ORIGINAL_ARTICLE
ارزیابی مولفه های هیدرولوژیکی حوضه با کمک مدل مفهومی پیوسته بارش- رواناب شماره منحنی اصلاح شده
سابقه و هدف: مدل های شبیه سازی هیدرولوژیکی پیوسته و روزانه یکی از بهترین ابزارهای برآورد رواناب حاصل از بارندگی می باشند. این مدل ها با شبیه سازی فرایند تبدیل بارش به رواناب قادر به تخمین میزان رواناب حوضه های آب ریز فاقد ایستگاه اندازه گیری با کمترین زمان و هزینه ممکن می باشند. هدف این مقاله معرفی یک روش مدلسازی پیوسته، مفهومی و روزانه بارش-رواناب بر مبنای روش شماره منحنی تغییر یافته است که با استفاده از آن بتوان علاوه بر رواناب خروجی حوضه ، غالب یا مغلوب بودن فرآیند های هیدرولوژیکی مدل را نیز مشخص کرد.مواد و روش ها: درتحقیق حاضر مدل بارش-رواناب بر اساس مدل شماره منحنی اصلاح شده ،به صورت یکپارچه، مفهومی و در مقیاس روزانه در محیط برنامه نویسی متلب کدنویسی شد و با استفاده ازالگوریتم بهینه سازیPSO و تابع هدف ناش-ساتکلیف (NSE) واسنجی گردید. واسنجی مدل توسط الگور یتم PSO (کدنویسی شده در زبان برنامه نویسی متلب) و با تکرار نه هزار مرتبه اجرای مدل، انجام شد. بدین ترتیب که ، ابتدا متغیرهای تصمیم (پارامترهای مدل )در محدوده مشخص شده به صورت تصادفی مقداردهی اولیه شده و سپس الگوریتم PSOاجرا اشده و سری پارامتر بهینه محاسبه گردید. ضمن آنکه در مرحله شبیه سازی مدل ذکر شده با استفاده از داده های ایستگاه معرف جهانی برای حوضه لیف واقع در شمال شهرکالینز در ایالت می سی سی پی آمریکا و همچنین یکی از زیرحوضه های کرخه در داخل کشور واسنجی و صحت سنجی شده است.یافته ها : مقایسه مقادیر رواناب مشاهده شده و شبیه سازی شده در حوضه لیف با کمک آماره های ریشه میانگین مربعات خطا (RMSE) ، ضریب ناش-ساتکلیف (NSE) و معیار کلینگ گوپتا (KGE) به ترتیب در دوره ی واسنجی 4/1 ، 81/0و 87/0 و در دوره ی صحت سنجی 53/2، 83/0 و 86/0 نشان از عملکرد مناسب و قابل قبول مدل داشت. نتایج معیارهای مذکور در زیر حوضه قره سو نیز قابل قبول برآورد گردید ولی به دلیل کیفیت بالاتر داده های حوضه لیف نتایج آن نسبتاً بهتر ارزیابی می گردد. نتایج مدل حاضر با خروجی های مشابه از مدل مفهومی بارش– رواناب روزانه Hymod (و با حیث ورودی های یکسان) مقایسه گردید. به طور کلی برتری نسبی مدل Hymod در مقایسه نتایج در هر دو حوضه به چشم می خورد که دلیل آن را شاید بتوان در عدم قطعیت کمتر ناشی از تعداد کمتر پارامترها و روابط ساده تر مدل Hymod جستجو کرد. ضمن آنکه مدل ارائه شده مبتنی بر شماره منحنی علی رغم دارا بودن معیارهای کمتر از مدل hymod به دلیل محاسبه مولفه های مختلف هیدرولوژیکی شامل جریان میانی، جریان پایه، تلفات اولیه، نفوذ زیرسطحی، زهکشی و رواناب سطحی از اهمیت ویژه ای برخوردار بوده و اطلاعات دقیق تری از فرآیند های غالب موثر در رژیم هیدرولوژیکی زیرحوضه ها را در اختیار قرار می دهد. نتیجه گیری: مدل (SCS–CN)اصلاح شده مدلی مفهومی بوده که رواناب را با استفاده از داده های بارش و تبخیر- تعرق پتانسیل روزانه و با دقت مناسب محاسبه می نماید. مزیت اصلی این مدل نسبت به سایر مدل های مفهومی (به عنوان مثال hymod در این تحقیق) برآورد اجزای هیدرولوژیکی مدل و تعیین پروسه غالب حوضه آبریز مورد مطالعه می باشد. در این تحقیق می توان سه جز اصلی نفوذ، تبخیر و رواناب سطحی را به ترتیب فرآیندهای غالب در حوضه آبریز لیف و همان فرآیندها ولی با ترتیب از آخر به اول را فرآیندهای غالب در زیر حوضه قره سو دانست. بنابراین مدیریت حوضه آبریز با کمک خروجی های خاص ناشی از این نوع مدل ها (درصد مقادیر اجزاء مختلف رابطه بیلان هیدرولوژیکی) به نحو بسیار موثرتری قابل حصول می باشد.
https://jwsc.gau.ac.ir/article_3574_a6c3124ad680b0fc59cc56f1657ac899.pdf
2017-03-21
1
23
10.22069/jwfst.2017.12085.2660
شبیه سازی بلند مدت بارش-رواناب
شماره منحنی
اجزاء رابطه بیلان هیدرولوژیکی
الگوریتم بهینه سازی PSO
مدل مفهومی hymod
ثریا
گلنارکار
sgolnarkar@gmail.com
1
دانشجو
LEAD_AUTHOR
محسن
پوررضا
mohsen.pourreza@birjand.ac.ir
2
عض هیئت علمی
AUTHOR
عباس
خاشعی سیوکی
abbaskhashei@birjand.ac.ir
3
عضو هیئت علمی
AUTHOR
مهدی
امیر آبادی زاده
mamirabadizadeh@birjand.ac.ir
4
مدیر گروه
AUTHOR
.Arnold, J.G., Engel, B.A., and Srinivasan, R. 1993. Continuous time, grid cell watershed model,
1
application of advanced information technologies. Effective management of natural resources.
2
ASAE Publication, 04–93. American Society of Agricultural Engineers, Pp: 267-278.
3
2.Boughton, W.C. 1966. A mathematical model for relating runoff to rainfall with daily data.
4
Civil Engineering Trans I.E Australia, 38: 2. 779-787.
5
3.Boughton, W.C. 1968. A mathematical catchment model for estimating runoff. J. Hydrol.
6
(New Zealand), Pp: 75-100.
7
4.Boyle, D.P., Gupta, H.V., and Sorooshian, S. 2000. Toward improved calibration of
8
hydrologic models: Combining the strengths of manual and automatic methods. Water
9
Resources Research, 36: 12. 3663-3674.
10
5.Choi, J.Y., Engel, B.A., and Chung, H.W. 2002. Daily streamflow modelling and assessment
11
based on the curve-number technique. Hydrological Processes, 16: 16. 3131-3150.
12
6.Cooper, V.A., Nguyen, V.T.V., and Nicell, J.A. 2007. Calibration of conceptual rainfall–
13
runoff models using global optimisation methods with hydrologic process-based parameter
14
constraints. J. Hydrol. 334: 3. 455-466.
15
7.Crawford, N.H., and Linsley, R.K. 1966. Digital Simulation in Hydrology'Stanford Watershed
16
8.Douglas, E.M., Jacobs, J.M., Sumner, D.M., and Ray, R.L. 2009. A comparison of models
17
for estimating potential evapotranspiration for Florida land cover types. J. Hydrol.
18
373: 3. 366-376.
19
9.Geetha, K., Mishra, S.K., Eldho, T.I., Rastogi, A.K., and Pandey, R.P. 2008. SCS-CN-based
20
continuous simulation model for hydrologic forecasting. Water Resources Management,
21
22: 2. 165-190.
22
10.Gupta, H.V., Kling, H., Yilmaz, K.K., and Martinez, G.F. 2009. Decomposition of the mean
23
squared error and NSE performance criteria: Implications for improving hydrological
24
modelling. J. Hydrol. 377: 1. 80-91.
25
11.Heaney, J.P., Sample, D., Wright, L., and Koustas, R. 1999. Geographical information
26
systems, decision support systems and urban stormwater management. US Environmental
27
Protection Agency, National Risk Management Research Laboratory, Office of Research and
28
Development.
29
12.James, D. 1970. An Evaluation of Relationships Between Streamflow Patterns and
30
Watershed Characteristics Through the Use of OPSET: A Self Calibrating Version of the
31
Stanford Watershed Model.
32
13.James, L.D. 1972. Hydrologic modeling, parameter estimation and watershed characteristics.
33
J. Hydrol. 17: 4. 283-307.
34
14.Liou, E.Y. 1970. Opset: program for computerized selection of watershed parameter values
35
for the Stanford watershed model.
36
15.Mandeville, A.N., O'connell, P.E., Sutcliffe, J.V., and Nash, J.E. 1970. River flow
37
forecasting through conceptual models part III-The Ray catchment at Grendon Underwood.
38
J. Hydrol. 11: 2. 109-128.
39
16.Michel, C., Andréassian, V., and Perrin, C. 2005. Soil conservation service curve number
40
method: how to mend a wrong soil moisture accounting procedure?. Water Resources
41
Research, 41: 2.
42
17.Mishra, S.K. 1998. Long-term hydrologic simulation using SCS-CN method. Tech report.
43
National Institute of Hydrology, Roorkee-247 667. UP, India.
44
18.Mishra, S.K., and Singh, V. 2013. Soil conservation service curve number (SCS-CN)
45
methodology (Vol. 42). Springer Science and Business Media.
46
19.Mishra, S.K., and Singh, V.P. 2002. SCS-CN-based hydrologic simulation package.
47
Mathematical Models of Small Watershed Hydrology and Applications, Water Resources
48
Publs., LLC, Highlands Ranch, Pp: 391-464.
49
20.Mishra, S.K., and Singh, V.P. 2004a. Long-term hydrological simulation based on the Soil
50
Conservation Service curve number. Hydrological Processes, 18: 7. 1291-1313.
51
21.Mishra, S.K., and Singh, V.P. 2004b. Validity and extension of the SCS-CN method for
52
computing infiltration and rainfall-excess rates. Hydrological Processes, 18: 17. 3323-3345.
53
22.Nash, J.E., and Sutcliffe, J.V. 1970. River flow forecasting through conceptual models part IA discussion of principles. J. Hydrol. 10: 3. 282-290.
54
23.Ponce, V.M., and Hawkins, R.H. 1996. Runoff curve number: Has it reached maturity?. J.
55
Hydrol. Engin. 1: 1. 11-19.
56
24.Saghafian, B., Noroozpour, S., Kiani, M., and Nasab, A.R. 2016. A coupled ModClark-curve
57
number rainfall-runon-runoff model. Arab. J. Geosci. 9: 4. 1-13.
58
25.Singh, V.P. 1989. Hydrologic systems: watershed modeling (Vol. 2). Prentice Hall.
59
26.Singh, V.P. 1995. Computer Models of Watershed Hydrology1 Water Resources
60
Publications. Littleton, Colorado.
61
27.Singh, V.P., Frevert, D.K., Rieker, J.D., Leverson, V., Meyer, S., and Meyer, S. 2006.
62
Hydrologic modeling inventory: cooperative research effort. J. Irrig. Drain. Engin.
63
132: 2. 98-103.
64
28.Vrugt, J.A., Gupta, H.V., Bouten, W., and Sorooshian, S. 2003. A Shuffled Complex
65
Evolution Metropolis algorithm for optimization and uncertainty assessment of hydrologic
66
model parameters. Water Resources Research, 39: 8.
67
29.Vrugt, J.A., Ter Braak, C.J., Gupta, H.V., and Robinson, B.A. 2009. Equifinality of formal
68
(DREAM) and informal (GLUE) Bayesian approaches in hydrologic modeling?. Stochastic
69
environmental research and risk assessment, 23: 7. 1011-1026.
70
30.Wagener, T., Boyle, D.P., Lees, M.J., Wheater, H.S., Gupta, H.V., and Sorooshian, S. 2001.
71
A framework for development and application of hydrological models. Hydrology and Earth
72
System Sciences, 5: 1. 13-26.
73
ORIGINAL_ARTICLE
برآورد روند کوانتایل های متغیرهای حداکثر سیلاب سالانه
سابقه و هدف: بررسی روند تغییرات سیلاب حوضهها در اغلب موارد تنها بر اساس تحلیل روند متغیر دبی اوج سیلاب با استفاده از آزمونهای رایج پارامتری و ناپارامتری (رگرسیون خطی معمولی، من-کندال، سن و...) است. در کنار محدودیتهای اولیه این روشها معمولاً به برآورد میانگین یا میانه شرطی میپردازند و کوانتایلهای مختلف را در نظر نمیگیرند در حالیکه برآورد دامنه مناسبی از کوانتایلهای شرطی منجر به درک بسیار مناسبی از الگوی تغییرات میشود. هدف این تحقیق کاربرد روش رگرسیون کوانتایل برای برآورد روند زمانی (کوانتایلهای شرطی) متغیرهای دبی اوج، حجم و تداوم سیلاب میباشد که این تحلیل منجر به درک مناسبتری از تغییرات متغیرهای حداکثر سیلابهای سالانه میشود. مواد و روشها:در گام اول سری زمانی حداکثر سیلاب سالانه ایستگاه هیدرومتری تله زنگ در جنوب غربی ایران با طول دوره آماری 55 سال مدنظر قرار گرفت و سری زمانی دبی اوج، حجم و تداوم حداکثر سیلاب سالانه استخراج گردید. در گام بعدی با استفاده از رگرسیون خطی معمولی تحلیل روند سریهای متغیرهای حداکثر سیلاب سالانه انجام شد و کارایی مدل رگرسیون خطی با استفاده از معیارهای دقت برازش، آزمون معنی داری و تحلیل باقیماندهها مورد بررسی قرار گرفت. سپس با در نظر گرفتن بازه (95/0-05/0 با گام 01/0) خطوط رگرسیون کوانتایل برای تحلیل روند متغیرهای حداکثر سیلاب سالانه برآورد شد و معیارهای دقت برازش و معنی داری آماری برای این خطوط تعیین گردید. با در نظر گرفتن کوانتایل های منتخب 95/0، 85/0، 75/0، 65/0، 55/0، 45/0، 35/0، 25/0، 15/0 و 05/0 نمودار خطوط رگرسیون کوانتایل برای متغیرهای سیلاب ترسیم شد. یافتهها: نتایج رگرسیون خطی معمولی بیانگر روند مثبت برای متغیرهای سیلاب است اما تحلیلهای تکمیلی نشان داد این روش نمیتواند ابزار مناسبی برای تحلیل روند متغیرهای سیلاب در این تحقیق باشد. کاربرد رگرسیون کوانتایل در مقایسه با رگرسیون خطی معمولی منجر به دسترسی به طیف وسیعی از شیب خطوط روند شده است. برای هر سه متغیر مورد بررسی 15% شیب خطوط رگرسیون کوانتایل بیشتر از شیب برآورد شده با روش رگرسیون خطی و در سایر موارد کمتر از ان بوده است. بررسی خطوط رگرسیون کوانتایل نشان میدهد خطوط رگرسیون کوانتایل برای متغیر حجم سیلاب در کوانتایلهای کران بالایی و برای متغیرهای دبی اوج و تداوم سیلاب در کوانتایلهای کران بالایی و بازه میانی از نظر آماری معنی دار بودهاند و در کران پایینی کوانتایلها تعداد معدودی از رابطه های خطی قابل پذیرش شدهاند به طوریکه برای متغیرهای دبی اوج، حجم و تداوم سیلاب به ترتیب 59%، 31% و 73/0 موارد خطوط رگرسیون کوانتایل در سطح 05/0 از نظر آماری معنی دار بودهاند.دقت برازش خطوط رگرسیون کوانتایل در کران بالایی و بازه میانی کوانتایلها بیشتر از کران پایینی میباشد. نتیجه گیری: کاربرد رگرسیون کوانتایل میتواند بدون تأثیر از محدودیتهای روشهای متداول تحلیل روند متغیرهای سیلاب منجر به دسترسی به طیف وسیعتری از نتایج کاربردی تحلیل روند شود. همچنین تفاوت مشخصی بین شیب روند متغیرهای سیلاب برای کوانتایلهای مختلف (بخصوص کوانتایلهای کران بالا) در مقایسه با شیب برآورد شده توسط رگرسیون خطی معمولی وجود دارد بنابراین روش رگرسیون خطی معمولی نمیتواند ابزاری مناسب برای بررسی روند رویدادهای حدی باشد. نتایج نشان میدهد روند متغیرهای حدی سیلاب به مراتب بیشتر از روند برآورد شده با رگرسیون خطی معمولی میباشد و به عبارتی رگرسیون خطی در این تحقیق منجر به کم برآوردی شیب روند افزایشی متغیرهای سیلاب شده است. همچنین تحلیل چند متغیره روند سیلاب با استفاده از رگرسیون کوانتایل مشخص میکند به دلیل وجود روند قابل توجه در شرایط حدی برای هر سه متغیر سیلاب، تغییرات در پتانسیل خطر سیلاب به مراتب بیشتر از نتایج به دست آمده با استفاده از تحلیل تک متغیره میباشد.
https://jwsc.gau.ac.ir/article_3575_da2cb3640609ab8436fcd96ca96cae29.pdf
2017-03-21
25
46
10.22069/jwfst.2017.11738.2623
رگرسیون کوانتایل
رگرسیون خطی معمولی
روند
متغیرهای سیلاب
میثم
سالاری جزی
meysam.salarijazi@gmail.com
1
دانشگاه علوم کشاورزی و منابع طبیعی گرگان-گروه مهندسی آب
LEAD_AUTHOR
1.Adib, A., Ahmadeanfar, I., Salarijazi, M., Labibzadeh, M., and Vaghefi, M. 2012.
1
Optimization of released water from the Dez dam for supply of water demands in the
2
downstream of dam. Applied Mechanics and Materials (147: 187-190). Trans. Tech.
3
Publications.
4
2.Adib, A., Salarijazi, M., and Najafpour, K. 2010. Evaluation of synthetic outlet runoff
5
assessment models. J. Appl. Sci. Environ. Manage. 14: 3. 13-18.
6
3.Adib, A., Salarijazi, M., Shooshtari, M. M., and Akhondali, A.M. 2011. Comparison between
7
characteristics of geomorphoclimatic instantaneous unit hydrograph be produced by GcIUH
8
based Clark Model and Clark IUH model. J. Mar. Sci. Technol. 19: 2. 201-209.
9
4.Adib, A., Salarijazi, M., Vaghefi, M., Shooshtari, M.M., and Akhondali, A.M. 2010.
10
Comparison between GcIUH-Clark, GIUH-Nash, Clark-IUH and Nash-IUH models. Turk. J.
11
Engin. Environ. Sci. 34: 2. 91-104.
12
5.Ahmadianfar, I., Adib, A., and Salarijazi, M. 2015. Optimizing multireservoir operation:
13
Hybrid of bat algorithm and differential evolution. J. Water Resour. Plan. Manage.
14
142: 2. 05015010.
15
6.Anghileri, D., Pianosi, F., and Soncini-Sessa, R. 2014. Trend detection in seasonal data: from
16
hydrology to water resources. J. Hydrol. 511: 171-179.
17
7.Arnell, N.W., and Gosling, S.N. 2016. The impacts of climate change on river flood risk at the
18
global scale. Climatic Change, 134: 3. 387-401.
19
8.Bačová Mitková, V., and Halmová, D. 2014. Joint modeling of flood peak discharges,
20
volume and duration: a case study of the Danube River in Bratislava. J. Hydrol. Hydromech.
21
62: 3. 186-196.
22
9.Barbosa, S.M. 2008. Quantile trends in Baltic sea level. Geophysical Research Letters, 35: 22.
23
10.Barbosa, S.M., Scotto, M.G., and Alonso, A.M. 2011. Summarizing changes in air
24
temperature over Central Europe by quantile regression and clustering. Natural Hazards and
25
Earth System Sciences, 11: 12. 3227-3233.
26
11.Bouza-Deaño, R., Ternero-Rodriguez, M., and Fernández-Espinosa, A.J. 2008. Trend study
27
and assessment of surface water quality in the Ebro River (Spain). J. Hydrol. 361: 3. 227-239.
28
12.Bremnes, J.B. 2006. A comparison of a few statistical models for making quantile wind
29
power forecasts. Wind Energy, 9: 1‐2. 3-11.
30
13.Brody, S.D., Highfield, W.E., and Blessing, R. 2015. An analysis of the effects of land use
31
and land cover on flood losses along the gulf of Mexico coast from 1999 to 2009. JAWRA
32
J. Amer. Water Resour. Assoc. 51: 6. 1556-1567.
33
14.Brunetti, M., Buffoni, L., Mangianti, F., Maugeri, M., and Nanni, T. 2004. Temperature,
34
precipitation and extreme events during the last century in Italy. Global and planetary
35
change, 40: 1. 141-149.
36
15.Buchinsky, M. 1998. Recent advances in quantile regression models: a practical guideline for
37
empirical research. J. Human Resour. Pp: 88-126.
38
16.Burn, D.H., and Elnur, M.A.H. 2002. Detection of hydrologic trends and variability.
39
J. Hydrol. 255: 1. 107-122.
40
17.Chamaillé-Jammes, S., Fritz, H., and Murindagomo, F. 2007. Detecting climate changes of
41
concern in highly variable environments: Quantile regressions reveal that droughts worsen in
42
Hwange National Park, Zimbabwe. J. Arid Environ. 71: 3. 321-326.
43
18.Changnon, S.A., and Demissie, M. 1996. Detection of changes in streamflow and floods
44
resulting from climate fluctuations and land use-drainage changes. Climatic change,
45
32: 4. 411-421.
46
19.Chen, H., Guo, S., Xu, C.Y., and Singh, V.P. 2007. Historical temporal trends of hydroclimatic variables and runoff response to climate variability and their relevance in water
47
resource management in the Hanjiang basin. J. Hydrol. 344: 3. 171-184.
48
20.Cunderlik, J.M., and Ouarda, T.B. 2006. Regional flood-duration–frequency modeling in the
49
changing environment. J. Hydrol. 318: 1. 276-291.
50
21.Delgado, J.M., Apel, H., and Merz, B. 2010. Flood trends and variability in the Mekong
51
river. Hydrology and Earth System Sciences, 14: 3. 407-418.
52
22.Eidipour, A., Akhondali, A.M., Zarei, H., and Salarijazi, M. 2016. Flood hydrograph
53
estimation using GIUH model in ungauged karst basins (Case study: Abolabbas Basin).
54
TUEXENIA, 36: 36. 26-33.
55
23.Eilers, P.H., and De Menezes, R.X. 2005. Quantile smoothing of array CGH data.
56
Bioinformatics, 21: 7. 1146-1153.
57
24.Elsner, J.B., Kossin, J.P., and Jagger, T.H. 2008. The increasing intensity of the strongest
58
tropical cyclones. Nature, 455: 7209. 92-95.
59
25.Francke, T., López‐Tarazón, J.A., and Schröder, B. 2008. Estimation of suspended sediment
60
concentration and yield using linear models, random forests and quantile regression forests.
61
Hydrological Processes, 22: 25. 4892-4904.
62
26.Friederichs, P., and Hense, A. 2007. Statistical downscaling of extreme precipitation events
63
using censored quantile regression. Monthly weather review, 135: 6. 2365-2378.
64
27.Ganguli, P., and Reddy, M.J. 2013. Probabilistic assessment of flood risks using trivariate
65
copulas. Theoretical and applied climatology, 111: 1-2. 341-360.
66
28.Gao, G., Chen, D., Xu, C.Y., and Simelton, E. 2007. Trend of estimated actual
67
evapotranspiration over China during 1960-2002. J. Geophysic. Res. Atm. 112 (D11).
68
29.Ghorbani, Kh., Sohrabian, E., and Salarijazi, M. 2016. Evaluation of hydrological and
69
data mining models in monthly river discharge simulation and prediction (Case study:
70
Araz-Kouseh watershed). J. Water Soil Cons. 23: 1. 203-217.
71
30.Ghorbani, Kh., Sohrabian, E., Salarijazi, M., and Abdolhoseini, M. 2016. Prediction of
72
climate change impact on monthly river discharge trend using IHACRES hydrological model
73
(case study: Galikesh watershed). J. Water Soil Resour. Cons. 5: 4. 18-34.
74
31.Gocic, M., and Trajkovic, S. 2013. Analysis of changes in meteorological variables using
75
Mann-Kendall and Sen's slope estimator statistical tests in Serbia. Global and Planetary
76
Change, 100: 172-182.
77
32.Greenville, A.C., Wardle, G.M., and Dickman, C.R. 2012. Extreme climatic events drive
78
mammal irruptions: regression analysis of 100‐year trends in desert rainfall and temperature.
79
Ecology and evolution, 2: 11. 2645-2658.
80
33.Guo, Y., and Shen, Y. 2015. Quantifying water and energy budgets and the impacts of
81
climatic and human factors in the Haihe River Basin, China: 2. Trends and implications to
82
water resources. J. Hydrol. 527: 251-261.
83
34.Gustavsen, G.W., and Rickertsen, K. 2006. A censored quantile regression analysis of
84
vegetable demand: the effects of changes in prices and total expenditure. Can. J. Agric.
85
Econ. /Rev. Canadienne d'agroeconomie, 54: 4. 631-645.
86
35.Haddad, K., and Rahman, A. 2012. Regional flood frequency analysis in eastern Australia:
87
Bayesian GLS regression-based methods within fixed region and ROI framework–Quantile
88
Regression vs. Parameter Regression Technique. J. Hydrol. 430: 142-161.
89
36.Hardwick Jones, R., Westra, S., and Sharma, A. 2010. Observed relationships between
90
extreme sub‐daily precipitation, surface temperature and relative humidity. Geophysical
91
Research Letters, 37: 22.
92
37.Hooshmand, A., Salarijazi, M., Bahrami, M., Zahiri, J., and Soleimani, S. 2013. Assessment
93
of pan evaporation changes in South Western Iran. Afric. J. Agric. Res. 8: 16. 1449-1456.
94
38.Jiang, Y., Luo, Y., Zhao, Z., and Tao, S. 2010. Changes in wind speed over China during
95
1956–2004. Theoretical and Applied Climatology, 99: 3-4. 421-430.
96
39.Karmakar, S., and Simonovic, S.P. 2008. Bivariate flood frequency analysis: Part 1.
97
Determination of marginals by parametric and nonparametric techniques. J. Flood Risk
98
Manage. 1: 4. 190-200.
99
40.Karpouzos, D.K., Kavalieratou, S., and Babajimopoulos, C. 2010. Trend analysis of
100
precipitation data in Pieria Region (Greece). European Water, 30: 31-40.
101
41.Khang, Y.H., and Yun, S.C. 2010. Trends in general and abdominal obesity among Korean
102
adults: findings from 1998, 2001, 2005 and 2007 Korea National Health and Nutrition
103
Examination Surveys. J. Korean Med. Sci. 25: 11. 1582-1588.
104
42.Kisi, O., and Ay, M. 2014. Comparison of Mann–Kendall and innovative trend method for
105
water quality parameters of the Kizilirmak River, Turk. J. Hydrol. 513: 362-375.
106
43.Koenker, R. 2005. Quantile regression (No. 38). Cambridge university press.
107
44.Kumar, K.R., Kumar, K.K., and Pant, G.B. 1994. Diurnal asymmetry of surface temperature
108
trends over India. Geophysical Research Letters, 21: 8. 677-680.
109
45.Lee, K., Baek, H.J., and Cho, C. 2013. Analysis of changes in extreme temperatures using
110
quantile regression. Asia-Pacific J. Atm. Sci. 49: 3. 313-323.
111
46.Linares, J.C., Delgado-Huertas, A., and Carreira, J.A. 2011. Climatic trends and different
112
drought adaptive capacity and vulnerability in a mixed Abies pinsapo–Pinus halepensis
113
forest. Climatic change, 105: 1-2. 67-90.
114
47.López López, P., Verkade, J.S., Weerts, A.H., and Solomatine, D.P. 2014. Alternative
115
configurations of quantile regression for estimating predictive uncertainty in water level
116
forecasts for the upper Severn River: a comparison. Hydrology and Earth System Sciences
117
Discussions, 11: 2014.
118
48.Luce, C.H., and Holden, ZA. 2009. Declining annual streamflow distributions in the Pacific
119
Northwest United States, 1948-2006. Geophysical Research Letters, 36: 16.
120
49.Luo, P., He, B., Takara, K., Razafindrabe, B.H., Nover, D., and Yamashiki, Y. 2011.
121
Spatiotemporal trend analysis of recent river water quality conditions in Japan. J. Environ.
122
Monitor. 13: 10. 2819-2829.
123
50.Luterbacher, J., Dietrich, D., Xoplaki, E., Grosjean, M., and Wanner, H. 2004. European
124
seasonal and annual temperature variability, trends and extremes since 1500. Science,
125
303: 5663. 1499-1503.
126
51.Machado, J.A., and Mata, J. 2005. Counterfactual decomposition of changes in wage
127
distributions using quantile regression. J. Appl. Econom. 20: 4. 445-465.
128
52.Mallakpour, I., and Villarini, G. 2015. The changing nature of flooding across the central
129
United States. Nature Climate Change, 5: 3. 250-254.
130
53.Marofi, S., Soleymani, S., Salarijazi, M., and Marofi, H. 2012. Watershed-wide trend
131
analysis of temperature characteristics in Karun-Dez watershed, southwestern Iran.
132
Theoretical and Applied Climatology, 110: 1-2. 311-320.
133
54.Mazvimavi, D. 2010. Investigating changes over time of annual rainfall in Zimbabwe.
134
Hydrology and Earth System Sciences, 14: 12. 2671-2679.
135
55.Melly, B. 2005. Public-private sector wage differentials in Germany: Evidence from quantile
136
regression. Empirical Economics, 30: 2. 505-520.
137
56.Moazed, H., Salarijazi, M., Moradzadeh, M., and Soleymani, S. 2012. Changes in rainfall
138
characteristics in Southwestern Iran. Afric. J. Agric. Res. 7: 18. 2835-2843.
139
57.Mondal, A., Kundu, S., and Mukhopadhyay, A. 2012. Rainfall trend analysis by MannKendall test: A case study of north-eastern part of Cuttack district, Orissa. Int. J. Geol. Earth
140
Environ. Sci. 2: 1. 70-78.
141
58.Monteiro, A., Carvalho, A., Ribeiro, I., Scotto, M., Barbosa, S., Alonso, A., and Borrego, C.
142
2012. Trends in ozone concentrations in the Iberian Peninsula by quantile regression and
143
clustering. Atmospheric environment, 56: 184-193.
144
59.Moslemzadeh, M., Salarizazi, M., and Soleymani, S. 2011. Application and assessment of
145
kriging and cokriging methods on groundwater level estimation. J. Amer. Sci. 7: 7. 34-39.
146
60.Muzik, I. 2002. A first-order analysis of the climate change effect on flood frequencies
147
in a subalpine watershed by means of a hydrological rainfall–runoff model. J. Hydrol.
148
267: 1. 65-73.
149
61.Nielsen, H.A., Madsen, H., and Nielsen, T.S. 2006. Using quantile regression to extend
150
an existing wind power forecasting system with probabilistic forecasts. Wind Energy,
151
9: 1‐2. 95-108.
152
62.Ohana-Levi, N., Karnieli, A., Egozi, R., Givati, A., and Peeters, A. 2015. Modeling the
153
Effects of Land-Cover Change on Rainfall-Runoff Relationships in a Semiarid, Eastern
154
Mediterranean Watershed. Advances in Meteorology, 2015.
155
63.Partal, T., and Kahya, E. 2006. Trend analysis in Turkish precipitation data. Hydrological
156
processes, 20: 9. 2011-2026.
157
64.Petrow, T., and Merz, B. 2009. Trends in flood magnitude, frequency and seasonality in
158
Germany in the period 1951–2002. J. Hydrol. 371: 1. 129-141.
159
65.Piticar, A., Mihăilă, D., Lazurca, L.G., Bistricean, P.I., Puţuntică, A., and Briciu, A.E. 2016.
160
Spatiotemporal distribution of reference evapotranspiration in the Republic of Moldova.
161
Theoretical and Applied Climatology, 124: 3-4. 1133-1144.
162
66.Poff, N.L., and Zimmerman, J.K. 2010. Ecological responses to altered flow regimes: a
163
literature review to inform the science and management of environmental flows. Freshwater
164
Biology, 55: 1. 194-205.
165
67.Quesada, B., Vautard, R., Yiou, P., Hirschi, M., and Seneviratne, S.I. 2012. Asymmetric
166
European summer heat predictability from wet and dry southern winters and springs. Nature
167
Climate Change, 2: 10. 736-741.
168
68.Reich, B.J. 2012. Spatiotemporal quantile regression for detecting distributional changes in
169
environmental processes. J. Royal Stat. Soc. Series C (Applied Statistics), 61: 4. 535-553.
170
69.Rodrigo, F.S., and Trigo, R.M. 2007. Trends in daily rainfall in the Iberian Peninsula from
171
1951 to 2002. Inter. J. Climatol. 27: 4. 513-529.
172
70.Roscoe, K.L., Weerts, A.H., and Schroevers, M. 2012. Estimation of the uncertainty in water
173
level forecasts at ungauged river locations using quantile regression. Inter. J. River Basin
174
Manage. 10: 4. 383-394.
175
71.Sadeghian, M.S., Salarijazi, M., Ahmadianfar, I., and Heydari, M. 2016. Stage-Discharge
176
relationship in tidal rivers for tidal flood condition. Fresenius Environmental Bulletin,
177
25: 10. 4111-4117.
178
72.Salarijazi, M., Abdolhosseini, M., Ghorbani, K., and Eslamian, S. 2016. Evaluation of quasimaximum likelihood and smearing estimator to improve sediment rating curve estimation.
179
Inter. J. Hydrol. Sci. Technol. 6: 4. 359-370.
180
73.Salarijazi, M., Akhond-Ali, A.M., Adib, A., and Daneshkhah, A. 2012. Trend and
181
change-point detection for the annual stream-flow series of the Karun River at the Ahvaz
182
hydrometric station. Afric. J. Agric. Res. 7: 32. 4540-4552.
183
4574.Salarijazi, M., Akhond-Ali, A.M., Adib, A., and Dneshkhah, A.R. 2015. Bivariate FloodFrequency Analysis Using the Copula Functions. J. Irrig. Sci. Engin. 37: 4. 29-38.75.Sankarasubramanian, A., and Lall, U. 2003. Flood quantiles in a changing climate: Seasonalforecasts and causal relations. Water Resources Research, 39: 5.76.Schmocker-Fackel, P., and Naef, F. 2010. More frequent flooding? Changes in floodfrequency in Switzerland since 1850. J. Hydrol. 381: 1. 1-8.77.Shamsudduha, M., Chandler, R.E., Taylor, R.G., and Ahmed, K.M. 2009. Recent trends ingroundwater levels in a highly seasonal hydrological system: the Ganges-BrahmaputraMeghna Delta. Hydrology and Earth System Sciences, 13: 12. 2373-2385.78.Shiau, J.T., and Chen, T.J. 2015. Quantile regression-based probabilistic estimationscheme for daily and annual suspended sediment loads. Water Resources Management,29: 8. 2805-2818.79.Shiau, J.T., and Huang, W.H. 2015. Detecting distributional changes of annual rainfallindices in Taiwan using quantile regression. J. Hydro-Environ. Res. 9: 3. 368-380.80.Shiau, J.T., and Lin, J.W. 2016. Clustering quantile regression-based drought trends inTaiwan. Water Resources Management, 30: 3. 1053-1069.81.Stojković, M., Ilić, A., Prohaska, S., and Plavšić, J. 2014. Multi-temporal analysis of meanannual and seasonal stream flow trends, including periodicity and multiple non-linearregression. Water Resources Management, 28: 12. 4319-4335.82.Tareghian, R., and Rasmussen, P.F. 2013. Statistical downscaling of precipitation usingquantile regression. J. Hydrol. 487: 122-135.83.Tharme, R.E. 2003. A global perspective on environmental flow assessment: emergingtrends in the development and application of environmental flow methodologies for rivers.River research and applications, 19: 5‐6. 397-441.84.Timofeev, A.A., and Sterin, A.M. 2010.Using the quantile regression method to analyzechanges in climate characteristics. Russian Meteorology and Hydrology, 35: 5. 310-319.85.Tøttrup, A.P., Thorup, K., and Rahbek, C. 2006. Patterns of change in timing of springmigration in North European songbird populations. J. Avian Biol. 37: 1. 84-92.86.Villarini, G., Smith, J.A., Serinaldi, F., and Ntelekos, A.A. 2011. Analyses of seasonal andannual maximum daily discharge records for central Europe. J. Hydrol. 399: 3. 299-312.87.Wang, Y., Jiang, T., Bothe, O., and Fraedrich, K. 2007. Changes of pan evaporationand reference evapotranspiration in the Yangtze River basin. Theoretical and AppliedClimatology, 90: 1-2. 13-23.88.Wasko, C., and Sharma, A. 2014. Quantile regression for investigating scaling of extremeprecipitation with temperature. Water Resources Research, 50: 4. 3608-3614.89.Weerts, A.H., Winsemius, H.C., and Verkade, J.S. 2011. Estimation of predictivehydrological uncertainty using quantile regression: examples from the National FloodForecasting System (England and Wales). Hydrology and Earth System Sciences, 15: 1.90.Xiao, Z. 2009. Quantile cointegrating regression. J. Econom. 150: 2. 248-260.91.Yenilmez, F., Keskin, F., and Aksoy, A. 2011.Water quality trend analysis in Eymir Lake,Ankara. Physics and Chemistry of the Earth, Parts A/B/C, 36: 5. 135-140.92.Yue, S., and Wang, C. 2004. The Mann-Kendall test modified by effective sample sizeto detect trend in serially correlated hydrological series. Water Resources Management,18: 3. 201-218.93.Yue, S., Ouarda, T.B., Bobée, B., Legendre, P., and Bruneau, P. 2002. Approach fordescribing statistical properties of flood hydrograph. J. Hydrol. Engin. 7: 2. 147-153.94.Yue, S., Pilon, P., and Cavadias, G. 2002. Power of the Mann–Kendall and Spearman's rhotests for detecting monotonic trends in hydrological series. J. Hydrol. 259: 1. 254-271.95.Zhang, L., and Singh, V.P. 2006. Bivariate flood frequency analysis using the copulamethod. J. Hydrol. Engin. 11: 2. 150-164.
184
ORIGINAL_ARTICLE
اثر EDTA و اسیدسیتریک بر فعالیتهای آنزیمی خاک واستخراج سرب توسط آفتابگردان و خردل هندی از یک خاک آلوده
سابقه و هدف: استخراج گیاهی با استفاده از عوامل کیلیت کننده یکی از روشهای پاکسازی خاکهای آلوده به فلزات سنگین است که توجه بسیاری را در دهه گذشته به خود جلب کرده است. به هرحال تا به امروز بیشترین توجه به اثر عوامل کیلیت کننده بر حلالیت فلزات سنگین در خاک و جذب آنها به وسیله گیاه بوده است و کمتر به اثرات جانبی آنها بر محیط زیست خاک و موجودات زنده پرداخته شده است. فعالیت آنزیمهای خاک میتوانند شاخصهای مناسبی برای بررسی بازگرداندن محیط زیست خاک بعد از فرآیندهای پاکسازی مختلف باشند. هدف از این مطالعه بررسی اثر EDTA و اسیدسیتریک (CA) بر فعالیتهای آنزیمی خاک و جذب سرب به وسیله دو گیاه آفتابگردان و خردل هندی بود.مواد و روشها: پژوهش حاضر در قالب طرح کاملاً تصادفی با آرایش فاکتوریل و 3 تکرار در گلخانه تحقیقاتی دانشکده کشاورزی دانشگاه فردوسی مشهد انجام گرفت. فاکتورهای آزمایشی شامل عامل کیلیت کننده و نوع گیاه بودند. تیمارهای عامل کیلیت کننده شامل شاهد (بدون عامل کیلیت کننده یا سطح صفر)، EDTA3 و EDTA5 (3 و 5 میلیمول EDTA در هر کیلوگرم خاک خشک)، CA3 و CA5 (3 و 5 میلیمول CA در هر کیلوگرم خاک خشک) بودند. گیاهان مورد استفاده نیز شامل دو گیاه خردل هندی (Brassica juncea) و آفتابگردان (Helianthus annus) بود. همچنین به منظور بررسی اثر سرب بر وزن خشک گیاه و فعالیتهای آنزیمی یک تیمار بدون آلودگی سرب و بدون عامل کیلیت کننده (تیمار NP) نیز در نظر گرفته شد.یافتهها: نتایج نشان داد که EDTA نسبت به CA عامل کیلیت کننده موثرتری برای افزایش غلظت سرب فراهم خاک در این پژوهش بود. برخلاف انتظار افزودن CA به خاک موجب کاهش معنیدار غلظت سرب فراهم خاک نسبت به تیمار شاهد شد. نتایج نشان داد بین دو کیلیت استفاده شده EDTA برای افزایش جذب سرب در اندام هوایی و CA برای افزایش جذب سرب در ریشه مناسب بود. بیشترین جذب سرب در ریشه (99/2 میلیگرم سرب در گلدان) توسط گیاه خردل هندی با کاربرد 5 میلیمول CA در کیلوگرم خاک مشاهده شد. همچنین بیشترین جذب سرب در اندام هوایی (74/1 میلیگرم سرب در گلدان) توسط گیاه خردل هندی با تیمار EDTA3 حاصل شد. نتایج نشان داد خاک تیمار شده با EDTA موجب اثر هورمسیس در فعالیت آنزیمهای دهیدروژناز، فسفومونواستراز قلیایی و شاخصهای GMea و TEA شد. تیمار EDTA5 موجب کاهش شاخصهای GMea و TEA شد در حالیکه تیمار EDTA3 موجب افزایش این شاخصها در مقایسه با تیمار شاهد شد. افزودن CA در هر دو سطح به خاک موجب افزایش معنیدار و قابل توجه فعالیت آنزیمهای مورد مطالعه و همچنین شاخصهای GMea و TEA نسبت به تیمار شاهد شد. نتیجهگیری: در تیمار EDTA3 جذب سرب اندام هوایی نسبت به تیمار شاهد افزایش پیدا کرد و همچنین به طور معنیداری شاخصهای GMea و TEA در این تیمار در مقایسه با تیمار شاهد بهبود یافت. تیمار EDTA5 کارایی کمتری نسبت به تیمار EDTA3 در افزایش جذب سرب اندام هوایی داشت و شاخصهای GMea و TEA را نسبت به تیمار شاهد کاهش داد. افزودن CA به خاک احتمالاً گزینه مناسبتری برای تثبیت گیاهی سرب در خاک مورد مطالعه از طریق تجمع آن در ریشه بود و توانست شاخصهای GMea و TEA را به طور قابل توجهی نسبت به تیمار شاهد و تیمار NP افزایش دهد.
https://jwsc.gau.ac.ir/article_3576_65bb6f31342a4ea39c1db2713f49ee07.pdf
2017-03-21
47
65
10.22069/jwfst.2017.12039.2655
عوامل کلات کننده
شاخصهای GMea و TEA
غلظت سرب فراهم خاک
استخراج گیاهی
سیدسجاد
حسینی
sajjadhosseini1369@gmail.com
1
دانشگاه فردوسی مشهد
AUTHOR
امیر
لکزیان
lakzian@ferdowsi.um.ac.ir
2
دانشگاه فردوسی مشهد
LEAD_AUTHOR
اکرم
حلاجنیا
halajnia@yahoo.com
3
دانشگاه فردوسی مشهد
AUTHOR
1.Babaeian, E., Homaee, M., and Rahnemaie, R. 2016. Chelate-enhanced phytoextraction and
1
phytostabilization of lead-contaminated soils by carrot (Daucus carota). Arch. Agron. Soil
2
Sci. 62: 3. 339-358.
3
2.Bremner, J.M., and Mulvaney, C.S. 1982. Nitrogen-total. P 595-624, In: A.L. Page (Ed.),
4
Methods of Soil Analysis, American Society of Agronomy, Madison, WI.
5
3.Calabrese, E.J. 2008. Hormesis: why it is important to toxicology and toxicologists. Environ.
6
Toxicol. Chem. 27: 7. 1451-1474.
7
4.Cay, S., Uyanik, A., Engin, M.S., and Kutbay, H.G. 2015. Effect of EDTA and tannic acid on
8
the removal of Cd, Ni, Pb and Cu from artificially contaminated soil by Althaearosea Cavan.
9
Int. J. Phytoremediation. 17: 6. 568-574.
10
5.Chander, K., and Joergensen, R.G. 2008. Decomposition of Zn-rich Arabidopsis halleri
11
litter in low and high metal soil in the presence and absence of EDTA. Water Air Soil Pollut.
12
188: 1-4. 195-204.
13
6.Chander, K., and Joergensen, R.G. 2011. Soil microorganisms and the growth of Lupinus
14
albus on a high metal soil in the presence of EDTA. Arch. Agron. Soil Sci. 57: 2. 115-126.
15
7.Chapman, H.D. 1965. Cation exchange capacity. P 891-901, In: C.A. Black (Ed.), Methods of
16
Soil Analysis, American Society of Agronomy, Madison, WI.
17
8.Ciarkowska, K., Sołek-Podwika, K., and Wieczorek, J. 2014. Enzyme activity as an indicator
18
of soil-rehabilitation processes at a zinc and lead ore mining and processing area. J. Environ.
19
Manage. 132: 250-256.
20
9.Dick, R.P., Breakwell, D.P., Turco, R.F., Doran, J.W., and Jones, A.J. 1996. Soil
21
enzyme activities and biodiversity measurements as integrative microbiological indicators.
22
P 247-271, In: J.W. Doran and A.J. Jones (Ed.), Methods for assessing soil quality, Soil
23
Science Society of America, Madison, Wisconsin.
24
10.DoNascimento, C.W.A., Amarasiriwardena, D., and Xing, B. 2006. Comparison of natural
25
organic acids and synthetic chelates at enhancing phytoextraction of metals from a
26
multi-metal contaminated soil. Environ. Pollut. 140: 1. 114-123.
27
11.Evangelou, M.W., Ebel, M., Hommes, G., and Schaeffer, A. 2008. Biodegradation: the
28
reason for the inefficiency of small organic acids in chelant-assisted phytoextraction. Water
29
Air soil Pollut. 195: 1-4. 177-188.
30
12.Evangelou, M.W., Kutschinski-Klöss, S., Ebel, M., and Schaeffer, A. 2007. Potential of
31
Borago officinalis, Sinapis alba L. and Phacelia boratus for phytoextraction of Cd and Pb
32
from soil. Water Air Soil Pollut. 182: 1-4. 407-416.
33
13.Fatahi, E., Fotovat, A., Astaraei, A.R., and Haghnia, G.H. 2010. The effects of H2SO4 and
34
EDTA on phytoremediation of Pb in soil with three plant Sun flower, Zea mays and Cotton.
35
Journal of Science and Technology of Agriculture and Natural Resources, Water and Soil
36
Science. 51: 57-68. (In Persian)
37
14.Feng, D., Teng, Y., Wang, J., and Wu, J. 2016. The Combined Effect of Cu, Zn and Pb on
38
Enzyme Activities in Soil from the Vicinity of a Wellhead Protection Area. Soil Sediment
39
Contam. 25: 3. 279-295.
40
15.Fine, P., Paresh, R., Beriozkin, A., and Hass, A. 2014. Chelant-enhanced heavy metal uptake
41
by eucalyptus trees under controlled deficit irrigation. Sci. Total Environ. 493: 995-1005.
42
16.García-Ruiz, R., Ochoa, V., Hinojosa, M.B., and Carreira, J.A. 2008. Suitability of enzyme
43
activities for the monitoring of soil quality improvement in organic agricultural systems. Soil
44
Biol. Biochem. 40: 9. 2137-2145.
45
17.Gee, G.H., and Bauder, J.W. 1986. Particle size analysis. P 383-409, In: A. Klute (Ed.),
46
Methods of Soil Analysis, Part 2 physical properties, Soil Science Society of America,
47
Madison, Wisconsin.
48
18.Gupta, D.K., Huang, H.G., and Corpas, F.J. 2013. Lead tolerance in plants: strategies for
49
phytoremediation. Environ. Sci. Pollut. Res. 20: 4. 2150-2161.
50
19.Han, Y., Zhang, L., Gu, J., Zhao, J., and Fu, J. 2016. Citric acid and EDTA on the growth,
51
photosynthetic properties and heavy metal accumulation of Iris halophila Pall. cultivated in
52
Pb mine tailings. Int. Biodeterior. Biodegrad. Pp: 1-7.
53
20.He, Z.L., Yang, X.E., Baligar, V.C., and Calvert, D.V. 2003. Microbiological and
54
biochemical indexing systems for assessing quality of acid soils. Adv. Agron. 78: 89-138.
55
21.Hernández-allica, J., Garbisu, C., Becerril, J.M., Barrutia, O., García-plazaola, J.I., Zhao,
56
F.J., and McGrath, S.P. 2006. Synthesis of low molecular weight thiols in response to Cd
57
exposure in Thlaspi caerulescens. Plant Cell Environ. 29: 7. 1422-1429.
58
22.Hinojosa, M.B., Carreira, J.A., Rodríguez-Maroto, J.M., and García-Ruíz, R. 2008. Effects
59
of pyrite sludge pollution on soil enzyme activities: ecological dose–response model. Sci.
60
Total Environ. 396: 2. 89-99.
61
23.Huang, H., Li, T., Tian, S., Gupta, D.K., Zhang, X., and Yang, X.E. 2008. Role of EDTA in
62
alleviating lead toxicity in accumulator species of Sedum alfredii H. Bioresource Technol.
63
99: 14. 6088-6096.
64
24.Jones Jr, J.B. 2001. Laboratory guide for conducting soil tests and plant analysis. CRC press.
65
LLC, New York, 365p.
66
25.Kos, B., and Lestan, D. 2003. Influence of a biodegradable ([S, S]-EDDS) and
67
nondegradable (EDTA) chelate and hydrogel modified soil water sorption capacity on Pb
68
phytoextraction and leaching. Plant Soil. 253: 2. 403-411.
69
26.Lambrechts, T., Gustot, Q., Couder, E., Houben, D., Iserentant, A., and Lutts, S. 2011.
70
Comparison of EDTA-enhanced phytoextraction and phytostabilisation strategies with
71
Lolium perenne on a heavy metal contaminated soil. Chemosphere. 85: 8. 1290-1298.
72
27.Lee, J., and Sung, K. 2014. Effects of chelates on soil microbial properties, plant growth and
73
heavy metal accumulation in plants. Ecol. Eng. 73: 386-394.
74
28.Lindsay, W.L., and Norvell, W.A. 1978. Development of a DTPA soil test for zinc, iron,
75
manganese and copper. Soil Sci. Soc. Am. J. 42: 3. 421-428.
76
29.Loeppert, R.H., and Sparks, D.L. 1996. Carbonate and gypsum. P 437-474, In: D.L. Sparks
77
(Ed.), Methods of Soil Analysis, Part 3 chemical methods, Soil Science Society of America,
78
Madison, Wisconsin.
79
30.Luo, C., Shen, Z., and Li, X. 2005. Enhanced phytoextraction of Cu, Pb, Zn and Cd with
80
EDTA and EDDS. Chemosphere. 59: 1. 1-11.
81
31.Mao, L., Tang, D., Feng, H., Gao, Y., Zhou, P., Xu, L., and Wang, L. 2015. Determining soil
82
enzyme activities for the assessment of fungi and citric acid-assisted phytoextraction under
83
cadmium and lead contamination. Environ. Sci. Pollut. Res. 22: 24. 19860-19869.
84
32.Martens, R. 1992. A comparison of soil adenine nucleotide measurements by HPLC and
85
enzymatic analysis. Soil Bio. Biochem. 24: 7. 639-645.
86
33.McGrath, S.P., and Cunliffe, C.H. 1985. A simplified method for the extraction of the metals
87
Fe, Zn, Cu, Ni, Cd, Pb, Cr, Co and Mn from soils and sewage sludges. J. Sci. Food Agric.
88
36: 9. 794-798.
89
34.Muhammad, D., Chen, F., Zhao, J., Zhang, G., and Wu, F. 2009. Comparison of EDTA-and
90
citric acid-enhanced phytoextraction of heavy metals in artificially metal contaminated soil
91
by Typha angustifolia. Int. J. Phytoremediation. 11: 6. 558-574.
92
35.Mühlbachová, G. 2011. Soil microbial activities and heavy metal mobility in long-term
93
contaminated soils after addition of EDTA and EDDS. Ecol. Eng. 37: 7. 1064-1071.
94
36.Nannipieri, P., Grego, S., Ceccanti, B., Bollag, J.M., and Stotzky, G. 1990. Ecological
95
significance of the biological activity in soil. P 293-355, In: J.M. Bollag and G. Stotozky
96
(Eds.), Soil biochemistry, Volume 6, Marcel Dekker, New York.
97
37.Nannipieri, P., Kandeler, E., and Ruggiero, P. 2002. Enzyme Activities and Microbiological
98
and Biochemical Processes In Soil. P 1-33, In: R.G. Burn and R. Dick (Eds.), Enzymes in the
99
Environment, Marcel Dekker, New York.
100
38.Nannipieri, P., Pankhurst, C.E., Doube, B.M., Gupta, V.V.S.R., and Grace, P.R. 1994.
101
The potential use of soil enzymes as indicators of productivity, sustainability and pollution.
102
P 238-244, In: C.E. Pankhurst, B.M. Doube, V.V.S.R. Gupta and P.R. Grace (Eds.), Soil
103
biota: management in sustainable farming systems, CSIRO Publications, Madison.
104
39.Nowack, B., Schulin, R., and Robinson, B.H. 2006. Critical assessment of chelant-enhanced
105
metal phytoextraction. Environ. Sci. Technol. 40: 17. 5225-5232.
106
40.Olsen, S.R., and Sommers, L.E. 1982. Phosphorus. P 4013-430, In: A. Klute (Ed.), Methods
107
of Soil Analysis, Part1 chemical and biological properties, Soil Science Society of America,
108
Madison, Wisconsin.
109
41.Pan, J., and Yu, L. 2011. Effects of Cd or/and Pb on soil enzyme activities and microbial
110
community structure. Ecol. Eng. 37: 11. 1889-1894.
111
42.Renella, G., Egamberdiyeva, D., Landi, L., Mench, M., and Nannipieri, P. 2006. Microbial
112
activity and hydrolase activities during decomposition of root exudates released by an
113
artificial root surface in Cd-contaminated soils. Soil Biol. Biochem. 38: 4. 702-708.
114
43.Sabir, M., Hanafi, M.M., Zia-Ur-Rehman, M., Saifullah, M.H., Ahmad, H.R., Hakeem,
115
K.R., and Aziz, T. 2014. Comparison of low-molecular-weight organic acids and
116
ethylenediaminetetraacetic acid to enhance phytoextraction of heavy metals by maize.
117
Commun. Soil Sci. Plant Anal. 45: 1. 42-52.
118
44.Saifullah, M.H., Ghafoor, A., Zia, M.H., Murtaza, G., Waraich, E.A., Bibi, S., and Srivastava,
119
P. 2010. Comparison of organic and inorganic amendments for enhancing soil lead
120
phytoextraction by wheat (Triticum aestivum L.). Int. J. Phytoremediation. 12: 7. 633-649.
121
45.Saifullah, M.H., Shahid, M., Zia-Ur-Rehman, M., Sabir, M., and Ahmad, H.R.
122
2014. Phytoremediation of Pb-Contaminated Soils Using Synthetic Chelates. P 397-414,
123
In: M. Sabir and H.R. Ahmad (Eds.), Soil Remediation and Plants: Prospects and
124
Challenges, Elsevier Inc.
125
46.Sapoundjieva, K., Kartalska, Y., Vassilev, A., Naidenov, M., Kuzmanova, I., and Krastev, S.
126
2003. Effects of the chelating agent EDTA on metal solubility in the soil, metal uptake and
127
performance of maize plants and soil microorganisms. Bulg. J. Agric. Sci. 9: 659-663
128
(Bulgaria).
129
47.Shakoor, M.B., Ali, S., Hameed, A., Farid, M., Hussain, S., Yasmeen, T., Najeeb, U.,
130
Bharwana, S.A., and Abbasi, G.H. 2014. Citric acid improves lead (Pb) phytoextraction in
131
Brassica napus L. by mitigating Pb-induced morphological and biochemical damages.
132
Ecotoxicol. Environ. Saf. 109: 38-47.
133
48.Sun, Y.B., Zhou, Q.X., An, J., Liu, W.T., and Liu, R. 2009. Chelator-enhanced
134
phytoextraction of heavy metals from contaminated soil irrigated by industrial wastewater
135
with the hyperaccumulator plant (Sedum alfredii Hance). Geoderma. 150: 1. 106-112.
136
49.Tabatabai, M.A., and Bremner, J.M. 1969. Use of p-nitrophenyl phosphate for assay of soil
137
phosphatase activity. Soil Biol. Biochem. 1: 4. 301-307.
138
50.Tabatabai, M.A., and Bremner, J.M. 1972. Assay of urease activity in soils. Soil Biol.
139
Biochem. 4: 4. 479-487.
140
51.Thalmann, A. 1966. The determination of the dehydrogenase activity in soil by means of
141
TTC (triphenyltetrazolium). Soil Biol. 6: 46-49.
142
52.Tian, S.K., Lu, L.L., Yang, X.E., Huang, H.G., Brown, P., Labavitch, J., Liao, H.B., and He,
143
Z.L. 2011. The impact of EDTA on lead distribution and speciation in the accumulator
144
Sedum alfredii by synchrotron X-ray investigation. Environ. Pollut. 159: 3. 782-788.
145
53.Usman, A.R., Almaroai, Y.A., Ahmad, M., Vithanage, M., and Ok, Y.S. 2013. Toxicity of
146
synthetic chelators and metal availability in poultry manure amended Cd, Pb and As
147
contaminated agricultural soil. J. Hazard. Mater. 262: 1022-1030.
148
54.Vassil, A.D., Kapulnik, Y., Raskin, I., and Salt, D.E. 1998. The role of EDTA in lead
149
transport and accumulation by Indian mustard. Plant Physiol. 117: 2. 447-453.
150
55.Vigliotta, G., Matrella, S., Cicatelli, A., Guarino, F., and Castiglione, S. 2016. Effects of
151
heavy metals and chelants on phytoremediation capacity and on rhizobacterial communities
152
of maize. J. Environ. Manage. 179: 93-102.
153
56.Walkley, A., and Black, I.A. 1934. An examination of the Degtjareff method for determining
154
soil organic matter and a proposed modification of the chromic acid titration method. Soil
155
Sci. 37: 1. 29-38.
156
57.Wenzel, W.W., Unterbrunner, R., Sommer, P., and Sacco, P. 2003. Chelate-assisted
157
phytoextraction using canola (Brassica napus L.) in outdoors pot and lysimeter experiments.Plant Soil. 249: 1. 83-96.58.Wu, L.H., Luo, Y.M., Xing, X.R., and Christie, P. 2004. EDTA-enhanced phytoremediationof heavy metal contaminated soil with Indian mustard and associated potential leaching risk.Agric. Ecosyst. Environ. 102: 3. 307-318.59.Yang, L., Wang, G., Cheng, Z., Liu, Y., Shen, Z., and Luo, C. 2013. Influence of theapplication of chelant EDDS on soil enzymatic activity and microbial community structure.J. Hazard. Mater. 262: 561-570.60.Yang, Z.X., Liu, S.Q., Zheng, D.W., and Feng, S.D. 2006. Effects of cadmium, zinc and leadon soil enzyme activities. J. Environ. Sci. 18: 6. 1135-1141.61.Zhang, H., Chen, X., He, C., Liang, X., Oh, K., Liu, X., and Lei, Y. 2015. Use of energycrop (Ricinus communis L.) for phytoextraction of heavy metals assisted with citric acid.Int. J. Phytoremediation. 17: 7. 632-639.
158
ORIGINAL_ARTICLE
کاربرد روش درختان تصمیمگیری تصادفی در پیشبینی کلاسهای خاک در اراضی با پستی و بلندی کم ( مطالعه موردی: شهرستان هیرمند)
سابقه و هدف: شناسایی و نقشه برداری خاک، به عنوان روشی برای تعیین الگوی پراکنش خاک، توصیف و نمایش آن به شکل قابل فهم و تفسیر برای کاربران مختلف، پایه و اساس اطلاعات خاک برای مدل سازی های محیطی می باشد. نقشهبرداری رقومی خاک شامل ایجاد ارتباط بین کلاسها یا خصوصیات خاک با فاکتورهای محیطی دخیل در تشکیل و تکامل خاک با استفاده از مدلهای ریاضی است که میتواند نقشههای خاک دقیقتر و یکدستتر در زمان کمتر با ارائه میزان دقت و صحت ایجاد نماید و باعث کاهش هزینههای پروژههای شناسایی و تهیه نقشههای خاک گردد. این پژوهش جهت تهیه نقشه کلاسهای گروههای بزرگ و زیرگروههای خاک با استفاده از تکنیک درختان تصمیم گیری تصادفی در اراضی شهرستان هیرمند در دشت سیستان انجام گرفت.مواد و روشها: در این مطالعه 108 پروفیل خاک در سطحی حدود 60000 هکتار از اراضی شهرستان هیرمند حفر گردید. 16متغیر محیطی شامل خصوصیات زمین، شاخص شوری و شاخص پوشش گیاهی به عنوان تخمینگر برای تهیه نقشه خاک، مورد استفاده قرار گرفته شدند. پس از تعیین گروههای بزرگ و زیرگروههای خاک، نقشه کلاسهای خاک با استفاده از روش درختان تصمیم گیری تصادفی (RF) تهیه شد. شایان ذکر است که 80 درصد داده در آموزش مدل و 20 درصد برای اعتبارسنجی مستقل استفاده شدندیافتهها: نتایج مطالعات خاکشناسی نشان داده که خاکهای تشکیل شده در دشت سیستان تکامل زیادی نداشتند و عمدتا در ردههای انتیسول و اریدیسول قرار دارند. بیشترین تعداد خاکرخ در گروههای بزرگ مربوط به Torrifluvents، و بیشترین تعداد خاکرخ در زیرگروههای بزرگ مربوط به Typic Torrifluvents بود. همچنین نتایج روش RF نشان داد که کمترین مقدار خطای تخمین نمونههای خارج از سبد در گروههای بزرگ و زیرگروههای خاک به ترتیب53/43 و 59/50 بود. نتایج اعتبار سنجی مستقل نشان داد که بهترین دقت بدست آمده برای گروههای بزرگ و زیرگروههای بزرگ خاک به ترتیب 48 و 53 درصد بود. بین متغیرهای مختلف محیطی عمق شیارها، شاخص همگرایی، شبکه کانالها و شوری در گروههای بزرگ خاک و عمق شیارها، ارتفاع و سطح حوزه در زیرگروههای خاک دارای بیشترین اهمیت در تخمین کلاسهای خاک بودند. نتیجهگیری: نتایج نشان داد که در مناطق خشک با پستی و بلندی کم خاکها عمدتا جوان هستند و همچنین در این مناطق تنوع خاک کم است. در چنین مناطقی روش نقشهبرداری رقومی و تکنیک درختان تصمیم گیری تصادفی میتواند برای پیشبینی کلاسهای خاک و تهیه نقشههای خاک بسیار مفید بوده و مورد استفاده قرار گیرد. کلمات کلیدی: نقشهبرداری رقومی خاک، تکنیک درختان تصمیمگیری تصادفی، دقت نقشه، مناطق خشک، دشت سیستان
https://jwsc.gau.ac.ir/article_3577_c7851b1a49d89163d15a9c96321ac348.pdf
2017-03-21
67
84
10.22069/jwfst.2017.12396.2700
نقشهبرداری رقومی خاک
تکنیک درختان تصمیمگیری تصادفی
دقت نقشه
مناطق خشک
دشت سیستان
خلیل اله
میرک زهی
mirakzahi93@gmail.com
1
گروه علوم و مهندسی خاک، دانشگاه زابل، زابل، ایران
AUTHOR
علی
شهریاری
shahriariali.uoz@gmail.com
2
گروه علوم خاک، دانشگاه زابل
LEAD_AUTHOR
محمدرضا
پهلوان راد
pahlevan354@yahoo.com
3
بخش تحقیقات خاک و آب، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی سیستان، سازمان تحقیقات، آموزش و ترویج کشاورزی، زابل، ایران
AUTHOR
ابوالفضل
بامری
abolfazl_bameri@yahoo.com
4
گروه علوم و مهندسی خاک، دانشگاه زابل، زابل، ایران
AUTHOR
ebkit-text-size-adjust: auto; -webkit-1.Al-Masrahy, M.A., and Mountney, N.P. 2015. A classification scheme for fluvial–aeolian
1
system interaction in desert-margin settings. Aeolian Research. 17: 67-88.
2
2.Barthold, F.K., Wiesmeier, M., Breuer, L., Frede, H.G., Wu, J., and Blank, F.B. 2013. Land
3
use and climate control the spatial distribution of soil types in the grasslands of Inner
4
Mongolia. J. Arid Environ. 88: 194-205.
5
3.Behrens, T., Förster, H., Scholten, T., Steinrücken, U., Spies, E.D., and Goldschmitt, M. 2005.
6
Digital soil mapping using artificial neural networks. J. Plant Nutr. Soil Sci. 168: 21-33.
7
4.Behrens, T., Schmidt, K., Zhu, A.X., and Scholten, T. 2010. The ConMap approach for
8
terrainbased digital soil mapping. Eur. J. Soil Sci. 61: 133-143.
9
5.Boer, M., DelBarrio, G., and Puigdefabregas, J. 1996. Mapping soil depth classes in dry
10
Mediterranean areas using terrain attributes derived from a digital elevationmodel.
11
Geoderma. 72: 99-118.
12
6.Breiman, L., and Cutler, A. 2004. Random Forests. Department of Statistics, University of
13
Berkeley. http://www.stat.berkeley.edu/~breiman/RandomForests/cc_home.htm.
14
7.Brungard, C.B., and Boettinger, J.L. 2012. Spatial prediction of biological soil crust classes;
15
value added DSM from soil survey. P 57-60, In: B. Minasny, B.P. Malone and A.
16
McBratney (Eds.), Digital Soil Assessments and Beyond Proceedings of the 5th
17
GlobalWorkshop on Digital Soil Mapping. CRC Press, Sydney.
18
8.Brungard, C.W. 2009. Alternative Sampling and Analysis Methods for Digital Soil Mapping
19
in Southwestern Utah. Thesis for Master of Science, Utah State University. USA.
20
9.Brungard, C.W., Boettinger, J.L., Duniway, M.C., Wills, S.A., and Edwards Jr., T.C. 2015.
21
Machine learning for predicting soil classes in three semi-arid landscapes. Geoderma.
22
239-240: 68-83.
23
10.Buol, S.W., Southard, R.J., Graham, R.C., and McDaniel, P.A. 2011. Soil genesis and
24
classification. 6th edition. Iowa State Univ. Press. Ames. Iowa, 556p.
25
11.Campling, P., Gobin, A., and Feyen, J. 2002. Logisticmodeling to spatially predict the
26
probability of soil drainage classes. Soil Sci. Soc. Am. J. 66: 1390-1401.
27
12.Cook, S.E., Jarvis, A., and Gonzalez, J.P. 2008. A New Global Demand for Digital Soil
28
Information. P 31-43, In: A.E. Hartemink, A. McBratney and M.L. Mendonca-Santos (Eds.),
29
Digital Soil Mapping with Limited Data. Springer, Dordrecht Heidelberg London New York.
30
13.Grunwald, S. 2010. Current State of Digital Soil Mapping and What Is Next. P 3-12, In: J.L.
31
Boettinger, D.W. Howel, A.C. Moore, A.E. Hartemink and S. Kienast-Brown (Eds.), Digital
32
Soil Mapping: Bridging Research, Environmental Application and Operation. Springer.
33
Dordrecht Heidelberg London New York.
34
14.Hastie, T., Tibshirani, R., and Friedman, J.H. 2001. The Elements of Statistical Learning:
35
Data Mining, Inference and Prediction. Springer, New York.
36
15.Hengl, T., and Reuter, H.I. 2008. Geomorphometry. Concepts, Software, Applications.
37
Developments in Soil Science. Elsevier, Amsterdam.
38
16.Hengl, T., Toomanian, N., Reuter, H.I., and Malakouti, M.J. 2007. Methods to interpolate soil
39
categorical variables from profile observations: lessons from Iran. Geoderma. 140: 417-427.
40
17.Heung, B., Bulmer, C.E., and Schmidt, M.G. 2014. Predictive soil parent material mapping
41
at a regional–Scale: A random forest approach. Geoderma. 214-215: 141-154.
42
18.Jafari, A., Ayoubi, S., Khademi, H., Finke, P.A., and Toomanian, N. 2013. Selection of a
43
taxonomic level for soil mapping using diversity and map purity indices: a case study from
44
an Iranian arid region. Geomorphology. 201: 86-97.
45
19.Jafari, A., Finke, P.A., Van deWauw, J., Ayoubi, S., and Khademi, H. 2012. Spatial prediction
46
of USDA-great soil groups in the arid Zarand region, Iran: comparing logistic regression
47
approaches to predict diagnostic horizons and soil types. Eur. J. Soil Sci. 63: 284-298.
48
20.Jenny, H. 1941. Factors of Soil Formation: A System of Quantitative Pedology. McGrawHill, New York.
49
21.Lieb, M., Glaser, B., and Huwe, B. 2012. Uncertainty in the spatial prediction of soil texture
50
comparison of regression tree and random forest models. Geoderma. 170: 70-79.
51
22.Liu, J., Pattey, E., Nolin, M.C., Miller, J.R., and Ka, O. 2008. Mapping within-field soil
52
drainage using remote sensing, DEM and apparent soil electrical conductivity. Geoderma.
53
143: 261-272.
54
23.McBratney, A.B., Mendonça Santos, M.L., and Minasny, B. 2003. On digital soil mapping.
55
Geoderma. 117: 1-2. 3-52.
56
24.Minasny, B., McBratney, A.B., and Hartemink, A.E. 2010. Global pedodiversity, taxonomic
57
distance and the World Reference Base. Geoderma. 155: 132-139.
58
25.Moonjun, R., Farshad, A., Shrestha, D.P., and Vaiphasa, C. 2010. Artificial neural network
59
and decision tree in predictive soil mapping of Hoi Num Rin sub-watershed, Thailand.
60
P 151-164, In: J.L. Boettinger, D.W. Howell, A.C. Moore, A.E. Hartemink and S.
61
Kienast-Brown (Eds.), Digital Soil Mapping: Bridging Research, Environmental Application
62
and Operation. Springer, Dordrecht.
63
26.National soil survey center. 2012. Field book for describing and sampling soils, Ver. 3. U.S.
64
department of agriculture, Natural resources conservation service.
65
27.Pahlavan Rad, M.R., Toomanian, N., Khormali, F., Brungard, C.W., Komaki, C.B., and
66
Bogaert, P. 2014. Updating soil survey maps using random forest and conditional latin
67
hypercube sampling in the loess soil of northern Iran. Geoderma. 232-234: 97-106.
68
28.Pahlavan Rad, M.R., Toomanian, N., Khormali, F., Brungard, C.W., Komaki, C.B., and
69
Bogaert, P. 2016. Legacy soil maps as a covariate in digital soil mapping: A case study from
70
northern Iran. Geoderma. 279: 141-148.
71
29.Pahlavan Rad, M.R. 2014. Mapping and Updating Soil Map Using Random Forest and
72
Multinomial Logistic Regression in Golestan Province. Phd Thesis, Gorgan University of
73
Agricultural Sciences and Natural Resources, 114p.
74
30.Pahlavan Rad, M.R., Toomanian, N., Khormali, F., Brungard, C.W., Komaki, C.B., and
75
Bogaert, P. 2014. Digital soil mapping using random decision tree models in Golestan
76
province. J. Water Soil Cons. 21: 6. 73-93. (In Persian)
77
31.Poggio, L., Gimona, A., and Brewer, M.J. 2013. Regional scale mapping of soil properties
78
and their uncertainty with a large number of satellite-derived covariates. Geoderma.
79
209-210: 1–14.
80
32.Roecker, S.M., Howell, D.W., Haydu-Houdeshell, C.A., and Blinn, C. 2010. A Qualitative
81
Comparison of Conventional SoilSurvey and Digital Soil Mapping Approaches. P 369-384,
82
In: J.L. Boettinger, D.W. Howell, A.C. Moore, E.A. Hartemink and S. Kienast-Brown
83
(Eds.), Digital Soil Mapping: Bridging Research, Environmental Application and Operation.
84
Progress in Soil Science. Springer, New York.
85
33.Schaetzl, R.J., and Anderson, S. 2005. Soils: Genesis and Geomorphology. Cambridge
86
University Press, 833p.
87
34.Soil Survey Staff. 2014. Keys to soil Taxonomy, 12th ed. U.S. department of agriculture,
88
Natural resources conservation service.
89
35.Stum, A.K., Boettinger, J.L., White, M.A., and Ramsey, R.D. 2010. Random Forests applied
90
as a soil spatialpredictive model in arid Utah. P 179-189, In: J.L. Boettinger, D. Howell,
91
A.C. Moore, A. Hartemink and E.S. Kienast-Brown (Eds.), Digital SoilMapping:Bridging
92
Research, Environmental Application and Operation. Progress in Soil Science. Springer,
93
Logan, USA.
94
36.Taghizadeh-Mehrjardi, R., Minasny, B., Sarmadian, F., and Malone, B.P. 2014. Digital
95
mapping of soil salinity in Ardakan region, central Iran. Geoderma. 213: 15-28.
96
37.Were, K., Bui, D.T., Disk, B., and Singl, B.R. 2015. A comparative assessment of support
97
vector regression, artificial neural networks and random forest for predicting soil organic
98
carbon stocks across an afromonkane land scape. Ecological indicator. Pp: 394-403.
99
38.Wilson, J.P., and Gallant, J.C. 2000. Terrain Analysis: Principles and Applications. In: G.J.
100
Wilson JP (Ed.), Digital terrain analysis. John Wiley, New York, 478p.
101
39.Xiong, X., Grunwald, S., Myers, D.B., Kim, J., Harris, W.G., and Comerford, N.B. 2012.
102
Which soil, environmental and anthropogenic covariates for soil carbon models in Florida
103
are needed? P 335-339, In: B. Minasny, B.P. Malone and A. McBratney (Eds.), Digital Soil
104
Assessments and Beyond: Proceedings of the 5th Global Workshop on Digital SoilMapping.
105
CRC Press, Sydney.
106
40.Yokoyama, R., Shirasawa, M., and Pike, R.J. 2002. Visualizing topography by openness: a
107
new application of image processing to digital elevation models. Photogramm. Eng. Remote
108
Sens. 68: 257-266.
109
ORIGINAL_ARTICLE
حذف نیترات از سیلاب شهری توسط فرآیند فیلترهای چند گانه
چکیدهسابقه و هدف: در طی دو قرن اخیر، میزان تولید و مصرف نیترات به خصوص در بخش کشاورزی افزایش چشمگیری داشته است. در حال حاضر بسیاری از نقاط جهان حتی در ایران با مشکل بالا بودن غلظت نیترات در آب آشامیدنی روبه رو هستند که مهمترین علت آن ورود روانابهای کشاورزی و فاضلابهای شهری و صنعتی به منابع آبی به خصوص آبهای زیرزمینی میباشد. مصرف آب آلوده به نیترات، همواره با مواد غذایی محتوای نیترات بالا میتواند باعث ورود مقدار زیادی نیترات به بدن گردد. هدف نهایی این تحقیق، طراحی و بررسی یک سیستم تصفیه نفوذپذیر فعال به منظور حذف نیترات موجود در رواناب میباشد. مواد و روشها: در این پژوهش، لایههای متناوب از فیلترهای ژئوتکستایل بافتهنشده و خاک دانهای برای کاهش و حذف آلودگی به کار گرفته شدند. این لایهها، از نظر قابلیت نفوذپذیری و قدرت جذب حائز اهمیت میباشند. در انتخاب مواد به نکاتی از جمله کارایی آن در حذف آلودگی، در دسترس بودن و تا حد امکان ارزانقیمت بودن آن توجه شده است. یافتهها: پس از انجام آزمایشهای نفوذپذیری، نسبت اختلاط وزنی مواد بهکاررفته در PRB به صورت 25% ماسه، 25% آنتراسیت، 20% زئولیت، 20% براده آهن و 10% خاک اره چوب سپیدار در نظر گرفته شد. در آزمایشهای ناپیوسته مشاهده شده است که در 7=pH حداکثر راندمان جذب نیترات توسط زئولیت حدود 69%، خاک اره 29% و براده آهن 12% میباشد. نتایج جذب نیترات توسط ترکیب نهایی PRB در غلظتهای مختلف نیترات در شرایط pH بهینه و ثابتماندن سایر پارامترها نشان میدهد که بیشترین جذب مربوط به غلظتmg L-1150 و در حدود 83% اتفاق میافتد و هرچه غلظت اولیه نیترات بیشتر شود، میزان جذب افزایش مییابد. همچنین حذف نیترات با میزان جاذب یکسان و pH بهینه در زمانهای مختلف برای تعیین زمان تعادل انجام گرفت و حداکثر حذف 100% در زمان تعادل 96 ساعت حاصل گردید. در آزمایش ستون انجامشده جهت حذف آلودگی، فیلتر قادر بود تا پس از رشد توده بیولوژیک در محیط خود، نیترات را به میزان 99% بعد از 9 روز کاهش داده و میزان نهایی آن را از mg L-1100 به mg L-11 کاهش دهد. نتیجه گیری: لایههای نفوذپذیر فعال با درصد اختلاط وزنی طراحیشده، دارای قابلیت جذب نیترات تا حد زیاد و در مدت زمان کم میباشد. شستوشوی مواد جاذب و رفع آلودگی، افزایش سطح مخصوص جاذب را باعث میشود و بنابراین قدرت جذب بالا می-رود.واژههای کلیدی: فیلتر خاکی بیولوژیکی، حذف نیترات، تصفیه رواناب شهری، جذب، مواد جاذب ارزانقیمت.
https://jwsc.gau.ac.ir/article_3578_f11b09cee65d056b4fb12d642488592b.pdf
2017-03-21
85
101
10.22069/jwfst.2017.12111.2665
فیلتر خاکی بیولوژیکی
حذف نیترات
تصفیه رواناب شهری
جذب
مواد جاذب ارزانقیمت
سمیه
سیروس پور
s.sirospor@gmail.com
1
مربی دانشگاه آزاد اسلامی واحد رامهرمز
AUTHOR
منصور
پرویزی
parvizi@yu.ac.ir
2
استادیار دانشگاه دولتی یاسوج، گروه مهندسی عمران
LEAD_AUTHOR
محمد
پروین نیا
mparvinnia@yu.ac.ir
3
استادیار گروه مهندسی عمران و محیط زیست، دانشگاه یاسوج
AUTHOR
اردشیر
شکرالهی
ashokrollahi@yu.ac.ir
4
دانشیار گروه شیمی، دانشگاه علوم پایه یاسوج
AUTHOR
auto; -webkit-text-stroke-width: 0px; 1.World Health Organization. 1971. International standards for drinking-water, 3rd ed. Geneva:
1
World Health Organiza-tion.
2
2.Gilchrist, M., Winyard, P.G., and Benjamin, N. 2010. Review; Dietary nitrate – Good or bad?,
3
Nitric Oxide. 22: 104-109.
4
3.Camargo, J.A., Alonso, A., and Salamanca, A. 2005. Nitrate Toxicityto Aquatic Animals: a
5
Review with New Data for Freshwater Invertebrates, Chemosphere. 58: 1255-1267.
6
4.EVS, Nitrate and Nitrite. 2005. Human Health Fact Sheet. Argonne National Laboratory,
7
5.DES. Nitrate and Nitrite: Health Information Summary. 2006. Environmental Fact Sheet. New
8
Hampshire Department of Environmental Services. ARD-EHP-16.
9
6.Soejima, T. 2002. In Situ Remediation of Nitrate-Contaminated Grounwater Using a
10
Permeable Reactive Barrier, Environmental Geotechnics (4th ICEG). de Mello and Almeida.
11
2: 811-816.
12
7.Parvinnia, M. 2007. Filterability and Recovery of Civic Floods Using Active Penetrable
13
Layers, PhD Thesis. University of Shiraz. Department of civil and road engineering.
14
8.Yaman, C. 2003. Geotextiles as Biofilm Filters in Wastewater Treatment, PhD Thesis.
15
Department of Environmental Engineering. Drexel University. Philadelphia.
16
9.Mohammed, T., Vigneswaran, S., and Kandasamy, J. 2010. Biofiltration as Pre Treatment to
17
Water Harvesting and Recycling, Water Sci. Technol.
18
10.Amini, S. 1997. Filtration of color sewage in sewing factories using surface adsorbents with
19
the aim of recovery, the 4th international conference of civil engineering.
20
11.Patil, S.B., and Chore, H.S. 2015. Experimental and Numerical Modeling of Solute
21
Transport Through Porous Media, Inter. J. Engin. Res. Pp: 244-249.
22
12.Harris, B. 2004. PRB’s and their role in thesustainable remediation of groundwater, Belfast
23
Northern Irland.
24
13.Delbazi, N., Ahmadi Moghadam, M., Takdastan, A., and Jafar Zade Haghighi Fard, N. 2011.
25
A Comparison of Filter Performance Layer of Sand-Floor and Bilayer Filter with Lika and
26
Anthracite Floors in the Removal of Organic Matter and Turbidity, J. Health Environ. J. Sci.
27
Res. 3: 301-312.
28
14.Afandi Zade, SH. 1988. Geotextiles (Textiles species), J. Road. 17: 13-21.
29
15.Naddafi, K., and Gholami, M. 2014. Removal of Reactive Red 120 from aqueous solutions
30
using surface modified natural zeolite, J. Health Environ. 3: 7. 276-288.
31
16.Kamali, M., and Haji, S. 2011. Application of zeolite in water and wastewater treatment,
32
First Conference on Biology Environmental Refining Technologies.
33
17.Hosseini, M., Kholghi, M., Ataee Ashtiani, B., and Bagheri Mohagheghi, M.M. 2011.
34
Laboratorial Study of Reduction of Nitrate from Drinkable Water Using Bimetal
35
Nanoparticles Of Iron/ Copper, J. Water Soil. 1: 94-103.
36
18.Ghasemian, M.K. 2010. Modeling of Biologic Soil Filters for Removal of Organic Materials
37
Solved in Civil Floods, M.Sc. Thesis. Department of Civil Engineering. Yasouj University.
38
19.Öztürk, N., and Bektaş, T.E. 2004. Nitrate Removal from Aqueous Solution by Adsorption
39
Onto Various Materials, J. Hazard. Mater. 112: 1. 62-155.
40
20.Fouladshekan, F., and Rahnemaie, R. 2015. Using Quartz-Supported Zero-Valent Iron
41
Nanoparticles for Removing Nitrate in Equilibrium and Fluid Systems, J. Water Soil Cons.
42
22: 2. 219-227.
43
21.Huang, C.P. et al. 1998. Nitrate Reduction by Metallic Iron, Wat. Res. 32: 8. 2257-2264.
44
22.Islam, M., and Patel, R. 2010. Synthesis and Physicochemical Characterization of Zn/Al
45
Chloride Layered Double Hydroxide and Evaluation of Its Nitrate Removal Efficiency,
46
Desalination. 256: 1-3. 8-120.
47
ORIGINAL_ARTICLE
اندازه گیری تغییرات مخازن فعال کربن آلی و برخی از خصوصیات خاک درختان جنگلی شمال ایران (پژوهش موردی: ایستگاه تحقیقات بذر و نهال گونههای جنگلی شلمان، استان گیلان)
سابقه و هدف: شناخت تأثیر متفاوت درختان جنگلی بر ویژگیهای کیفی خاک، دورنمای کنترل سلامت خاک را در مدیریتهای پایدار متصور میسازد و میتوان ترمیم و رفع آسیبهای وارده بر اکوسیستمهای طبیعی را از طریق انتخاب صحیح گونههای درختی مدیریت نمود. در این پژوهش به منظور انتخاب گونههای درختی مناسب جنگلکاری، ایستگاه تحقیقات بذر و نهال گونههای جنگلی شلمان استان گیلان به عنوان منطقه مورد مطالعه انتخاب و میزان ذخایر (موجودی) کربن آلی خاک و تأثیر گونههایی از درختان پهنبرگ و سوزنیبرگ بر خصوصیات خاک مورد بررسی قرار گرفت و در نهایت جهت معرفی شاخصهای حساس کیفیت و سلامت خاک، مخازن فعال کربن آلی خاک مورد بررسی قرار گرفتند.مواد و روشها: پس از حفر خاکرخهایی به عمق 200 سانتیمتر در خاکهای تحت پوشش گونههای درختی مختلف، شامل کاج تدا (Pinus taeda)، دارتالاب (Taxodium distichum)، اُرس (Juniperus polycarpos)، توسکا (Alnus glutinosa)، بلوط بلندمازو (Quercus castaneifolia) و سفیدپلت (Populus caspica) نمونهبرداری از ده لایه 20 سانتیمتری از سطح به عمق انجام شد. در نمونه های 20-0، 40-20، 60-40 و 80-60 سانتیمتر میزان ظرفیت تبادل کاتیونی، میانگین وزنی قطر خاکدانهها، هدایت الکتریکی، اسیدیته، چگالی ظاهری، کربن آلی و مخازن فعال (لبایل) اندازه گیری شدند و برای محاسبه میزان ذخایر (موجودی) کربن خاک نمونههای کلیه ضخامتهای 200-0 سانتیمتر در نظر گرفته شدند. پس از تجزیه واریانس دوطرفه، دادهها بر اساس متغیرهای مستقل(گونه درختی و عمق) در قالب طرح بلوک کاملا تصادفی مورد آنالیز آماری قرار گرفته و جهت تعیین شاخصهای حساس کیفیت، روش همبستگی پیرسون مورد استفاده قرار گرفت. یافتهها: نتایج اولیه بیانگر تأثیر خصوصیات خاک توسط گونههای درختی مورد پژوهش در طول عمق خاک بودند. به استثنای هدایت الکتریکی، اسیدیته و چگالی ظاهری نتایج حاصل از تجزیه واریانس دادهها بیانگر تاثیر معنیدار نوع پوشش گیاهی و عمق خاک بر ویژگیهای مورد بررسی بود. بیشترین تأثیر نوع پوشش گیاهی بر ویژگیهای مورد بررسی در ضخامتهای سطحی خاک مشاهده گردید. در این رابطه و در مقایسه با سایر ضخامتهای مورد بررسی، بیشترین نوسانات در مقدار ظرفیت تبادل کاتیونی و همچنین میانگین وزنی قطر خاکدانهها به ترتیب در خاکهای تحت پوشش توسکا و ارس؛ و توسکا و دارتالاب در ضخامت 20-0 سانتیمتری مشاهده گردید. همچنین بیشترین میزان نیتروژن کل و کربن آلی خاک به طور مشابه در ضخامت 20-0 سانتیمتری به ترتیب درخاکهای تحت پوشش توسکا > بلوط > سفیدپلت > ارس > دارتالاب > کاج تدا مشاهده شد. بیشترین میزان ذخایر (موجودی) کربن تا عمق 200 سانتیمتری به مقدار 24/206 تن در هکتار و کمترین مقدار به میزان 94/136 تن در هکتار به ترتیب در خاکهای تحت پوشش توسکا و کاج تدا محاسبه گردید.نتیجهگیری: گونههای پهنبرگ به ویژه درختان توانمند در تثبیت نیتروژن هوا مانند توسکا بیشترین تأثیر را بر ویژگیهای کیفی خاک داشتند. در گونههای پهنبرگ علاوه بر میزان بالای ذخایر (موجودی) کربن الی خاک، توزیع کربن آلی نیز با یکنواختی بیشتری در طول عمق خاک همراه بود. در نهایت طبق نتایج حاصل از همبستگی صفات کیفی خاک و مخازن فعال کربن، شاخص کیفی واحدی تشخیص داده نشده بلکه مجموعهای از این مخازن به عنوان شاخصهای حساس سلامت و کیفیت خاک معرفی شدند.
https://jwsc.gau.ac.ir/article_3579_aade2d612ebafaeada1474116295c2f5.pdf
2017-03-21
103
119
10.22069/jwfst.2017.11171.2552
"مخازن فعال (لبایل) کربن"
"کربن محلول در آب"
"ذخیره (موجودی) کربن"
کریم
آتش نما
k_atashnama@znu.ac.ir
1
جهاد کشاورزی استان قم
LEAD_AUTHOR
احمد
گلچین
agolchin2011@yahoo.com
2
استاد گروه خاکشناسی دانشگاه زنجان
AUTHOR
عبداله
موسوی کوپر
abdy_mo@yahoo.com
3
مرکز تحقیقات کشاورزی و منابع طبیعی گیلان مسئول ایستگاه تحقیقات صنوبر صفرابسته
AUTHOR
2; word-spacing: 0px; -webkit-text-si1.Alvarez, E., Fernandez Marcos, M.L., Torrado, V., and Fernandez Sanjurjo, M.J. 2008.
1
Dynamics of macronutrients during first stage of litter decomposition from forest species in a
2
temperate area (Galicia, NW Spain). Nutrient Cycling in Agroecosystems. 80: 3. 243-256.
3
2.An, S., Mentler, A., Mayer, H., and Blum, W.E.H. 2010. Soil aggregation, aggregate stability,
4
organic carbon and nitrogen in different soil aggregate fractions under forest and shrub
5
vegetation on the Loess Plateau, China. Catena. 81: 226-233.
6
3.Barbier, S., Gosseline, F., and Balandier, P. 2008. Influence of tree species on understory
7
vegetation diversity and mechanisms involved-A critical review for temperate and boreal
8
forests. Forest Ecology and Management. 254: 1-15.
9
4.Beheshti, A., Raiesia, F., and Golchin, A. 2012. Soil properties, C fractions and their
10
dynamics in land use conversion from native forests to croplands in northern Iran.
11
Agriculture, Ecosystems & Environment. 148: 121-133.
12
5.Binkley, D., and Giardina, C. 1998. Why do tree species affect soils? The warp and woof of
13
tree-soil interactions. Biogeochemistry. 42: 89-106.
14
6.Bremner, J.M., and Mulvaney, C.S. 1982. Nitrogen-total. P 595-624, In: A.L. Page, R.H.
15
Miller and D.R. Keeney (Eds.), Methods of Soil Analyses. Part 2: Chemical and
16
Microbiological Properties. 2nd ed. American Society of Agronomy, Madison, WI.
17
7.Celik, I. 2005. Land use effects on organic matter and physical properties of soil in a southern
18
Mediterranean high land of Turkey. Soil and Tillage Research. 83: 270-277.
19
8.Chen, C.R., Xu, Z.H., and Mathers, N.J. 2004. Soil carbon pools in adjacent natural and
20
plantation forests of subtropical Australia. Soil Sci. Soc. Am. J. 68: 282-291.
21
9.Chiti, T., Cerini, A., Puglisi, A., Sanesi, A., and Capperucci, C. 2006. Effects of associating an
22
N-fixer species to monotypic oak plantations on the quantity and quality of organic matter in
23
mine soils. Geoderma. 61: 35-43.
24
10.Cools, N., Vesterdal, L., De Vos, B., Vanguelova, E., and Hansen, K. 2014. Tree species is
25
the major factor explaining C: N ratios in European forest soils. Forest Ecology and
26
Management. 311: 3-16.
27
11.Ghani, A., Dexter, M., and Perrott, K. 2003. Hot-water extractable carbon in soils: a sensitive
28
measurement for determining impacts of fertilisation, grazing and cultivation. Soil Biology
29
and Biochemistry. 35: 9. 1231-1243.
30
12.Golchin, A., and Asgari, H. 2008. Land use effects on soil quality indicators in north-eastern
31
Iran. Soil Research. 46: 1. 27-36.
32
13.Golchin, A., Clarke, R., Oades, J.M., and Skjemstad, J.O. 1995. The effects of cultivation on
33
the composition of organic matter and structural stability of soils. Soil Research. 33: 975-993.
34
14.Gregorich, E.G., Beare, M.H., Stoklas, U., and St-Georges, P. 2003. Biodegradability of
35
soluble organic matter in maize-cropped soils. Geoderma. 113: 237-252.
36
15.Hagen-Thorn, A., Callesen, I., Armolaitis, K., and Nihlgard, B. 2004a. The impact of six
37
European tree species on the chemistry of mineral topsoil in forest plantations on former
38
agricultural land. Forest Ecology and Management. 195: 373-384.
39
16.Hamkalo, Z., and Bedernichek, T. 2014. Total, cold and hot water extractable organic carbon
40
in soil profile: impact of land-use change. Zemdirbyste –Agriculture. 101: 2. 125-132.
41
17.Hao, X., Ball, B.C., Culley, J.L.B., Carter, M.R., and Parkin, G.W. 2008. Soil density and
42
porosity. P 743-759, In: M.R. Carter and E.G. Gregorich (Eds.), Soil Sampling and Methods
43
of Analysis. Canadian Society of Soil Science, CRC Press, Taylor & Francis Group, Boca
44
Raton, FL.
45
18.Harison, K.G., Broecker, W.S., and Bonani, G. 1993b. The effect of changing land use on
46
soil radiocarbon. Science. 262: 725-726.
47
19.Haynes, R.J., and Francis, G.S. 1993. Changes in microbial biomass C, soil carbohydrate
48
composition and aggregate stability induced by growth of selected crop and forage species
49
under field conditions. Europ. J. Soil Sci. 44: 665-675.
50
20.Jandl, R., Lindner, M., Vesterdal, L., Bauwens, B., Baritz, R., Hagedorn, F., Johnson, D.W.,
51
Minkkinen, K., and Byrne, K.A. 2007. How strongly can forest management influence soil
52
carbon sequestration. Geoaderma. 137: 253-268.
53
21.Jiang, P.K., and Xu, Q.F. 2006. Abundance and dynamics of soil labile carbon pools under
54
different types of forest vegetation. Pedosphere. 16: 4. 505-511.
55
22.Jinenez, M.P., Horra, A.M., Pruzzo, L., and Palma, R.M. 2002. Soil quality: a new index based
56
on microbiological and biochemical parameter. Biology and Fertility of Soils. 35: 302-306.
57
23.Jobbágy, E.G., and Jackson, R.B. 2000. The vertical distribution of soil organic carbon and
58
its relation to climate and vegetation. Ecological Applications. 10: 423-436.
59
24.Johnson, D.W., and Curtis, P.S. 2001. Effects of forest management on soil C and N storage:
60
Meta analysis. Forest Ecology and Management. 140: 227-238.
61
25.Kara, O., and Baykara, M. 2014. Changes in soil microbial biomass and aggregate stability
62
under different land use in the northern Turkey. Environmental Monitoring and Assessment.
63
186: 3801-3808.
64
26.Kavvadias, V.A., Alifragis, A., Tsiontsis, G., Brofas, G., and Stamatelos, G. 2001. Litterfall,
65
litter accumulation and litter decomposition rates in four forest ecosystem in northern
66
Greece. Forest Ecology and Management. 144: 113-127.
67
27.Kolar, L., Kuzel, S., Horacek, J., Cechova, V., Borova-Batt, J., and Peterka, J. 2009. Labile
68
fraction of soil organic matter, their quantity and quality. Plant, Soil and Environment.
69
55: 245-251.
70
28.Kroetsch, D., and Wang, C. 2008. Particle size distribution. P 713-725, In: M.R. Carter and
71
E.G. Gregorich (Eds.), Soil Sampling and Methods of Analysis. Canadian Society of Soil
72
Science, CRC Press, Taylor and Francis Group, Boca Raton, FL.
73
29.Lal, R., Negassa, W., and Lorenz, K. 2015. Carbon sequestration in soil. Current Opinion in
74
Environmental Sustainability. 15: 79-86.
75
30.Liu, C.H., and Luo, R.Y. 1990. Chemical characteristics of humus in forest soils of NanjingZhenjiang Hills. J. Nanjing Forest. Univ. In: Jiang, P.K., and Xu, Q.F. 2006. Abundance and
76
dynamics of soil labile carbon pools under different types of forest vegetation. Pedosphere,
77
16: 4. 505-511.
78
31.McLean, E.O. 1982. Soil pH and lime requirement. P 199-224, In: A.L. Page, R.H. Miller
79
and D.R. Keeney (Eds.), Methods of Soil Analyses. Part 2: Chemical and Microbiological
80
Properties. 2nd ed. American Society of Agronomy, Madison, WI.
81
32.Miller, J.J., and Curtin, D. 2008. Electrical Conductivity and Soluble Ions. P 161-171,
82
In: M.R. Carter and E.G. Gregorich (Eds.), Soil Sampling and Methods of Analysis.
83
Canadian Society of Soil Science, CRC Press, Taylor and Francis Group, Boca Raton, FL.
84
33.Nelson, D.W., and Sommers, L.E. 1982. Total carbon, organic carbon, and organic matter.
85
P 539-579, In: A.L. Page, R.H. Miller and D.R. Keeney (Eds.), Methods of Soil Analysis.
86
Part 2: Chemical and Microbiological Properties. 2nd ed. American Society of Agronomy,
87
Soil Science Society of America, Madison, WI.
88
34.Oostra, S., Majdi, H., and Olsson, M. 2006. Impact of tree species on soil carbon stocks and
89
soil acidity in southern Sweden. Scandinav. J. For. Res. 21: 364-371.
90
35.Parsakhoo, A., Lotfalian, M., Kavian, A., and Hosseini, S.A. 2014. Assessment of
91
soil erodibility and aggregate stability for different parts of a forest road. J. For. Res.
92
25: 1. 193-200.
93
36.Pérez-Cruzado, C., mansilla-salinero, P., Rodríguez-Soalleiro, R., and Merino, A. 2012.
94
Influence of tree species on carbon sequestration in afforested pastures in a humid temperate
95
region. Plant and Soil. 353: 333-353.
96
37.Piccolo, A. 1996. Humic substances in terrestrial ecosystems. Elsevier. Netherlands, 675p.
97
38.Powlson, D.S., Whitmore, A.P., and Goulding, K.W.T. 2011. Soil carbon sequestration to
98
mitigate climate change: a critical re-examination to identify the true and the false. Europ. J.
99
Soil Sci. 62: 42-55.
100
39.Ramesh, T., Manjaiah, K., Mohopatra, K., Rajasekar, K., and Ngachan, S. 2015. Assessment
101
of soil organic carbon stocks and fractions under different agroforestry systems in
102
subtropical hill agroecosystems of north-east India. Agroforestry Systems. 89: 677-690.
103
40.Rasse, D.P., Li, J.H., and Drake, B.G. 2005. Seventeen years of elevated CO2 exposure in a
104
Chesapeake Bay wetland: Sustained but contrasting responses of plant growth and CO2
105
uptake. Global Change Biology. 11: 369-377.
106
41.Razavi, S.A. 2010. Comparison of Soil Characteristics and Biodiversity in Plantations of
107
Bald Cypress and Caucasian Alder (Case Study: Kludeh-Mazandaran Province). J. Wood
108
For. Sci. Technol. 17: 2. 41-56. (In Persian)
109
42.Reich, P.B., Oleksyn, J., Modrzynski, J., Mrozinski, P., Hobbie, S.E., Eissenstat, D.M.,
110
Chorover, J., Chadwick, O.A., Hale, C.M., and Tjoelker, M.G. 2005. Linking litter calcium,
111
earthworms and soil properties: a common garden test with 14 tree species. Ecology Letters.
112
8: 811-818.
113
43.Resh, S.C., Binkley, D., and Parrotta, J.A. 2002. Greater soil carbon sequestration under
114
Nitrogen-fixing trees compared with Eucalyptus species. Ecosystems. 5: 217-231.
115
44.Rilling, M.C., and Mummey, D.L. 2006. Mycorrhizas and soil structure. New Phytolgist.
116
171: 41-53.
117
45.Rhoades, J.D. 1982a. Cation exchange capacity. P 149-157, In: A.L. Page, R.H. Miller and
118
R. Keeney (Eds.), Methods of Soil Analysis., Part 2: Chemical and Microbiological
119
Properties., 2nd ed. American Society of Agronomy, Madison WI.
120
46.Sagheb-Talebi, K., Sajedi, T., and Pourhashemi, M. 2014. Forests of Iran: A treasure from
121
the past, a hope for future. Plant and Vegetation, Vol. 10, Springer Verlag, Dordrecht, 152p.
122
47.SAS Institute, Inc. 2002. Statistical Analysis Software Version 8.2 for Microsoft Windows.
123
SAS Institute Inc. SAS Institute, Cary, NC.
124
48.Six, J., Bossuyt, H., Degryze, S., and Denef, K. 2004. A history of research on the link
125
between (micro) aggregates, soil biota, and soil organic matter dynamics. Soil and Tillage
126
Research. 79: 7-31.
127
49.Six, J., Callewaert, P., Lenders, S., Gryze, S.D., Morris, S.J., Gregorich, E.G., Paul, E.A.,
128
and Paustian, K. 2002a. Measuring and understanding carbon storage in afforested soils by
129
physical fractionation. Soil Sci. Soc. Amer. J. 66: 1981-1987.
130
50.Smolander, A., and Kitunen, V. 2002. Soil microbial activities and characteristics of
131
dissolved organic C and N in relation to tree species. Soil Biology and Biochemistry.
132
34: 651-660.
133
51.Soil Survey Staff. 2010. Keys to soil taxonomy. USDA Natural Resources Conservation
134
Service, Washington, DC.
135
52.Theng, B.K.G., Ristori, G.G., Santi, C.A., and Percival, H.J. 1999. An improved method for
136
determining the specific surface areas of top soils with varied organic matter content, texture
137
and clay mineral composition. Europ. J. Soil Sci. 50: 309-316.
138
53.Vance, E.D., Brookes, P.C., and Jenkinson, D.S. 1987. Microbial biomass measurements in
139
forest soils: the use of the chloroform fumigation incubation method for strongly acid soils.
140
Soil Biology and Biochemistry. 19: 697-702.
141
54.Varamesh, S., Hosseini, S.M., Abdi, N., and Akbarinia, M. 2010. Increment of soil carbon
142
sequestration due to forestation and its relation with some physical and chemical factors of
143
soil. Iran. J. For. 2: 1. 25-35. (In Persian)
144
55.Wang, D., Wang, B., and Niu, X. 2014. Effects of natural forest types on soil carbon fraction
145
in North-East China. J. Trop. For. Sci. 26: 3. 362-370.
146
56.Wang, Q., and Wang, S. 2007. Soil organic matter under different forest types in Southern
147
China. Geoderma. 142: 3. 349-356.
148
57.Wang, Q., and Wang, S. 2011. Response of labile soil organic matter to changes in forest
149
vegetation in subtropical regions. Applied soil ecology. 47: 3. 210-216.
150
58.Withington, J.M., Reich, P.B., Oleksyn, J., and Eissenstat, D.M. 2006. Comparisons of
151
structure and life span in roots and leaves among temperate trees. Ecological Monographs.
152
76: 3. 81-397.
153
59.Yousefi, M., Hajabbasi, M., and Shariatmadari, H. 2008. Cropping system effects on
154
carbohydrate content and water-stable aggregates in a calcareous soil of Central Iran. Soil
155
and Tillage Research. 101: 57-61
156
ORIGINAL_ARTICLE
مطالعه آزمایشگاهی اثر امواج ضربه ای در تبدیل کانال های روباز با مقاطع ذوزنقه ای و مستطیلی بر مشخصات جریان
سابقه و هدف: تبدیلهای همگرا در جریانهای فوق بحرانی کاربردهای گستردهای دارند. از جمله آن میتوان به انتقال جریان از کانالهای آبگیر سدها به سرریزهای تونلی، کاهش عرض کانال در تندآبها و کاهش زمان انتقال جریان در کانالهای انتقال سیلاب اشاره کرد. در مطالعه جریانهای فوق بحرانی تشکیل امواج ضربهای از اهمیت بالایی برخوردار است. تولید و توسعه این امواج به دلیل افزایش ارتفاع آب به اندازه چندین برابر عمق جریان ورودی و گسترش آن در محدوده وسیعی از کانال پایین دست و ناهموار ساختن سطح آب به لحاظ مهندسی نامطلوب بوده و هر گونه طراحی ضعیف کانال میتواند منجر به آبشستگی دیوارهها و کف کانال، آسیب رساندن به تجهیزات در مسیر جریان و بالا بردن هزینههای مربوط به نگهداری و کاهش راندمان انتقال آب گردد. در تحقیق حاضر تشکیل امواج ضربهای در تبدیلهای همگرای کانال روباز با مقاطع ذوزنقهای و مستطیلی با بهکارگیری مدل-های آزمایشگاهی مورد بررسی قرار گرفت.مواد و روشها: به منظور بررسی پارامترهای هیدرولیکی امواج ضربهای در تبدیلهای همگرا، دوازده مدل با هندسههای متفاوت بهکار گرفته شد. طول مورب دیوارههای تبدیل (5/0، 75/0 و 1 متر) و زاویه شیب جانبی دیواره-ها (69/33، 45، 60 و 90 درجه) متغیرهای هندسی مورد مطالعه در تحقیق حاضر بود. مقدار نسبت همگرایی در کلیه مدلها برابر 5/0 در نظر گرفته شد. مقادیر ارتفاع و سرعت لحظهای در نقاط مختلف امواج ضربهای تشکیل شده در مدلهای مذکور به ازای چهار عدد فرود مختلف در محدوده 23/9-25/3 اندازهگیری شد. یافتهها: مقادیر اندازهگیری شده در تبدیلهای همگرا حاکی از توزیع غیریکنواخت سرعت در راستای قائم امواج ضربهای بود. همچنین حرکت جبهه موج به سمت پاییندست با کاهش سرعت و افزایش ارتفاع موج همراه بود که به ازای هندسههای مختلف تبدیل، روند تغییرات مذکور نیز متفاوت بود. نتایج نشان داد حداکثر ارتفاع امواج ضربه-ای در تبدیلهای همگرا با مقاطع ذوزنقهای به ازای زوایای شیب جانبی 69/33، 45 و 60 درجه نسبت به مقاطع مستطیلی بهطور میانگین، به ترتیب به میزان 8/64، 3/54 و 6/39 درصد کاهش یافت. همچنین حداکثر سرعت امواج ضربهای در تبدیلهای همگرا با مقاطع ذوزنقهای به ازای زوایای شیب جانبی مذکور نسبت به مقاطع مستطیلی بهطور میانگین، به ترتیب به میزان 1/39، 6/31 و 5/16 درصد کاهش یافت. بهازای عدد فرود ثابت و طول یکسان دیواره تبدیل، افزایش زاویه شیب جانبی با افزایش استهلاک انرژی امواج ضربهای همراه بود. همچنین بیشترین نرخ استهلاک انرژی در طول دیواره 5/0 متر مشاهده شد. بهطوریکه مقادیر افت انرژی امواج ضربهای بهازای طول دیواره مذکور، عدد فرود 26/7 و زوایای شیب جانبی 69/33، 45، 60 و 90 درجه بهترتیب برابر 69/14، 43/15، 34/16 و 72/18 درصد بهدست آمد.نتیجهگیری: تحلیل پروفیلهای سرعت و سطح آزاد امواج ضربهای حاکی از آن بود که در حالت کلی کاهش زاویه شیب جانبی (افزایش شیب جانبی) دیواره تبدیل، افزایش طول مورب دیواره تبدیل و همچنین کاهش عدد فرود جریان رابطه مستقیم با کاهش ارتفاع و سرعت امواج دارد. نظر به اینکه کانالهای اجرایی عمدتاً با مقطع ذوزنقهای ساخته و بهرهبرداری میشوند، یافتههای تحقیق حاضر برای مهندسین طراح میتواند بسیار سودمند باشد.
https://jwsc.gau.ac.ir/article_3580_b73c7c343df216464028544ab333717f.pdf
2017-03-21
121
138
10.22069/jwfst.2017.11113.2548
امواج ضربه ای
تبدیل همگرا
زاویه شیب جانبی
جریان فوق بحرانی
طول مورب
جواد
بهمنش
j.behmanesh@urmia.ac.ir
1
دانشگاه ارومیه- گروه مهندسی آب
LEAD_AUTHOR
سهیلا
علی پور
soheila70a@gmail.com
2
دانشگاه ارومیه
AUTHOR
محمد رضا
نیک پور
rezanikpoor@yahoo.com
3
دانشگاه محقق اردبیلی
AUTHOR
1.Bhallamudi, S.M., and Chaudhry, M.H. 1992. Computation of flows in open-channel
1
transitions. J. Hydr. Res. 30: 1. 77-93.
2
2.Chow, V.T. 1959. Open channel hydraulics. Mc Graw-Hill Press, Michigan, 680p.
3
3.Ghazanfari hashemi, R., and Montazeri Namin, M. 2012. Investigation of turbulence effects of
4
supercritical flow in contractions using 3D numerical modeling. 11th Iranian Conference on
5
Hydraulic, Pp: 171-179. (In Persian)
6
4.Gonzalo, R., Nanía, L.S., and Gómez, M. 2014. Influence of Channel Width on Flow
7
Distribution in Four-Branch Junctions with Supercritical Flow: Exp. App. J. Hydr. Eng.
8
140: 1. 77-88.
9
5.Hager, W.H. 1989. Supercritical flow in channel junction. J. Hydr. Eng. 115: 5. 595-616.
10
6.Hager, W.H., Schwalt, M., Jimenez, O.F., and Chaudhry, M.H. 1994. Supercritical flow near
11
an abrupt wall deflection. J. Hydr. Res. 32: 1. 103-118.
12
7.Jafarzadeh, M.R., Shamkhalchian, A., and Jomehzadeh, M. 2012. Supercritical flow profile
13
improvement by means of a convex corner at a bend inlet. J. Hydr. Res. 50: 6. 623-630.
14
8.Jimenez, O.F., and Chaudhry, M.H. 1988. Computation of Supercritical Free-Surface Flows.
15
J. Hydr. Eng. 114: 4. 377-395.
16
9.Kolarević, M., Savić, L., Kapor, R., and Mladenović, N. 2013. Supercritical flow in circular
17
pipe bends. J. Scineks. Ceon. 42: 128-133.
18
10.Krüger, S., and Rutschmann, P. 2006. 3D Modeling supercritical flow with extended
19
shallow-water approach. J. Hydr. Eng. 132: 9. 916-926.
20
11.Mignot, E., Rivière, N., Perkins, R., and Paquier, A. 2008. Flow patterns in a four-branch
21
junction with supercritical flow. J. Hydr. Eng. 134: 6. 701-713.
22
12.Nikpour, M.R. 2013. Investigation of Supercritical flow in open-channels transition using
23
experimental and numerical models. In: A thesis submitted to the Faculty of Agriculture,
24
University of Tabriz for the Ph.D. Degree, 200p. (In Persian)
25
13.Reinauer, R., and Hager, W.H. 1997. Supercritical bend flow. J. Hydr. Eng. 123: 3. 208-218.
26
14.Reinauer, R., and Hager, W. 1998. Supercritical flow in chute contraction. J. Hydra. Eng.
27
124: 1. 55-64.
28
15.Saldarriaga, J., Bermudez, N., and Rubio, D.P. 2012. Hydraulic behavior of junction
29
manholes under supercritical flow conditions. J. Hydr. Res. 50: 6. 631-636.
30
16.Ya Kun, L., and Han Gen, N. 2008. Abrupt deflected supercritical water flow in slopped
31
channels. J. Hydrodyn. 20: 3. 293-298.
32
ORIGINAL_ARTICLE
تأثیر تغییر اقلیم بر روی دبی حداکثر روزانه تحت شرایط عدم قطعیت (حوضه دینور استان کرمانشاه)
سابقه و هدف: پژوهشهای مختلفی در ارتباط با تغییرات پارامترهای اقلیمی و هیدرولوژیکی انجام شده است اما توجه به پدیده تغییر اقلیم و تأثیر آن بر منابع آب از اهمیت بالایی برخوردار میباشد که در کشور کمتر به آن پرداخته شده است. هدف این پژوهش پیش بینی متغیرهای هواشناسی در شرایط تغییر اقلیم بر پایه مدلها و سناریوهای مختلف در دو دوره آتی و مقایسه آن با دوره پایه و همچنین پیش بینی تأثیر این پدیده بر دبی وحجم رواناب حوضه دینور کرمانشاه با در نظر گرفتن عدم قطعیت مربوطه میباشد.مواد و روشها: خروجی 6 مدل جفت شده گردش عمومی جو شاملGFCM21، HADCM3، INCM3،IPCM4 ،MPEH5و NCCCSM تحت سناریوهای انتشار گازهای گلخانهای شامل A1B، A2 و B1 با استفاده از نرم افزار LARS-WG ریزمقیاس شدند. برای تعیین دقت مدلها و سناریوها، دادههای دما و بارش مشاهداتی با دادههای دما و بارش مدلها و سناریوهای موجود در پایگاه کانادا در دوره پایه مورد ارزیابی قرار گرفت و روش وزن دهی برای بررسی عدم قطعیت مدلها و سناریوها بکار گرفته شد. سپس با در نظر گرفتن عدم قطعیت مدلها و سناریوها، متغیرهای دورههای آتی (2034-2011) و (2069-2046) پیشبینی شد و با دوره پایه (2010-1987) مقایسه گردید. پس از ریزمقیاس نمایی متغیرهای اقلیمی برای شبیهسازی رواناب در دورههای آتی، مدل بارش رواناب IHACRES انتخاب و پس از واسنجی و صحت سنجی برای پیش بینی دبی و حجم رواناب مورد استفاده قرار گرفت.یافتهها: نتایج نشان داد دمای حوضه دینور در دوره 2034-2011 به ترتیب برای سناریوهای A1B، A2 و B1 به میزان 72/1 ، 55/1 و 39/1 درجه سانتیگراد و در دوره 2069-2046 به ترتیب برای سناریوهای A1B، A2 و B1 به میزان 27/3 ، 88/2 و 26/2 درجه سانتیگراد نسبت به دوره پایه افزایش مییابد. همچنین تغییرات بارش حوضه در دوره 2034-2011 به ترتیب برای سناریوهای A1B، A2 و B1 به میزان 22/15 ، 94/17 و 27/23 میلیمتر و در دوره 2069-2046 به ترتیب برای سناریوهای A1B، A2 و B1 به میزان 4/35- ، 97/7 و 58/2 میلیمتر نسبت به دوره پایه خواهد بود. مقدار دبی متوسط و نیز حجم رواناب در دورههای آتی به جز سناریو A1B در دوره 2069-2046، در باقی دورهها تحت سناریوهای مختلف افزایشی بوده اما رژیم دبیهای حداکثر این حوضه در دورههای آتی بهگونهای است که نسبت به دوره مشاهدهای تعدیل یافته است. همچنین نتایج حاصل از تحلیل منحنیهای دبی فرکانس با احتمالات مختلف نشان داد در برخی ماهها دبیهای مورد نظر در احتمالات وقوع مختلف کاهش داشته است.نتیجه گیری: نتایج نشان داد در دورههای آتی مقدار دما و بارندگی پیشبینی شده افزایش مییابد به طوری که افزایش دما در دوره دوم بیشتر از دوره اول و افزایش بارندگی در دوره اول بیشتر از دوره دوم خواهد بود. همچنین مقدار دبی دورههای آتی افزایش مییابد به طوری که میزان افزایش دبی در دوره اول بیشتر از دوره دوم است، و میزان حجم تولیدی رواناب نیز در دوره اول بیشتر از دوره دوم و در هر دو دوره بیشتر از دوره پایه به دست آمد. از طرفی میزان دبی حداکثر روزانه در دورههای آتی کمتر شده به طوری که میزان کاهش دبی حداکثر در دوره دوم بیشتر از دوره اول است. نتایج منحنی های دبی فرکانس نیز نشان داد در صورت عدم ذخیره آب، منطقه با مشکل تأمین نیاز مصارف کشاورزی و شرب و صنعت مواجه خواهد شد.
https://jwsc.gau.ac.ir/article_3581_620ad58345144ec5ea4e553bdfbfabe4.pdf
2017-03-21
139
156
10.22069/jwfst.2017.10715.2513
تغییر اقلیم
مدلهای AOGCM
سناریو انتشار
LARS-WG
IHACRES
سحر
نجفیان
s.najafian65@yahoo.com
1
دانشجوی کارشناسی ارشد هواشناسی کشاورزی دانشگاه سمنان
AUTHOR
محمد رضا
یزدانی
m_yazdani@semnan.ac.ir
2
استادیار گروه بیابانزدایی دانشکده کویرشناسی دانشگاه سمنان
LEAD_AUTHOR
آرش
آذری
arashazari.ir@gmail.com
3
استادیار گروه مهندسی آب دانشگاه رازی کرمانشاه
AUTHOR
محمد
رحیمی
mrahimi@sun.semnan.ac.ir
4
استادیار گروه بیابانزدایی دانشکده کویرشناسی دانشگاه سمنان
AUTHOR
1.Ashofteh, P. 2012. Climate change Impact on the crop water requirement using HadCM3
1
model in Aidoghmoush irrigation network. Iran. J. Irrig. Drain. 6: 3. 142-151. (In Persian)
2
2.Ashraf, B., Mousavi-Baygi, M., Kamali, G.A., and Davari, K. 2012. Evaluation of wheat and
3
Sugar beet water use Variation due to climate change effects in two Coming Decades in the
4
selected plains of Khorasan Razavi Province. Iran. J. Irrig. Drain. 6: 2. 105-117. (In Persian)
5
3.Booij, M.J., Tollenaar, D., van Beek, E., and Kwadijk, J.C. 2011. Simulating impacts of
6
climate change on river discharges in the Nile basin. Physics and Chemistry of the Earth,
7
Parts A/B/C. 36: 13. 696-709.
8
4.Carcano, E.C., Bartolini, P., Muselli, M., and Piroddi, L. 2008. Jordan recurrent neural
9
network versus IHACRES in modelling daily streamflows. J. Hydrol. 362: 3. 291-307.
10
5.COP21. 2015. UN climate change conference | Paris, http://www.cop21paris.org/about/cop21.
11
6.Dobler, C., Hagemann, S., Wilby, R.L., and Stötter, J. 2012. Quantifying different sources of
12
uncertainty in hydrological projections in an Alpine watershed. Hydrology and Earth System
13
Sciences. 16: 11. 4343-4360.
14
7.Ehteramian, K., Shahabfar, A., and Alizadeh, A. 2004. Evaluation ofthe ENSO phenomenonon
15
the precipitation regime in Khorasan province. J. Geograph. Reg. Dev. 3: 29-42.
16
8.Eslamian, S., Nosrati, K., and Shahbazi, A. 2004. Climate change impacts on the hydrological
17
drought. J. Agric. Tehran Univ. 6: 1. 49-56. (In Persian)
18
9.IPCC. 2014. Climate Change 2014: Impacts, Adaptation and Vulnerability. Contribution of
19
Working Group II to the Fifth Assessment Report of the Intergovernmental Panel on Climate
20
Change. Yokohama, Japan.
21
10.IPCC. 2007. Synthesis Report of the Forth Assessment Report. Cambridge University Press,
22
Cambridge.
23
11.Kabiri, R., Kanani, V., and Andrew, C. 2012. Climate Change Impacts on River Runoff in
24
Klang Watershed in West malasia. J. Clim. Res. 48: 57-71.
25
12.Kunreuther, H., Heal, G., Allen, M., Edenhofer, O., Field, C., and Yohe, G. 2013. Risk
26
management and climate change. Nature Climate Change. 3: 447-450.
27
13.Lee, H. 2015. The Climate System and Climate Change; Climate Change Biology. Chapter
28
2. (Second Edition), Pp: 13-53.
29
14.Nash, J.E., and Sutcliffe, J.V. 1970. River flow forecasting through conceptual models part IA discussion of principles. J. Hydrol. 10: 3. 282-290.
30
15.Phillips, J. 2010. Evaluating the level and nature of sustainable development for a
31
geothermal power plant. Renewable and sustainable energy reviews. 14: 8. 2414-2425.
32
16.Souvignet, M., Gaese, H., Ribbe, L., Kretschmer, N., and Oyarzun, R. 2008. Climate change
33
impacts on water availability in the Arid Elqui Valley, North Central Chile: a preliminary
34
assessment. In IWRA World Water Congress, Montpellier, France.
35
17.Teng, J., Vaze, J., Chiew, F.H., Wang, B., and Perraud, J.M. 2012. Estimating the relative
36
uncertainties sourced from GCMs and hydrological models in modeling climate change
37
impact on runoff. J. Hydrometeorol. 13: 1. 122-139.
38
18.Vaseghi, R., Massah, A.R., Meshkati, A.H., and Rahimzadeh, F. 2011. Investigation of
39
runoff impact of Ensembles scenarios AOGCM models, 4th Conference of Water Resources
40
Management of Iran, Tehran, Iran, Pp: 23-35. (In Persian)
41
19.Vaze, J., Post, D.A., Chiew, F.H.S., Perraud, J.M., Viney, N.R., and Teng, J. 2010. Climate
42
non-stationarity-validity of calibrated rainfall–runoff models for use in climate change
43
studies. J. Hydrol. 394: 3. 447-457.
44
20.Velazquez, D., Garrote, L., Andreu, J., Martin-Carrasco, F.J., and Iglesias, A. 2011. A
45
methodology to diagnose the effect of climate change and to identify adaptive strategies to
46
reduce its impacts in conjunctive-use systems at basin scale. J. Hydrol. 405: 1. 110-122.
47
21.Zhu, Q., Jiang, H., Peng, C., Liu, J., Fang, X., Wei, X., Liu, S., and Zhou, G. 2012. Effects of
48
future climate change, CO2 enrichment and vegetation structure variation on hydrological
49
processes in China. Global and Planetary Change. 80: 123-135.
50
ORIGINAL_ARTICLE
بررسی تاثیر اندازه ذره و غلظت سورفکتانت بر راندمان جذب و رهاسازی نیترات در محیط های آبی توسط زئولیت اصلاح شده با HDTMA
سابقه و هدف: آنیون نیترات به علت دارا بودن بار منفی تمایلی به جذب روی ذرات خاک ندارد، لذا از نیمرخ خاک خارج و وارد آبهای سطحی و زیرزمینی میشود. رسها در حالت طبیعی، اغلب دارای ویژگی آنیون گریزی بوده و قادر به جذب مولکولهای کم محلول در آب، غیر قطبی و مولکولهای آلی غیر یونی نیستند، اما میتوان با اصلاح رسها آنها را به رسآلی تبدیل و برای جذب و پالایش آنیونها و ترکیبات آنیونی و غیر آنیونی آلی مضر در محیط-های آبی استفاده کرد. این مطالعه به منظور بررسی راندمان جذب و واجذب نیترات توسط رس زئولیت-کلینوپتیلولیت ایرانی (سمنان) اصلاح شده با سورفکتانت هگزادسیل تری متیل آمونیوم بروماید(HDTMA-Br) صورت گرفت.مواد و روشها: راندمان جذب نیترات توسط زئولیت ایرانی اصلاح شده با سورفکتانت کاتیونی HDTMA-Br تحت سه تیمار اندازه ذره، سطوح سورفکتانت و غلظت اولیه نیترات مورد بررسی قرار گرفت. جهت بررسی ثبات نیترات جذب شده، واجذب در سطح سورفکتانت 200 درصد و در دو غلظت 3 و14میلی مولار در زمان های مختلف بررسی شد. آزمایشات به صورت فاکتوریل در قالب طرح پایه کاملا تصادفی انجام شد. نانو و میکرو ذرات زئولیت با استفاده از روش سانتریفیوژ جدا شدند. ظرفیت تبادل کاتیونی بیرونی زئولیت با استفاده از روش جایگزینی سدیم با یون ترت-بوتیل آمونیم تعیین شد. مورفولوژی و ساختار کانی زئولیت مورد مطالعه با استفاده از روشهای XRD ، EDX ، SEM و AFM مورد بررسی و شناسایی قرار گرفت. یافته ها: در نانو زئولیت آلی، راندمان جذب و پالایش نیترات در سطح سورفکتانت 200 درصد CEC بیرونی، در غلظتهای اولیه 3، 6، 14، 20 و 30 میلیمولار نیترات به ترتیب، 92، 88، 77، 67، و 56 درصد، در حالی که راندمان جذب و پالایش ذرات میکرو زئولیت در غلظتهای فوق به ترتیب، 75، 67، 50، 41 و 33 درصد بود. راندمان جذب نیترات توسط میکرو زئولیت آلی در سطح سورفکتانت 100 درصد CEC بیرونی، به ترتیب، 53، 46، 35، 28 و20 درصد بود. درصد واجذب در غلظت 3 میلی مولار نیترات در نانو زئولیت آلی، بین 6/2 تا 7/5 درصد و در غلظت 14 میلیمولار نیترات، بین 9/8 تا 2/12 درصد و در میکرو زئولیت 21 تا 33 درصد بود. نتیجه گیری: نتایج این تحقیق نشان داد که تفکیک دقیق ذرات نانو زئولیت به روش سانتریفیوژ، غلظت اولیه نیترات و سطح سورفکتانت در افزایش راندمان جذب و پالایش نیترات از محیطهای آبی تاثیر بسیار زیادی دارد. نانو زئولیتهای آلی علاوه بر دارا بودن راندمان بسیار بالا در جذب و حذف نیترات از محیط، ثبات و پایداری خوبی نیز در نگهداشت نیترات از خود نشان دادند
https://jwsc.gau.ac.ir/article_3583_da6e5301dae563bba2c7120d6e259d1f.pdf
2017-03-21
157
172
10.22069/jwfst.2017.10885.2527
نانو و میکرو زئولیت آلی
رس آلی
هگزادسیلتریمتیل آمونیم
ظرفیت تبادل کاتیونی بیرونی
کلینوپتیلولیت
فریبا
نعمتی شمس آباد
nemati.fariba@gmail.com
1
دانشجوی کارشناسی ارشد مهندسی علوم خاک - دانشگاه شاهد
AUTHOR
حسین
ترابی گل سفیدی
htorabi@shahed.ac.ir
2
عضو هیات علمی - گروه علوم مهندسی خاک دانشگاه شاهد
LEAD_AUTHOR
امیر محمد
ناجی
amnaji1976@yahoo.com
3
عضو هیات علمی گروه اصلاح نباتات و بیوتکنولوژی دانشگاه شاهد
AUTHOR
1.Armstrong, G.A. 1963. Determination of nitrate in water by ultraviolet Spectrophotometry.
1
Analytical chemistry. 35: 1292-1294.
2
2.Aroke, U.O., El-Nafaty, U.A., and Osha, O.A. 2014. Removal of oxyanion contaminant from
3
waste water by sorption onto HDTMA-Br modified organo-kaolinite clay, North-Eastern,
4
Nigeria. Inter. J. Emer. Technol. Adv. Engin. 4: 1. 475-484.
5
3.Azam, N., Eslamian, S., Gheisari, M., and Abedi-Koupani, J. 2013. Reduce Nitrate from
6
Aqueous Solution Using Surfactant-Modified Bentonite. 1st national conference planning,
7
conservation, environmental protection and sustainable development, 3 December, Shahid
8
Mofateh University of Hamadan. (In Persian)
9
4.Bhattacharya, S., and Aadhar, M. 2014. Studies on preparation and analysis of organoclay
10
nano Particles. Res. J. Engin. Sci. 3: 3. 10-16.
11
5.Bhardwaja, D., Sharmab, M., Sharmac, P., and Tomar, R. 2012. Synthesis and surfactant
12
modification of clinoptilolite and montmorillonite for the removal of nitrate and preparation
13
of slow release nitrogen fertilizer. J. Hazard. Mater. 227-228: 292-300.
14
6.Cho, H.H., Lee, T., Hwang, S.J., and Park, J.W. 2005. Iron and organo-bentonite for the
15
reduction and sorption. Chemosphere. 58: 1. 103-108.
16
7.Dezfoli, A., and Abdolahi, H. 2010. Nitrate monitoring design, Agricultural Jihad
17
Organization of Fars province, Deputy of improve the production of plant, Crop
18
management of Shiraz, No: 89/280.
19
8.El-Nahhal, Y. 2003. Adsorptive behavior of acetochlor on organoclay complexes.
20
Environmental Contamination and Toxicology (1104-1111). Michigan State University:
21
Department of Crops and Soil Sciences.
22
9.Gitipour, S., Heidarzadeh, N., Hosseinpour, M.A., and Abolfazlzadeh, M. 2010. Adsorption of
23
crude oil and PAHs by ordinary and modified bentonites. Res. J. Chem. Environ. 14: 1. 46-51.
24
10.Gunay, A., Arslankaya, E., and Tosun, I. 2007. Lead removal from aqueous solution by
25
natural and pretreated clinoptilolite: Adsorption equilibrium and kinetics. J. Hazard. Mater.
26
146: 1-2. 362-371.
27
11.Hoidy, H.W., Ahmad, M., Mulla, E., and Bt Ibrahim, N. 2009. Synthesis and
28
characterization of organoclay from sodium-montmorillonite and fatty hydroxamic acids.
29
Amer. J. Appl. Sci. 6: 8. 1567-1572.
30
12.Jaynes, W.F., and Boyd, S.A. 1990. Trimethylammonium-smectite as an effective adsorbent of
31
water soluble aromatic hydrocarbons. Air and waste Management Association. 40: 1649-1653.
32
13.Kittrick, J.A., and Hope, E.W. 1963. A procedure for particle size separations of soils for
33
x-ray diffraction analysis. Soil Science. 96: 5. 319-325.
34
14.Lee, J., Choi, J., and Park, J.W. 2002. Simultaneous sorption of lead and chlorobenzene by
35
organobentonite. Chemosphere. 49: 1309-1315.
36
15.Li, Z. 2003. Use of surfactant-modified zeolite as fertilizer carrier sto control nitrate release.
37
Micropor. Mesopor. Mat. 61: 1-3. 181-188.
38
16.Li, Z., and Bowman, R.S. 2001. Regeneration of surfactant-modified zeolite after saturation
39
with choromate and percholoroethylene. Pergamon. 35: 1. 322-326.
40
17.Mahdavi Mazde, A., Liaghat, A., and Sheikh mohamadi, Y. 2011. Nitrate Removal from
41
agricultural wastes using modified zeolite. Iran Water Res. J. 5: 8. 117-124. (In Persian)
42
18.Malekian, R., Abedi-Koupai, J., and Eslamian, S.S. 2013. Ion-Exchange Process for nitrate
43
removal and release using surfactant modified zeolite. Sci. Technol. Agric. Natur. Resour.
44
Water and Soil Sience. 17: 63. 190-202. (In Persian)
45
19.Malla, P.B. 2002. Vermiculite. Pp 501-530, In: J.B. Dixon and D.G. Schulze (Eds.), Soil
46
mineralogy with environmental application. Soil Science Society of America, Inc. Madison,
47
Wisconsin, USA.
48
20.Ming, D., and Dixon, J.B. 1987. Quantitative determination of Clinoptilolite. clay and clay
49
mineralogy. 35: 6. 463-468.
50
21.Nabizadeh, R., Mahdavi, A.H., Ghadiri, S., Nasseri, S., Mesdaghinia, A., and Abouee, A.
51
2012. MTBE adsorption on Surfactant-Modified Zeolites from aqueous solutions. J. North
52
Khorasan Univ. Med. Sci. 4: 3. 483-492. (In Persian)
53
22.Pernyeszi, T., Kasteel, R., Witthuhn, B., Klahre, P., Vereecken, H., and Klumpp, E. 2006.
54
Organoclays for soil remediation: Adsorption of 2,4-dichlorophenol on organoclay/aquifer
55
material mixtures studiedunder static and flow conditions. Applied Clay Science. 32: 179-189.
56
23.Rafiei, H., Shirvani, M., and Behzad, T. 2014. Performance of cationic surfactant modified
57
sepiolite and bentonite in lead sorption from aqueous solutions. J. Water Soil. 28: 4. 818-835.
58
(In Persian)
59
24.Rhoades, J.D. 1982. Cation-exchange capacity. P 149-157, In: A.L. Page, R.H., Miller and
60
D.R. Keeny (Eds.), Methods of soil analysis. Part 2. 2nd ed. Agron. Monogr. No. 9. ASA
61
and SSSA, Madison, WI.
62
25.Sharafi, M., Bazigar, S., Tamizifar, M., Nemati, A., and Validi, M. 2009. The use of
63
nanoclay as an absorbent mineral materials. 5th Student Conference on Nanotechnology,
64
29-31 May, Tehran University of Medicinal Science. Retrieved March 30, 2016, from
65
http://www.civilica.com/Paper-NANOSC05-NANOSC05_171.html.
66
26.Schick, J., Caullet, P., Paillaud, J.L., Patarin, J., and Callarec, C. 2011. Nitrate sorption from
67
water on a surfactant-modified zeolite. Microporous and Mesoporous Materials. 142: 2. 549-556.
68
27.Schon, F., Gronski, W., and Freiburg. 2003. Filler networking of silica and organoclay in
69
rubber composites: reinforcement and dynamic-mechanical properties. Kautsch. Gummi
70
Kunstst. 54: 166-171.
71
28.Tillman Jr, F.D., Bartelt-Hunt, S.L., Smith, J.A., and Alther, G.R. 2004. Evaluation of an
72
organoclay, an organoclay-anthracite blend, clinoptilolite and hydroxyl-apatite as sorbents
73
for heavy metal removal from water. Bull. Environ. Contam. Toxicol. 72: 1134-1141.
74
29.Trigo, C., Celis, R., Hermosín, M., and Cornejo, J. 2009. Organoclay-based formulations to
75
reduce the environmental impact of the herbicide Diuron in olive groves. Soil Sci. Soc. Am.
76
J. 73: 5. 1652-1657.
77
30.Xi, Y., Mallavarapu, M., and Naidu, R. 2010. Preparation, characterization of surfactants
78
modified clay minerals and nitrate adsorption. Applied Clay Science. 48: 92-96.
79
ORIGINAL_ARTICLE
پهنهبندی و ارزیابی خطر تخریب اراضی با استفاده از روش مدالوس در حوضه سیاهپوش استان اردبیل
سابقه و هدف: امروزه تخریب اراضی در نتیجه عوامل مختلفی از قبیل تغییرات اقلیمی و بهرهبرداری و مدیریت نادرست انسان، به عنوان معضل جدی در بسیاری از مناطق خشک، نیمه خشک و خشکِ نیمهمرطوب دنیا مطرح میباشد. این پدیده مدتها است که به عنوان یک مشکل جدی اقتصادی، اجتماعی و زیست محیطی در بسیاری از کشورها شناخته شده است. برای ارزیابی وضعیت بیابانزایی و تهیه نقشه مربوط به آن مدلهای مختلفی ارایه شده است. مناسبترین روش برای بررسی عوامل مؤثر در تخریب اراضی و شدت بیابانزایی از نظر متخصصان استفاده از مدلهای ارزیابی بیابان میباشد. مدل ESAs به علت آسانی، در دسترس بودن دادهها و سازگاری با شاخصهای مؤثرتر در تخریب اراضی و به کار گرفتن میانگین هندسی بهجای میانگین حسابی، مزایای بیشتری نسبت به سایر مدلها دارد. هدف این تحقیق پهنهبندی و ارزیابی تخریب اراضی در حوضه سیاهپوش استان اردبیل با استفاده از مدل مدالوس استاندارد و اصلاح شده میباشد.مواد و روشها: در این تحقیق، به منظور ارزیابی تخریب اراضی و تهیة نقشة آن در حوضه سیاهپوش، از مدل مدالوس استاندارد و اصلاح شده استفاده شد. به این منظور چهار معیار (کیفیت خاک، اقلیم، پوشش گیاهی و مدیریت و سیاست) که در بیابانزایی منطقه موثر بودند، انتخاب گردید. برای هر کدام از معیارها در مدل مدالوس شاخصهایی تعریف شده است. لایههای اطلاعاتی شاخصهای مربوط به هر یک از معیارها با استفاده از سامانه اطلاعات جغرافیایی تهیه شد. این اطلاعات بر اساس روش مدالوس امتیازدهی شده و از میانگین هندسی شاخصهای هر یک از معیارها، نقشه نهایی وضعیت هر معیار تهیه و از میانگین هندسی معیارها، نقشه حساسیت به بیابانزایی منطقه تهیه گردید.یافتهها: نتایج نشان داد که دو معیار کیفیت مدیریت و کیفیت اقلیم بهترتیب با متوسط وزنی 91/1 و 62/1 بیشترین تاثیر را بیابانزایی منطقه داشتهاند. معیار کیفیت خاک با متوسط وزنی 39/1، در کلاس متوسط و معیار کیفیت پوشش گیاهی با متوسط وزنی 41/1، در کلاس با کیفیت بالا قرار دارد. از اینرو، مناسبترین معیار، کیفیت پوشش گیاهی میباشد. میزان شاخص بیابانزایی برای منطقه مورد بررسی در مدل مدالوس استاندارد و مدالوس اصلاح شده بهترتیب 38/1 تا 76/1 و 37/1 تا 93/1 به دست آمد. در هر دو روش کل منطقه مطالعاتی در کلاس بحرانی بیابانزایی قرار گرفت. نتیجهگیری: از بین معیارهای مورد مطالعه، معیارهای مدیریت و اقلیم به عنوان نامناسبترین و معیار کیفیت پوشش گیاهی به عنوان مناسبترین معیار مشخص شدند. با توجه به یافتهها وضعیت بیابانزایی در منطقه شدید میباشد، به طوری که در روش مدالوس استاندارد و اصلاحشده بهترتیب 1/90 و 2/99 درصد از منطقه مطالعاتی، در کلاس بحرانی شدید (C3) قرار گرفته است که نیازمند توجه و مدیریت هرچه بیشتر سازمانهای مربوط و اعمال برنامه عملی پایش و مهار بحران بیابانزایی برای اصلاح شاخصهای یادشده میباشد.
https://jwsc.gau.ac.ir/article_3584_2484856710c24acd709f7e653ec9a389.pdf
2017-03-21
173
187
10.22069/jwfst.2017.11351.2576
بیابانزایی
مدالوس
سامانه اطلاعات جغرافیایی
کیفیت خاک
نفیسه
یغماییان
yaghmaeian_na@yahoo.com
1
دانشگاه گیلان
AUTHOR
حسین
اسدی
ho.asadi@ut.ac.ir
2
گروه خاکشناسی، دانشکده علوم کشاورزی، دانشگاه گیلان
LEAD_AUTHOR
صدیقه
رضایی
rezaei.s2012@yahoo.com
3
دانش آموخته دانشگاه گیلان
AUTHOR
1.Abbasi, A.P., Amani, H., and Zareian, M. 2014. Quantitative assessment of desertification
1
status using MEDALUS model and GIS (Case study: Shamil Plain–Hormozgan province).
2
RS & GIS for Natural Resources.5: 1. 87-97. (In Persian)
3
2.Bakhshandemehr, L., Soltani, S., and Sepehr, A. 2013. Assessment of present status of
4
desertification and modifying the MEDALUS model in Segzi plain of Isfahan, J. Range
5
Water. Manage. 66: 1. 27-41. (In Persian)
6
3.Bakr, N. 2013. Sustainable natural resource management in regional ecosystems: case study in
7
semi-arid and humid regions. Ph.D. Thesis, School of Plant, Environmental and Soil
8
Sciences, Louisiana State University.
9
4.El Baroudy, A.A. 2011. Monitoring land degradation using remote sensing and GIS
10
techniques in an area of the middle Nile Delta, Egypt. Catena. 87: 2. 201-208.
11
5.Elena Topa, M., Iavazzo, P., Terracciano, S., Adamo, P., Coly, A., De Paola, F., Giardano, S.,
12
Giugni, M., and Eric Traore, S. 2013. Evaluation of sensitivity to desertification by a
13
modified ESAs method in two sub-Saharan peri-urban areas: Ouagadougou (Burkina Faso)
14
and Saint Louis (Senegal). Geophysical Research Abstracts. 15: 2013-2229.
15
6.Farajzadeh, M., and Egbal, M.N. 2007. Evaluation of MEDALUS model for desertification
16
hazard zonation using GIS; study area: Iyzad Khast plain, Iran. Pak. J. Biol. Sci.
17
16: 2622-2630.
18
7.Fozooni, L., Fakhrieh, A., and Ekhtesasi, M.R. 2012. Assessment of desertification using of
19
modify MEDALUS model in Sistan plain (the east of IRAN). J. Elixir Geosci. 47: 8950-8955.
20
8.Gao, J., and Liu, Y. 2010. Determination of land degradation causes in Tongyu County,
21
northeast China via land cover change detection. J. Appl. Earth Obs. Geoinf. 12: 9-16.
22
9.Goudie, A.S. 2011. Desertification. P 30-35, In: J.O. Nriagu (Ed.), Encyclopedia of
23
Environmental Health, Burlington. Elsevier.
24
10.Hadeel, A.S., Mushtak, T., Jabbar, M.T., and Chen, X. 2010. Application of remote sensing
25
and GIS in the study of environmental sensitivity to desertification: a case study in Basrah
26
Province, southern part of Iraq. J. Appl. Geomat. 2: 101-112.
27
11.Honardoost, F., Nikouie, A., and Ghezelesflou, A. 2012. Mapping of present Status
28
of desertification using Medalus (Case study: Tarvati- Gonbade Kavous watershed).
29
First National Congress on Desert. International Desert Research Center, Tehran. Pp: 52-59.
30
(In Persian)
31
12.Khanamani, A., Karim Zadeh, H.R., Jafari, R., and Golshahi, A. 2013. Quantitative
32
assessment of current desertification using MEDALUS model (Case study: Segzi plain). RS
33
& GIS for Natural Resources. 4: 1. 13-25. (In Persian)
34
13.Kosmas, C., Kirkby, M., and Geeson, N. 1999. The Medalus project: Mediterranean
35
desertification and land use, Manual on key indicators of desertification and mapping
36
environmentally sensitive areas to desertification. European Commission, Project ENV4 CT
37
95 0119 (EUR 18882).
38
14.Lavado Conntador, J.F., Schanabel, S., Mezo Gutierrez, A.G., and Pulido, F.M. 2009.
39
Mapping sensitivity to land degradation Extremadura. SW Spain. 1: 1. 25-41.
40
15.Motandon, L.M., and Small, E.E. 2008. The impact of soil reflectance on the quantification
41
of the green vegetation fraction from NDVI. Rem. Sens. Environ. 112: 1835-1845.
42
16.Netpa Consulting Engineering. 2007. Integrated multipurpose project of Siyahposh
43
watershed. Guilan Office of Natural Resources, Ministry of Jihad-e-Agriculture. (In Persian)
44
17.Parvari, S.H., Pahlavanravi, A., Moghaddam Nia, A.R., Dehvari, A., and Parvari, D. 2011.
45
Application of methodology for mapping environmentally sensitive areas (ESAs) to
46
desertification in dry bed of Hamoun wetland (Iran). Inter. J. Natur. Resour. Mar. Sci. 1: 1. 65-8.
47
18.Rangzan, K., Sulaimani, B., Sarsangi, A., and Abshirini, A. 2008. Change detection
48
mineralogy, desertification mapping in East and Northeast of Ahvaz city, SW Iran using
49
combination of Remote sensing methods, GIS and ESA model. Global J. Environ. Res.
50
2: 1. 42-52.
51
19.Sepehr, A., Hassanli, A.M., Ekhtesasi, M., and Jamali, J. 2007. Quantitative assessment of
52
desertification in south of Iran using MEDALUS method. Environmental Monitoring and
53
Assessment. 134: 1-3. 243-254.
54
20.Shoshanya, M., Goldshleger, N., and Chudnovsky, A. 2013. Monitoring of agricultural soil
55
degradation by remote-sensing methods: a review. Inter. J. Rem. Sens. 34: 6152-6181.
56
21.Silakhori, E. 2014. Mapping of desertification hazard intensity based on soil index
57
using ESAs methodology in Mazinan of Sabzevar. Emergency Management. 3: 2.63-57.
58
(In Persian)
59
22.Soil Survey Staff. 2014. Keys to Soil Taxonomy, 12th ed., NRCS, USDA. 358p.
60
23.Yang, X., Zhang, K., Jia, B., and Ci, L. 2005. Desertification assessment in China: An
61
overview. J. Arid Environ. 63: 2. 517-531.
62
ORIGINAL_ARTICLE
بررسی عدم قطعیت شبیهسازی بارش آینده (مطالعه موردی: ایستگاه همدیدی بجنورد و مشهد)
علیرغم پیشرفت علم و در نتیجه دقیقتر شدن مدلهای اقلیمی در پروژههای تغییر اقلیم، منابع مختلفی از عدم قطعیت وجود دارد که ناشی از فعالیتهای انسانی و واکنش متقابل سیستم اقلیمی در مقیاسهای بزرگ مکانی و زمانی است. لذا، بهمنظور کاربرد موفقیتآمیز شبیهسازی پارامترهای هواشناسی در تحقیقات کاربردی منابع آب، تحلیل عدم قطعیت ضروری است. هدف این تحقیق، بررسی عدم قطعیت شبیهسازی سریزمانی بارش در افق آتی اول (2040-2011) و افق آتی دوم (2070-2040) با دو روش باکس پلات و بوت استرپ است. شبیهسازیهای سری زمانی بارش خروجی مدل HadCM3 با سناریوهای A1B، A2، B2، B1، مدلهای NCPCM، CNCM3 با سناریوی A1B، مدل GFCM2 با سناریوهای A1B و A2 و مدل CGCM3با سناریوهای A1B و A2 با دو مدل ریز مقایس گردانی آماری و در مجموع 10 سناریوی مختلف برای بررسی عدم قطعیت شبیهسازیها در دو افق آینده اول و دوم استفاده شد. در این تحقیق دو روش باکس- ویسکر و روش غیرپارامتری فاصله اطمینان بوت استرپ جهت بررسی و کاهش عدم قطعیت شبیهسازیها بکار برده شد. طبق نتایج نمودار باکس- ویسکر در ایستگاه همدیدی بجنورد، شبیهسازیهای ماهانه در بعضی سناریوها با دو مدل CGCM3 و HadCM3 در افق اول و مدل HadCM3 در افق دوم به عنوان داده پرت برای مرحله بعدی آنالیز در نظر گرفته نشد. در ایستگاه همدیدی مشهد نیز اختلاف معنیداری در شبیهسازی بعضی مدلهای GCM و سناریوهای انتشار مشاهده شد که مربوط به مدل CGCM3 در دو ماه ژانویه و مارس و مدل GFCM3 در ماههای مربوط به فصل تابستان بود. بعد از شناسایی و حذف سناریوهای پرت با روش باکس-ویسکر، نتایج بیانگر انتظار افزایش بارش در هر دو ایستگاه و در هر دو افق آینده است. در مرحله بعد با روش بوت استرپ عدم قطعیت خروجی برای مجموعه شبیهسازیها محاسبه شد. نتایج در ایستگاه همدیدی بجنورد بیانگر ضخامت زیاد باند عدم قطعیت در اکثر ماهها بهجز در ماههای آگوست و اکتبر است. همچنین مقایسه مقادیر میانگین شبیهسازی بارش ماهانه آینده با دوره پایه بیانگر افزایش بارش در شش ماهه دوم میلادی در دو افق آتی نسبت به دوره پایه است. در بیشتر مطالعات قبلی در ایران طیف گستردهای از عدم قطعیتها در بحث پیشبینی تغییر اقلیم را در نظر نگرفتند و درنتیجه یافتههای آنها دقیقتر از آنچه که واقعا هستند به نظر میرسد. بنابراین نتایج آنها کمتر مورد قبول محققان است و برای سیاستگزاران منابع آب گمراه کننده است. به نظر محققین این مقاله روش ارایه شده در اینجا تا حدودی نقص اساسی در بیشتر مطالعات تغییر اقلیم در کشور را پوشش میدهد و عدم در نظر گرفتن عدم قطعیت در مطالعات تغییر اقلیم میتواند به کم بها دادن طیف وسیعی از اثرات تغییر اقلیم منجر شود.
https://jwsc.gau.ac.ir/article_3585_347b04474386d995a89c1a953110bf15.pdf
2017-03-21
189
204
10.22069/jwfst.2017.10433.2486
بارش
باکس- ویسکر
بوت استرپ
تغییر اقلیم
عدم قطعیت
حامد
روحانی
rouhani.hamed@yahoo.com
1
دانشگاه گنبد
LEAD_AUTHOR
اعظم
قندی
ghandi.azam@yahoo.com
2
کارشناسی ابخیزداری
AUTHOR
سید مرتضی
سیدیان
s.m.seyedian@gmail.com
3
هیات علمی دانشگاه گنبد کاووس
AUTHOR
مجتبی
کاشانی
kashani.mojtaba@yahoo.com
4
عضو هیات علمی دانشگاه گنبد کاووس، دانشجوی دکتری آمار دانشگاه صنعتی شاهرود
AUTHOR
2; Abasi, F., Babaeyan, A., Malbosi, Sh., Asmari, M., and Goli Mokhtari, L. 2012. Assessment
1
of climate change in the coming decades (2025 to 2100) using General Circulation Model’s
2
downscaling climate data. J. Geograph. Res. 1: 27. 205-230. (In Persian)
3
2.Abasnia, M., Tavosi, T., Khosravi, M., and Torous, H. 2016. Uncertainty analysis of future
4
changes in daily maximum temperatures over Iran by GIS. Geographical Data. 25: 97. 29-43.
5
(In Persian)
6
3.Alexander, L., Zhang, X., Peterson, T., Caesar, J., Gleason, B., Klein Tank, A., Haylock, M.,
7
Collins, D., Trewin, B., Rahimzadeh, F., Tagipour, A., Rupa Kumar, K., Revadekar, J.,
8
Griffiths, G., Vincent, L., Stephenson, D., Burn, J., Aguilar, E., Brunet, M., Taylor, M.,
9
New, M., Zhai, P., Rusticucci, M., and Vazquez-Aguirre, J. 2006. Global observed
10
changes in daily climate extremes of temperature and precipitation. J. Geophysic. Res. Atm.
11
111, D05. 1-22.
12
1- With of margin
13
4.Alexandru, A., and Sushama, L. 2015. Current climate and climate change over India as
14
simulated by the Canadian Regional Climate Model. Climate Dynamics. 45: 1059-1084.
15
5.Ansari, H., Khadivi, M., Saleh Niya, N., and Babaiyan, A. 2014. Evaluation of uncertainty of
16
LARS-WG under scenario A1B, A2 and B1 in predicting precipitation and temperature
17
(Case Study: Mashhad synoptic station). J. Irrig. Drain. 4: 8. 664-672. (In Persian)
18
6.Arnell, N. 2004. Climate change and global water resources: SRES emissions and
19
socio-economic scenarios. Global Environmental Change. 14: 131-52.
20
7.Ashofte, P., and Massah, A.R. 2009. Uncertainty of climate change impact on the
21
flood regime. Case study: Aidoghmoush basin, East Azarbaijan. Water Resources Research.
22
5: 2. 27-39.
23
8.Ashraf, B., Alizadeh, A., Mousavi Baygi, M., and Bannayan Aval, M. 2013. Verification of
24
temperature and precipitation data simulated by implementing individual and group five
25
AOGCM models for North East Iran. J. Soil Water (Agricultural Science and Technology).
26
2: 28. 253-266. (In Persian)
27
9.Babaiyan, A., and Najafi Nik, Z. 2006. Introduction and evaluation of LARS-WG to simulate
28
meteorological parameters Khorasan period (2003-1961). Quarterly maker. 62: 49-65.
29
(In Persian)
30
10.Chen, J., Brissettea, F.P., Chaumontb, D., and Braunb, M. 2013. Performance and
31
uncertainty evaluation of empirical downscaling methods in quantifying the climate change
32
impacts on hydrology over two North American river basins. J. Hydrol. 479: 4. 200-214.
33
11.Christensen, J., and Christensen, O. 2007. A summary of the PRUDENCE model projections
34
of changes in European climate by the end of this century. Climatic Change. 81: 7. 7-30.
35
12.Ebrahim, G.Y., Jonoski, A., Griensven, A., and Baldassarre, G.D. 2013. Downscaling
36
technique uncertainty in assessing hydrological impact of climate change in the Upper Beles
37
River Basin, Ethiopia. J. Hydrol. Res. 44: 2. 37-44.
38
13.Efron, B., and Tibshirani, V. 1993. An introduction to the bootstrap. Chapman and Hall,
39
14.Etemadi, E., Samadi, Z., and Sharifikia, M. 2014. Uncertainty analysis of statistical
40
downscaling models using general circulation model over an international wetland. Climate
41
Dynamics. 42: 2899-2920.
42
15.Fowler, H.J., Blenkinsop, S., and Tebaldi, C. 2007. Linking climate change modeling to
43
impacts studies: Recent advances in downscaling techniques for hydrologic modeling. Inter.
44
J. Climatol. 27: 1547-1578.
45
16.Gao, Y., Lu, J., and Leung, L.R. 2016. Uncertainties in projection future changes
46
in atmospheric rivers and their impacts on heavy precipitation over Europe. J. Clim.
47
29: 18. 6711-6726.
48
17.Ghandi, A. 2015. Evaluation of uncertainty in estimates of climate parameters by different
49
statistical downscaling methods. Master thesis, University of Gonbad.
50
18.Ghermez Cheshmeh, B., Rasoli, A., Rezayi Banafsheh, M., Mesah Bavani, A., and Khorshid
51
Dost, A. 2015. Evaluation of uncertainty in the simulated neural network handling
52
HADCM3 using bootstrap confidence intervals. J. Engin. Water. Manage. 3: 7. 306-316.
53
(In Persian)
54
19.Graham, P., Hagemann, S., Juan, S., and Beniston, M. 2007. On interpreting hydrological
55
change from regional climate models. J. Clim. Change. 81: 97-122.
56
20.Hoshmand, D., and Khordadi, M.J. 2014. Uncertainty Assessment of AOGCMs and
57
Emission Scenarios in Climatic Parameters Estimation (Case Study in Mashhad Synoptic
58
Station). Geography and Environmental Hazards. 3: 11. 77-92. (In Persian)
59
21.Hughes, D.A., Mantel, S., and Mohobane, T. 2014. An assessment of the skill of downscaled
60
GCM outputs in simulating historical patterns of rainfall variability in South Africa.
61
Hydrology Research. 45: 1. 134-147.
62
22.Huth, R. 2004. Sensitivity of local daily temperature change estimates to the selection of
63
downscaling models and predictors. J. Clim. 17: 640-652.
64
23.Kent, C., Chadwick, R., and Rowell, P.D. 2015. Understanding Uncertainties in Future
65
Projections of Seasonal Tropical Precipitation. J. Clim. 28: 4390-4413.
66
24.Knutti, R. 2008. Should we believe model predictions of future climate change,
67
Philosophical transactions Series A. Mathematical, Physical and Engineering Sciences.
68
366: 1885. 4647-4664.
69
25.Knutti, R., Furrer, R., Tebaldi, C., Cermak, J., and Meehl, G. 2010. Challenges in combining
70
projections from multiple climate models. J. Clim. 23: 10. 2739-2758.
71
26.Kohi, M., and Sanayi Nejad, H. 2013. Climate change scenarios based on the results of the
72
two methods of handling statistical downscaled variable reference evapotranspiration in
73
Orumiyeh. J. Irrig. Drain. 4: 7. 559-574. (In Persian)
74
27.Kripalanai, R.H., and Kulkarni, A. 2007. South Asian summer monsoon precipitation
75
variability, 2007: coupled climate model simulations and projections under IPCC AR4.
76
Theor. Appl. Climatol. 90: 133-159.
77
28.Kumar, P., Wiltshire, A., Mathison, C., Asharaf, Sh., Ahrens, B., Lucas-Picher, P.,
78
Christensen, H.J., Gobiet, A., Saeed, F., Hagemann, S., and Jacob, D. 2013. Downscaled
79
climate change projections with uncertainty assessment over India using a high resolution
80
multi-model approach. Science of the Total Environment. 468: 18-30.
81
29.Lavaysse, C., Vrac, M., Drobinski, P., Lengaigne, M., and Vischel, T. 2012. Present
82
and projection in an anthropogenic scenario. Natural Hazards and Earth System Science.
83
12: 3. 651-670.
84
30.Meinshausen, M., Raper, S., and Wigley, T. 2008. Emulating IPCC AR4 atmosphere ocean
85
and carbon cycle models for projecting global-mean, hemispheric and land/ocean temperatures:
86
MAGICC 6.0. Atmospheric Chemistry and Physics Discussions. 8: 2. 6153-6272.
87
31.Mojtahedi, S.M.H., and Oo, B.L. 2014. Coastal buildings and infrastructure flood risk
88
analysis using multi-attribute decision-making. J. Flood Risk Manage. 9: 1. 87-96.
89
32.Pir moradian, N., Hadinia, H., and Ashrafzadeh, A. 2016. Prediction of Minimum and
90
Maximum Temperature, Radiation and Precipitation in Rasht Synoptic Station under
91
Different Climate Change Scenarios. J. Geograph. Plan. 20: 55. 29-44. (In Persian)
92
33.Rowell, D.P., Senior, C.A., Vellinga, M., and Graham, R.J. 2016. Can climate projection
93
uncertainty be constrained over Africa using metrics of contemporary performance? Climate
94
Change. 134: 621-633.
95
34.Samadi, S., Wilson, A.M.E., and Moradkhani, H. 2013. Uncertainty analysis of statistical
96
downscaling models using Hadly Center Coupled Model. Theoretical and Applied
97
Climatology. 113: 3-4. 673-690.
98
35.Semenov, M., and Stratonovitch, P. 2010. Use of multi-model ensembles from global climate
99
models for assessment of climate change impacts. Climate Research. 41: 1-14.
100
36.Sheffield, J., and Wood, E. 2008a. Global Trends and Variability in Soil Moisture and
101
Drought Characteristics, 1950-2000, from Observation-Driven Simulations of the Terrestrial
102
Hydrologic Cycle. J. Clim. 21: 3. 432-458.
103
37.Sheffield, J., and Wood, E. 2008b. Projected changes in drought occurrence under future
104
global warming from multi-model, multi-scenario. IPCC AR4 simulations, Climate
105
Dynamics. 31: 1. 79-105.
106
38.Stainforth, D., Allen, M., Tredger, E., and Smith, L. 2007. Confidence, uncertainty and
107
decision-support relevance in climate predictions. Philosophical Transactions of the Royal
108
Society A – Mathematical. Physical and Engineering Sciences. 365: 2145-2161.
109
39.Sunyer, M.A., Hundecha, Y., Lawence, D., Willems, P., Martinkova, M., Vormoor, K.,
110
Burger, G., Hanel, M., Kriauciuniene, J., Loukas Osuch, M., and Yucel, I. 2014.
111
Inter-comparison of projection of extreme precipitation in Europe. Hydrology and Earth
112
System Sciences Discussions. 11: 6167-6214.
113
40.Tao, H., Gemmer, M., Jiang, J., Lai, X., and Zhang, Z. 2012. Assessment of CMIP3 climate
114
models and projected changes of precipitation and temperature in the Yangtze River Basin,
115
China. Climate Change. 111: 737-751.
116
41.Tebaldi, C., and Knutt, R. 2007. The use of the multi-model ensemble in probabilistic
117
climate projections, Philosophical Transactions of the Royal Society. Series A.
118
Mathematical. Physical and Engineering Sciences. 365: 1857. 2053-2075.
119
42.Turley, M.C., and Ford, E.D. 2009. Definition and calculation of uncertainty in ecological
120
process models. Ecological Modelling. 220: 1968-1983.
121
43.van Asselt, M., and Rotmans, J. 2002. Uncertainty in Integrated Assessment Modelling.
122
Climatic Change. 54: 1-2. 75-105.
123
44.Vasiliades, L., Loukas, A., and Patsonas, G. 2009. Evaluation of a statistical downscaling
124
procedure for the estimation of climate change impacts on droughts. Natural Hazards and
125
Earth System Science. 9: 3. 879-894.
126
45.Yu, W., Nakakita, E., Kim, S., and Yamaguchi, K. 2016. Impact assessment of uncertainty
127
propagation of ensemble NWP rainfall to flood forecasting with catchment scale. Advances
128
in Meteorology. 2016: 1-17.
129
46.Zhang, H., Huang, G., Wang, D., and Zhang, X. 2011. Uncertainty assessment of climate
130
change impacts on the hydrology of small prairie wetlands. J. Hydrol. 396:1-2. 94-103.
131
47.Zhang, X., Zwiers, F.W., Hegerl, G.C., Lambert, F.H, Gillett, N.P, Solomon, S., Stott, P.,
132
and Nozawa, T. 2007. Detection of human influence on twentieth century precipitation
133
trends. Nature. 448: 461-465
134
ORIGINAL_ARTICLE
اثر کود گاوی غنی شده با لجن کنورتور بر زیستفراهمی آهن در یک خاک آلوده به سرب
سابقه و هدف: امروزه متخصصین از روشهایی نظیر کاریرد کلاتهای آهن، پائین آوردن پهاش خاک و ضایعات صنعتی در جهت برطرف نمودن کمبود آهن در خاک، استفاده میکنند. استفاده از مواد جامد زائد کارخانجات فولادسازی و ذوب آهن مانند سرباره و لجن کنورتور به عنوان مواد اصلاحی خاک در تغذیه آهن میتواند مفید باشد. این ترکیبات حاوی درصد قابل توجهی آهن هستند و سالانه به مقدار خیلی زیاد تولید و انباشته میشوند. کاربرد سرباره و لجن کنورتور در خاک ممکن است بر تحرک زیستی و فرم های شیمیایی آهن در خاک تاثیرگذار باشد. از سویی دیگر آلودگی محیط زیست به فلزات سنگین مانند سرب مشکلی جدی و روزافزون است و میتواند مدیریت تغذیه ای عناصر غذایی از جمله آهن را تحت تاثیر قرار دهد. با در نظر گرفتن اثر برهمکنش آهن و سرب، این تحقیق با هدف بررسی اثر کود گاوی غنی شده با لجن کنورتور بر تغییر قابلیت زیستفراهمی آهن در یک خاک آلوده به سرب انجام شد.مواد و روشها: این پژوهش به صورت یک آزمایش فاکتوریل سه فاکتوره در فالب طرح بلوکهای کامل تصادفی با سه تکرار در شرایط گلخانهای به اجرا در آمد. تیمارهای آزمایشی شامل کاربرد مقادیر 0 ، 15 و 30 تن در هکتار کود گاوی غنی شده با 0 و 5 درصد وزنی آهن خالص از ترکیب لجن کنورتور بود. علاوه بر این، خاک با مقادیر 0، 200، 300 و400 میلی گرم سرب در کیلوگرم خاک از منبع نیترات سرب آلوده و به مدت یک ماه نگهداری شد. سپس کود گاوی غنیشده به خاک آلوده به سرب اضافه شد و بذر ذرت (سینگل کراس 704) کاشته شد. بعد از گذشت 60 روز از شروع آزمایش، ویژگیهای فیزیکی، شیمیایی خاک و غلظت آهن در خاک و گیاه ذرت اندازهگیری شد. یافته ها: افزایش کاربرد کود گاوی از 0 به 15 و 30 تن در هکتار در خاک آلوده به 300 میلیگرم سرب در کیلوگرم خاک به ترتیب باعث افزایش 21 و 35 برابری در مقدار آهن قابل عصارهگیری با DTPA شد. مشابه این نتیجه، غلظت آهن ریشه و شاخساره نیز افزایش یافت، به طوری که کاربرد 30 تن در هکتار کود گاوی (در خاک آلوده به 200 میلی گرم سرب در کیلوگرم خاک) به ترتیب باعث افزایش 7 و3/12 برابری در غلظت آهن ریشه و شاخساره گیاه شد. کود گاوی غنی شده با لجن کنورتور نیز تاثیر مثبتی بر افزایش غلظت آهن ریشه و شاخساره گیاه داشت، به صورتی که کاربرد 30 تن در هکتار کود گاوی غنیشده در خاک آلوده به 200 میلی گرم سرب به ترتیب باعث افزایش 2 و 7/7 برابری در غلظت آهن ریشه و شاخساره گیاه شد. نتیجهگیری: بیشترین مقدار آهن قابل عصارهگیری با DTPA و غلظت آهن ریشه و شاخساره در خاک غیر آلوده و تیمار شده با 30 تن در هکتار کود گاوی غنی شده با 5 درصد آهن خالص از ترکیب لجن کنورتور بود. با توجه به اثر آنتاگونیستی سرب و آهن، افزایش آلودگی خاک به سرب باعث کاهش معنیدار قابلیت زیستفراهمی آهن در خاک، ریشه و شاخساره گیاه شده است. نتایج کلی این تحقیق حاکی از آن است که کاربرد کود گاوی غنی شده با 5 درصد آهن خالص از ترکیب لجن کنورتور، توانسته است باعث افزایش قابلیت زیستفراهمی آهن در خاک و گیاه شود، هر چند که در این میان نقش کاربرد کود گاوی در کاهش قابلیت زیستفراهمی سرب و به دنبال آن افزایش قابلیت زیستفراهمی آهن در خاک (اثر رقابتی آهن و سرب) نبایستی نادیده گرفته شود.
https://jwsc.gau.ac.ir/article_3586_7b3d3f88463186377ccd3349b877525f.pdf
2017-03-21
205
220
10.22069/jwfst.2017.11657.2612
آهن
لجن کنورتور
کود گاوی غنی شده
سرب
نرگس
تبرته فراهانی
nargesban13@gmail.com
1
دانش اموخته گروه خاکشناسی دانشگاه آزاد اسلامی واحد اراک
AUTHOR
امیرحسین
بقائی
a-baghaie@iau-arak.ac.ir
2
عضو هیات علمی گروه خاکشناسی دانشگاه آزاد اسلامی واحد اراک
LEAD_AUTHOR
آناهیتا
پلوس
anaita.plous@gmail.com
3
عضو هیات علمی گروه خاکشناسی دانشگاه آزاد اسلامی واحد اراک
AUTHOR
1.Abbaspour, A., Kalbasi, M., and Shariatmadari, H. 2004. Effect of steel converter sludge as
1
iron fertilizer and soil amendment in some calcareous soils. J. Plant Nutr. 27: 2. 377-394.
2
2.Agegnehu, G., Nelson, P.N., and Bird, M.I. 2016. Crop yield ,plant nutrient uptake and soil
3
physicochemical properties under organic soil amendments and nitrogen fertilization on
4
Nitisols. Soil Till. Res. 160: 1-13.
5
3.Alidadi Khaliliha, M., Dordipour, E., and Barani Motlagh, M. 2016. Interactive effect of iron
6
and lead on growth and their uptake in Cress (Lepidium sativum L.). J. Soil Manage. Sust.
7
Prod. 5: 4. 41-59. (In Persian)
8
4.Allen, S.E., Grimshaw, H.M., and Rowland, A.P. 1986. Chemical analysis. P 285-344,
9
In: P.D. Moore and S.B. Chapman (Eds.), Methods in Plant Ecology, Blackwell Scientific
10
Publication, Oxford, London.
11
5.Azizi, P., and Glaser, B. 2006. Organic Iron-fertilizers from Hornbeam-leaves, Outer
12
Rice-husks and Charcoal. J. Appl. Sci. 6: 673-677.
13
6.Baghaie, A., Khoshgoftarmanesh, A.H., Afyuni, M., and Schulin, R. 2011. The role of organic
14
and inorganic fractions of cow manure and biosolids on lead sorption. Soil Sci. Plant Nutr.
15
57: 1. 11-18.
16
7.Bremner, J.M. 1996. Nitrogen-total. P 1-89, In: D.L. Sparks, Methods of Soil Analysis. Part 3,
17
3rd Ed. Am. Soc. Agron. Madison. WI.
18
8.Cohen, C.K., Fox, T.C., Garvin, D.F., and Kochian, L.V. 1998. The role of iron-deficiency stress
19
responses in stimulating heavy-metal transport in plants. Plant Physiol. 116: 3. 1063-1072.
20
9.Das, A., Patel, D.P., Lal, R., Kumar, M., Ramkrushna, G.I., Layek, J., Buragohain, J.,
21
Ngachan, S.V., Ghosh, P.K., Choudhury, B.U., Mohapatra, K.P., and Shivakumar, B.G.
22
2016. Impact of fodder grasses and organic amendments on productivity and soil and crop
23
quality in a subtropical region of eastern Himalayas, India. Agric. Ecosyst. Environ.
24
216: 274-282.
25
10.Fodor, F. 2006. Heavy metals competing with iron under conditions involving
26
phytoremediation, P 129-151, In: L.L. Barton and J. Abadía (Eds.), Iron Nutrition in Plants
27
and Rhizospheric Microorganisms, Springer, Dordrecht, The Netherlands.
28
11.Gee, G.W., and Bauder, J.W., 1986. Particle-size analysis. P 383-411, In: A. Klute (Eds.),
29
Methods of Soil Analysis, Part 1. Physical and Mineralogical Methods, American society of
30
agronomy, Madison, WI.
31
12.Gopal, R., and Rizvi, A.H. 2008. Excess lead alters growth, metabolism and translocation of
32
certain nutrients in radish. Chemosphere. 70: 9. 1539-1544.
33
13.Hasegawa, H., Rahman, M.A., Saitou, K., Kobayashi, M., and Okumura, C. 2011. Influence
34
of chelating ligands on bioavailability and mobility of iron in plant growth media and their
35
effect on radish growth. Environ. Exp. Bot. 71: 3. 345-351.
36
14.He, W., Shohag, M.J.I., Wei, Y., Feng, Y., and Yang, X. 2013. Iron concentration,
37
bioavailability and nutritional quality of polished rice affected by different forms of foliar
38
iron fertilizer. Food Chem. 141: 4. 4122-4126.
39
15.Heidari Kohal, H., Samar, S.M., and Moez Ardalan, M. 2014. Soil injection of Iron Sulfate,
40
an Inexpensive Method for Controlling Iron Deficiency of Fruit Trees. Land Manage. J.
41
2: 2. 151-160. (In Persian)
42
16.Heidari, M., Galavi, M., and Hassani, M. 2011. Effect of sulfur and iron fertilizers on yield,
43
yield components and nutrient uptake in sesame (Sesamum indicum L.) under water stress.
44
Afr. J. Biotechnol. 10: 44. 8816-8822.
45
17.Jokar, L., and Ronaghi, A. 2015. Effect of foliar application of different Fe levels and
46
sources on growth and concentration of some nutrients in sorghum. J. Sci. Technol.
47
Greenhouse Cul. 6: 22. 163-174. (In Persian)
48
18.Lee, P.K., Choi, B.Y., and Kang, M.J. 2015. Assessment of mobility and bio-availability of
49
heavy metals in dry depositions of Asian dust and implications for environmental risk.
50
Chemosphere. 119: 1411-1421.
51
19.Li, J., Gan, J., and Hu, Y. 2016. Characteristics of Heavy Metal Species Transformation of
52
Pb, Cu, Zn from Municipal Sewage Sludge by Thermal Drying. Procedia Environ. Sci.
53
31: 961-969.
54
20.Mansouri, T., Golchin, A., and Fereidooni, J. 2016. The Effects of EDTA and H2SO4
55
on Phyto-extraction of Pb from contaminated Soils by Radish. J. Water Soil. 30: 1. 194-209.
56
(In Persian)
57
21.Martínez-Cuenca, M.R., Forner-Giner, M.Á., Iglesias, D.J., Primo-Millo, E., and Legaz, F.
58
2013. Strategy I responses to Fe-deficiency of two Citrus rootstocks differing in their
59
tolerance to iron chlorosis. Sci. Hort. 153: 56-63.
60
22.Melali, A.R., and Shariatmadari, H. 2008. Application of Steel Making Slag and Converter
61
Sludge in Farm Manure Enrichment for Corn Nutrition in Greenhouse Conditions. J. Water
62
Soil Sci. 11: 42. 505-513. (In Persian)
63
23.Mohammadi Torkashvand, A. 2011. Effect of steel converter slag as iron fertilizer in some
64
calcareous soils. Acta Agric. Scand. Sect. B Soil Plant Sci. 61: 1. 14-22.
65
24.Motesharezadeh, B., and SavaghebI, G.R. 2011. Study of sunflower plant response to cadmium
66
and lead toxicity by usage of PGPR in a calcareous soil. J. Water Soil. 25: 1069-1079.
67
(In Persian)
68
25.Nelson, D.W., and Sommers, L.E. 1996. Total carbon, organic carbon and organic matter.
69
Methods of soil analysis, 3: 961-1010.
70
26.Nelson, R.E. 1982. Carbonate and gypsum. P 81-197, In: A.L. Page, R.H. Miller and D.R.
71
Keeney (Eds.), Methods of Soil Analysis ,Part 2. Chemical and Microbiological Properties,
72
American Society of Agronomy, Madison, Wisconsin, USA.
73
27.Olsen, S.R., and Sommers, L.E. 1982. Phosphorus. P 403-430, In: A.L. Page, R.H. Miller
74
and D.R. Keeney (Eds.), Methods of Soil Analysis, Part 2. Chemical and Microbiological
75
Properties, American Society of Agronomy, Madison, Wisconsin, USA.
76
28.Rezvani, M., Zaefarian, F., and Gholizadeh, A. 2012. Lead and nutrients uptake by aeluropus
77
littoralis under different levels of lead in soil. Water Soil Sci. 22: 3. 73-86.
78
29.Rhoades, J.D. 1982. Cation exchange capacity. P 49-157, In: A.L. Page, R.H. Miller and
79
D.R. Keeney (Eds.), Methods of Soil Analysis, Part 2. Chemical and Microbiological
80
Properties, American Society of Agronomy, Madison, Wisconsin ,USA.
81
30.Saadat, K., and Barani Motlagh, M. 2013. Influence of Iranian natural zeolites, clinoptilolite
82
on uptake of lead and cadmium in applied sewage sludge by Maize (Zea mays L.). J. Water
83
Soil Cons. 20: 123-143. (In Persian)
84
31.Sharifi, M., Afyuni, M., and Khoshgoftarmanesh, A.H. 2010. Effects of sewage sludge,
85
animal manure, compost and cadmium chloride on cadmium accumulation in corn and
86
alfalfa. J. Residuals Sci. Tech. 7: 4. 219-225.
87
32.Sharma, A., Johri, B., Sharma, A., and Glick, B. 2003. Plant growth-promoting bacterium
88
Pseudomonas sp. strain GRP 3 influences iron acquisition in mung bean (Vigna radiata L.
89
Wilzeck). Soil Biol. Biochem. 35: 7. 887-894.
90
33.Shirani, H., Hajabbasi, M.A., Afyuni, M., and Hemmat, A. 2010. Impact of Tillage Systems
91
and Farmyard Manure on Soil Penetration Resistance under Corn Cropping. J. Water Soil
92
Sci. 14: 51. 141-155. (In Persian)
93
34.Siedlecka, A. 1995. Some aspects of interactions between heavy metals and plant mineral
94
nutrients. Acta Soc. Bot. Pol. 64: 3. 265-272.
95
35.Sinha, P., Dube, B., Srivastava, P., and Chatterjee, C. 2006. Alteration in uptake and
96
translocation of essential nutrients in cabbage by excess lead. Chemosphere. 65: 4. 651-656.
97
36.Solgi, E., Esmaili-Sari, A., Riyahi-Bakhtiari, A., and Hadipour, M. 2012. Soil contamination
98
of metals in the three industrial estates, Arak, Iran. Bull. Environ. Contam. Toxicol.
99
88: 4. 634-638.
100
37.Tafvizi, M., and Motesharezadeh, B. 2014. Effects of Lead on Iron, Manganese and Zinc
101
Concentrations in Different Varieties of Maize (Zea mays). Commun. Soil Sci. Plant Anal.
102
45: 14. 1853-1865.
103
38.Wang, X., and Cai, Q.S. 2006. Steel Slag as an Iron Fertilizer for Corn Growth and Soil
104
Improvement in a Pot Experiment1. Pedosphere. 16: 4. 519-524.
105
39.Westerman, R.L. 1990. Soil testing and plant analysis. SSSA, No. 3, Madison,Wisconsin,
106
40.Zhong, S., Shi, J., and Xu, J. 2010. Influence of iron plaque on accumulation of lead
107
by yellow flag (Iris pseudacorus L.) grown in artificial Pb-contaminated soil. J. Soils Sed.
108
10: 5. 964-970.
109
ORIGINAL_ARTICLE
اثر عمق غرقابی بر تلفات تبخیر از سطوح شالیزاری
سابقه و هدف: در روش آبیاری غرقآبی در اراضی شالیزاری، تبخیر آب از سطح خاک یکی از اجزای تلفات آب محسوب میگردد. مقدار تبخیر در این اراضی تابع عوامل دما، رطوبت نسبی، سرعت باد، سطح پوشش گیاهی، عمق غرقآبی، عمق ایستابی در زیر سطح خاک و عوامل متعدد دیگر میباشد. در مدیریتهای مبتنی بر آبیاری تناوبی، شالیزارها از حالت غرقآب دایم خارج گردیدهاند و در هر نوبت آبیاری سطح آب در آنها از حد فاصل غرقآب تا ظهور ترک مویین تغییر میکند. این تحقیق با هدف اندازه گیری مقدار تبخیر در دوره رشد برنج در عمقهای مختلف غرقآبی در شرایط اراضی شالیزاری استان گیلان در محل مزرعه موسسه تحقیقات برنج کشور در مجاورت ایستگاه تحقیقات هواشناسی رشت در سال 1392 انجام شد.مواد و روشها: پنج تیمار مختلف سطح ثابت آب نسبت به سطح خاک شالیزار (5، 5/2، 0، 5- و 10- سانتیمتر) در سه تکرار و با استفاده از مینیلایسیمتر نصب شده در وسط کرتهای بزرگ شالیزاری با استفاده از طرح بلوکهای کامل تصادفی اعمال گردید و تبخیر روزانه در آنها اندازهگیری شد. یافتهها: نتایج نشان داد که تلفات تبخیر در عمقهای مختلف غرقابی در سطح 5% در برخی موارد با یکدیگر تفاوت معنیدار دارند. بیشترین مقدار تبخیر مربوط به تیمار صفر سانتیمتر و کمترین مقدار مربوط به تیمار 10- سانتیمتر، به ترتیب معادل8/120 و 94 میلیمتر بود. در همه تیمارها با گذشت زمان از ابتدای دوره، تبخیر در شالیزار به نصف کاهش مییابد. وقوع بارندگی نیز تبخیر را تا 75% کاهش میدهد. بدون در نظرگرفتن روزهای بارندگی نیز تفاوت تبخیر در سطوح مختلف غرقابی در شالیزار دارای تفاوت معنیدار میباشند. مقایسه میانگینها نشان داد که بالابودن ارتفاع سطح غرقآب در شالیزار موجب افزایش میزان تلفات تبخیر میگردد. با کاهش سطح غرقآب و نازک شدن لایه آب روی خاک، خصوصاً در دوره رشد رویشی، تبخیر کاهش مییابد. اگر ارتفاع این لایه خیلی کم شود وبه صفر برسد و یا خاک در حالت نیمه اشباع قرار بگیرد، تبخیر مجدداً افزایش مییابد. پس از آن در شرایطی که سطح آب در خاک پایینتر از شرایط نیمه اشباع است (10- سانتیمتر) تبخیر بطور معنیداری کاهش مییابد.نتیجهگیری: نتایج اندازهگیریهای تبخیر و نوسانات آن تشابه چشمگیری با نوسانات دمای اندازه گیری شده در هر تیمار (در عمق 5 و 10 سانتیمتری زیر سطح خاک) و همچنین دمای آب دارد و تیمارهایی که دارای تلفات تبخیر بیشتر هستند، تیمارهایی هستند که در بازه های روزانه دماهای بیشتری در محیط آب و خاک آنها ثبت شده است. در شرایط وجود آب کافی وجود لایه نه چندان ضخیم غرقآب باعث جلوگیری از بالارفتن تبخیر آب میگردد، اما در صورت نبود آب لازم برای حفظ حالت غرقآب، برای کاهش تلفات تبخیر، استقرار آب در بیش از 5 سانتیمتر پایینتر از سطح خاک در اولویت قرار دارد.
https://jwsc.gau.ac.ir/article_3587_6e4e522ad309bb7b6dc56c486f565bcb.pdf
2017-03-21
221
235
10.22069/jwfst.2017.12237.2674
تبخیر
شالیزار
عمق غرقاب
مرحله رویشی
مینی لایسمتر
محمد
موسوی بایگی
mousavib@um.ac.ir
1
دانشکده کشاورزی-دانشگاه فردوسی مشهد
LEAD_AUTHOR
ابراهیم
اسعدی اسکویی
e.asadi.o@gmail.com
2
دانشجوی رشته هواشناسی کشاورزی دانشگاه فردوسی مشهد
AUTHOR
محمدرضا
یزدانی
smryazdani@yahoo.com
3
استادیار پژوهشی - موسسه تحقیقات برنج کشور
AUTHOR
امین
علیزاده
alizadeh@gmail.com
4
دانشگاه فردوسی مشهد
AUTHOR
-1.Agam, N., Evett, S.R., Tolk, J.A., Kustas, W.P., Colaizzi, P.D., Alfieri, J.G., Mckee, L.G.,
1
Copeland, K.S., Howell, T.A., and Chavez, J.L. 2012. Evaporative loss from irrigatedinter
2
rows in a highly advective semi-arid agricultural area. Adv. Water Res. 50: 20-30.
3
2.Alizadeh, A. 2004. Soil, Water, Plant relationship. Astan Quds Razavi, press, 470p.
4
3.Allen, R.G., Pereira, L.S., Raes, D., and Smith, M. 1998. Crop Evapotranspiration: Guidelines
5
for Computing Crop Requirements. FAO irrigation and drainage paper no. 56. Food and
6
Agricultural Organisation of the United Nations, Rome, Italy.
7
4.Ashktorab, H., Pruitt, W., and Paw, U.K. 1994. Partitioning of Evapotranspiration Using
8
Lysimeter and Micro-Bowen-Ratio System. J. Irrig. Drain. Eng. 120: 450-464.
9
5.Balwinder, S., Eberbach, P.L., Humphreys, E., and Kukal, S.S. 2011. The effect of ricestraw
10
mulch on evapotranspiration, transpiration and soil evaporation of irrigated wheat in Punjab.
11
India. Agric. Water Manage. 98: 1847-1855.
12
6.Borhan, A. 1990. Plant water requirement and irrigation planning. Interior ministry.
13
(In Persian)
14
7.Ding, R., Kang, S., Zhang, Y., Xinmei, H., Tong, L., and Du, T. 2013. Partitioning
15
evapotranspiration into soil evaporation and transpiration using a modified dual crop
16
coefficient model in irrigated maize field with ground-mulching. Elsevier. 127: 85-96.
17
8.Ehleringer, J.R., Roden, J.R., and Dawson, T.E. 2000. Assessing ecosystem-level water
18
relations through stable isotoperation analyses. P 181-198, In: O.E. Sala, R. Jackson, H.A.
19
Mooney and R. Howarth (Eds.), Methods in Ecosystem Science. SpringerVerlag, New York,
20
9.FAO. Crop Evapotranspiration (Guidelines for Computing Crop Water Requirements), FAO
21
Irrigation and Drainage Paper No.56.
22
10.Ferretti, D.F., Pendall, E., Morgan, J.A., Nelson, J.A., LeCain, D., and Mosier, A.R. 2003.
23
Partitioning evapotranspiration fluxes from a Colorado grassland using stable isotopes:
24
seasonal variations and ecosystem implications of elevated atmospheric CO2. Plant and Soil
25
J. 254: 291-303.
26
11.Ham, J.M., Heilman, J.L., and Lascano, R.J. 1990. Determination of soil water evaporation
27
and transpiration from energy balance and stem flow measurement. Agricultural and Forest
28
Meteorology. 52: 287-301.
29
12.Harrold, L.L., Peters, D.B., Driebelbis, F.R., and Mc-Guiness, J.L. 1959. Transpiration
30
evaluation of corn grown on a plastic-cove red lysimeter. Soil Sci. Soc. Of Am. Proc.
31
23: 174-178.
32
13.Jara, J., Stockle, C.O., and Kjelgard, J. 1998. Measurement of evapotranspiration and its
33
components in a corn (Zea Mays L.) field. Agric. For. Meteorol. 92: 131-145.
34
14.Kool, D., Agam, N., Lazarovitch, N., Heitman, J.L., Sauer, T.J., and Ben-gal, A. 2014. A
35
review of approaches for evapotranspiration partioning. Agric. For. Meteorol. 184: 56-70.
36
15.Kustas, W.P., and Agam, N. 2014. Soil Evaporation. Encyclopedia of Natural Resources.
37
DOI: 10.1081/E-ENRL-120049129.
38
16.Kustas, W.P., and Norman, J.M. 1999a. Evaluation of soil and vegetation heat flux
39
predictions using a simple two-source model with radiometric temperatures for partial
40
canopy cover. Agric. For. Meteorol. 94: 13-29.
41
17.Kustas, W.P., and Norman, J.M. 1999b. Reply to comments about the basic equations of
42
dual-source vegetation-atmosphere transfer models. Agric. For. Meteorol. 94: 275-278.
43
18.Lauenroth, W.K., and Bradford, J.B. 2006. Ecohydrology and the Partitioning AET between
44
Transpiration and Evaporation in a Semiarid Steppe. Ecosystems. 9: 756-767.
45
19.Lawrence, D.M., Thornton, P.E., Oleson, K.W., and Bonan, G.B. 2007. The Partitioning of
46
Evapotranspiration into Transpiration, Soil Evaporation and Canopy Evaporation in a GCM:
47
Impacts on Land–Atmosphere Interaction. J. Hydrometeor. 8: 862-880.
48
20.Modabberi, H. 2010. Determining evapotranspiration and crop coefficient of rice varieties in
49
swamp plain (Guilan). Irrigation and Drainage Master's Thesis. Agricultural Faculty, Tarbiat
50
Modarres University. (In Persian)
51
21.Peters, D.B., and Russell, M.B. 1959. Relative water losses by evaporation andtranspiration
52
in field corn. Soil Sci. Soc. Am. J. 23: 170-173.
53
22.Sakuratani, T. 1987. Studies on evapotranspiration from crops. (2) Separate estimation of
54
transpiration and evaporation from a soybean field without water shortage. J. Agric.
55
Meteorol. 42: 309-317.
56
23.Shaw, R.H. 1959. Water use from plastic covered and uncovers corn plots. Agron. J.
57
51: 172-173.
58
24.Shawcroft, R.W., and Gardner, H.R. 1983. Direct evaporation from soil under a row crop
59
canopy. Agric. Meteorol. 28: 229-238.
60
25.Sutanto, S.J., Wenninger, J., Coenders-Gerrits, A.M.J., and Uhlenbrook, S. 2012.
61
Partitioning of evaporation into transpiration, soil evaporation and interception: a
62
comparison between isotope measurements and a HYDRUS-1D model, Hydrol. Earth Syst.
63
Sci. 16: 2605-2616.
64
26.Tolk, J.A., Howell, T.A., Steiner, J.L., Krieg, D.R., and Schneider, A.D. 1995. Role
65
of transpi-ration suppression by evaporation of intercepted water in improving irrigation
66
efficiency. Irrig. Sci. 16: 89-95.
67
27.Yazdani, M.R., Sharifi, M.M., Razavi poor, T., and Sharafi, N. 2002. Comparison of several
68
water management methods in rice fields Of Guilan province. 11th National Committee
69
Conference on Irrigation and Drainage. (In Persian)
70
ORIGINAL_ARTICLE
بررسی عملکرد کلزا به عنوان کشت دوم در اراضی شالیزاری دارای زهکش زیرزمینی
سابقه و هدف: به منظور توسعه کشت دوم در اراضی شالیزاری، باید مشکلات ماندابی بر اثر بارندگی با استفاده از زهکشهای زیرزمینی برطرف شود. در بسیاری از کشورها، سیستمهای زهکشی زیرزمینی که بعد از برداشت برنج، خروجی آنها باز میشود به عنوان یک اقدام اصولی احداث شدهاند. در پاکستان (ازهر و همکاران، 2005) و هندوستان (ریتزما و همکاران، 2008)، اجرای زهکش-های زیرزمینی در مزارع باعث افزایش عملکرد پنبه، نیشکر، گندم و حتی برنج شدند. طی تحقیقی (کارتر و کمپ، 1994)، این نتایج حاصل شد که زهکشهای زیرزمینی باعث افزایش عملکرد نیشکر نسبت به تیمار بدون زهکشی شدند. به طور کلی، تجهیز اراضی شالیزاری به زهکشهای زیرزمینی علاوه بر اثراتی که بر افزایش عملکرد برنج دارد (درزی و همکاران، 2012؛ ماتیو و همکاران، 2001؛ ساتیانارایانا و بونسترا، 2007) باعث ایجاد شرایط مناسب برای کشت دوم در اراضی شالیزاری خواهد شد. با توجه به جدیدالاحداث بودن سیستمهای زهکشی زیرزمینی در اراضی شالیزاری شمال کشور، بررسی میزان عملکرد کلزا به عنوان کشت دوم از اهمیت خاصی برخوردار میباشد تا با مشخص شدن میزان بهبود در عملکرد و میزان محصول برداشت شده، چشمانداز دقیقی برای برنامههای آینده در اختیار دولت و کشاورزان قرار داد. مواد و روشها: در این بررسی، اثر سه نوع سیستم زهکشی زیرزمینی معمولی و یک سیستم زهکشی زیرزمینی دو عمقی همراه با تیمار شاهد بر عملکرد کلزا در اراضی شالیزاری تجهیز و نوسازی شده دانشگاه علوم کشاورزی و منابع طبیعی ساری به عنوان کشت دوم مورد مقایسه قرار گرفت. آزمایشهای لازم در قالب طرح بلوک کامل تصادفی با پنج تیمار در سال زراعی 94-1393 انجام شد. سطح ایستابی به صورت روزانه و در زمان برداشت برخی شاخصهای گیاهی شامل تعداد بوته در مترمربع، تعداد غلاف در بوته، تعداد دانه در غلاف، وزن هزار دانه و عملکرد کلزا اندازهگیری شد. دادههای به دست آمده از این محصول با استفاده از نرمافزار آماریSAS در قالب طرح بلوک کامل تصادفی مورد تجزیه و تحلیل قرار گرفتند. مقایسه میانگینها با استفاده از آزمون LSD در سطح احتمال پنج درصد انجام شد. یافتهها: تجزیه و تحلیل آماری دادهها نشان داد که شاخصهای تعداد بوته، تعداد غلاف، وزن هزار دانه در تیمارهای دارای زهکشی زیرزمینی به طور معنیداری بیشتر از تیمار شاهد بودند. همچنین میزان عملکرد در تیمارهای زهکشی زیرزمینی، بهطور معنیداری 425 تا 1025 کیلوگرم در هکتار بیشتر از مقدار متناظر در تیمار شاهد بودند. با وجود بارندگی در زمان جوانهزنی، زهکشها خوب عمل کرده و سطح ایستابی پایینتر از 30 سانتیمتر قرار داشته که باعث جوانهزنی بیشتر و در نتیجه تعداد بوته بیشتری در اراضی دارای زهکش زیرزمینی نسبت به تیمار شاهد شد. نتیجهگیری: بهبود وضعیت تهویه و تخلیه سریعتر آب اضافی خاک در فصل کشت کلزا سبب افزایش قابل توجه عملکرد کلزا در تیمار زهکشی زیرزمینی شد. به طور کلی، عملکرد دانه در تیمارهای زهکشی با عمق 90/0 متر و فاصله 30 متر، زهکشی دو عمقی، زهکشی با عمق 65/0 متر و فاصله 30 متر و زهکشی با عمق 65/0 متر و فاصله 15 متر به ترتیب 55، 35، 29 و 22 درصد بیشتر از عملکرد دانه در تیمار زهکشی سطحی بود. با توجه به نتایج این تحقیق و وسعت زیاد اراضی شالیزاری در شمال کشور، استفاده از اراضی در نیمه دوم سال برای کشت کلزا میتواند به عنوان یک راهکار اساسی در راستای افزایش تولید دانههای روغنی و دستیابی به خودکفایی در این امر، مورد توجه قرار گیرد.
https://jwsc.gau.ac.ir/article_3588_8ea42469c1be7dc42c94e22863240789.pdf
2017-03-21
237
249
10.22069/jwfst.2017.11160.2549
زهکشی دو عمقی
زهکشی معمولی
سطح ایستابی
هایولا 401
سمانه
دوستی پاشاکلایی
dostipasha@yahoo.com
1
دانشجوی کارشناسی ارشد آبیاری و زهکشی، دانشگاه علوم کشاورزی و منابع طبیعی ساری
AUTHOR
علی
شاهنظری
aliponh@yahoo.com
2
علوم کشاورزی و منابع طبیعی ساری
LEAD_AUTHOR
مهدی
جعفری تلوکلایی
mehdijafari_89@yahoo.com
3
دانشجوی دکتری آبیاری و زهکشی، دانشگاه علوم کشاورزی و منابع طبیعی ساری
AUTHOR
1.Agricultural Statistics. 2015. Ministy of Jihad-e-Agriculture, economical planning section.
1
Farmig year of 2013-14. First volume, 169p. (In Persian)
2
2.Azhar, A.H., Alam, M.M., and Rafiq, M. 2005. Agricultural impact assessment of subsurface
3
drainage projects in Pakistan– crop yield analysis. Pak. J. Water Resour. 9: 1. 1-7.
4
3.Bange, M.P., Milroy, S.P., and Thongbai, P. 2004. Growth and yield of cotton in response to
5
waterlogging. Field Crops Res. 88: 129-142.
6
4.Bils Borrow, P.E., Evans, E.J., and Zhoa, F.D. 1993. The influence of spring nitrogen on yield
7
components and glucosinolat content of autumn sown oilseed rape (B. napus). J. Agric. Sci
8
(Camb.) 120: 219-224.
9
5.Carter, C.E., and Camp, C.R. 1994. Drain spacing effects on water table control and sugarcane
10
yields. Transactions of the ASAE. 37: 5. 1509-1513.
11
6.Charlief, R., Warmann, G., and Heerm, W. 2000. Great Plains canola research. K-State
12
research and extension are available on the http://www.oznet.ksu.edu.
13
7.Darzi-Naftchali, A., Mirlatifi, S.M., Shahnazari, A., Ejlali, F., and Mahdian, M.H. 2013.
14
Effect of subsurface drainage on water balance and water table in poorly drained paddy
15
fields. Agric. Water Manage. 130: 61-68.
16
8.Darzi, A., Mirlatifi, M., Shahnazari, A., Ejlali, F., and Mahdian, M.H. 2012. Influence of
17
surface and subsurface drainage on rice yield and its component in paddy fields. J. Water
18
Res. Agric. 26: 1. 61-71. (In Persian)
19
9.Evans, J. 1982. Symbiosis, nitrogen and dry matter distribution in chickpea (Cicer arietinum
20
L.). Exp Agric. 18: 339-351.
21
10.Gardner, W.K., Drendel, M.F., and Mc Donald, G.K. 1994. Growth and yield response of
22
grain legumes to different soil management practices after rained lowland rice. Aust. J. Exp.
23
Agri. 34: 3. 41-48.
24
11.Ismail, A.M., Ella, E.S., Vergara, G.V., and Mackill, D.J. 2009. Mechanisms associated with
25
tolerance to flooding during germination and early seedling growth in rice. Annual. Botany.
26
103: 197-209.
27
12.Johnston, T.H., and Scott, G.C. 1998. Gravel and conventional mole drainage for dryland
28
cropping in SE Australia. The Australian Society of Agronomy. Available on the Url:
29
http://www.regional.org.au/au/asa/1998/7/179johnston.htm.
30
13.Khajapoor, M.A. 1996. Production of Industrial Crops. Isfahan University Press. 182p.
31
(In Persian)
32
14.Khajehpur, M.R. 2006. Industrial plants, academic jihad publications. Esfahan University
33
Jahad. (In Persian)
34
15.Malik, A., Colmer, T.D., Lambers, H., and Schortemyer, M. 2001. Changes inphysiological
35
and morphological traits of roots and shoots of wheat in response to different depths of
36
waterlogging. Australian J. Plant. Physiol. 28: 1121-1131.
37
16.Mandham, N.J., Shipway, P.A., and Scott, R.K. 1981. The effect of delayed sowing and
38
weather on growth, development and yield of winter oilseed rape (Brassica napus L.).
39
J. Agric. Sci. 96: 389-416.
40
17.Mathew, E.K., Panda, R.K., and Nair, M. 2001. Influence of subsurface drainage on
41
crop production and soil quality in a low-lying acid sulphate soil. Agric. Water Manage.
42
47: 191-209.
43
18.Mohajer, A.R. 2004. Iran will be selfficient in edible oil production in next 12 years.
44
J. Livestock, Cul. Ind. 54: 120. (In Persian)
45
19.Musgrave, M.E., and Ding, N. 1998. Evaluation wheat cultivars for waterlogging tolerance.
46
Crop Sci. 38: 90-97.
47
20.Palta, J.A., Ganjeali, A., Turner, N.C., and Siddique, KH.M. 2010. Effects of transient
48
subsurface waterlogging on root growth, biomass and yield of chickpea. Agric. Water
49
Manage. 97: 1469-1476.
50
21.Peries, R., Johnson, T., Bluett, C., and Wightman, B. 2001. Raised-bed cropping leading the
51
way in high rainfall southern Australia. Proc. 10th Australian Agronomy Conference,
52
Australian Society of Agronomy, Hobart, Jan 2001.
53
22.Rabiee, M. 2012. Effect of row spacing and nitrogen fertilizer rates on grain yield and
54
agronomic characteristics of rapeseed cv. Hayola 308 as second crop in paddy fields of
55
Guilan in Iran. Seed Plant Prod. J. 27: 4. 399-415. (In Persian)
56
23.Rabiee, M., Karimi, M.M., and Safa, F. 2004. Effect of planting dates on grain yield and
57
agronomic characteristics of rapeseed cultivars as a second crop after rice at Kouchesfahan.
58
Iran. J. Agric. Sci. 35: 1. 177-187. (In Persian)
59
24.Rabiei, M., and Rahimi, M. 2013. Selection of the best rapeseed genotypes as second crop in
60
paddy fields of Guilan. Elec. J. Crop Prod. 7: 1. 201-213. (In Persian)
61
25.Rasouli, S.F., Galeshi, S., Pirdashti, H., and Zeinali, E. 2014. Evaluation of waterlogging
62
stress effect on yield and yield components of rapeseed. Elec. J. Crop Prod. 7: 2. 23-41.
63
(In Persian)
64
26.Ritzema, H.P., Satyanarayana, T.V., Raman, S., and Boonstra, J. 2008. Subsurface drainage
65
to combat waterlogging and salinity in irrigated lands in India: Lessons learned in farmers’
66
fields. Agric. Water Manage. 95: 3. 179-189.
67
27.Satyanarayana, T.V., and Boonstra, J. 2007. Subsurface drainage pilot area experiences in
68
three irrigated project commands of Andhra Pradesh in India. Irrig and Drain. 56: 245-252.
69
28.Seefeldt, S.S., Kidwell, K.K., and Waller, J.E. 2002. Base growth temperatures, germination
70
rates and growth response of contemporary spring wheet (Triticum aestivum L.) cultivars
71
from the US Pacific Northwest. Field Crop Res. 75: 47-52.
72
29.Seyed Ahmadi, A.R., Gharineh, M.H., Bakhshandeh, A.M., Fathi, G., and Naderi, A. 2012.
73
Study of phenological and growth of canola cultivars to thermal unit accumulation in three
74
planting dates Ahvaz climate. J. Plant Prod. 19: 4. 97-116. (In Persian)
75
30.Soltani, A., Kamkar, B., Galeshi, S., and Akramghaderi, F. 2008. Effects of seed
76
deterioration on the depletion of seed and seedling growth of wheat Hetrotrophic. J. Gorgan
77
Univ. Agric. Sci. Natur. Res. 15p. (In Persian)
78
31.Tahmasbi, M., Galeshi, S., and Sadeghipoor, H. 2011. Morphological and physiological
79
characteristics of wheat in response to the effects of flooding and temperature. Abstracts of
80
articles 1st Conference of strategies to achieve sustainable agriculture. Ahvaz. (In Persian)
81
32.Visser, E.J.W., and Voesenek, L.A.C.J. 2004. Acclimation to soil flooding sensing and
82
signaltransduction. Plant Soil. 244: 197-214.
83
33.Wiskow, E., and van der Ploeg, R. 2003. Calculation of drain spacings for optimal rainstorm
84
flood control. J. Hydrol. 272: 163-174.
85
34.Zhang, H., Turner, N.C., and Poole, M.L. 2004. Yield of wheat and canola in the high
86
rainfall zone of south-western Australia in years with and without a transient perched water
87
table. Austr. J. Agric. Res. 55: 4. 461-470.
88
ORIGINAL_ARTICLE
کاربرد آنالیز بیز و فیلتر ذرهای در مدلهای بارش-رواناب و تحلیل عدم قطعیت
سابقه و هدف: استفاده از مدلهای هیدرولوژیکی و انجام پیشبینی در مطالعات مختلف منابع آب یک ضرورت میباشد. پیشبینی جریان خروجی از حوضههای آبریز با توجه به پیچیدگیهای موجود در چرخه هیدرولوژیکی همواره با انجام فرضهایی همراه است. با توجه به سادهسازی در روابط توسعه داده شده در ساختار مدلهای بارش-رواناب و فرضیات بکار رفته در آنها، پیشبینیها همواره با عدم قطعیت همراه میباشند. منابع عدم قطعیت در این مدلها را میتوان در سه دسته که ناشی از بکارگیری پارامترها، ساختار مدل و دادههای مورد استفاده میباشند، دستهبندی نمود. لزوم تدقیق پیشبینیها و ارائه عدم قطعیت مدلها بایستی مورد توجه قرار گرفته و برای تحلیل این موضوع روشهای مختلفی ارائه شده است. از جمله روشهای پیشنهادی شیوه بروزرسانی دادهها میباشد و فیلتر ذرهای از روشهای توسعه داده شده در این خصوص میباشد. هدف از این پژوهش استفاده از روش فیلتر ذرهای در بروزرسانی و بهبود پیشبینی جریان آب شبیهسازی شده توسط مدل بارش-رواناب HYMOD با لحاظ جریان مشاهداتی میباشد. همچنین با کاربرد این روش کمیسازی عدم قطعیت و کاهش آن با توجه به منابع مختلف خطا مورد ارزیابی قرار گرفت. مواد و روشها: در این مطالعه، برای تدقیق پیشبینیها از شیوه بروزرسانی دادهها استفاده گردید. این روش با بکارگیری فیلتر ذرهای، تخمین متوالی بیز و تابع توزیع پسین مقدار رطوبت مدل Hymod و پارامترهای آن را در حوضه آبریز کسیلیان با مساحت حدود 67 کیلومتر مربع در مقیاس روزانه محاسبه شد. فیلتر ذرهای بر پایه معادله بیز و تابع حداکثر درستنمایی خطاها در بازه زمانی مورد نظر میباشد. ضمناً در بکارگیری این شیوه باید از روش ترکیبی بازنمونهگیری احتمالاتی نیز استفاده کرد. این روش از واگرایی تحلیلها جلوگیری کرده و همچنین مشکلاتی نظیر تبهگنی و پدیده غنیسازی دسته ذرات و میل نمودن وزن دسته ذرات به عدد واحد را تصحیح مینماید.یافتهها : روش فیلتر ذرهای استفاده از پارامترهای مدل در شبیهسازی و پیشبینی جریان با تولید دسته پارامترهای تصادفی و ایجاد توزیع پیشین را امکانپذیر مینماید. این شیوه در تدقیق پیشبینیها و استفاده توأمان از متغیر رطوبت خاک و پارامترها در تحلیلها مؤثر است. همچنین با تعریف تابع درستنمایی خطای اولیه و بکار بردن تئوری بیز نسبت به اصلاح پیشبینیها کمک مینماید. بعلاوه این روش تابع چگالی احتمال پسین پارامترها را نیز ارائه نموده و تابع چگالی اولیه را اصلاح میکند.نتیجهگیری: نتایج نشان داد که استفاده از روش فیلتر ذرهای در ترکیب با شیوه بازنمونهگیری آماری در بروزرسانی هیدرولوژیکی سبب تدقیق پیشبینیها در حوضه آبریز کسیلیان میگردد. همچنین روش فیلتر ذرهای سبب میگردد که شاخص نش- ساتکلیف در مقایسه با شیوه متداول در شبیهسازی و پیشبینی جریان، 22 درصد افزایش داشته و مقدار آن از 55/0 به 67/0 برسد.
https://jwsc.gau.ac.ir/article_3589_54d5b3df29a19f5c6c75e909afa9b6c1.pdf
2017-03-21
251
264
10.22069/jwfst.2017.12108.2663
مدل HyMod
فیلتر ذرهای
بهنگامسازی جریان
بازنمونهگیری
تبهگنی
مجتبی
احمدی زاده
mojtaba_ahmadizade@yahoo.com
1
دانشگاه بوعلی سینا
AUTHOR
صفر
معروفی
smarofi@yahoo.com
2
گروه آب دانشگاه بو علی سینا همدان
LEAD_AUTHOR
1.Arulampalam, S., Maskell, S., Gordon, N., and Clapp, T. 2002. A tutorial on particle
1
filters for on-line nonlinear/non-Gaussian Bayesian tracking. IEEE Trans. Signal Processess.
2
50: 2. 174-189.
3
2.Beven, K.J., and Freer, J. 2001. Equifinality, data assimilation and uncertainty estimation in
4
mechanistic modelling of complex environmental systems. J. Hydrol. 249: 11-29.
5
3.Boyle, D.P. 2000. Multicriteria calibration of hydrological models. PhD Dissertation,
6
Department of Hydrology and Water Resources. University of Arizona, 145p.
7
4.Bulygina, N., and Gupta, H. 2009. Estimating the uncertain mathematical structure of a water
8
balance model via Bayesian data assimilation. Water Resour. Res. 45: W00B13.
9
5.Clark, M.P., and Vrugt, J.A. 2006. Unraveling uncertainties in hydrologic model calibration:
10
Addressing the problem of compensatory parameters. Geophys. Res. Lett. 33 (L06406): 1-5.
11
6.DeChant, C., and Moradkhani, H. 2012. Examining the effectiveness and robustness of
12
sequential data assimilation methods for quantification of uncertainty in hydrologic
13
forecasting. Water Resour. Res. 48: W04518.
14
7.Duan, Q., Sorooshian, S., and Gupta, V.K. 1992. Effective and efficient global optimization
15
for conceptual rainfall-runoff models. Water Resour. Res. 28: 4. 1015-1031.
16
8.Evensen, G. 1994. Sequential data assimilation with a nonlinear quasi geostrophic model
17
using Monte Carlo methods to forecast error statistics. J. Geophys. Res. 99: 10143-10162.
18
9.Gordon, N., Salmond, D., and Smith, A.F.M. 1993. Novel approach to nonlinear and
19
non-Gaussian Bayesian state estimation, Proc. Inst. Electr. Eng. 140: 107-113.
20
10.Leisenring, M., and Moradkhani, H. 2011. Snow water equivalent prediction using Bayesian
21
data assimilation methods. Stoch. Environ. Res. Risk Assess. 25: 2. 253-270.
22
11.Li, T., Gannan, Y., and Wang, L. 2016. Particle Filter with Novel Nonlinear Error
23
Model for Miniature Gyroscope-Based Measurement While Drilling Navigation. Sensors.
24
16: 3. 371-394.
25
12.Liu, J.S., Chen, R., and Logvinenko, T. 2001. A theoretical framework for sequential
26
importance sampling and resampling, in Sequential Monte Carlo Methods in Practice.
27
Springer, New York, Pp: 225-246.
28
13.Miller, R.N., Ghil, M., and Guathiez, F. 1994. Advanced data assimilation in strongly
29
nonlinear dynamical systems. J. Atmos. Sci. 51: 8. 1037-1056.
30
14.Moore, R.J. 1985. The probability-distributed principle and runoff production at point and
31
basin scales. Hydrol. Sci. J. 30: 2. 273-297.
32
15.Moradkhani, H., Hsu, K.L., Gupta, H., and Sorooshian, S. 2005. Uncertainty assessment of
33
hydrologic model states and parameters: Sequential data assimilation using the particle filter.
34
Water Resour. Res. 41: 5. 1001-1017.
35
16.Pourreza Bilondi, M., Akhoond Ali, A.M., Gharaman, B., and Telvari, A.R. 2015.
36
Uncertainty analysis of a single event distributed rainfall-runoff model by using two
37
different Markov Chain Monte Carlo methods. J. Water Soil Conservation. 21: 5. 1-26.
38
(In Persian)
39
17.Salamon, P., and Feyen, L. 2009. Assessing Parameter, Precipitation and Predictive
40
Uncertainty in a Distributed Hydrological Model Using Sequential Data Assimilation with
41
the Particle Filter. J. Hydrol. 376: 428-442.
42
18.Sorooshian, S., Duan, Q., and Gupta, V.K. 1993. Calibration of rainfall-runoff models:
43
application of global optimization to the soil moisture accounting model. Water Resour. Res.
44
29: 4. 1185-1194.
45
19.Vrugt, J.A.C., Diks, G.H., Gupta, H.V., Bouten, W., and Verstraten, J.M. 2005. Improved
46
treatment of uncertainty in hydrologic modeling: Combining the strengths of global
47
optimization and data assimilation. Water Resour. Res. 41: 1-17.
48
20.Weerts, A.H., and El Serafy, G.Y.H. 2006. Particle filtering and ensemble Kalman filtering
49
for state updating with hydrological conceptual rainfall-runoff models. Water Resour. Res.
50
42: W09403.
51
ORIGINAL_ARTICLE
مطالعه آزمایشگاهی و عددی مشخصات هیدرولیکی جریان عبوری از سرریز لبه تیز در اثر بالا آمدگی بستر بالادست
چکیدهسابقه و هدف: سرریزهای لبه تیز یکی از سازههای اندازهگیری، انحراف و کنترل سطح آب در پروژههای هیدرولیکی، آبی و زیست محیطی هستند. بنابراین بررسی ویژگی و خصوصیات آنها از جمله خصوصیات هیدرولیکی از مباحث مهم در طراحی این سازهها میباشد. تاکنون مطالعات متنوع و زیادی در خصوص سرریزهای لبه تیز صورت پذیرفته است. در خصوص تاثیر ناهمترازی طرفین رقوم بستر روی خصوصیات هیدرولیکی سرریزها، مطالعات محدودی انجام شده است. در سرریزهای لبهتیز نیز همچون سایر سرریزها ناهمترازی طرفین (نظیر آبشار تنطیم کننده ) باعث تغییر در خصوصیات هیدرولیکی شده که باید مورد مطالعه قرار گیرند. مواد و روشها: آزمایشهای تحقیق صورت گرفته در آزمایشگاه هیدرولیک پژوهشکده حفاظت خاک و آبخیزداری (وزارت جهاد کشاورزی) انجام گردید. آزمایشها در فلوم به طول 14 متر، عرض 60 سانتیمتر و ارتفاع 50 سانتی-متر انجام شد. سرریز لبه تیز دارای جنس پلکسی گلاس به ضخامت 6 میلیمتر، لبه تیز به ضخامت 2 میلیمتر ، ارتفاع 20 سانتیمتر و طول 60 سانتیمتر بود. با مصالح مناسب رقوم بستر بالادست سرریز در سه مرحله تا ارتفاع 5، 10 و 15 سانتیمتر بالا آورده شد و در هر مرحله مقادیر رقوم تاج سرریز و سطح آب در بالادست و پاییندست در دبی-های مختلف برداشت و مشخصات هیدرولیکی بدست آمد. در ادامه برای تعمیم نتایج از دینامیک سیالات محاسباتی (CFD ) استفاده شدیافتهها:. نتایج تطابق خوبی بین مقادیر آزمایشگاهی و شبیهسازی عددی نشان داد. روند تغییرات ضریب آبگذری از دو روش یکسان بود. حداکثر اختلاف در مقادیر H بدست آمده در دبیهای برابر از دو روش فوق 11% بود که قابل قبول میباشد. مشاهده شد که با افزایش رقوم بستر بالادست عمق جریان بالادست کاهش، سرعت و عدد فرود جریان افزایش خواهد یافت اما در نسبتهای بالاآمدگی بستر بالادست کمتر از 75/0 (Z/P0. 5) را با اندکی اغماض میتوان برای تمامی موارد مقدار متوسط 73/0 را در نظر گرفت. با افزایش دبی در نسبتهای مختلف از بالاآمدگی بستر بالادست اعداد فرود همگرا میشوند. در حالت خاصی که بستر بالادست هم تراز تاج باشد (دراپ عمودی یا Z/P=1) مقدار ضریب آبگذری برابر مقدار ثابت 6/0 خواهد بود که کمترین ضریب از بین حالتهای بررسی شده میباشد که با ضریب آبگذری سرریزهای لبه پهن مطابقت دارد و بنابراین در این حالت رقوم سطح آب نسبت به حالتهای دیگر در دبیهای یکسان افزایش خواهد یافت که با افزایش دبی این اختلافها بیشتر خواهد بود. در این حالت عدد فرود نیز برابر مقدار ثابت F_r=0.94C_d خواهد بود. نتیجهگیری: به طور خلاصه میتوان چنین نتیجه گرفت با افزایش رقوم بستر بالادست عدد فرود افزایش خواهد یافت و در نتیجه تیغه ریزشی افقیتر میشود. در محدوده H/P≥0.5، به استثنای زمانی که Z/P به سمت یک میل میکند، در بقیه موارد افزایش رقوم بستر بالادست و همچنین افزایش H/P تاثیر قابل ملاحظهای روی ضریب دبی ندارند. در دامنه Z/P واژههای کلیدی: دراپ عمودی، سرریز لبه تیز ، ضریب آبگذری، عدد فرود، آبشار تنظیم کننده
https://jwsc.gau.ac.ir/article_3590_22a8d6124f63bd782b1ebb2a5a107468.pdf
2017-03-21
265
278
10.22069/jwfst.2017.11245.2561
دراپ عمودی
سرریز لبه تیز
ضریب آبگذری
عدد فرود
آبشار تنظیم کننده
داود
داود مقامی
ddm_maghami@yahoo.com
1
دانشجوی دکترا سازه های آبی دانشگاه همدان
LEAD_AUTHOR
حسین
بانژاد
hossein_banejad@yahoo.com
2
دانشیار گروه مهندسی آب دانشگاه بو علی سینا همدان
AUTHOR
مجتبی
صانعی
drsaneie@gmail.com
3
دانشیار پژوهشکده حفاظت خاک و آبخیزداری
AUTHOR
سید اسدا...
محسنی موحد
movahed244@yahoo.com
4
استادیار دانشگاه اراک
AUTHOR
1.Arvanaghi, H., and Nasehi Oskuei, N. 2013. Sharp-Crested Weir Discharge Coefficient. J.
1
Civil Engin. Urban. 3: 3. 87-91.
2
2.Azimian, A. 2006. Computational Fluid Dynamics. Isfahan University Publication Center.
3
604p. (In Persian)
4
3.Bagheri, S., and Heidarpour, M. 2010. Flow over rectangular sharp crested weirs. J. Irrig. Sci.
5
28: 2. 173-179.
6
4.Bos, M.G. 1989. Discharge measurement structures. 3rd edn. Publisher: International institute
7
for land reclamation and improvement. 401p.
8
5.Dastorani, M., and Nasrabadi, M. 2012. The effect of sedimentation in the ogee spillway on
9
flow conditions. Iran. J. Water Res. 10: 47-56. (In Persian)
10
6.Flow Science Incorporated. 2015. Flow-3D user's manuals, version 11.1, Santa Fe, NM.
11
7.Ghasemzadeh, F. 2013. Simulation hydraulic issues in Flow-3D. Noavar Publications. 144p.
12
(In Persian)
13
8.Henderson, F.M. 1964. Open-channel flow. New York: Macmillan. 522p.
14
9.Hirt, C.W., and Nichols, B.D. 1981. Volume of Fluid (VOF) method for the dynamics of free
15
boundaries. J. Comput. Physic. 39: 201-225.
16
10.Khosrojerdi, A., and Kavianpour, M.R. 2002. Hydraulic Behavior of Straight and Curved
17
Broad Crested Weirs. 5th International Conference on Hydroscience Engineering, Poland.
18
11.Kumar, S., Ahmad, Z., and Mansoor, T. 2011. A new approach to improve the discharging
19
capacity of sharp-crested triangular plan form weirs. Flow Measurement and
20
Instrumentation. 22: 175-180.
21
12.Kumar, S., Ahmad, Z., Mansoor, T., and Himanshu, S.K. 2012. Discharge Characteristics of
22
Sharp Crested Weir of Curved Plan-form. Res. J. Engin. Sci. 1: 4. 16-20.
23
13.Ramamurthy, A.S., Qu, J., and Zhai, C. 2007. Multisite weir characteristics. J. Irrig. Drain.
24
Engin. 133: 2. 198-200.
25
14.Reda, M.A. 2011. 2D-3D Modeling of Flow Over Sharp-Crested Weirs. J. Appl. Sci. Res.
26
7: 12. 2495-2505.
27
15.Naderi, V., Sadeghi Nasrabadi, M., and Arvanaghi, H. 2014. Effect of Height of SharpCrested Weir on Discharge Coefficient. Inter. J. Basic Sci. Appl. Res. 3: 6. 325-330.
28
16.Swamee, P.K. 1988. Generalized rectangular weir equations. J. Hydr. Engin. 114: 8. 945-949.
29
ORIGINAL_ARTICLE
کاربرد روش برنامهریزی بیان ژن در تعیین ضریب هوادهی دریچه تخلیهکننده تحتانی سدها
سابقه و هدف: استفاده از سدهای مخزنی، نقش مهمی را در توسعه صنعت، کشاورزی و اشتغال جوامع، بر عهده دارد. یکی از اجزای جانبی این سدها، تونل تخلیهکننده تحتانی است که نقش مهمی را در تخلیه و کنترل سیلاب بر عهده دارد. این سازه، مشتمل بر یک مجرای ورودی، تونل اصلی انتقال و سازههای کنترل و تنظیم جریان، شامل دریچهها و شیرها میباشد. بروز فشارهای منفی و پدیده کاویتاسیون از جمله مشکلاتی است که تخلیهکنندههای تحتانی سدها در دبیهای بالا با آن مواجه هستند. این پدیده سبب بروز مشکلاتی از جمله تخریب سطح سازه خواهد شد. یکی از متداولترین روشهای کاهش و حذف خطر وقوع کاویتاسیون، هوادهی جریان میباشد. در این راستا، میزان هوادهی و هواگیری جریان آب در سرریزها و پاییندست دریچههای تونل تخلیهکننده تحتانی سدها، یکی از مباحث مهم میباشد. با توجه به اهمیت موضوع، در پژوهش حاضر پیشبینی و برآورد ضریب هوادهی دریچه تخلیه-کننده تحتانی مورد بررسی قرار گرفت.مواد و روشها: در پژوهش حاضر، روش برنامهریزی بیان ژن (GEP) جهت برآورد ضریب هوادهی دریچه تخلیهکننده تحتانی مورد استفاده قرار گرفت. برای آموزش و صحتسنجی مدل، از دادههای آزمایشگاهی بهدست آمده از مدلهای فیزیکی و هیدرولیکی چهار سد البرز، ژاوه، گتوند علیا و جره، که در آزمایشگاه سازههای هیدرولیکی موسسه تحقیقات آب تهران ساختهشده، استفاده گردید. ضریب هوادهی تابعی از دو پارامتر عدد فرود جریان در محل فشردگی آن (Frc) و نسبت سطح مقطع هواده به سطح مقطع تونل در محل دریچه (Aa/Ag) در نظر گرفتهشد. جهت اجرای مدل برنامهریزی بیان ژن، 30 کروموزوم و 3 ژن انتخاب شد و توانایی این روش بهکمک دو پارامتر آماری مانند ضریب همبستگی (R2) و جذر میانگین مربعات خطا (RMSE) مورد ارزیابی قرار گرفت.یافتهها: نتایج نشان داد که روش برنامهریزی بیان ژن با ضرایب همبستگی 803/0 و 639/0و جذر میانگین مربعات خطا برابر با 096/0 و 125/0 بهترتیب در دو بخش آموزش و آزمون، ضریب هوادهی دریچه تخلیهکننده تحتانی را برآورد نمود. مدل مذکور در مقایسه با نتایج رابطه رگرسیونی با ضرایب همبستگی 718/0 و 402/0 و جذر میانگین مربعات خطا برابر با 114/0 و 171/0 در بخشهای آموزش و آزمون نتایج بهتری را ارائه مینماید. بهعبارتی، استفاده از روش برنامهریزی بیان ژن موجب کاهش 28 درصدی خطای پیشبینی ضریب هوادهی دریچه تخلیهکننده تحتانی سدها شدهاست.نتیجهگیری: نتایج بهدست آمده از این پژوهش نشان داد مدل هوشمند برنامهریزی بیان ژن، بهخوبی توانسته است ضریب هوادهی دریچههای تخلیهکننده تحتانی سدها را پیشبینی کند و استفاده از آن موجب بهبود نتایج پیشبینی در مقایسه با روشهای مرسوم مدلهای رگرسیونی شود. بهعبارتی، نتایج بهدست آمده، موید توانایی روش برنامهریزی بیان ژن در تعیین ضریب هوادهی دریچههای تخلیهکننده تحتانی سدها، و در نتیجه برآورد صحیح این پارامتر، بهمنظور جلوگیری از وقوع پدیده کاویتاسیون میباشد. بنابراین استفاده از این روش در مسایل مرتبط با موضوع پژوهش پیشنهاد میشود.
https://jwsc.gau.ac.ir/article_3591_37ce8e5356731d50ea51be13b18b228a.pdf
2017-03-21
279
286
10.22069/jwfst.2017.10446.2487
ضریب هوادهی
برنامهریزی بیان ژن
کاویتاسیون
دریچه تخلیهکننده تحتانی
صمد
امامقلی زاده
s_gholizadeh517@yahoo.com
1
دانشگاه صنعتی شاهرود
LEAD_AUTHOR
راضیه
کریمی دمنه
r.karimi1017@yahoo.com
2
دانشگاه صنعتی شاهرود
AUTHOR
1.Chanson, H. 1995. Predicting oxygen content downstream of weirs, spillways and waterways.
1
Proc. Inst. Civil Eng-Water Maritime Energy. 112: 1. 20-30.
2
2.Emamgholizadeh, S., Bateni, S.M., Shahsavani, D., Ashrafi, T., and Ghorbani, H. 2015.
3
Estimation of soil cation exchange capacity using Genetic Expression Programming (GEP)
4
and Multivariate Adaptive Regression Splines (MARS). J. Hydrol. 529: 1590-1600.
5
3.Ferreira, C. 2001. Gene expression programming: a new adaptive algorithm for solving
6
problems. J. Complex Syst. 13: 2. 87-129.
7
4.Jian-hua, W., and Chao, L. 2011. Effects of entrained air manner on cavitation damage. J.
8
Hydrodyn. 23: 3. 333-338.
9
5.Kavianpour, M.R. 1997. The Reattaching Flow Downstream of Deflectors Including the
10
Effect of Air Injection. A thesis submitted to the University of Manchester Institute of
11
Science and Technology for the degree of PHD. Manchester, UK.
12
6.Kisi, O., Hosseinzadeh Dalir, A., Cimen, M., and Shiri, J. 2012. Suspended sediment modeling
13
using genetic programing and soft computing techniques. J. Hydrol. 450-451: 48-58.
14
7.Ozkan F., and Kaya T. 2010. Using intelligence methods to predict air-demand ratio in venturi
15
weirs. Advances in Engineering Software. 41: 1073-1079.
16
8.Peterka, A.J. 1953. The effect of entrained air on cavitation pitting. In: Proc. IAHR Minnesota
17
conference, Minnesota, USA, Pp: 507-518.
18
9.Sutopo, Y., Wignyosukarto, B.S., Yulistyanto, B., and Istiarto. 2015. Self and artificial air
19
entrainment in steep channel. Procedia Engineering. 125: 158-165.
20
10.Zahiri, A., Dehghani, A.A., and Azamathulla, H.Md. 2015. Application of Gene-Expression
21
Programming in Hydraulic Engineering. Chapter Handbook of Genetic Programming
22
Applications. Pp: 71-97.
23
11.Zhi-yong, D., and Pei-lan, S. 2006. Cavitation control by aeration and its compressible
24
characteristics. J. Hydrodyn. 18: 4. 499-504.
25
ORIGINAL_ARTICLE
بررسی اثرات تغییر کاربری اراضی بر شاخصهای جریان کمینه مطالعه موردی: حوزه آبخیز طالقان
سابقه و هدف: جریانهای کم از مهمترین پارامترهای هیدرولوژیکی مورد نیاز برای تحلیل کمی و کیفی حوضهها بوده و نقش مهمی در مدیریت بهینه منابع آب دارند. عوامل متعددی در میزان جریان کمینه و روند تغییرات آن نقش دارند که از جمله آنها میتوان به کاربری اراضی و پوشش گیاهی اشاره نمود که متاثر از دخالت مستقیم و غیرمستقیم انسان در طبیعت است. اطلاعات جریان کمینه، در یک حوزه آبخیز برای فعالیتهای گستردهای از جمله برای برنامهریزی زمانهای کم آبی و خشکسالی، بررسی وضعیت اکوسیستم، برنامهریزی نیازمندیهای آب شرب، مباحث آلودگی آب رودخانه، طرحهای توسعه تولید انرژی الکتریکی و در زمینه مطالعات زیست محیطی مورد استفاده قرار میگیرد. نتایج پژوهش پژوهشگران در سراسر دنیا بیانگر تاثیر کاربریها بر جریان پایه است. هدف از این پژوهش بررسی نقش تغییر کاربری اراضی بر تعدادی از شاخصهای جریان کمینه در حوزه آبخیز طالقان است.مواد و روشها: در این پژوهش با استفاده از عکسهای هوائی سال 1349 به مقیاس 20000/1 و تصاویر ماهوارهایTM و ETMسالهای 1366 و 1381، نقشه کاربری اراضی در چهار سطح کاربری مرتع، کشت دیم، کشت آبی و بیرون زدگی سنگی تهیه و سپس تغییر مساحت کاربریها در محیط رقومی محاسبه شد. شاخص جریان پایه با استفاده از دادههای روزانه جریان و پس از پالایش و بازسازی آماری، توسط نرم افزار HydroOffice,2012 به روش فیلتر رقومی برگشتی تک پارامتره استخراج شد. شاخص جریانهای حداقل با تداومهای های3، 7، 15، 30 و 60 روزه با استفاده از دادههای روزانه استخراج شد. سپس روند تغییر شاخصهای جریان کمینه با تغییر مساحت کاربریها در دوره مورد مطالعه مورد بررسی قرار گرفت.یافتهها: نتایج نشان داد، روند تغییرات شاخصهای کمینه، شامل جریانهای حداقل با تداومهای 3-7-15-30 و60 روزه و شاخص جریان پایه در دوره اول بررسی یک روند افزایشی با شیب تند را تجربه کرده است. این روند در دوره دوم طی سالهای 1349 الی 1366 نیز یک روند افزایشی ولی با شیب کم را نشان میدهد. در مقطع زمانی 1366- تا1381 کلیه شاخصها اعم از شاخص جریان پایه و سایر شاخصهای کمینه روند کاهشی را تجربه کردهاند. افزایش سطح پوشش مرتع در سال 81 نسبت به سال 49 منطبق با روند افزایشی شاخصها در دوره مطالعه است.نتیجهگیری: در جمعبندی کلی نتایج مشخص شد که تغییرات کاربری ناشی از دخالت مستقیم و غیرمستقیم انسان بر روی روند تغییرات شاخصهای جریان کمینه تاثیر مستقیم دارد. همچنین تطابق روند تغییرات جریان پایه و جریانهای حداقل سالانه با تداوم-های مختلف، نشاندهنده این است که روند تغییرات شاخصها با تغییر گامهای زمانی جریانهای حداقل تغییر پیدا نمی کند. انطباق روند افزایشی پوشش مرتعی در سال 81 نسبت به سال 49 با روند افزایشی شاخصهای کمینه، نشاندهنده نقش مثبت افزایش کاربری مرتع در افزایش شاخصهای کمینه میباشد، بنابراین حفاظت از کاربریهای مرتعی برای تامین تداوم جریان در منطقه پژوهش، لازم و ضروری است.
https://jwsc.gau.ac.ir/article_3592_6e67e95232ef1c937934a32e6bc524c1.pdf
2017-03-21
287
294
10.22069/jwfst.2017.11473.2590
تصاویر ماهوارهای
شاخص جریان کمینه
فیلترهای رقومی
کاربری مرتع
کاربری کشاورزی
رحیم
کاظمی
ra_hkazemi@yahoo.com
1
عضو هیئت علمی پژوهشکده حفاظت خاک و آبخیز داری
LEAD_AUTHOR
رضا
بیات
iran1400@yahoo.com
2
عضو هیات علمی
AUTHOR
1.Brown, A.E., Zhang, L., McMahon, T.A., Western, A.W., and Vertessy, R.A. 2005. A review
1
of paired catchment studies for determining changes in water yield resulting from alterations
2
in vegetation. J. Hydrol. 310: 1-4. 28-61.
3
2.Bouzari, S. 1992. Taleghan from Seismotectonic point of view, J. Geol. Growth Educ.
4
8: 31. 44-51. (In Persian)
5
3.Delgado, J., Llorens, P., Nord, G., Calder, I.R., and Gallart, F. 2010. Modelling the
6
hydrological response of a Mediterranean medium-sized headwater basin subject to land
7
cover change: the Cardener River basin (NE Spain), J. Hydrol. 383: 1-2. 125-134.
8
4.Dibyajyoti, T. 2007. Changing climate and land-use impacts on Indiana's stream base flow.
9
Geological Society of America Abstracts, 39: 6. 432-441.
10
5.Ghorbani Dashtaki, Sh., Homaee, M., and Mahdian, M.H. 2010. Effect of Land Use Change
11
on Spatial Variability of Infiltration Parameters. Iran. J. Irrig. Drain. 2: 4. 206-221.
12
(In Persian)
13
6.Gustard, A., Young, A.R., Rees, G., and Holmes, M.G.R. 2004.Operational hydrology.
14
In: Hydrological drought: Processes and Estimation Methods for Stream flow and
15
Groundwater (ed. by L.M. Tallaksen & H.A.J. van Lanen), P 455-484. Developments in
16
Water Science 48, Elsevier, Netherlands.
17
7.Hosseini, M., Ghafouri, A.M., Amin, M.S.M., Tabatabaei, M.R., Goodarzi, M., and Abde
18
Kolahchi, A. 2012. Effects of Land Use Changes on Water Balance in Taleghan Catchment,
19
Iran, J. Agric. Sci. Technol. 14: 1159-1172.
20
8.Kashaigili, J.J. 2008. Impacts of land-use and land-cover changes on flow regimes of the
21
Usangu wetland and the Great Ruaha River, Tanzania, Physics and Chemistry of the Earth,
22
Parts A/B/C, 33: 8-13. 640-647.
23
9.Line, D.E., and White, N.M. 2007. Effects of development on runoff and pollutant export.
24
J. Water Environ. Res. 79: 2. 185-190.
25
10.Longobardi, A., and Villani, P. 2008. Baseflow index regionalization analysis in a
26
Mediterranean area and data scarcity context: Role of the catchment permeability index.
27
J. Hydrol. 355: 1-4. 63-75.
28
11.Mahe, G., Paturel, J.E., Servat, E., Conway, D., and Dezetter, A. 2005.The impact of land
29
use change on soil water holding capacity and river flow modeling in the Nakambe River,
30
Burkina-Faso, J. Hydrol. 300: 33-43.
31
12.Mehdi, B., Lehner, B., Gombault, C., Michaud, A., Beaudin, I., Sottile, M.F., and Blondlot,
32
A. 2015. Simulated impacts of climate change and agricultural land use change on surface
33
water quality with and without adaptation management strategies, Agriculture, Ecosystems
34
& Environment, Pp: 213-47.
35
13.Rahman, K., Gago da Silva, A., Tejeda, E.M., Gobiet, A., Beniston, M., and Lehmann, A.
36
2015. An independent and combined effect analysis of land use and climate change in the
37
upper Rhone River watershed, Switzerland, J. Appl. Geograph. 63: 264-272.
38
14.Ruoyu, W., Kalin, L., Kuang, W., and Tian, H. 2015. Individual and combined effects of
39
land use/cover and climate change on Wolf Bay watershed stream flow in southern Alabama.
40
Hydrological Processes, 28: 22. 5530-5546.
41
15.Tallaksen, L.M., and Lanen, H.A.J. van. 2004. Introduction. In: Hydrological Drought –
42
Processes and Estimation Methods for Streamflow and Groundwater (ed. by L.M. Tallaksen
43
& H.A.J. van Lanen), Developments in Water Sciences 48, Elsevier Science B.V.,
44
Amsterdam, the Netherlands, Pp: 3-17.
45
16.Tan, M., Ibrahim, Ab, L., Yusop, Z., Duan, Z., and Ling, L. 2015. Impacts of land-use and
46
climate variability on hydrological components in the Johor River basin, Malaysia, Hydrol.
47
Sci. J. 60: 5. 873-889.
48
17.Wei, X.H., and Zhang, M.F. 2010. Quantifying stream flow change caused by forest
49
disturbance at a large spatial scale: a single watershed study. Water Resour. Res. 46p.
50
18.Zhao, F., Zhang, L., Xu, Z., and Scott, D.F. 2010. Evaluation of methods for estimating the
51
effects of vegetation change and climate variability on stream flow. Water Resource. Res. 46p.
52
ORIGINAL_ARTICLE
مطالعه آزمایشگاهی اثر آبشکن T شکل نامتقارن در کاهش آبشستگی تکیه گاه پل
چکیدهسابقه و هدف: پل ها از جمله پرکاربردترین سازه های رودخانه ای هستند که از دیرباز مورد استفاده بوده اند و همه ساله در اثر بروز سیلاب در رودخانه ها، تعداد زیادی از پل ها تخریب می گردند. وقوع آبشستگی در اطراف تکیه گاه پل ها یکی از دلایل تخریب آن-ها می باشد. روشهای مهار و جلوگیری از آبشستگی بر اساس مطالعه های انجام شده برروی مکانیزم آبشستگی بنیاد گذاشته شده است. چنانچه معیارهای طراحی و اجرای سازه های کنترل آبشستگی بدرستی رعایت نشوند تخریب های وسیعی در محل پایه پل ها بوقوع می پیوندد. طراحی صحیح و مدیریت درست سازه های آبشکن فرآیند آبشستگی را کنترل نموده ودرجهت پایداری پل ها عمل خواهدکرد. اثرات دقیق انواع آبشکن بر روی الگوی جریان و حمل رسوب بطور قابل ملاحظه ای متفاوت بوده و به پارامترهای طراحی آبشکن، آرایش آبشکن، هیدرولوژی جریان و میزان رسوب بستگی دارد. در پدیده آبشستگی عوامل مختلفی تاثیرگذار هستند که برای بررسی اثر آنها نیاز به پژوهشهای متعددی است. هدف از این تحقیق مطالعه پارامترهای تاثیر گذار روی حداکثر عمق آبشستگی در محل تکیه گاه پل ها در مقاطع مرکب نامتقارن می باشد.مواد و روشها: پژوهش حاضر بر روی فلوم مستطیلی شکل به عرض 1 متر، طول 12 متر و ارتفاع 60 سانتی متر در آزمایشگاه تحقیقاتی هیدرولیکی دانشکده کشاورزی دانشگاه شاهرود صورت گرفت در این پژوهش با استفاده از آبشکن T شکل نامتقارن با چهار نسبت تقارن 2/0، 5/0، 2 و 5 برای طول بال (نسبت بال بالادست به بال پاییندست) و در فاصلههای 9، 18، 27، 36 و 45 سانتیمتر از تکیهگاه، میزان آبشستگی ایجاد شده در دماغه تکیهگاه تحت اثر دبیهای 18، 20، 22، 24 و 26 لیتر بر ثانیه مورد مطالعه قرار گرفت.یافته ها: نتایج حاصله نشان داد با افزایش طول بالادست نسبت به پاییندست (افزایش نسبت تقارن)، حداکثر عمق آبشستگی کاهش و با افزایش فاصله آبشکن از تکیه گاه عمق آبشستگی کاهش می یابد. میزان کاهش عمق آبشستگی با دبی 18 لیتر برثانیه 100 درصد و براساس دبی 26 لیتر برثانیه 70 درصد برآورد گردید. همچنین با افزایش دبی میزان آبشستگی و ابعاد حفره ایجاد شده افزایش یافت. در این پژوهش با بررسی پارامترهای هیدرولیکی موثر بر پدیده نظیر دبی، عمق جریان، سرعت متوسط و پارامترهای مربوط به هندسه آبشکن از جمله طول جان آبشکن، طول بال آبشکن، فاصله از تکیه گاه و آنالیز ابعادی این عوامل، رابطه ای بی بعد بدست آمد و در نهایت معادله جدیدی برای تعیین حداکثر عمق آبشستگی اطراف تکیه گاه ارائه شد.نتیجه گیری: نتیجه نهایی حاصل از ین پژوهش نشان می دهد که با افزایش فاصله آبشکن از تکیه گاه، میزان تاثیرگذاری آبشکن بر فرسایش تکیه گاه افزایش مییابد و در نتیجه عمق آبشستگی در دماغه تکیه گاه کاهش پیدا می کند.
https://jwsc.gau.ac.ir/article_3593_6f0cc366d1d08fac789a72b5c12c78bc.pdf
2017-03-21
295
301
10.22069/jwfst.2017.9516.2371
واژه های کلیدی: آبشکن
آبشستگی
تکیه گاه
پل
نامتقارن
خلیل
اژدری
azhdary2005@yahoo.co.in
1
دانشگاه صنعتی شاهرود
LEAD_AUTHOR
صمد
امامقلی زاده
s_gholizadeh517@yahoo.com
2
دانشگاه صنعتی شاهرود
AUTHOR
حوریه
رضائی
rezaeihoorie@yahoo.com
3
دانش آموخته کارشناسی ارشد
AUTHOR
1.Abbasi, A.A., and Malek Nejad, Y.M. 2012. Experimental investigation the effect of
1
geometry parameters of straight and T shape gabions on local scouring. J. Irrig. Water Engin.
2
8: 95-107.
3
2.Douglas, M.T. 2006. The role of vortex shedding in the scour of pools. Advances in Water
4
Resources. 29: 121-129.
5
3.Hashemi Najafi, F., Ayoub Zade, A., and Dehghani, A.A. 2009. Laboratory Study scour depth
6
around the L-shaped breakwater in clear water. J. Agric. Sci. Natur. Resour. 15: 1. 57-70.
7
4.Hakimzadeh, H., Azari, N., and Mehrzad, R. 2012. Experimental study of lateral structural
8
slopes of groynes on scour reduction. 6th International Conference on Scour and Erosion
9
Paris-August 27-31. 273: 1035-1040.
10
5.Saneie, M., and Mosavi, B. 2011. Experimental investigation of groin placement on
11
minimizing river bank erosion. J. Water Sci. Res. 2: 2. 59-68.
12
6.Sturm, T.W. 2006. Scour around bankline and setback abutments in compound channels.
13
J. Hydr. Engin. 132: 21-32.
14
7.Vaghefi, M., Ghodsian, M., and Adib, A. 2011. Experimental study on Froude number on
15
temporal variation of scour around a T shaped spur dike in a 90 degree bend. Applied
16
Mechanics and Materials. 147: 5. 75-79.
17
8.Zarrati, A.R., Gholami, H., and Mashahir, M.B. 2004. Application of collar to control scour
18
around rectangular bridge pier. J. Hydr. Res. 42: 1. 97-103.
19
ORIGINAL_ARTICLE
تغییرات زمانی تولید جریان و فرسایش شیاری در خاک مارنی تحت شدتهای مختلف باران
سابقه و هدف: فرسایش شیاری، یکی از عوامل اصلی هدررفت خاک در سازندهای مارنی است. این سازندها بسیار حساس به فرآیندهای فرسایش آبی بوده و گستره نسبتاً بزرگی را در برخی حوزههای آبخیز مناطق خشک و نیمهخشک دربرمیگیرد. فرسایش شیاری به عنوان پدیدهای فعال در این سازندها بوده و به طور زمانی طی سال، از رخدادی به رخداد دیگر یا طی یک رخداد بارندگی تغییر میکند. تغییرات زمانی فرسایش شیاری طی یک رخداد باران به دلیل تغییر خصوصیات خاک و تأثیر آن بر خصوصیات جریان متمرکز است. اطلاعات در مورد تغییرات زمانی فرسایش شیاری طی یک رخداد بارندگی و تأثیر خصوصیات جریان بر آن میتواند در شناخت فرآیند فرسایش شیاری در دامنهها کمک نماید. شدت تغییرات زمانی خصوصیات جریان و در نتیجه فرسایش شیاری ممکن است تحت تأثیر شدت باران قرار گیرد. از این رو این پژوهش با هدف بررسی تغییرات زمانی فرسایش شیاری و خصوصیات جریان در خاک مارنی تحت بارانهای با شدت متفاوت انجام شد. مواد و روشها: آزمایش در شش رخداد باران شبیهسازی شده با شدت متفاوت از 10 تا 60 میلیمتر بر ساعت به مدت ثابت یک ساعت با سه تکرار در شرایط آزمایشگاهی انجام گرفت. نمونههای خاک از سازندهای مارنی در غرب زنجان برداشت شد و در فلومی به طول 4 متر و عرض 94/0 متر و با شیب 10 درصد ریخته شد. فرسایش شیاری در کنار خصوصیات جریان (دبی و غلظت جریان) در فاصله زمانی پنج دقیقه از آغاز رواناب در هر یک از بارانهای شبیهسازی شده مورد بررسی قرار گرفت. شدت فرسایش شیاری و خصوصیات جریان در برابر زمان به دست آمد و تفاوتها بین شدتهای بارندگی با استفاده از روش تجزیه واریانس تعیین شد. وابستگی فرسایش شیاری به خصوصیات جریان برای هر یک از شدتهای بارندگی تعیین شد. برای انجام تحلیلهای آماری از نرمافزار SPSS نسخه 21 استفاده شد. یافتهها: نتایج نشان داد که تفاوتهای اساسی از نظر زمان آغاز جریان، دبی جریان، غلظت جریان و فرسایش شیاری بین شدتهای بارندگی وجود دارد (0001/0>P). جریان شیاری و فرسایش شیاری با افزایش شدت بارندگی سریعتر اتفاق افتاد. فرسایش شیاری طی زمان به شدت افزایش یافت و در زمانهای پایانی (حدود 45 دقیقه) به حد تقریباً ثابتی رسید. غلظت جریان نیز الگویی مشابه با فرسایش شیاری نشان داد. با این حال دبی جریان در زمانهای پایانی افزایش چشمگیر پیدا کرد. در طی زمان 45 دقیقه، اغلب ذرات فرسایشپذیر، طی بارندگی دچار فرسایش شدند و پس از آن، جریانهای شدید اما با غلظت (رسوب) پایین در شیارها مشاهده شد. رابطهای قوی بین فرسایش شیاری و دبی جریان در شدتهای مختلف بارندگی مشاهده شد. نتیجهگیری: به طور کلی این پژوهش نشان میدهد که با تغییر شدت باران، آستانه وقوع فرسایش شیاری و اوج آن طی بارندگی تغییر مییابد. همچنین روند تغییرات فرسایش شیاری طی بارندگی، با افزایش شدت بارندگی شدت پیدا میکند. در حالت کلی، با گذشت زمان بارندگی به دلیل افزایش دبی جریان، غلظت جریان و در نتیجه فرسایش شیاری افزایش مییابد. در زمانهای اولیه بارندگی، وابستگی فرسایش شیاری به دبی جریان بیشتر است در حالی که در زمانهای پایانی به دلیل انتقال بخش عمده ذرات فرسایشپذیر در زمانهای قبل، الگوی تغییرات فرسایش شیاری شبیه به دبی جریان نیست.
https://jwsc.gau.ac.ir/article_3594_2cd882afa67728f768e8a5d9f7d6f232.pdf
2017-03-21
303
309
10.22069/jwfst.2017.12311.2687
دبی جریان
ذرات فرسایشپذیر
سازند مارنی
شیار
غلظت جریان
علی رضا
واعظی
vaezi.alireza@gmail.com
1
گروه خاکشناسی دانشکده کشاورزی دانشگاه زنجان
LEAD_AUTHOR
مجید
فرومدی
majid.foroumadi@znu.ac.ir
2
دانشجوی دکتری گروه خاکشناسی
AUTHOR
1.Asadi, H., Aligoli, M., and Gorji, M. 2017. Dynamic changes of sediment concentration in rill
1
erosion at field experiments. J. Water Soil Sci. 20: 78. 125-139. (In Persian)
2
2.Bagnold, R.A. 1966. An approach to the sediment transport problem from general physics. US
3
Geological Survey Paper. 422-1, Washington.
4
3.Chen, X.Y., Zhao, Y., Mo, B., and Mi, H.X. 2014. An improved experimental method for
5
simulating erosion processes by concentrated channel flow. Plos one.9: 6. p.e99660.
6
4.Dunjo, G., Pardini, G., and Gispert, M. 2004. The role of land use-land cover on runoff
7
generation and sediment yield at a microplot scale, in a small Mediterranean catchment.
8
J. Arid Environ. 57: 99-116.
9
5.Franti, T.G., Laflen, J.M., and Watson, D.A. 1985. Soil erodibility and critical shear under
10
concentrated flow. American Society of Agricultural Engineers. 42: 329-335.
11
6.Jain, M.K., Kothyari, U.C., and RangaRaju, K.G. 2004. A GIS based distributed rainfall–
12
runoff model. J. Hydrol. 299: 107-135.
13
7.Lili, M., Bralts, V.F., Yinghua, P., Han, L., and Tingwu, L. 2008. Methods for measuring soil
14
infiltration: State of the art. Inter. J. Agric. Biol. Engin. 1: 1. 22-30.
15
8.Liu, H., Lei, T.W., Zhao, J., Yuan, C.P., Fan, Y.T., and Qu, L.Q. 2011. Effects of rainfall
16
intensity and antecedent soil water content on soil infiltrability under rainfall conditions
17
using the run off-on-out method. J. Hydrol. 396: 1. 24-32.
18
9.Merz, R., Bloschl, G., and Parajka, J. 2006. Spatiotemporal variability of event runoff
19
coefficients. J. Hydrol. 331: 591-604.
20
10.Sadeghi, S.H.R., Mohammadpour, K., and Dianatytilaki, G.E. 2010. Temporal variability of
21
runoff coefficient in the summer pastures of Kadir, Proceedings of the 6th National
22
Conference of Science and Watershed Engineering and 4th National Conference of Erosion
23
and Sediment, 28-29 April, Tehran, Iran. 52-60. (In Persian)
24
11.Shen, H., Zheng, F., Wen, L., Han, Y., and Hu, W. 2016. Impacts of rainfall intensity
25
and slope gradient on rill erosion processes at loessial hillslope. Soil and Tillage Research.
26
155: 429-436.
27
12.Vaezi, A.R., and Gharehdaghlii, H. 2013. Quantification of rill erosion development in Marl
28
soils of Zanjanroud watershed in North West of Zanjan, Iran. J. Water Soil. 27: 5. 872-881.
29
(In Persian)
30
13.Vaezi, A.R., Ahmadi, M., and Cerda, A. 2017. Contribution of raindrop impact to the change
31
of soil physical properties and water erosion under semi-arid rainfalls. Science of the Total
32
Enviroment. Pp: 1-11.
33
14.Vaezi, A.R., Bahrami, H.A., Sadeghi, S.H.R., and Mahdian, M.H. 2008. Spatial variations of
34
runoff in a port of calcareous soils of semi-arid region in northwest of Iran. J. Agric. Sci.
35
Natur. Resour. 15: 5. 56-65. (In Persian)
36
15.Williams, B.M., Martinez-Menaa, S., and Deeksb, L. 2004. Exponential distribution theory
37
and aggregate erosion. Soil Sci. Soc. Amer. J. 6: 382-391.
38
ORIGINAL_ARTICLE
ارزیابی فنی سامانه های آبیاری بارانی اجرا شده در برخی از دشت های استان فارس
مقدمه و هدف: ارزیابی سامانههای آبیاری بارانی و مدیریت صحیح آنها میتواند کمک زیادی در توسعه و بهبود عملکرد این سامانهها و در نتیجه افزایش راندمان در بخش کشاورزی نماید. مواد و روشها: در این تحقیق، سیستمهای آبیاری بارانی کلاسیک ثابت (چهار سیستم) و آبفشان غلطان (یک سیستم) اجرا شده در پنج مزرعه در شهرستانهای مختلف استان فارس مورد ارزیابی قرار گرفت(سال 1394). برای ارزیابی این سیستمها، معیارهای ضریب یکنواختی (CU)، یکنواختی توزیع (DU)، راندمان واقعی (AELQ) و پتانسیل کاربرد (PELQ) در ربع پایین اراضی در بلوک آزمایشی محاسبه و با استفاده از تغییرات فشار اندازهگیری شده به کل سیستم تعمیم داده شد. یافتهها:بیشترین ضریب یکنواختی و یکنواختی توزیع کل در سامانهها مربوط به سامانههای داراب، ارسنجان و سروستان بود که مقادیر ضریب یکنواختی به ترتیب 78/80، 56/69 و 21/68 درصد بودند و این مقادیر بیانگر توزیع نرمال دادهها و قرینه بودن اندازهگیریها نسبت به میانگین بود و مقادیر یکنواختی توزیع به ترتیب 12/66، 4/55 و 53 درصد بودند. نتیجهگیری:فرونشت عمقی، قدیمی بودن سامانهها، کمبود فشار و تغییرات فشار و دبی آبپاشها از علل کاهش یکنواختی توزیع در سامانهها بود. یکسان شدن راندمان پتانسیل کاربرد در ربع پایین و راندمان کاربرد واقعی در تمام سامانه-های آبیاری، بیانگر تامین آب آبیاری کمتر از نیاز گیاه خواهد بود. مقادیر کم یکنواختی توزیع نشاندهنده تلفات آب به صورت فرونشت عمقی بود و قدیمی بودن سامانهها نیز مزید بر علت شد.مقدمه و هدف: ارزیابی سامانههای آبیاری بارانی و مدیریت صحیح آنها میتواند کمک زیادی در توسعه و بهبود عملکرد این سامانهها و در نتیجه افزایش راندمان در بخش کشاورزی نماید. مواد و روشها: در این تحقیق، سیستمهای آبیاری بارانی کلاسیک ثابت (چهار سیستم) و آبفشان غلطان (یک سیستم) اجرا شده در پنج مزرعه در شهرستانهای مختلف استان فارس مورد ارزیابی قرار گرفت(سال 1394). برای ارزیابی این سیستمها، معیارهای ضریب یکنواختی (CU)، یکنواختی توزیع (DU)، راندمان واقعی (AELQ) و پتانسیل کاربرد (PELQ) در ربع پایین اراضی در بلوک آزمایشی محاسبه و با استفاده از تغییرات فشار اندازهگیری شده به کل سیستم تعمیم داده شد. یافتهها:بیشترین ضریب یکنواختی و یکنواختی توزیع کل در سامانهها مربوط به سامانههای داراب، ارسنجان و سروستان بود که مقادیر ضریب یکنواختی به ترتیب 78/80، 56/69 و 21/68 درصد بودند و این مقادیر بیانگر توزیع نرمال دادهها و قرینه بودن اندازهگیریها نسبت به میانگین بود و مقادیر یکنواختی توزیع به ترتیب 12/66، 4/55 و 53 درصد بودند. نتیجهگیری:فرونشت عمقی، قدیمی بودن سامانهها، کمبود فشار و تغییرات فشار و دبی آبپاشها از علل کاهش یکنواختی توزیع در سامانهها بود. یکسان شدن راندمان پتانسیل کاربرد در ربع پایین و راندمان کاربرد واقعی در تمام سامانه-های آبیاری، بیانگر تامین آب آبیاری کمتر از نیاز گیاه خواهد بود. مقادیر کم یکنواختی توزیع نشاندهنده تلفات آب به صورت فرونشت عمقی بود و قدیمی بودن سامانهها نیز مزید بر علت شد.
https://jwsc.gau.ac.ir/article_3595_4d5253c653bd8b67f62330a0661e7d66.pdf
2017-03-21
311
317
10.22069/jwfst.2017.12139.2668
ارزیابی سیستم آبیاری بارانی
کفایت آبیاری
سیستم ویل موو
ضریب یکنواختی
مهدی
بهرامی
bahrami@fasau.ac.ir
1
استادیار دانشگاه فسا
AUTHOR
فرزانه
خواجهای
far48.khajehi@yahoo.com
2
دانشجوی کارشناسی ارشد مهندسی آب دانشگاه فسا
AUTHOR
علی
دیندارلو
adindarlou@gmail.com
3
هیات علمی دانشگاه خلیج فارس بوشهر
LEAD_AUTHOR
مهدی
دستورانی
mdastourani@birjand.ac.ir
4
استادیار گروه مهندسی آب دانشگاه بیرجند
AUTHOR
1.Alizadeh, A. 2005. Irrigation system design. Ferdowsi University Press, 367p. (In Persian)
1
2.Christiansen, J. 1942. The Uniformity of Application of Water by Sprinkler Systems. Agri.
2
Eng. 22: 89-92.
3
3.Majd-Salimi, K. 2015. Technical evaluation of performed classcal sperinkler system on tea
4
farms in Gilan province. J. Water Soil. 29: 2. 336-349. (In Persian)
5
4.Merriam, J., Shearer, M., and Bort, C. 1983. Evaluation irrigation systems and practices.
6
In: M.E. Jensen (ED), Design and operation of farm irrigation system. ASAE. Monograph.
7
Pp: 719-760.
8
5.Sanaei, A., Eizad-Panah, Z., and Boroumand-Nasab, S. 2015. Technical evaluation center
9
pivot systems performed in Bardsir and Rain citys in Kerman province. Irrigation Sciences
10
and Engineering. 38: 2. 171-180. (In Persian)
11