اصلاح مدل ون گنوختن- معلم درپی شبینی توابع هدایت هیدرولیکی-رطوبت خاک و مقایسه نتایج آن و دیگر مد لها با مقادیر اندازه گیری شده در برخی از خا کهای موجود در بانک اطلاعاتی UNSODA
محل انتشار: اولین همایش ملی مدیریت شبکه های آبیاری و زهکشی
سال انتشار: 1385
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 3,764
فایل این مقاله در 6 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
IDNC01_040
تاریخ نمایه سازی: 22 دی 1384
چکیده مقاله:
پتانسیل آب، و هدایت هیدرولیکی غیر اشباع خاک از مشخصه های بسیار مهم هستند که معمولا در قالب منحنیهای مشخصه رطوبتی خاک (h-) و منحنی هدایت هیدرولیکی – رطوبت (k-) (k هدایت هیدرولیکی، رطوبت حجمی و h مکش آب خاک می باشند) بیان می شوند. هدف از پژوهش حاضر شامل: اصلاح مدل ون گنوختن – معلم (1980) (VM) جهت پیش بینی تابع هدایت هیدرولیکی – رطوبت خاک و پیش بینی تابع هدایت هیدرولیکی – رطوبت خاک با استفاده از مدل های ROSETTA , VM ون گنوختن – معلم اصلاح شده در این پژوهش UNSATK , (MVM) و مقایسه آن با مقادیر اندازه گیری شده در بانک اطلاعاتی UNSODA می باشد. در این مقاله، اطلاعات اندازه گیری شده h- و k- برای 50 نمونه خاک از بانک اطلاعاتی (Version2.0) UNSODA از خاک های شنی تا رسی جمع آوری گردید. با استفاده از اطلاعات اندازه گیری شده h-، عوامل هیدرولیکی s, r, n, ( n, ضرائب ثابت معادله s , r بترتیب از رطوبت های حجمی باقیمانده و رطوبت اشباع می باشند) در معادله ون گنوختن با یک روش جدید تخمین زده شده و توابع k- خاک ها با استفاده از مدل های ون گنوختن – معلم ، ROSETTA و UNSATK مقایسه شده ات. در این پژوهش مدل ون گنوختن – معلم برای نمونه های آزمایشگاهی که درآن هدایت هیدرولیکی اشباع اندازه گیری نشده بود اصلاح گردید (MVM) . نتایج مقایسه نشان می دهد که در بین مدل های مورد بررسی، مدل MVM و مدل UNSATK با دقت خیلی بالاتری هدایت هیدرولیکی غیر اشباع خاک را پیش بینی می کنند.
کلیدواژه ها:
نویسندگان
عبدالله رادسر
دانشجوی کارشناسی ارشد بخش مهندسی آب، دانشکده کشاورزی، دانشگاه شیراز
شاهرخ زندپارسا
استادیار بخش مهندسی آب، دانشکده کشاورزی، دانشگاه شیراز
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 :