برآورد منحنی سنجه رسوب با استفاده از رگرسیون استوار

تخمین بار رسوب معلق یکی از اقدامات اولیه برای مدیریت و برنامه ریزی منابع آب و محیطزیست است. رویکردهای تخمین بار رسوب معلقرا می توان به دودسته رویکرد هیدرولیکی و هیدرولوژیکی تقسیم بندی کرد. رویکرد هیدرولیکی در اغلب موارد دارای دقت بیشتری نسبت بهرویکرد هیدرولوژیکی است اما نیازمند داده ها و اطلاعات بیشتر است که دسترسی به این اطلاعات و داده ها در اکثر فعالیت های عملی محدوداست. رویکرد هیدرولوژیکی به دلیل آنکه نیاز به داده های کمتری دارد و ساده تر است بیشتر مورد توجه قرارگرفته است.منحنی سنجه رسوب شناخته‌شده ترین روش در رویکرد هیدرولوژیکی برای تخمین بار رسوب معلق می‌باشد که یک فرم رابطه توانی (یا فرم خطی بر اساس داده های تبدیل لگاریتمی شده) است که بار رسوب معلق را به دبی جریان رودخانه مرتبط می‌سازد. روش متداول تعیین منحنی سنجه استفاده از برآورد حداقل مربعات معمولی است که این برآورد به شکل موثر تحت تاثیر داده های پرت قرار می‌گیرد. روش‌های برآورد نیرومند روش‌های آماری هستند که برای غلبه بر محدودیت‌های برآورد حداقل مربعات معمولی توسعه پیدا کرده‌اند. در این تحقیق کاربرد دو برآورد mm و حداقل مربعات پیراسته برای تعیین منحنی سنجه مورد بررسی قرار گرفته و نتایج با روش متداول حداقل مربعات معمولی مقایسه شده است. برای مقایسه این سه برآوردگر از داده های چهار ایستگاه هیدرومتری باغو، النگ دره، انجیراب و جفاکنده در استان گلستان استفاده شده که دارای 33 تا 279 جفت داده ثبت شده هستند. از معیارهای ضریب تبیین، ریشه میانگین مربعات خطا و میانگین قدر مطلق خطا به عنوان معیارهای آماری در کنار معیار گرافیکی برای مقایسه نتایج استفاده شده است. بررسی معیارهای آماری دقت برازش نشان داد که معادلات تخمین زده شده از برآوردهای رگرسیون استوار کارایی مناسبی دارند و دارای این قابلیت هستند که تخمین حاصل از کاربرد برآورد حداقل مربعات معمولی را بهبود دهند. بررسی گرافیکی نتایج نشان می‌دهد که برآوردهای رگرسیون استوار می‌توانند مشابه یا متفاوت با برآورد حداقل مربعات معمولی باشند.

sediment rating curve estimation using robust regression

introduction the sediment rating curve only requires river discharge data to estimate the suspended sediment load of the river; its equation form is simpleand understandable. the mentioned characteristics of the sediment rating curve have led to this method being the most widely used model for estimating the suspended sediment load. application of sediment rating curve often faced with a high error in the estimation of suspended sediment load; therefore, different studies have been done to reduce this limitation. the most common reform in sediment rating curve has been applied in providing correction factors, but in this study, different estimations of sediment rating curve coefficients using robust estimators havebeen evaluated. in this study, we assumed that the available data had good accuracy and robust regression can improve the precision of estimatesof sediment rating curve. this research aims to apply and assess robust least trimmed square and mm estimation for sediment ration curve’s coefficients estimations and compare the results against the application of conventional ordinary least square methods.methodology estimation of the river sediment load has an essential role in the environmental management of watersheds. different hydraulic and hydrologic methods have been developed to estimate the sediment load in rivers. however, the sediment rating curve method is widespread consideredbecause of its simple calculation and easy understanding. river suspended sediment load estimation is faced with a high level of error. likeother methods of sediment load estimation, the suspended sediment rating curve method has these limitations. improving the suspended sedimentload estimation can lead to higher reliability of the access to information in environmental and hydrological planning. application of robust estimations can improve sediment rating curve estimation considering the impact of outliers in the conventional application of ordinary least square estimation of sediment rating curve. four hydrometry data series were used to investigate the effect of conventional ordinary least squareerror estimation and mm and least trimmed square robust estimations. different estimations (considering numerical precision criteria) in four data series are compared. results and discussion comparison of different estimations for investigated hydrometric recorded data is interpreted using numerical goodness of fit criteria, i.e., rmse and mae. the best estimates are mm considering coefficient of determination and least trimmed square assessing mae, while ordinary least square estimation has the best precision of fitness based on rmse. investigation of estimated regression lines using different estimators shows that robust estimation results can be similar or different in comparison with ordinary least square estimation. also, robust estimation improved suspended sediment load for high discharge values in some cases. in other cases, it led to a decrease in estimation precision for high discharge values and an increase in precision for low discharge values. conclusions the robust regressions, i.e., least trimmed square and mm, can improve ordinary least square estimation in sediment rating curve analysis. the estimated sediment rating curve using robust regression can be led to similar results, overestimation, or underestimation in comparison with the ordinary least square application.