کاربرد الگوی کمانک تطبیقی چندمتغیره در الگوبندی و تبیین درازمدت شوری و باقی مانده خشک آب رودخانه مطالعه موردی: حوضه های آبریز استان خراسان جنوبی

سال انتشار: 1391
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 210

فایل این مقاله در 14 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_JNEH-1-2_004

تاریخ نمایه سازی: 25 اردیبهشت 1401

چکیده مقاله:

شوری (Ec) و باقی­مانده خشک (TDS) از عوامل کیفی آب های شرب، کشاورزی و صنعت محسوب می شوند. 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[۱] (MARS) برای حل این مشکل است. حوضه­های آبریز خراسان جنوبی نیز برای مطالعه موردی انتخاب شد. MARS یک الگوی رگرسیون تکه ای 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 ایستگاه های 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 برون یابی 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.  

نویسندگان

مجید جانفدا

فوق لیسانس آمار

حجت رضایی پژند

فوق لیسانس هیدرولووی، مدرس دانشگاه آزاد مشهد

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :