4. Resultater - KUPA projektet

4.4. Vandets opholdstid
Jordens hydrauliske egenskaber har indflydelse på vandtransporten og hvor længe
jordvæsken opholder sig i den umættede zone før den når grundvandet (fx. illustreret ved
pF2 i retentionskurver, figur 16). Opholdstiden i muldlaget (A-horisonten) og en evt.
humusholdig Bh-horisont er særlig vigtig, idet det især er her pesticid bindes og/eller
nedbrydes. I det følgende præsenteres resultater om sammenhæng mellem
jordegenskaber og hydrauliske modelparametre, samt om hvilke jordegenskaber der
betyder mest for vandets opholdstid i de øverste jordlag.
Laboratorieanalyser
Jordens evne til at tilbageholde vand (vandretention), porøsitet, volumenvægt, samt den
mættede og umættede hydrauliske ledningsevne er bestemt.
vandpotential (pF)
4
3
2
1
0
Ap-horisont
0,0 0,1 0,2 0,3 0,4 0,5
vandindhold [cm 3 /cm 3 ]
Yoldia
Alluvial
Proximal
Distal
C-horisont
0,0 0,1 0,2 0,3 0,4 0,5
vandindhold [cm 3 /cm 3 ]
Bakkeø MS
Bakkeø DS
Weichsel MS, Djurs.
Weichsel MS, Vends.
Figur 16. Middelværdier for vandretentionen (n=3) i Ap- (pløjelaget) og C-horisonterne for
8 geologiske typer profiler indenfor 6 landskabselementer, hvor der er gennemført et fuldt
undersøgelsesprogram.
Overordnet er retentionsforløbet i A-horisonten mere ensartet end i C-horisonten for alle
landskabselementer (figur 16), idet det indarbejdede indhold af organisk materiale og
mekanisk jordbehandling har betydning for vandretentionen i A-horisonten. I C-horisonten
er teksturforskellene relativt store og der er generelt en ret dårlig vandholdende evne for
de mest sandede lokaliteter (Yoldiafladen, Alluvialkeglen, Proximal og Distal
smeltevandsslette, samt sandet Bakkeø). De mere ler- og siltholdige jorde (Bakkeø og
Weichsel moræneflade) har bedre vandholdende evne, bilag 5.
Jordegenskaber der beskriver de hydrauliske modelparametre
De hydrauliske egenskaber for jorden, som benyttes til simulering af udvaskning, er
beskrevet ved de modelparametre i de hydrauliske funktioner, der indgår i MACRO
modellen. Disse modelparametre er så korreleret til jordegenskaber ved en ”neural
netværks”-korrelation. Det neurale netværks evne til at forudsige modelparametrene er
vist i figur 17.
43