ANALYSIS OF RAINFALL DATA TO ESTIMATE RAIN CONTRIBUTION TOWARDS CROP WATER REQUIREMENT USING CROPWAT MODEL
Notice bibliographique
Résumé
A study was carried out to define the analysis of rainfall data in order to estimate its contribution towards crop water requirements to overcome these problems. Rainfall and climatic data was collected from metrological stations, C.P UAF rain gauge (A), (AARI), (B), (CAA), (C) and (WAPDA), (D), Faisalabad of given region and this data was reserved for cross validation. The test station's (A) rainfall data was subjected to double mass curve technique to check its consistency with respect to other rainfall stations (B, C and D) in that area. The results derived by double curve technique were accurate for interested gauge station because there was no any break in curve. Then this consistent data was used to determine effective rainfall. The ET o was established by using penman-monteith method in the course of CROPWAT model and its effect with respect to other parameters like sun shine hour, wind speed, maximum & minimum temperature and rainfall humidity were determined. It was founded that the reference evapotranspiration (ET o ) is more during April to September due to increase in temperature and low in remaining months. After that data was placed in the model to acquire crop water requirement and irrigation of illustrative crops (wheat & maize) from the district. Through which we estimated that 7.5% rainfall for wheat and 15.5% rainfall for maize can contribute in actual irrigation per year. Through which we determined that 92.5 % and 84.5 % irrigation is required for wheat and maize crop respectively.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».