بررسی ارزش رجحانی گونه های مرتعی و ارتباط آن با بارندگی

سال انتشار: 1395
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 96

نسخه کامل این مقاله ارائه نشده است و در دسترس نمی باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_IJRDR-23-4_008

تاریخ نمایه سازی: 27 فروردین 1402

چکیده مقاله:

عوامل محیطی از جمله بارندگی از فاکتورهایی است که بر روی خوشخوراکی گیاهان و به تبع آن بر روی ارزش رجحانی آنها برای دام اثر می گذارد. در این تحقیق ارزش رجحانی گونه های مهم مرتعی در تغذیه گوسفند در مراتع قشلاقی سرخس با استفاده از روش زمان سنجی (فیلم برداری) اندازه گیری گردید. این طرح از سال ۸۶ تا ۸۹ برای ۲ ماه اول فصل رویش (اسفند و فروردین) اجرا شد. نتایج نشان داد که گونههای Artemisia diffiusa، Carex physioides و Poa bulbosa به طور مشترک در تمام چهار سال مورد استفاده قرار گرفته و از گونه های خوشخوراک بوده اند. ارزش رجحانی گونه ها نیز در سال های خشکسالی و ترسالی با هم تفاوت داشت. همچنین در بررسی ارتباط بارندگی پیشین با درصد چرا از هر گونه در هر ماه، در رابطه با گونه Poa bulbosa ، بارندگی های ماه های قبل همبستگی بالایی با درصد زمان چرای این گونه دارد. همچنین بین درصد زمان استفاده از گونه physioides Carex در اسفند ماه و بارندگی های پاییز، بهمن و مجموع بهمن و اسفند ارتباط معنی داری وجود دارد. درصد زمان استفاده از گونه Artemisia diffusa در اسفند ماه با بارندگی های دی، مجموع پاییز و دی، مجموع پاییز و دی و بهمن همبستگی معنی داری دارد. مطالعه حاضر با هدف تعیین ارزش رجحانی فصلی و سالانه گیاهان علوفه ای و در دسترس بودن فصلی گیاهان با توجه به نوسانات بارندگی در مراتع سرخس انجام شد.

نویسندگان

محمد زادبر

استادیار، بخش جنگل و مرتع، مرکز تحقیقات کشاورزی و منابع طبیعی استان خراسان رضوی، سازمان تحقیقات، آموزش و ترویج کشاورزی، مشهد، ایران

سمیه ناصری

کارشناس ارشد، بخش جنگل و مرتع، مرکز تحقیقات کشاورزی و منابع طبیعی استان سمنان، سازمان تحقیقات، آموزش و ترویج کشاورزی، سمنان، ایران

محمد فیاض

استادیار پژوهشی، بخش تحقیقات مرتع، موسسه تحقیقات جنگلها و مراتع کشور، سازمان تحقیقات، آموزش و ترویج کشاورزی، تهران، ایران

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 :
  • علوی پناه، س. ک.، ۱۳۸۴. کاربرد سنجش از دور در ...
  • Arekhi, S., ۲۰۱۴. Comparing accuracy of artificial neural network, Support ...
  • Arekhi, S. and Adibnejad, M., ۲۰۱۱. Efficiency assessment of the ...
  • Foody, G. M., ۲۰۰۴. Supervised image classification by MLP and ...
  • Gualtieri, J. A. and Cromp, R. F., ۱۹۹۸. Support vector ...
  • Hester, D. B., ۲۰۰۸. Land Cover Mapping and Change Detection ...
  • Hwang, D. J., ۲۰۰۵. Hawaii coastal hazard mitigation guidebook. Honolulu: ...
  • Irmak, A., Jones, J. W., Batchlor, W. D., Irmak, S., ...
  • Jensen, J., ۲۰۰۵. Introductory digital image processing: A remote sensing ...
  • Kavzoglu, T. and Mather, P. M. ۲۰۰۳. The use of ...
  • Knorn, J., Rabe, A., Radeloff, C.V., Kuemmerle, T., Kozak, J. ...
  • Lu, D. and Weng, Q., ۲۰۰۷. A survey of image ...
  • Lu, D., Mausel, P., Brondi´zio, E., and Moran, E., ۲۰۰۴. ...
  • Mantero, P., Moser, G. and Serpico, S. B., ۲۰۰۵. Partially ...
  • Ojaghi, S., Ebadi, H. and Farnood Ahmadi, F., ۲۰۱۵. Using ...
  • Pal, M. and Mather, P. M., ۲۰۰۵. Support vector machines ...
  • Qiu, F. and Jensen, J. R., ۲۰۰۴. Openingtheblackboxofneuralnetworks for remote ...
  • Samadzadegan, F. and Ferdosi E., ۲۰۱۱. Optimizing Feature Space of ...
  • Scholkopf, B. and Smola, A. J., ۲۰۰۰. Statistical learning and ...
  • Shin, S. K., Lee S. T. and Hyun K. J., ...
  • Subramaniana, S., Gata, N., Sheffield, A. M., Barhenb, J. and ...
  • Szuster, B. W., Chen, Q. and Borger, M., ۲۰۱۱. A ...
  • Weston, J. and Watkins, C., ۱۹۹۸. Multi-class support vector machines ...
  • Yousefi, S., Tazeh, M., Mirzaee, S., Moradi, H. R. and ...
  • نمایش کامل مراجع