مدلسازی هدررفت خاک به روش رگرسیون
Publish place: The first electronic congress of new findings in the environment and agricultural ecosystems
Publish Year: 1393
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 656
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
AGROCONGRESS01_502
تاریخ نمایه سازی: 16 خرداد 1394
Abstract:
هدف از این پژوهش توسعه یک مدل رگرسیونی کارآمد جهت برآورد میزان هدررفت خاک طی اعمال بارندگی با شدت مشخص بود. این مطالعه در دو کاربری اراضی مرتع و مرتع تخریب شده در بخشی از مراتع منطقه شیخ شبان واقع در استان چهارمحال و بختیاری که دارای مراتع تخریب شده و تخریب نشده بود، انجام گرفت. بدین منظور از یک دستگاه شبیه ساز باران جهت اعمال بارندگی با شدت 30 میلیمتر در ساعت به مدت 30 دقیقه در پلاتی با مساحت m225/0 و شیب 9% استفاده شد. میزان خاک از دست رفته به همراه حجم رواناب بدست آمده در هر پلات طی اعمال باران شبیهسازی شده در ظروف پلاستیکی جمعآوری گردید و پس از انتقال به آزمایشگاه وزن گردیدند. از افق A هر کاربری (15 نمونه مرتع و 23 نمونه مرتع تخریب شده) نمونههایی جهت اندازهگیری ویژگیهای فیزیکی و شیمیایی خاک به عنوان ویژگیهای مستقل جهت برآورد ویژگی وابسته (هدررفت خاک)، نیز به آزمایشگاه منتقل گردید. سپس آنالیزهای مربوط به مقایسه میانگین و رگرسیون خطی چندگانه به ترتیب به کمک نرم افزارهای SAS/ver.8 و Stastistica/ver.6 انجام شد. نتایج نشان داد که تغییر کاربری اراضی مرتع به مرتع تخریب شده به دلیل تغییر در برخی از ویژگیهای فیزیکی و شیمیایی خاک موجب افزایش هدررفت خاک گردید. نتایج تجزیه رگرسیون نیز نشان داد که هدررفت خاک تحت تاثیر معنیدار مقاومت برشی و کد نفوذپذیری در هر دو کاربری اراضی مرتع (81/0R2= و 004/0P<) و مرتع تخریب شده (82/0R2= و 0003/0P<) قرار دارد و دقت مدلهای رگرسیونی جهت برآورد هدررفت خاک بالا میباشد.
Keywords:
Authors
الهه کرمی
دانشجوی کارشناسی ارشد
شجاع قربانی دشتکی
دانشیار گروه خاکشناسی دانشگاه شهرکرد
بیژن خلیلی مقدم
استادیار گروه خاکشناسی دانشگاه رامین خوزستان
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 :