مقایسه مدل‌‌های تجربی و نتایج حاصل از مدل LEACHN در تخمین تبخیر و تعرق گیاه ذرت

سال انتشار: 1389
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 554

فایل این مقاله در 6 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

ARSANJANDC01_161

تاریخ نمایه سازی: 22 اردیبهشت 1393

چکیده مقاله:

کشاورزی بزرگ‌ترین مصرف کننده منابع آب در بیشتر کشورهاست. با توجه به خشکسالی‌های اخیر باید با شناخت دقیق منابع آب به بهره‌برداری متعادل از آنها پرداخت. برآورد تبخیر و تعرق گیاهان به عنوان مهمترین پارامتر در تعیین نیاز آبی گیاه، اولین گام در مدیریت آبیاری در بخش کشاورزی بعنوان عمده‌ترین مصرف کننده آب می‌باشد. با توجه به مشکلات فنی، اقتصادی و صرف وقت زیاد در بکارگیری لایسیمترها، استفاده از روش‌هایی که این پارامتر را با دقت نسبتا مطلوب و براساس داده‌های اقلیمی برآورد می‌کند ضروری به نظرمی‌رسد. این تحقیق در سال 1388 در مزرعه مرکز تحقیقات کشاورزی و منابع طبیعی خوزستان در شهر اهواز اجرا گردید. مدت زمان این آزمایش یک فصل زراعی ذرت (مرداد 1388 تا آذر 1388 ) بود. با وارد نمودن پارامترهای ورودی مورد نیاز در مدل LEACHN تبخیر و تعرق ذرت توسط مدل اندازه‌گیری گردید. داده‌های هواشناسی مورد نیاز در نرم‌افزار REF-ET از ایستگاه اهواز تهیه گردید و تبخیر و تعرق گیاه مرجع و سپس تبخیر و تعرق ذرت با 9 روش محاسبه گردید. ارزیابی نتایج روش‌های مختلف با روش استاندارد پنمن - فائو 56 صورت گرفت و برای مقایسه از شاخص توافق (D)، متوسط خطای مطلق (MAE)، کارآمدی (EF) و ضریب همبستگی (R2) استفاده گردید. نتایج نشان داد که روش پنمن ASCE مقدار ETC را با دقت بیشتری برآورد می‌کند و مدل LEACHN همبستگی کمتری با نسبت به سایر روش‌های تجربی با روش پنمن فائو 56 دارد

کلیدواژه ها:

تبخیر و تعرق- مدل LEACHN - ذرت -نرم‌افزار REFET

نویسندگان

آزاده منجزی

دانشجوی کارشناسی ارشد رشته آبیاری و زهکشی دانشگاه آزاد اسلامی واحد علوم و تحقیقات خوزستان

محی الدین گوشه

عضو هیئت علمی مرکز تحقیقات کشاورزی و منابع طبیعی خوزستان

علی عصاره

عضو هیئت علمی دانشگاه آزاد اسلامی واحد اهواز

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 :