمعلق وكف) مواد جامدي است كه توسط آب رودخانه جابه جا مي شود. روش مرسوم تخمين بارمعلق، استفاده از نمونه دبي– رسوب و برازش الگوهاي نمائي، تواني، شبكه عصبي يا تنظيم جدول توزيع فراواني است. اين الگوها در برون يابي دبي هاي سيلابي خوب عمل نكرده و برآوردهاي غير واقعي مي دهند. زيرا توان حمل بارمعلق توسط آب رودخانه كراندار است (خاصيت فيزيكي). الگوي رگرسيوني كمانك تطبيقي چند متغيره (مارس) براي حل اين مشكل در اين مقاله پيشنهاد مي شود. مارس يك الگوي تكه اي خطي كمانكي است كه در برون يابي عملكرد بهتري دارد. الگوهاي مارس، نمايئي و تواني در اين مقاله بر آمار دبي- رسوب 23 ايستگاه استان خراسان رضوي برازش داده شد. نتايج در دوحالت درون يابي و برون يابي و با معيارهاي آماري و فيزيكي مقايسه شدند. معيارهاي آماري الگو شامل: ضريب تعيين پيراسته (R2adj)، مجموع مربعات خطا (SSE)، اعتبارمتقابل تعميم يافته (GCV)، آسيب شناسي خطاها و معيار فيزيكي شامل: منطقي بودن برآورد رسوب در دوحالت درون يابي و برون يابي است. نتايج بررسي ها نشان از برتري الگوي مارس (به ويژه در برون يابي) نسبت به دو الگوي ديگر دارد.

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.