تاثیر گروه های بافتی مختلف بر دقت مدل های متفاوت منحنی نگهداری آب خاک
Publish place: Journal of Water and Soil، Vol: 33، Issue: 1
Publish Year: 1398
نوع سند: مقاله ژورنالی
زبان: Persian
View: 55
This Paper With 16 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JSW-33-1_010
تاریخ نمایه سازی: 8 آبان 1402
Abstract:
مدل های بسیاری برای توصیف منحنی نگهداری آب خاک (SWRC) ارائه شده است، اما به ندرت توانایی برازش تعداد زیادی از آنها در خاک های مختلف و گروه های بافتی متفاوت مورد بررسی و مقایسه قرار گرفته است. هدف از این پژوهش، بررسی قابلیت برازش ۱۰ مدل SWRC بر دادههای تجربی و انتخاب بهترین مدل از بین آن ها برای کل نمونههای خاک و برای هر کدام از گروههای بافتی میباشد. در این پژوهش ۱۴۵ نمونه خاک رویین و زیرین از استانهای گیلان، همدان و کرمانشاه به صورت دست خورده و دست نخورده برداشت و بعد از تعیین بافت، به گروههای بافتی تفکیک شدند. مقدار رطوبت در ۱۲ پتانسیل ماتریک اندازه گیری شد. ۱۰ مدل SWRC بر دادههای تجربی برازش و دقت آنها، با معیارهای متفاوت مورد ارزیابی قرار گرفت. نتایج نشان داد که مدل فردلاند و زینگ در کل نمونههای خاک و همچنین در گروه بافتی درشت، مدل لیباردی در گروه بافتی ریز و مدل بروتسائرت در گروه بافتی متوسط بالاترین دقت برازش را داشتند، اما این مدل ها، به لحاظ آماره ارزیابی ریشه میانگین مربعات خطا (RMSE) تفاوت معنی داری در سطح ۵ درصد در کل نمونههای خاک و هر کدام از گروههای بافتی مختلف با هم نداشتند. اگر چه مدلهای فرکتالی دارای پایه فیزیکی و ریاضی هستند، اما انعطاف پذیری لازم را برای توصیف منحنی SWRC ندارند. مدلهای فرمی و تانی با توابع نمایی ضعیف ترین عملکرد را داشتند. سرانجام، مدل لیباردی به دلیل تعداد پارامترهای کمتر، مفهوم فیزیکی پارامترها و فرم ساده معادله آن به عنوان بهترین مدل معرفی میشود.
Keywords:
Authors
مصطفی راستگو
دانشگاه بوعلی سینا-همدان
حسین بیات
دانشگاه بوعلی سینا-همدان
محرم منصوری زاده
دانشگاه بوعلی سینا-همدان
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper 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 Paper لینک شده اند :