ارزیابی نوسانات قیمت سهام با استفاده از شبیه سازی مونت کارلو

طی سال های ۱۳۷۶-۱۳۹۱ برای قیمت سهام می باشد که به روش تصادفی انتخاب شده است. مجموع داده های تاریخی به دو دوره تقسیم میشوند ؛ داده های مربوط به دوره تخمین از ۰۱/۰۶/۱۳۷۶ تا ۲۸/۱۲/۹۰ وداده های مربوط به دوره پیش بینی حدود یک ماه از ۰۵/۰۱/۹۱ تا ۳۰/۰۱/۹۱ می باشد.
۱-۱۰٫ تعریف واژه‏ها و اصطلاحات تحقیق
شاخص کل قیمت سهام : این شاخص بیانگر روند عمومی قیمت سهام همه شرکت‌های پذیرفته در بورس اوراق بهادار است.طبق فرمول طراحی شده تغییر قیمت شرکت‌های بزرگتر که در عین حال سرمایه‌ بیشتری نیز دارند بر نوسان شاخص تاثیر بیشتری می‌گذارد.
شاخص کل بورس تهران شاخصی از نوع میانگین حسابی با وزنهایی برابر ارزش بازار سهام شرکتها است که با نام بین المللی تپیکس ((TEPIXشناخته می شود . زمان پایه این شاخص ۱/۱/۱۳۶۹ و عدد مبنا ی آن ۱۰۰ در نظر گرفته شده است. این شاخص که شامل پرتفوی فرضی از کل سهام پذیرفته شده در بورس است با استفاده از فرمول زیر محاسبه می شود:
TEPIX=( S CPit / S CPib) ´۱۰۰
Pitقیمت سهام شرکت iام در زمان t
Ci= تعداد سهام منتشره شرکت iام در زمان t
b= زمان پایه که برابر ۱/۱/۱۳۶۹ است.
n = تعداد سهام موجود در سبد تشکیل دهنده شاخص (راعی و تلنگی، ۱۳۸۳)
نوسان پذیرینوسان پذیری اشاره به سرعتی است که قیمت یک دارایی افزایش یا کاهش پیدا می نماید و نیز میزان دامنه این تغییرات، ریشه اصلی تغییرپذیری عواملی است که موجب تغییرات در عرضه و تقاضای دارایی می گردند.
سه گونه نوسان پذیری در ادبیات موضوعی مورد توجه است. نخستین مفهوم این متغیر در مورد نوسان پذیری تاریخی[۲۳] است و اشاره به نوسانی دارد که سهام در گذشته تجربه نموده است. توضیح دیگر برای نوسان پذیری عبارت است از نوسان ضمنی[۲۴]. نوسان ضمنی مقدار نوسانی را توصیف می کند که معامله گران اختیار معاملات تصور می کنند سهام در آینده به خود خواهد دید و آپشن را بر آن اساس قیمت گذاری می نمایند. مقصود سوم از نوسان پذیری می تواند نوسان بازار[۲۵] باشد، اعم از بازار کالا، ارز یا سهام. افزایش نوسان بازار عموما نشانه ای از احتمال بازار پر رونق یا راکد در آینده ای نزدیک است. (سعیدی، ۱۳۹۱، ص۱۴)
شبیه سازی : شبیه سازی عبارت است از ایجاد محیطی ساختگی و استفاده از یک مدل نظری، برای تخمین رفتار یک سامانه یا سیستم موجود در جهان واقعی. محیط ساختگی یا مصنوعی، فضایی معادل حقیقی یا مجازی است که در آن تحلیل گر تلاش می کند تا سامانه واقع در جهان حقیقی را الگوبندی کند. (سلامی ،۱۳۸۲، ص۱۱۹)
شبیه سازی مونت کارلو: روش شبیه سازی مونت کارلو نمونه و شاخه ای از ریاضیات عملی یا آزمایشی بوده که بدنبال کشف و استنتاج روابط مربوط به اعداد تصادفی می باشد. روش شبیه سازی مونت کارلو در واقع مجموعه ای از روش های متفاوت بوده که اساسا فرآیند یکسانی را طی می نمایند. این فرآیند، شبیه سازی های متعددی را با استفاده از اعداد تصادفی در جهت دستیابی به جوابی تقریبی برای مسئله موردنظر ممکن می سازد. ( معارفیان، ۱۳۸۹، ص۱۷)
مدل های آرچ / گارچمدل رگرسیونی آرچ که توسط انگل (۱۹۸۲) مطرح گردید صراحتا به بیان تفاوت موجود میان واریانس غیرشرطی و واریانس شرطی می پردازد و بیان می کند که واریانس شرطی به عنوان تابعی از خطاهای گذشته در طول زمان تغییر می کند. بولرسلو (۱۹۸۶) با تعمیم فرآیند آرچ ، یک مدل جدیدتر و عمومی تر را مطرح می سازد که در آن، وقفه ها از ساختار بسیار انعطاف پذیرتری برخوردار می باشند. این فرآیند شباهت زیادی به بسط و تعمیم یک فرآیند AR و تبدیل آن به یک فرآیند عمومی ARMA دارد. در فرآیند گارچ تعداد متغیرها از بسیاری از جهات در مقایسه با مدل آرچ کاهش می یابد. ( فرانسیس و دیجک[۲۶]، ۱۹۹۶، ص۳۰۷-۳۲۷)
مانایییک سری زمانی در صورتی مانا می باشد که اولا، هیچ نوع تغییر سیستماتیکی (هیچ نوع روندی) در میانگین آن وجود نداشته باشد. ثانیا، هیچ نوع تغییری در واریانس نداشته باشد. ثالثا، نوسانات دوره ای شدید در آن حذف شده باشند. ( چتفیلد ، ۱۹۹۵، ص۱۰)
دوره خارج از نمونهبازه زمانی که برای آن پیش بینی صورت میگیرد و برای ارزیابی دقت نتایج پیش بینی از داده های این بازه استفاده می شود.

۱-۱۱٫ محدویت های تحقیق

داده های موجود و در دسترس برای بررسی بورس اوراق بهادار تهران تنها از سال ۱۳۷۶ موجود می باشد و قبل از این سال علی رغم فعال بودن بورس اوراق بهادار تهران، داده ها به صورت روزانه موجود نمی باشد. علاوه بر این نمودار بازدهی ها، پایداری در سری زمانی rt را نشان میدهد.

۱-۱۲٫ ساختار تحقیق

این تحقیق در پنج فصل تدوین شده است. در فصلی اول، کلیاتی در رابطه با مبانی و اهداف تحقیق و شمایی کلی از مراحل اجرای آن بیان شد. در فصل دوم به مبانی نظری تحقیق پرداخته شده است. در این فصل در ابتدا مباحث تئوریک سری های زمانی و مدل گارچ و سپس مفاهیم شبیه سازی مونت کارلو تشریح شده و سپس با مروری بر ادبیات تحقیق به پایان رسیده است. در فصل سوم روش و ساختار تحقیق و نیز مدل های بکار رفته بیان خواهد شد. در فصل چهارم، نتایج اجرای مدل ها و تجزیه و تحلیل و ارزیابی این نتایج خواهد آمد و بالاخره در فصل پنجم در مورد نتیجه گیری نهایی و نیز پیشنهاداتی برای تحقیقات آتی، بحث خواهد شد.

فصل دوم: مروری بر تحقیقات انجام شده

۲-۱٫ مقدمه

در یک بازارکارا کلیه اطلاعات موجود در قیمت های جاری موجود منعکس گردیده است، به گونه ای که پیش بینی قیمت های آتی امکان پذیر نمی باشد. هر چند وجود رویدادهای اصلی قابل مشاهده مالی از قبیل اثرات فصلی، اثرات آخر هفته، اثرات شروع سال جدید[۲۷] و تلاطم خوشه ای مطالعه بازار سهام را به عنوان موضوع پر اهمیتی برای تحقیقات شکل داده اند.
تلاطم بازار سهام، موضوعی مورد علاقه در ادبیات موضوع علم مالی در چند دهه اخیر به شمار می رود. کارکرد اصلی بازارهای مالی در اقتصاد، فراهم نمودن روشی برای هدایت و تخصیص سرمایه از سوی پس اندازکنندگان به سوی سرمایه گذاران می باشد. در حین این فرآیند، قیمت دارایی های مالی بواسطه نوسانات فعالیت های اقتصادی، با شکلی از تلاطم قیمت مواجه می شوند که این نوسانات در قیمت ها به عنوان رخدادی معمول در عملکرد بازار محسوب می گردند. لیکن با یافتن الگوهای تلاطمی برای سهم های موجود در بازار و استفاده از قابلیت پیش بینی قیمت سهام، می توان روند هموارتر و کاراتری برای تخصیص سرمایه ها ایجاد نمود. از جمله الگوهای تلاطمی بازده سهام، الگوهای تلاطم خوشه ای می باشند. مدل سازی تلاطم بازده در بازارهای سهام، از منظر پژوهشگران دانشگاهی و نیز از دیدگاه کارپردازان علم مالی، به لحاظ موارد استفاده آن در پیش بینی بازده سهام، موضوع با اهمیتی به نظر می رسد. این پیش بینی ها در مواردی چون مدیریت ریسک، قیمت گذاری مشتقات مالی و پوشش ریسک ناشی از آنها، بازارسازی، انتخاب سبدهای مالی و خیلی از فعالیت های مالی دیگر می تواند مورد استفاده قرار گیرد. از این جهت تخمین تلاطم در بازارهای مالی اهمیت می یابد. اهمیت این موضوع با نگاهی به کتابها و مقالات منتشره در زمینه تلاطم بازده و قابلیت های پیش بینی مدل های تلاطمی متعدد بیشتر نمایان می گردد و اهمیت تلاطم را در سرمایه گذاری ارزش گذاری اوراق بهادار، مدیریت ریسک و اتخاذ سیاست های پولی منعکس می گردد. بنابر همین واقعیت، هر چند تلاطم همان ریسک محسوب نمی شود، ولی دانستن مقادیر تلاطم بخاطر ارتباط آن با ریسک مهم است. زمانی که تلاطم را به معنای عدم اطمینان تفسیر کنیم، در آن صورت به عنوان یکی از عوامل تاثیر گذار مهم در تصمیمات سرمایه گذاری و ایجاد سبد دارایی مطرح می گردد. در واقع تلاطم مهمرین متغیر در قیمت گذاری مشتقات مالی محسوب می شود. از این حیث اندازه گیری دقیق و صحیح تلاطم به منظور قیمت گذاری این ابزارهای مالی موردنیاز می باشد. ( پون و گرنچر، ۲۰۰۳، ص۴۷۸-۵۳۹) . در ارتباط با مسائل اقتصادی و سری های زمانی مالی، مدل های متعددی برای نمایاندن تلاطم واریانس شرطی ساخته شده اند. یک فرض اولیه به هنگام مدل سازی تلاطم این است که می توان تلاطم را به دو بخش قابل پیش بینی و غیرقابل پیش بینی تقسیم کرد. با توجه به این حقیقت که در سری های زمانی مالی، ارزش اضافه ریسک تابعی از تلاطم بازده می باشد، تمرکز تحقیقات علمی بر جزء قابل پیش بینی تلاطم بازده می باشد. ( پگان و شوارتز[۲۸]، ۱۹۹۰، ص۲۶۷-۲۹۰)
در این فصل ابتدا در مرور ادبیات تحقیق، دو گروه تحقیقات خارجی و تحقیقات داخلی مورد توجه قرار می گیرد و نمونه هایی از مطالعات صورت گرفته در مورد موضوع پیش بینی نوسان ذکر شده است و تاکید اصلی بر مطالعاتی است که با استفاده از روش های مختلف بدنبال پیش بینی نوسان بوده اند، می باشد.سپس مطالبی در مورد سری های زمانی بیان می شود، به این دلیل که سری های زمانی برای فعالان بازار و پژوهشگران مالی دارای جذابیت زیادی هستند و تلاش بسیاری برای درک ویژگی ها، تعیین نوع ساختار و پیش بینی این سری ها صورت میگیرد. در قسمت بعد، مفاهیم پایه ای مدل های ناهمسانی واریانس خودرگرسیو بطور خلاصه مطرح خواهد شد و از میان مدل های متنوع این خانواده، بر مدل گارچ ساده و خواستگاه تئوریک آن تمرکز خواهد گردید. سپس در ادامه به تشریح مفاهیم اولیه شبیه سازی مونت کارلو پرداخته خواهد شد.

۲-۲٫ مروری بر ادبیات تحقیق

۲-۲-۱٫ تحقیقات داخلی

باقر صمدی در پایان نامه خویش در سال ۱۳۸۶ با عنوان ” مدلسازی تلاطم در شاخص قیمت بورس تهران با استفاده از مدل های گارچ و معرفی الگوی مناسب برای تعیین ارزش در معرض خطر” ابتدا با استفاده از روش های گارچ تلاطم بازار را با استفاده از ۱۴۶۷ داده روزانه برای شاخص قیمت بورس اوراق بهادار تهران برآورد کرده و سپس بهترین مدل ها در تخمین و پیش بینی تلاطم برای توزیع نرمال و تی-استیودنت مشخص نموده است. در ادامه با وجود علائم حافظه بلندمدت برای تبیین میانگین شرطی از مدل ARFIMA و برای واریانس شرطی در کنار مدل های با حافظه کوتاه مدت از مدل با حافظه بلندمدت FIGARCH استفاده شده است. کارکرد بهتر مدل های با حافظه بلندمدت مخصوصا برای بازده با توزیع نرمال مشخص شده است. نتایج حاصل از مقایسه عملکرد مدل های مختلف گارچ در کنار مدل ریسک متریک ، بیانگر عملکرد بهتر آنها در توزیع تی-استیودنت در مقایسه با توزیع نرمال بوده است. مقایسه مدل های مذکور نشان دهنده آن بوده است که در سطوح اطمینان متفاوت برای تخمین ارزش در معرض خطر، مدل های مختلف نتایج متفاوتی را نشان داده اند ولی با این وجود می توان گفت که مدل FIGARCH در سطح معنی داری ۲/۵% بهترین عملکرد را دارا بوده است.
پورابراهیمی و همکاران در سال ۱۳۸۷ عملکرد پیش بینی مدل های نوسان شرطی و غیر شرطی (۱۲ مدل) بر اساس معیار ارزیابی میانگین مربعات خطا (RMSE) در خصوص پیش بینی نوسان شاخص بازده نقدی و قیمت بورس تهران (TEDPIX) بررسی نمودند. داده های مورد استفاده جهت آزمون فرضیه های سری زمانی شاخص بازده نقدی و قیمت(TEDPIX) بورس اوارق بهادار تهران طی دوره ۰۱/۰۹/۷۷ الی ۲۹/۱۲/۸۵ یعنی ۱۰۰ ماه (۱۹۸۵) مشاهده بوده است. از مدل های میانگین متحرک، هموارسازی نمایی ARMA و مدل شبکه عصبی (به عنوان مدل های غیر شرطی) و مدل های GARCHشامل EGARCH, TGARCH, GARCH و PGARCH ( به عنوان مدل های شرطی ) جهت آزمون فرضیه ها استفاده شده است. نتایج نشان می دهد عملکرد مدل میانگین متحرک ۲۵۰ روزه، هموارسازی نمایی و CGARCH طبق معیار RMSE از دیگر مدل ها بهتر است. نتایج مدل های ترکیبی نیز نشان میدهد که در کل، مدل های غیر شرطی عملکرد بهتری نسبت به مدل های شرطی داشته اند. علاوه بر این، نتیجه به دست آمده از آماره دایبولد_ماریانو نشان میدهد که تفاوت معناداری میان قدرت پیش بینی مدل MA 250و مدل CGARCH وجود ندارد. بنابراین، برخلاف بسیاری از مطالعه های انجام شده، پیش بینی مدل های شرطی تفاوت معناداری با دیگر مدل ها ندارد و حتی تخمین نقطه ای آن ها از برخی از مد لهای نوسان غیرشرطی نیز بدتر است.
بابایی در پایان نامه کارشناسی ارشد خود در سال ۱۳۸۷ ، تلاطم بازده سهام در بورس تهران را با استفاده از داده های پانل و مدل گارچ مورد بررسی قرار داده است. وی در تحقیق خود با استفاده از داده های پانل متشکل از شاخص های چندین گروه صنعت به صورت نمونه و نیز سری زمانی مربوط به قیمت سهام داخل این گروه های صنعت در بورس اوراق بهادار تهران، به دنبال بررسی تشابهات و تفاوت های ساختار تلاطم بازده سهم های درون صنایع یکسان و نیز ساختار تلاطم بازده سهم های صنایع غیر یکسان بوده است. نتایج این تحقیق نشان داده است که نمیتوان ساختار تلاطمی مشابهی را برای سهم های موجود در یک گروه صنعت و یا در سطحی بالاتر برای گروه های صنعت نمونه انتخاب شده از بورس تهران، چه از لحاظ میزان بازده سهام و چه از لحاظ یکسانی ساختار تلاطم بازده و یا یکسانی میانگین تلاطم بازده در نظر گرفت.
ابونوری و موتمنی در سال ۱۳۸۸ با استفاده از اطلاعات سری زمانی روزانه، شاخص کل بورس تهران در طی دوره زمانی سال ۱۳۷۱ تا ۱۳۸۵ را مورد آزمون قرار داده اند. این محققین فرضیه ای را مطرح نموده اند که بر اساس آن نوسانات قابل پیش بینی، تأثیر مثبت و معناداری بر بازده سهام دارد. در حالی که نوسانات بازدهی پیش بینی نشده، موجب کاهش بازده سهام میشود. برای آزمون این فرضیه از مدل گارچ نمایی در میانگین استفاده کرده اند. نتایج آزمون حاکی از آن است که رابطه معناداری بین نوسانات بازدهی پیش بینی شده و بازده بازار سهام تهران وجود ندارد. درحالی که بین نوسانات بازدهی پیش بینی نشده و بازده بازار رابطه معنی دار وجود داشته است و این بازدهی غیر قابل پیش بینی به شکل معناداری موجب کاهش بازده در این بازار میشوند.
فیض آباد و همکاران در سال ۱۳۸۸ مسئله مدل سازی نوسان در بورس اوراق بهادار تهران و بررسی و تحلیل رابطه میان ریسک و بازده بازده در آن با استفاده از مدل های خانواده گارچ مورد بررسی قرار دادند. داده های این تحقیق مشتمل بر بازده های روزانه دو پرتفویی متشکل از شرکت های بورس اوراق بهادار تهران می باشد. یک پرتفوی، قیمت های روزانه سهام تمامی شرکت هایی که سهام آنها بدون توجه به میزان نقدشوندگی و تعداد معاملات انجام شده بر روی آنها در یک دوره ۱۰ ساله مورد معامله قرار گرفته اند را شامل می شود. بازه زمانی مورد بررسی در رابطه با این پرتفوی از تاریخ ۰۱/۰۱/۱۳۷۶ تا ۳۰/۱۲/۱۳۸۵ می باشد که تعداد ۲۱۴۲ مشاهده را در بر می گیرد. پرتفوی دیگر که در اینجا پرتفوی ۵۰ شرکت نامیده شده است مشتمل بر قیمت های روزانه سهام شرکت هایی است که سهام آنها در یک دوره ۵ ساله در ۷۵% از روزهای معاملاتی سال مورد معامله قرار گرفته اند. داده های این پرتفوی، بازه زمانی ۰۱/۰۱/۱۳۸۱ تا ۳۰/۱۲/۱۳۸۵ را شامل می شود و مشتمل بر ۱۰۷۳ مشاهده می باشند. نتایج این تحقیق که از نوع کاربردی و پیمایشی می باشد نشان می دهد که اولا، مدل های ناهمسانی واریانس شرطی به خوبی می توانند ویژگی های داده های مالی از قبیل نوسانات خوشه ای، حافظه بلندمدت و اثرات اهرمی را مدل سازی نمایند. ثانیا، در هر دو پرتفوی مورد بررسی یعنی پرتفوی متشکل از تمامی شرکت ها و پرتفوی متشکل از پنچاه شرکت با نقدشوندگی بالا، همبستگی مثبتی میان ریسک و بازده وجود دارد.
محمدی و همکاران در سال ۱۳۸۸ نوسانات در بورس اوراق بهادار تهران با استفاده از مدلهای گارچ مدلسازی می نماید .نتایج این تحقیق که از نوع پیمایشی و کاربردی میباشد نشان میدهد که اولاً، مدل های ناهمسانی واریانس شرطی به خوبی میتوانند ویژگیهای داده های مالی از قبیل نوسانات خوشه ای، حافظه بلندمدت و اثرات اهرمی را مدل سازی نمایند . ثانیاً، در هر دو پرتفوی مورد بررسی یعنی پرتفوی متشکل از تمامی شرکتها و پرتفوی متشکل از پنجاه شرکت با نقد شوندگی بالا، همبستگی مثبتی میان ریسک و بازده وجود دارد .
نصیری و محمدی در سال ۱۳۸۹ مدل های ریسک متریک و گارچ در پیش بینی نوسانات شاخص بازده کل بورس اوراق بهادار تهران مقایسه کردند. در این تحقیق عملکرد پیش بینی خارج از نمونه ۶مدل برای نوسانات روزانه شاخص قیمت و بازده نقدی[۲۹] مورد ارزیابی قرار گرفته است. در فرضیه ادعا می شود که قدرت پیش بینی مدل ریسک متریک در بورس اوراق بهادار تهران بیشتر از مدل های نوع گارچ است. مدل هایی که در این تحقیق با هم مقایسه شده اند عبارتند از: مدل ریسک متریک و تعدادی از مدل های نوع گارچ، شامل مدل GARCH، EGARCH، APARCH، TARCH، IGARCH. داده های مورد استفاده در این تحقیق، نرخ بازدهی روزانه در بورس اوراق بهادار تهران می باشد که به صورت روزانه جمع آوری شده است و دوره زمانی ۰۷/۰۱/۱۳۷۸ تا ۲۸/۱۲/۱۳۸۷ را تحت پوشش قرار می دهد. برای ارزیابی عملکرد پیش بینی مدل های مورد مقایسه، از سه آماره ارزیابی خطا استفاده شده است: ارزیابی خطای ریشه میانگین مربعات خطا ((RMSE ، متوسط قدرمطلق خطا ( MAE ( و تایل (Theil). نتایج حاصله از این تحقیق بیانگر آنست که بر اساس هر سه معیار ارزیابی خطا، مدل ریسک متریک بطور قابل ملاحظه ای بهترین عملکرد را در مقایسه با پنج مدل دیگر ( از خانوداه گارچ ) دارد و مدل EGARCH بدترین عملکرد پیش بینی را ارائه می دهد.
نظیفی نائینی در سال ۱۳۹۰ مدلهای گارچ را در پیش بینی نوسانات بازار سهام بررسی نمود. این مطالعه با معرفی مدلهای خانواده گارچ به برآورد این مدلها بر روی شواهدی از بازار سهام ایران می پردازد وسپس با استفاده از بررسی های خارج از نمونه ای و معرفی ۷ تابع زیان آماری به بررسی دقت پیش بینی هر یک از این مدلها می پردازد. برای هر یک از مدلهای GARCH,EGARCH ,GJR-GARCH سه نوع تابع زیان تعریف میشودکه شامل توزیع خطای t, GED و normal میباشد. مجموعه داده های به کار رفته در این مطالعه ، قیمت سهام در روزهای باز بازار سهام ) ۵روز در هفته( در طول دوره ۰۷/۰۶/۱۳۷۶ تا ۱۴/۰۱/۱۳۹۰ می باشد و از شاخص قیمت کل) تپیکس) برای قیمت سهام استفاده شده است. به طور خلاصه، مدلهای GJR-GARCH در برآورد و نیکویی برازش بهتر از سایر مدلها و در پیش بینی کوتاه مدت مدلهای گارچ معمول و در افق پیش بینی بلند مدت مدل های EGARCH,GJR-GARCH بهترین مدل ها میباشند.
رزاء نژاد و تیموری اصل در سال ۱۳۹۰ برای پیش بینی نوسانات بازده سهام در بورس تهران از سیستم های آشوبناک استفاده نمودند. هدف این پژوهشگران در واقع بررسی و تحلیل نیروها ومکانیزم هایی بوده است که باعث ایجاد تغییرات شگرف در قیمت سهام و ایجاد روند آشوبناک میشود. برای آزمون روند آشوبی در سری زمانی قیمتها، قیمتهای شرکت کابل باختر در دوره زمانی سه ماهه به عنوان نمونه انتخاب و با استفاده از آزمون DBS مورد آزمون قرار گرفته است. محققین با استناد به پیروی سری زمانی قیمت سهام این شرکت از روند آشوبناک در بازه زمانی خاص، نتیجه گرفته اند که میتوان از روش سیستم های آشوبناک برای کشف و پیگیری روند نوسانات قیمت سهام در بازار بورس تهران و پیشبینی آن استفاده کرد. البته نویسندگان، میزان تعمیم پذیری نتیجه این پژوهش به کل شرکت های جامعه آماری را بررسی ننموده اند.
در مطالعه کشاورز و صمدی تلاطم بازدهی در بازار سهام تهران را برآورد و پیش بینی میکند و مقایسه ای بین دقت روشها در تخمین ارزش در معرض خطر را با استفاده از مدلهای خانواده FIGARCH انجام میدهد. در این مطالعه با استفاده از روش گارچ بهترین مدل تخمین زده شده برای تلاطم ، با توزیع نرمال و- t استیودنت بدست آمده است و مدلهای FIGARCH را به خاطر وجود علائم حافظه بلندمدت برای پیش بینی بلندمدت استفاده میکند.
سعیدی در سال ۱۳۹۱ در پایان نامه خود با عنوان پیش بینی نوسانات بازده بازار با استفاده از مدلهای ترکیبی گارچ- شبکه عصبی سعی نمود با پیگیری ایده ترکیب روش های پیش بینی و با به کارگیری انعطاف و قدرت شبکه های عصبی[۳۰] در این مورد، بر دقت پیش بینی مدل های گروه ناهمسانی واریانس شرطی خودرگرسیو (گارچ) بیافزاید. در این پژوهش به مطالعه توان پیش بینی طیف وسیعی از مدل های ناهمسانی واریانس شرطی (G)ARCH طی یک دوره ۱۲۶ ماهه در بین سالهای ۱۳۸۰ تا پایان ۱۳۹۰ بر روی بازده روزانه شاخص کل بورس تهران پرداخته شده است. نتایج نشان میدهد مدل های ترکیبی گارچ توان میانگین، گارچ نمایی میانگین و مدل GJR کمترین خطای پیش بینی را داشته اند. بر اساس نتایج کلی حاصل از این پژوهش، نوسان پیش بینی شده توسط مدلهای ترکیبی نسبت به خروجی خام مدل های پایه ای گارچ، از دقت بالاتری برخوردار است. همچنین مدل های ترکیبی گارچ توانی نامتقارن، گارچ- میانگین نمایی و گارچ- میانگین توانی بطور معنی داری خطای پیش بینی کمتری نسبت به مدلهای پایه ای خود داشته اند.
شاهویری وهمکاران در سال ۱۳۸۹ مدل پارامتریک خودرگرسیونی واریانس ناهمسانی شرطی تعمیم یافته و رایج ترین روش شبیه سازی با نام مونت کارلو را در اندازه گیری ارزش درمعرض خطر پورتفولیوی ارز، به کارگرفته اند و نتایج آنها را بااستفاده از آزمون بازخورد نرخ شکست، مورد مقایسه و ارزیابی قرار داده اند. داده های مورد استفاده دربرگیرنده قیمت های نقدی ارز به صورت روزانه برای EUR/IRR, GBP/IRR,CHF/IRR, CAD/IRR, AUD/IRR از تاریخ ۰۱/۰۱/۲۰۰۱ تا ۰۱/۰۸/۲۰۰۹ میلادی می باشدکه از پایگاه داده های خدمات ارز استخراج شده است. نتایج حاصل از آزمون مذکور نشان داده که هردومدل توانایی کنترل ریسک سبد مورد مطالعه را دارا می باشند، اما تاملی دقیق تر در نتایج بدست آمده مشخص نموده که مدل گارچ ساده بافرض توزیع t از صلاحیت بیشتری در پیش بینی ارزش درمعرض خطر سبدارز و همچنین کنترل ریسک سبد مالی مذکور طی دوره مورد بررسی برخوردار بوده است.
رجبی پورمیبدی و همکاران درسال ۱۳۸۹، درپژوهشی باعنوان ” کاربست VAR و انتخاب پرتفوی بهینه با استفاده از شبیه سازی مونت کارلو دربورس اوراق بهادار تهران” بدنبال راهکاری مناسب برای مدیریت ریسک سرمایه گذاری در بورس اوراق بهادار و گزینش پرتفوی بهینه بوده اند. در این پژوهش ارزش درمعرض ریسک چند سهم با استفاده از تکنیک شبیه سازی مونت کارلو محاسبه شده است. در پایان با بکارگیری مدلی ترکیبی حجم بهینه سرمایه گذاری درهریک از سهام معین شده است. داده های مورد استفاده، بازدهی های ماهانه شرکت های خودروسازی در طول دوره ابتدای سال ۱۳۷۷ تا انتهای ۱۳۸۶ می باشد.
صمدی در سال ۱۳۹۱ در پژوهشی به بررسی مقایسه ای ارزش در معرض خطر با استفاده از روش شبیه سازی مونت کارلوی تعدیل نشده و تعدیل شده پرداخته است. داده های این پژوهش مشتمل بر ۵۰۰۰ مقادیر خسارت روزانه از شعب مختلف یک شرکت بیمه است و فرض برآن است که منبع پرداخت خسارت، دارایی های شرکت بوده و نوسانات مقادیر خسارت در داخل و میان هر شعبه از یکدیگر مستقل بوده و از حرکت براونی تبعیت می کند. بازدهی روش شبیه سازی مونت کارلو و VAR ساده و نوع تعدیل شده این دو با استفاده از آزمون بازخور با درنظرگرفتن نسبت درستنمایی مورد بررسی قرار گرفته است. با درنظر مقادیر حاصل از مقایسه میان VAR تعدیل شده و اولیه نتایج نشان می دهد که ارزش در معرض خطر اولیه، میزان ریسک را کمتر از مقدار واقعی آن برآورد می کند و این درحالی است که ارزش درمعرض خطر تعدیل شده این مقدار را با اطمینان ۹۹% درست تخمین می زند.

۲-۲-۲٫ تحقیقات خارجی

پژوهش دایمسون و مارش[۳۱] در سال ۱۹۹۰ یک نمونه قابل توجه است که در مقاله آنها مدل های ساده بر مدل های پیچیده غالب شدند. آنها چند نوع مختلف از مدل های پیش بینی نوسان بازار سرمایه را برای داده های روزانه بازده بازار سرمایه انگلستان در دوره ۱۹۵۵-۱۹۸۹ بکار بردند و به این نتیجه رسیدند که مدل هموارسازی نمایی و مدل رگرسیون ساده پیش بینی های بهتری ارائه می دهند.
پاگان و شوورت[۳۲] در سال ۱۹۹۰ در پژوهشی با عنوان مدل های جایگزین برای نوسانات سهام مشروط، توانایی مدل های GARCH ، EGARCH ، مدل انتقال رژیم مارکوف و سه مدل ناپارامتریک را در پیش بینی نوسان ماهانه بازده سهام آمریکا با تمرکز بر داده ها طی سالهای ۱۸۳۴ تا ۱۹۲۵ با هم مقایسه نمودند و به این نتیجه رسیدند که مدل های EGARCH و GARCH به ترتیب پیش بینی های خوبی ارائه می دهند و دیگر مدل ها پیش بینی های خیلی ضعیفی از خود نشان می دهند.
هو و تسوکالاس[۳۳] در سال ۱۹۹۱ در مقاله خود برای پیش بینی نوسان پذیری روش های میانگین ساده، روش حداقل مربعات و شبکه عصبی را ترکیب و اعلام نمودند که میتوان با بازآموزی نتایج توسط ANN ، قدرت پیش بینی را افزایش داد. بنابراین خروجی مدلها، در صورتی که به ارتقا عملکرد ANN کمک کند باید مجددا مورد بررسی قرار گیرند.

دانلود متن کامل پایان نامه در سایت jemo.ir موجود است

دسترسي به منابع مقالات : بررسی اثر آبشویی و حرکت نیترات در خاک با استفاده از مدل NLEAP در گیاه …

۵

۹۹/۰

۵

۸۴/۱

۵۵۶/۰-

در عمق ۳۰-۶۰ نیز، بعد از کاربرد کود در هر دو مرحله، غلظت نیترات خاک، افزایش یافته که میزان افزایش برای تیمار I1 بیشتر از سایر تیمار ها بوده است. شکل مربوط به این عمق، هماهنگی خوبی بین روند شبیه سازی با مقادیر اندازه گیری شده نشان می دهد. مقدار AE برای مدل مثبت است و شاخص R2بیانگر دقت خوب مدل در پیش بینی غلظت نیترات خاک در این عمق، همانند دو تیمار N1 و N2 است.RMSE بیانگر پراکندگی بیشتر بین مقادیر شبیه سازی شده و واقعی در ارتباط با مدلNLEAP می باشد.
در عمق ۶۰-۹۰ سانی متر، تغییرات غلظت نیترات شبیه سازی شده، دامنه نوسانات مشابهی نسبت به لایه بالا دارد. بعد از کود دهی دوم، غلظت نیترات در هر سه تیمار آبیاری کاهش یافته و تیمار I3 کمترین غلظت نیترات را در خاک داراست. منفی بودن AE، برای مدل حاکی از این است که غلظت نیترات خاک، کمتر از مقدار واقعی تخمین زده شده است. میزان RMSE به دست آمده برای مدل نشان دهنده پراکندگی بین داده های شبیه سازی شده و واقعی، و کاهش دقت مدل در پیش بینی غلظت نیترات خاک است.
در عمق ۹۰-۱۲۰ سانتی متر، روند تغییرات غلظت نیترات خاک پیش بینی شده و اندازه گیری شده، دامنه نوسانات محدودتری نسبت به لایه های بالایی دارد. غلظت نیترات در هر سه تیمار آبیاری دقیق تر پیش بینی شده است و مقدار مثبت AE حاکی از بیشتر برآورد شدن غلظت نیترات توسط مدل بوده و مقادیر RMSE و R2نشان می دهد که مدل در این لایه مقدار غلظت نیترات را به خوبی برآورد کرده است.
بطور کلی با توجه به نمودارهای مربوط به غلظت نیترات خاک، در بازه های ۳۰-۶۰ ، ۶۰-۹۰ و ۹۰-۱۲۰ سانتی متری، در هرسه تیمار N1، N2 و N3 روند تغییرات غلظت نیترات در طول دوره شبیه سازی، در اعماق نزدیک تر به سطح زمین، دارای نوسانات بیشتر و تغییرات کاهشی بیشتری نسبت به اعماق پایین تر می باشد. همچنین مشاهده می شود که غلظت نیترات در عمق ۹۰-۱۲۰ سانتی متر، در انتهای دوره شبیه سازی بیشتر می شود. که حاکی از شستشوی نیترات از لایه های بالایی و انتقال آن به لایه های زیرین خاک است. طبق گزارش بهمنی و همکاران (۱۳۸۸)، جذب یون های آمونیوم (NH4-N) توسط ذرات رس با بار منفی، مانع از آبشویی آنها می گردد، بنابراین آمونیوم بر اثر پدیه نیتریفیکاسیون در لایه های فوقانی به نیترات تبدیل گردید و نیترات به وجود آمده در نهایت به سمت لایه های پایین حرکت کرده و در لایه های زیرین تجمع یافت. در هر سه تیمار ازت و در همه اعماق، به ازای کاهش سطح آب کاربردی، نیترات بیشتری در خاک تجمع یافته است و تیمار آبیاری I1 بیشترین غلظت نیترات را در هر زمان نسبت به دو تیمار آبیاری دیگر به خود اختصاص داده است و این مطلب بیانگر این است که در اثر اعمال تنش آبی و کاهش عمق آب آبیاری، میزان شستشوی نیترات از هر یک از لایه های خاک مورد بررسی کمتر است.
در هر سه تیمار ازت مشاهده می شود که مدل NLEAP در اکثر مواقع غلظت نیترات خاک را در اعماق مختلف، کمتر از مقدار واقعی پیش بینی کرده است که ممکن است ناشی از کمتر در نظر گرفتن ضریب حداکثر نرخ نیتریفیکاسیون یا بیشتر در نظر گرفتن حداکثر نرخ دنیتریفیکاسیون طی واسنجی مدل باشد.
در کلیه شکلها مشاهده میگردد که با توجه به میزان سطوح مختلف نیتروژن ورودی به مزرعه، میزان نیتروژن باقیمانده در خاک از یک روند مشخصی برخوردار است و با کاهش میزان آب آبیاری، میزان نیترات موجود در خاک افزایش می یابد که در نتیجه کاهش میزان شستشو این امر رخ داده است.
میزان نیترات با توجه به میزان آب آبیاری و سطح کود ازته به کار رفته متغیر بود و با کاهش میزان آب کاربردی و افزایش مقدار کود به کار رفته نیترات بیشتری در نیمرخ خاک مشاهده شد و به مرور زمان نیترات به لایههای پایینی خاک انتقال یافت و غلظت آن در سطوح مختلف خاک تغییر یافته است که آبشویی، جذب توسط گیاه و تبدیل نیترات به گاز نیتروژن در اثر پدیده دنیتریفیکاسیون از عوامل این کاهش به شمار میرود.
شبیه سازی مدل NLEAPدر مورد داده های برآورد شده از همین روند منطقی پیروی میکند.

۳-۳- تلفات شستشو

ادیسکات و همکاران (۱۹۹۱)، با توجه به دقت مدل های شستشوی نیترات به بیان این مطلب پرداخت که اگر مدلی، با دقت تغییرات در میزان نیترات موجود در خاک را شبیه سازی کند، این باور درست است که تخمین میزان غلظت نیترات خروجی از خاک نیزبا موفقیت صورت خواهد گرفت.
مدل NLEAP در این تحقیق با استفاده از داده های نیترات موجود در خاک، واسنجی گردید. با توجه به اینکه مدل واسنجی شده، میزان نیترات خاک را با دقت قابل قبولی پیش بینی کرده است، بنابراین از مقادیر برآورد شده تلفات شستشوی نیترات توسط این مدل، در ماه های رشد پس از کود دهی، یعنی از خرداد تا شهریور ماه، جهت مقایسه آبشویی نیترات در تیمارهای مختلف استفاده شد و نتایج آن در شکل های زیر نشان داده شده است.
شکل۳- ۱۰)میزان شستشوی نیترات شبیه سازی شده توسط مدل NLEAP در ماه های رشد در تیمار I1
( I1 =تیمار۷۰ درصد آبیاری و =N1 تیمار ۱۵۰ کیلوگرم کود اوره =N2 تیمار ۲۵۰ کیلوگرم کود اوره ، =N3 تیمار ۳۵۰ کیلوگرم کود اوره)
شکل۳- ۱۱(میزان شستشوی نیترات شبیه سازی شده توسط مدل NLEAP در ماه های رشد در تیمار I2
(=I2 85درصد آبیاری کامل و N1 =150 کیلوگرم کود اوره، =N2 250 کیلوگرم کود اوره ، = N3 350 کیلوگرم کود اوره)
شکل۳- ۱۲)میزان شستشوی نیترات شبیه سازی شده توسط مدل NLEAP در ماه های رشد در تیمار I3
( I3 =آبیاری کامل و =N1 150 کیلوگرم کود اوره، N2 =250 کیلوگرم کود اوره ، =N3 350 کیلوگرم کود اوره)
همان طور که در شکلها مشاهده میشود، در همه تیمارها میزان شستشوی نیترات تا مردادماه روند صعودی داشته و بیشترین آبشویی نیترات در این ماه اتفاق افتاده است و سپس در شهریور ماه کاهش یافته است. مقایسه تیمارهای مختلف بیانگر این است که به ازای کاهش میزان سطح آب کاربردی، میزان آبشویی نیترات از زیر منطقه ریشه به طور قابل توجهی کاهش یافته و به ازای افزایش سطح کوددهی نیز میزان شستشو افزایش یافته است.
در شکل ها به تفکیک برای هر تیمار آبیاری یعنی؛ تیمار کامل(I3) و ۸۵ درصد تیمار کامل (I2) و ۷۰ درصد تیمار کامل (I1) مقادیر مختلف کاربرد کود اوره یعنی؛ ۱۵۰ کیلوگرم در هکتار (N1) و ۲۵۰ کیلوگرم در هکتار (N2) و ۳۵۰ کیلوگرم در هکتار (N3) ترسیم شده است. محور X ها نشان دهنده ماه های مختلف یعنی خرداد، تیر، مرداد، و شهریور می باشد و محور Y ها مقادیر شستشوی نیترات را از زیر منطقه ریشه ها برحسب کیلو گرم بر هکتار نشان می دهد.
در تیمار I1 در هر ماه مقادیر آبشویی برای کاربرد کود از N1 تا N3 به صورت صعودی افزایش می یابد و بیشترین میزان آبشویی مربوط به سناریوی I1N3 در ماه مرداد است و کمترین مقدار نیز به سناریوی I1N1 تعلق دارد.
در تیمار I2 در هر ماه مقادیر آبشویی برای کاربرد کود از N1 تا N3 به صورت صعودی افزایش می یابد و بیشترین میزان آبشویی مربوط به سناریوی I2N3 در مرداد ماه است و کمترین مقدار آبشویی مربوط به سناریوی I2N1 می باشد.
در تیمار I3 مانند دو تیمار I1 و I2 بازهم مقادیر آبشویی در هر ماه از N1 تا N3 به صورت صعودی افزایش یافته است و در مرداد ماه سناریوی I3N3 بیشترین مقدار را دارد و کمترین نیز مربوط به سناریوی I3N1 می باشد.
از مقایسه سه تیمار I1 و I2 و I3 استنباط می شود که در هر ماه مقادیر آبشویی برای کاربرد کود از N1 تا N3 افزایشی است و بیشترین مقدار شستشو در سناریوی I3N3 و کمترین آن در I1N1 پیش بینی شده است.

۳-۴- تلفات دینیتریفیکاسیون

یکی دیگر از تلفات نیتروژن، خروج آن به صورت گاز از زمین های کشاورزی است که در اثر عمل دنیتریفیکاسیون (نیترات زدایی) و تبدیل نیترات به نیتریت و در نهایت به گاز نیتروژن اتفاق می افتد. عوامل مختلفی مانند مقدار آب خاک، مقدار آب آبیاری، دما، ظرفیت تبادل کاتیونی، بافت خاک و مقدار نیتروژن معدنی بر میزان تلفات نیتروژن ناشی از دنیتریفیکاسیون مؤثرند (فوچ[۳۱] و ورستریت[۳۲] ۱۹۷۷، میرنیا و همکاران ۲۰۰۰). با این حال پتانسیل نیترات زدایی وقتی خاک مرطوب نگه داشته شود افزایش می یابد (جلینی و عباسی ۱۳۸۷).
در شکلهای زیر میزان تلفات گازی شبیه سازی شده توسط مدل NLEAP در تیمارهای مختلف طی دوره شبیه سازی نشان داده شده است.
شکل۳- ۱۳)میزان تلفات گازی شبیه سازی شده نیتروژن ناشی از دنیتریفیکاسیون توسط مدل NLEAPدر تیمار I1
( I1 =70 درصد آبیاری کامل و =N1 150 کیلوگرم کود اوره در هکتار، N2 =250 کیلوگرم کود اوره در هکتار، =N3 350 کیلوگرم کود اوره)
شکل ۳- ۱۴)میزان تلفات گازی شبیه سازی شده نیتروژن ناشی از دنیتریفیکاسیون توسط مدل NLEAPدر تیمار I2
( I2 =85 درصد آبیاری کامل و =N1 150 کیلوگرم کود اوره در هکتار، N2 =250 کیلوگرم کود اوره در هکتار، =N3 350 کیلوگرم کود اوره)
شکل ۳- ۱۵)میزان تلفات گازی شبیه سازی شده نیتروژن ناشی از دنیتریفیکاسیون توسط مدل NLEAPدر تیمار I3
( I3 = آبیاری کامل و =N1 150 کیلوگرم کود اوره در هکتار، N2 =250 کیلوگرم کود اوره در هکتار، =N3 350 کیلوگرم کود اوره)
همانطور که شکل ها نشان می دهند، میزان تلفات گازی نیتروژن در اثر دنیتریفیکاسیون، با گذشت زمان افزایش یافته و بیشترین مقدار آن در مرداد ماه رخ داده است و سپس در شهریور ماه به دلیل آبشوینیترات و جذب آن توسط گیاه در طی زمان، کاهش یافته است.
شکل (۳-۱۳) نشان می دهد که در تیمار I1 برای هر ماه به ازای کاربرد مقادیر N1 تا N3 مقادیر دنیتریفیکاسیون که بر حسب کیلوگرم بر هکتار می باشد افزایش یافته است.
شکل(۳-۱۴)نشانمیدهد که در تیمار I2 نیز به ازای افزایش مقدار N مقداردنیتریفیکاسیون افزوده شده است.
شکل(۳-۱۵) نشان می دهد که در تیمار I3 همانند دو تیمار قبلی مقادیر حاصل از دنیتریفیکاسیون به ازای کاربرد کود اوره بیشتر افزایش یافته است.
مقدار تیمارهای مختلف نشان می دهد که مقدار تلفات گازی با میزان آب کاربردی و سطح کود ازته به کار رفته رابطه مستقیمی دارد. در نتیجه به ازای سطح یکسان از کود ازته، تلفات گازی در تیمار آبیاری کامل به دلیل مصرف بیشتر آب و بالاتر بودن رطوبت خاک در هر زمان بیشتر است. همچنین به ازای سطح یکسان از آب کاربردی، افزایش میزان کود ازته منجر به افزایش دنیتریفیکاسیون و تلفات گازی نیترات شده است. بطوریکه کمترین مقدار تلفات گازی شبیه سازی شده در تیمار I1N1 و بیشترین آن در تیمار I3N3 مشاهده می شود.

منبع فایل کامل این پایان نامه این سایت pipaf.ir است

بررسی اثر آبشویی و حرکت نیترات در خاک با استفاده از مدل …

RMSE

R2

AE

RMSE

AE

۶۰-۳۰

۱۳

۳/۰

۱۲-

۸۲/۲

۶۹۹/۱-

۹۰-۶۰

۱۰

۶۴/۰

۱۰-

۶۷/۱

۹۲۷/۰-

۱۲۰-۹۰

۵/۱

۸۱/۰

۱-

۸۱/۱-

۳۸۲/۱-

در عمق ۶۰-۳۰ سانتی متر، روند تغییرات غلظت نیترات پیش بینی شده به ازای تیمارهای مختلف آبیاری، مشابه یکدیگرند. بلافاصله بعد از کاربرد کود در هر دو مرحله غلظت نیترات در خاک افزایش یافته و سپس به تدریج در اثر جذب آن توسط گیاه یا تلفات ناشی از دنیتریفیکاسیون و آبشویی، غلظت نیترات کاهش مییابد. مقایسه منحنیهای مربوط به سه تیمار آبیاری نشان میدهد که هرچه سطح آب کاربردی کمتر باشد نیترات بیشتری در خاک تجمع یافته است بطوریکه نمودار مربوط به تیمار I1 بالاتر از بقیه قرار گرفته است.
مقایسه تیمارهای آبیاری برای این عمق نشان می دهد به ازای کاهش سطح آب کاربردی، غلظت نیترات در خاک در هرزمان بیشتر پیش بینی شده است. مقدار AE ،برای مدل در این عمق، منفی به دست آمده و نشان دهنده کمتر برآورد کردن غلظت نیترات می باشد. مقادیر RMSE بیانگر این است که غلظت نیترات در این عمق با دقت خوبی تخمین زده شده است.
در عمق ۹۰-۶۰ سانتیمتر، تغییرات غلظت نیترات خاک پیش بینی شده، دامنه نوسانات مشابه عمق بالاتر دارد. در این عمق نیز غلظت نیترات خاک در تیمار I1 بیشتر از دو تیمار دیگر پیشبینی شده است. در این عمق، مقدار منفی AE برای مدل NLEAP بیانگر کمتر برآورد شدن غلظت نیترات خاک می باشد. اما می توان گفت مدل با دقت قابل قبولی، غلظت نیترات خاک را در این عمق برآورد کرده است.
روند تغییرات غلظت نیترات پیش بینی شده توسط مدل NLEAP در عمق ۱۲۰-۹۰ سانتی متر، دامنه نوسانات محدودتری نسبت به دو عمق بالا دارد بطوریکه مشاهده می شود در هر تیمار آبیاری، غلظت نیترات در خاک، در این عمق رو به کاهش است که نشان دهنده شستشوی بیشتر نیترات از این لایه می باشد. در این عمق نیز برای مدل، مقدار AE منفی است و غلظت نیترات کمتر از مقدار اندازه گیری شده تخمین زده شده است.
دلیل خطای ایجاد شده در پیش بینی مدل در اعماق پایین تر، طبق گزارش بهمنی و همکاران (۱۳۸۸) در شبیه سازی نیترات در نیمرخ خاک توسط مدل LEACHM، اینگونه بیان شده است که چون افزایش عمق خاک با افزایش درصد رس همراه است و از طرفی با توجه به پراکندگی خلل و فرج که یکی از پارامترهای مهم در ایجاد محیط هوازی و بی هوازی جهت انجام نیتریفیکایون و دنیتریفیکاسیون است، بنابراین حتی در رطوبت های نزدیک به اشباع باز هم نقاطی در خاک یافت می شود که دارای اکسیژن باشد و عمل نیتریفیکاسیون در آنجا صورت گیرد که می تواند در عدم هماهنگی پیش بینی مدل با مقادیر واقعی مؤثر باشد.

۳-۲-۲- بررسی روند تغییرات غلظت نیترات خاک شبیه سازی شده در تیمار N2

در شکل های زیر،روند تغییرات غلظت نیترات خاک پیش بینی شده و اندازه گیری شده در نیمرخ خاک از سطح تا عمق ۱۲۰ سانتی متر در تیمار N2نمایش داده شده است.
شکل ۳- ۴ ) مقادیر شبیه سازی و اندازه گیری شده مقدار نیترات باقیمانده در عمق ۶۰-۳۰ سانتیمتری خاک در تیمار N2
(شبیه سازی= S، اندازه گیری= m)
شکل۳- ۵) مقادیر شبیه سازی و اندازه گیری شده مقدار نیترات باقیمانده در عمق ۹۰-۶۰ سانتیمتری خاک در تیمار N2
(شبیه سازی= S، اندازه گیری= m)
شکل ۳- ۶)مقادیر شبیه سازی و اندازه گیری شده مقدار نیترات باقیمانده در عمق ۱۲۰-۹۰ سانتیمتری خاک در تیمار N2
(شبیه سازی= S، اندازه گیری= m)

برای دانلود متن کامل پایان نامه به سایت zusa.ir مراجعه نمایید.

بررسی اثر آبشویی و حرکت نیترات در خاک با استفاده از مدل …

اثرات شخم بر انتقال مواد شیمیایی بستگی به نوع خاک، شرایط اقلیمی و نوع مواد شیمیایی استفاده شده دارد. شخم ممکن است با تغییر در معدنی شدن بر آبشویی نیترات تأثیرگذار باشد(کانور[۲۹] و همکاران۱۹۸۵).
آنها گزارش نمودند مقدار نیترات شسته شده به زیر عمق ۵/۱ متری در روش خاکورزی حفاظتی بیش از روش بیخاکورزی بوده است.

۱-۸-۴- گونه های گیاهی و چگونگی کشت آنها

گونههای گیاهی و روش کشت آنها آبشویی نیترات را تحت تأثیر قرار میدهند. یک سیستم ریشهای عمیق و گسترده، گیاهان را قادر میسازد تا نیتروژن را با کارایی بیشتری مصرف نماید. گیاهان زراعی مانند گندم و کلزا دارای سیستم های ریشه ای عمیق و گسترده بوده که به طور کارآمد خاک را از نیتروژن محلول تخلیه می نمایند. بررسی آبشویی نیترات در محصولات مختلف نشان داده، بالاترین میزان آبشویی نیترات در مزارع تحت کشت ذرت، سطوح متوسط آبشویی در محصولات یکساله مانند لوبیا و گندم و پایینترین سطح آبشویی در مورد محصولات دائمی مانند یونجه و چمن صورت گرفته است.

۱-۹- روش های کود دهی

روش کاربرد کود میتواند تأثیر مهمی بر رشد گیاه، راندمان مصرف کود و اثرات زیست محیطی آن داشته باشد. روشهای کاربرد کود تحت تأثیر شکل منبع کودی، خصوصیات خاک و شرایط اقلیمی میباشد.

۱-۱۰- کود اوره

کود اوره معمول ترین کود مورد استفاده در کشاورزی است. اوره CO(NH2)2 دارای ۴۶ درصد ازت می باشد و بیشترین غلظت نیتروژن را در میان کودهای ازته به خود اختصاص داده است. بیش از ۹۰ درصد ازتی که در مزارع ایران استفاده می شود، به صورت اوره است. (بهمنی، ۱۳۸۸)
در خاک اوره بر سرعت به NH4+ هیدرولیز می شود. آنزیم اوره آز که به وفور در اغلب خاک های کشاورزی یافت می شود به عنوان یک کاتالیزور برای انجام هیدرولیز اوره محسوب می شود. سرعت واکنش هیدورلیز اوره عموما مرتبط با فعالیت آنزیم اوره آز است که به میزان زیادی به مواد آلی و بافت خاک بستگی دارد.
(NH4) 2NH3 +CO2+H2O آنزیم اوره آزCO(NH2)2 + ۲H2O +
اوره تا سه روز پس از ورود به خاک بسته به دمای آن با آب ترکیب و به کربنات آمونیوم که نمکی پایدار است تبدیل می گردد. از ترکی کربنات آمونیوم و آب نیز، آمونیاک و گاز کربنیک ایجاد می شود.

۱-۱۱- نیشکر

نیشکر یکی از گیاهان تیره گندم است. نیشکر از گیاهان مهم قندی است که کشت و کار آن سابقه طولانی دارد. سابقه کشت این گیاه حدود ۶۰۰ سال قبل از میلاد در گینه و اندونزی و هند گزارش شده است. کشت نیشکر به دو صورت کشت سال اول(پلنت) و جوانه زنی(کشت راتون) صورت می گیرد. کشت راتون تحت عنوان رشد محصول بعد از برداشت ساقه بدون نیاز به بذر تعریف می شود. در راستای توسعه کشاورزی در استان خوزستان ۷ واحد کشت و صنعت نیشکری هر کدام به وسعت ۱۲۰۰۰ هکتار در شمال و جنوب اهواز تکمیل شده و یا در حال احداث است. در این اراضی شبکه های آبیاری احداث شده و به دلیل بالا بودن سطح ایستابی ، شور و سدیمی بودن اراضی و عدم وجود زهکشی طبیعی در آن ها، شبکه های زهکشی مصنوعی نیز احداث شده است. نیشکر در مقایسه یا سایر گیاهان احتیاج به نیترات بیشتری جهت رشد و نمو دارد. میزان مصرف کود اوره در مزارع کشت و صنعت امیر کبیر، ۳۵۰ کیلوگرم در هکتار گزارش شده است. مطالعه ای که در سال ۱۳۸۳ توسط مرکز تحقیقات نیشکر در مورد میزان آبشویی نیترات در مزارع ARC2 کشت و سنعت امیر کبیر به عمل آمده نشان داد که میزان نیترات اضافه شده در ۵ ماه ابتدای سال ۸۳ حدود ۳۳۶ کیلوگرم در هکتار و مقدار نیتراتی که طی این مدت از طریق زهکشی از هر هکتار خارج شده ۱/۴۵ کیلوگرم بوده است که بیانگر شستشوی بیش از ۱۳ درصدی نیترات در این زمین ها می باشد. (بهمنی، ۱۳۸۸).

۱-۱۲- اهمیت مدل ها

مدل به مجموعه ای از دستورات ، معادلات یا برنامه های کامپیوتری گفته می شود که برای کمی کردن عملکرد یک سیستم با توجه به تابع هدف بکار می رود. با استفاده از مدل می توان شرایط بهینه ای را انتخاب کرد که در آن بتوان با حداقل هزینه ها به بهترین نتایج از نظر مدیریت آب و خاک دست یافت. مدل های شبیه ساز، به طور عموم اجزاء و پارامترهای زیادی در نظر می گیرند و تغییرات پی در پی و مداوم عوامل را که در نتیجه اثرات متقابل آنها پیش می آید، به طور روزانه و یا ساعت به ساعت شبیه سازی می کنند(اسکگز، ۱۹۹۹) مدل های زهکشی امروزی، در حقیقت مدل های شبیه ساز هستند و مدل های پیشرفته، به طور عموم ، هم به مسئله مدیریت سطح ایستابی می پردازند و هم به مسائل کیفیت نظیر وضعیت نمک، انتقال کود، رسوبات و سایر آلاینده ها توجه می کنند و در عین حال کاهش عملکرد در اثر تنش آبی و وضعیت شوری را نیز شبیه سازی می کنند(پذیرا، ۱۳۸۱)

فصل دوم: مواد و روش ها

۲-۱- مدلNLEAP:

نسخه قدیمی این نرم افزار که تحت DOS بود با عنوان Nitrate leaching and economic analysis توسط شفر و همکارانش در سال ۱۹۹۱ در دانشگاه کلرادو ارائه شد و در سال ۱۹۹۸ توسط دگادو و همکارانش مورد تجدید نظر قرار گرفت و بعد از آن شفر و همکارانش و دلگادو و همکارانش در سال ۲۰۱۰ این نسخه را اصلاح کرده و به nitrogen loos and environmental assessment package تغییر نام دادند. این نسخه از امکانات سیستم اطلاعات جغرافیایی (GIS) نیز می تواند استفاده کند و در نهایت نسخه NLEAP GIS 4.2 نام گرفت.(راهنمای مدل NLEAP GIS4.2 ، ۲۰۱۰)

۲-۱-۱- تشریح مدل NLEAP GIS 4.2 :

این نسخه جدید تأثیر مدیریت کاربرد نیتروژن را در محیط مزرعه و سیستم گیاهی مختلف ترکیب کرده و ارائه می کند. این نرم افزار حرکت نیترات و نشر N2O را دراعماق مختلف رشد ریشه گیاهان در تکرارهای زیاد و آنالیزهای بلند مدت شبیه سازی می کند(شفر و همکاران ۲۰۱۰) و علاوه بر آن می تواند به یک نرم افزار گرافیکی متصل گردد و به سرعت شیوه های مختلف ارزیابی را در دوره های بلند مدت به خدمت می گیرد.
NLEAP GIS 4.2 با مولفه های مختلفی در زبانهای کامپیوتری برنامه ریزی شده است. کنسول اصلی برنامه در فورترن و C/C++ توسعه یافته است (شفر و همکاران ۲۰۱۰)
کسنول NLEAP GIS 4.2 با الگوریتم های توصیفی اش جهت تعیین نیتروژن موجود در خاک و از دست رفتن نیتروژن از محیط رشد ریشه گیاهان ارائه گردیده و در محیط MICROSOFT EXCELL اجرا می شود که برنامه با ویژوال بیسیک نوشته شده است. (دلگادو و همکاران ۲۰۱۰)
فایل پایگاه داده NLEAP GIS 4.2 از اینترنت قابل دریافت است که پس از تبدیل به فرمت قابل استفاده در NLEAP GIS 4.2 با نرم افزار GIS قابل اجرا شدن می باشد.

۲-۱-۲- نحوه انتقال داده در NLEAP

NLEAP GIS 4.2 یک رابط اکسل می باشد که تحت برنامه نویسی ویژوال بیسیک بوده و با یک کنسول برنامه ریزی شده در زبانهای برنامه نویسی فورترن و C/C++ با پایگاه داده نرم افزار GIS و محیط اکسل ارتباط دارد.
NLEAP GIS 4.2 دارای سه جدول اصلی است که در یک فایل اکسس(Access) قرار می گیرند و پایگاه داده NLEAP GIS 4.2 می باشند (NLEAP DB) که این جداول عبارتند از :

  • جدول مدیریت سناریو: مجموعه از سناریوها است که هر کدام از این سناریوها مجموعه ای از رویداده های مربوط به عملیات کشاورزی مانند کاشت – کوددهی – شخم زدن –
  • برداشت – آبیاری و … می باشند. که در صفحات اکسل با نام رویدادها (EVENTS) قرار می گیرند.
  • جدول خاک: شامل انواع خاکها می باشد که اطلاعات مربوط به پروفیل خاک را در بر می گیرد.

[که درآن خاک و اطلاعات مربوط به پروفیل خاک مثل عمق لایه خاک و نحوه لایه بندی و بافتخاک و درصد مواد آلی و وزن مخصوص ظاهری و PH و رطوبت خاک و نقطه ظرفیت زراعی و نقطه پژمردگی و … در آن گنجانده شده است]
این جدول در صفحات اکسل با نام لایه خاک (SOIL LAYER) قرار گرفته است.

  • جدول هواشناسی: مجموعه ای از شرایط آب و هوایی روزانه در یک موقعیت مشخص می باشد(معمولا در یک ایستگاه هواشناسی) این جدول نوعا در برگیرنده ی سالهای مربوط به اقلیم روزانه [مانند درجه حرارت ماکسیمم و درجه حرارت مینیمم و میزان بارندگی و تبخیر و تعرق و …] بوده و در صفحات اکسل تحت عنوان CLIM LONG قرار دارد.

که هر کدام از این جداول باید به منظور ایجاد NLEAP DB وارد شوند.
جزئیات بیشتر در مورد این جداول در بخش ورودیهای مدل بیان شده است.
شکل۲- ۱) پایگاه داده Access حاوی جداول سه گانه
NLEAP DB هر یک از این سه نوع جدول را به درون صفحات مجزای اکسل انتقال می دهد به گونه ای که از برنامهNLEAP قابل دسترسی است به بیان دیگر رابط منوی اکسل دارای سه صفحه ی همراه باجدول بندیهای مربوط به هواشناسی، لایه خاک و رویدادها می باشد. با استفاده از این صفحات می توان ورودی داده را مشاهده کرد. اما اطلاعات پایگاه داده را که در صفحات اکسل می باشند نمی توان تغییر داد و برای تغییر آنها باید بااستفاده از ابزارهای درون NLEAP GIS 4.2 به NLEAP DB مناسب در فایل ACCESS منتقل کرده و به منظور شبیه سازی های آتی NLEAP در آن تغییرات انجام گیرد.
منوی درایور NLEAP GIS 4.2 کنسول C/C++FORTRAN ، NLEAP DB و نرم افزار GIS و فایلهای مشروح زیر را ارتباط می دهد.

  1. IN که حاوی سناریوهای برگزیده شده به منظور اجرا می باشد.
  2. MANAGE CODES – SOIL-LAYER.IN که حاوی سریهای مختلف خاک برای اجرا شدن است.
  3. IN که حاوی اطلاعات مربوط به گیاهان و بهره وری آنها می باشد
  4. دانلود متن کامل پایان نامه در سایت jemo.ir موجود است

سامانه پژوهشی – بررسی اثر آبشویی و حرکت نیترات در خاک با استفاده از مدل NLEAP در گیاه …

شکل ۲-۲) فایل های مورد نیاز مدل NLEAP
وقتی این فایلهای سه گانه و NLEAP مستقیما تعیین گردند میتوان NLEAP GIS 4.2 رااجرا کردو اجرای آن در صفحات اکسل با عنوان SOIL.SYM-MONTH قابل بررسی و مرور می باشد.
فایل CROP.IN در برگیرنده پارامترهای محصول در چندین بخش است و قابلیت تغییر پذیری دارند. می توان این فایلها را برای منطقه های مختلف ایجاد نمود. فایل CROP.IN شامل واریته های متفاوت کشت می باشد که مقدار تولید محصول و و احد برداشت آن و تعداد روزهای طول دوره رشد و عمق توسعه ریشه محصول و نسبت C:N محصول و … جزء مقادیر این فایل هستند. می توان هر محصول را با یک کد مشخص نام گذاری نمود بنابراین تمام تغییرپذیریها در سری های مربوط به یک محصول خاص در یک فایل و با یک کد مشخص گنجانده شود.
شکل۲- ۳) فایل های مدل NLEAPجهت آنالیز در GIS
وقتی که شبیه سازیهای NLEAP در ارتباط با GIS نباشد. سناریوهای مدیریتی در جدول رویدادها وارد می گردد. و نیز پایگاه داده مربوط به نوع خاک از پایگاه داده NRCS دانلود می شود و به فرمت NLEAP تبدیل شده و به درون جدول لایه خاک وارد می گردد. پایگاه داده ی هواشناسی نیز از پایگاه داده ی هواشناسی NRCS دانلود می شود و پس از تبدیل به فرمت NLEAP به جدول CLIM LONG انتقال می یابد. البته پایگاه داده خاک و هواشناسی را می توان به صورت دستی نیز وارد کردو در این صورت باید اطلاعات مورد نظر از منطقه مورد مطالعه جمع آوری گردد. پایگاه داده رویدادها شامل روز کشت محصول و عملکرد آن ، روز برداشت و نیز مقادیر کاربرد انواع کود و شخم زدن و آبیاری و … نیز برای سناریوهای مورد نظر به صورت جداگانه وارد می شوند. و در خروجی مدل NLEAP نگرشی را به ما در مورد اثرات مدیریت راندمان مصرف کود برای یک محصول می دهد و منتج به تصمیمات مدیریتی بهتر در مورد راندمان مصرف کود آب بهینه می شود.
با خلق سناریوهای مختلف از میزان کاربرد آب و کوددهی؛ به طور جداگانه ، مدل NLEAP با شبیه سازی مقدار تلفات ناشی از آبشویی نیترات و نشر N2O و غلظت نیترات به صورت باقیمانده در خاک و حتی مقدار جذب شده توسط گیاه و دنیتریفیکاسیون یک نگرشی مدیریتی مناسب را ایجاد می کند.
کدهای مدیریتی :
با استفاده از ابزار construct manage codes ایجاد و تنظیم می شوند. کدهای مدیریتی به طور صریح به NLEAP GIS 4.2 می گویند که کدام ترکیب سناریو (manage code.in file) و خاک (managecode-soil-layer.in) شبیه سازی شوند.
جدولی از سناریوها و خاکهای مختلف در اختیار کاربر قرار می گیرد که سمت چپ آن حاوی انواع خاکها و سمت راست آن حاوی سناریوهایی است که قبلا در پایگاه داده جهت شبیه سازی ایجاد شده اند. و این اجازه و اختیار به کاربر داده می شود که هر خاک یا لایه را با سناریوی مورد نظر در تعدادهای دلخواه انتخاب کرده و برای ترکیب مورد نظر شبیه سازی را انجام دهد.
شکل ۲-۴) انتخاب ترکیب خاک های مختلف با سناریو های مورد نظر
این نرم افزار قادر است بالغ بر ۳۰۰۰ ترکیبات مدیریتی خاک را در یک دوره آب و هوایی ۱۲ ماهه انجام دهد.

۲-۱-۳- ورودیهای مدل NLEAP

یک فایل پایگاه داده در محیط ACCESS می باشد که شامل سه جدول ۱- هواشناسی ۲-کدهای مدیریتی ۳-لایه خاک می باشد.

  1. جدول هواشناسی: اطلاعات این جدول می تواند از پایگاه داده آنلاین NRCSFIP یا از سایت PRIMS از اینترنت برای هر منطقه خاص دانلود شود و با استفاده از برنامه ی تبدیل هواشناسی(WCP) به فرمت NLEAP تبدیل شده و به درون جدول هواشناسی (CLIM LONG) از پایگاه داده NLEAP منتقل شود.

این داده ها شامل درجه حرارت ماکسیمم و درجه حرارت مینیمم برحسب درجه فارنهایت و میزان تبخیر و تعرق پتانسیل و بارندگی روزانه و تبخیر و تعرق روزانه برحسب اینچ می باشد که برای هر روز از دوره شبیه سازی پس از درج تاریخ به روز و ماه و سال برای هر یک درج شوند.
شکل۲- ۵)دریافت اطلاعات هواشناسی از اینتزنت
اطلاعات مربوط به بارندگی براساس آمار ایستگاه هواشناسی کشت و صنعت امیر کبیر در طول دوره شبیه سازی در سال ۱۳۸۶ به مدل معرفی گردید.
در این تحقیق مقدار تبخیر و تعرق پتانسیل با استفاده از داده های هواشناسی ایستگاه هواشناسی کشت و صنعت امیر کبیر با تشتک تبخیر محاسبه و مستقیماً به مدل معرفی گردید

  1. جدول خاک: در برگیرنده تمام خاکهایی می باشد که در یک نمونه برداری از یک موقعیت مشخص تشریح یافته و با نام SOIL LAYER در فایل ACCESS وجود دارد. اطلاعات این جدول می تواند از پایگاه داده آنلاین NRCSSSURGO از اینترنت برای هر منطقه دانلود شود و با استفاده از برنامه تبدیل خاک (SCP) به فرمت NLEAP تبدیل یافته و در درون پایگاه داده NLEAP به جدول لایه خاک انتقال یابد این داده ها شامل بافت خاک(درصد شن، سیلت و رس خاک) عمق لایه های خاک بر حسب اینچ – وزن مخصوص ظاهری خاک – درصد موادآلی خاک –PH یا اسیدیته خاک در لایه موردنظر – حد ظرفیت زراعی – حد پژمردگی و میزان رطوبت اولیه خاک و همچنین درصد نیترات و P2O5موجود در خاک و نیز نوع زهکشی خاک که برحسب درجات مختلف زیرتقسیم بندی شده اند:

(۱-well drained – ۲- moderately well drain 3- some what poorly drained 4-poorly drained – ۵- very poorly drained)
اطلاعات مربوط به خاک در این تحقیق در اعماق۳۰-۶۰ ، ۶۰-۹۰ ، ۹۰ – ۱۲۰ سانتی متر انتخاب شد و پس از کوبیدن خاک و الک کردن ، درصد مواد تشکیل دهنده و مشخصات آن تعیین گردید(بهمنی، ۱۳۸۸)

  1. جدول رویدادها: (مدیریت سناریو) : دربرگیرنده ی تمام رویدادهایی است که به مدیریت یک سناریوی مشخص به منظور ارزیابی می پردازد اطلاعات این جدول شامل کاشت نیشکر و برداشت آن در تاریخ های مشخص و آبیاری و کوددهی می باشد آبیاری ها ابتدا در تیمار کامل در نظر گرفته شده و در تیمار دوم ۸۵ درصد مقدار تیمار کامل و در تیمار سوم ۷۰ درصد تیمار کامل در نظر گرفته شده است و تاریخ های مشخص به جدول رویدادها اضافه شده است مقادیر کود دهی اوره در دو تاریخ مشخص (۳۱ اردیبهشت و ۲ تیر) به میزان به ترتیب ۵۰ و ۱۰۰ کیلوگرم بر هکتار برای سناریوی اول و ۱۰۰ و ۱۵۰ کیلوگرم برهکتار برای سناریوی دوم و ۱۵۰ و ۲۰۰ کیلوگرم بر هکتار برای سناریوی سوم به جدول رویدادها اضافه شده اند.

این رویدادها را می توان مستقیما با استفاده از ایجاده کننده (event creator) در مدل ایجاد کرد (شکل مربوط) و یا اینکه آنها را از پایگاه داده Microsoft accessو Microsoft excel وارد نمود.
شکل ۲- ۶)اضافه کردن یک رویداد با استفاده از ایجاد کننده رویداد از طریق مدل NLEAP

۲-۱-۴- خروجی های NLEAP GIS 4.2

پس از ورود تمام داده ها و ران کردن مدل، مقادیر به چند روش آنالیز می شوند. خروجی ها شامل خروجی های نیتروژن و خروجی های آب می باشند. خروجی های نیتروژن می توانند به واحد های متریک یا انگلیسی تبدیل شوند تمام اطلاعات خروجی این مدل که در جدول SOIL SYMMONTH هستند به صورت گرافهایی نشان داده می شوند این گراف ها شامل ماههای مختلف شبیه سازی هستند که حاوی متغیرهای گراف می باشند متغیرهای گراف نیتروژن در NLEAP GIS 4.2 شامل موارد زیر می باشند:
NO3-N-LEACH= مقدار کل نیترات N شسته شده در واحد سطح در هر ماده
NO3-N-RESID.= مقدار کل نیترات باقیمانده در انتهای هر ماه در واحد سطح
N DENIT-= مقدار کل نیتروژن فاقد نیترات شدن در واحد سطح در ماه
N2-O-N EMITTED = مقدار کل اکسید نیتروژن منتشر شده در واحد سطح در ماه
N UPTAKE= مقدار کل نیتروژن جذب شده در واحد سطح در ماه
مشاهده تمام این حالت ها در ماهای زیاد شبیه سازی در جدول SOIL SYM MONTH دشوار است و به این ترتیب رسم گرافها به صورت جداگانه در ماههای مختلف شبیه سازی هرکدام از تب های مذکور قابل روئیت و بررسی می باشند.
 
شکل۲-۷) خروجی نیتروژن در مدل NLEAP
در قسمت خروجی های آب می توانیم خروجی های بالانس آب را نیز مشاهده کنیم. نرم افزار همیشه بالانس آب را برای هر شبیه سازی N انجام می دهد. (با ماکزیمم اجرای ترکیبات)
در این نسخه خروجی بالانس آب به صورت روزانه و خروجی های نیتروژن ماهانه هستند.
برای ترسیم گراف ها اگر شبیه سازی بلند مدت باشد تعداد ماههای زیادی را در خروجی خواهیم داشت مثلا در یک شبیه سازی ۲۴ ساله تعداد ۲۸۸ ماه را داریم، اگر بخواهیم شبیه سازی را تنها برای سال آخر داشته باشیم محدوده زمانی را که از ۱ تا ۲۸۸ می باشد از ۲۶۶ تا ۲۸۸ انتخاب می کنیم و بدین ترتیب شبیه سازی سال آخر را خواهیم داشت این گرافها می توانند هم به صورت خطی و هم به صورت میلهای انتخاب شوند.
متغیرهای گراف آب در NLEAP GIS 4.2 شامل موارد زیر می باشد:

دانلود متن کامل این پایان نامه در سایت abisho.ir

پژوهش – بررسی اثر آبشویی و حرکت نیترات در خاک با استفاده از مدل NLEAP در …

WC(IN)= بالانس آب خاکها در انتهای ماه بای کشت اخیر در منطقه ریشه محصول(برحسب اینچ)
SUM ET= تبخیر و تعرق پتانسیل تجمعی ماهانه (اینچ)
SUM PET= تبخیر و تعرق پتانسیل تجمعی ماهانه (اینچ)
DPRE= مجموع ماهانه بارندگی روزانه (اینچ)
DIRR= مجموع ماهانه آبیاری روزانه (اینچ)
DRO= مجموع ماهانه رواناب سطحی روزانه (اینچ)
DDF= مجموع ماهانه نفوذ عمقی روزانه (آبشویی) (اینچ)
و در نهایت می توان برای یک خاک و یک سناریوی خاص یا ترکیباتی از این دو هم خروجی های آب و هم خروجیهای نیتروژن را داشته باشیم تا با استفاده از آن بتوانیم بهترین سناریو را از جهت کاربرد آب و مدیریت کود انتخاب نماییم.

۲-۲- واسنجی مدل:

۲- ۲ -۱- روش اعتبار سنجی مدل

اعتبار مدل از مقایسه مقادیر اندازه گیری شده در مزرعه و مقادیر پیش بینی شده توسط مدل با محاسبه سه پارامتر آماری شامل میانگین خطا (AE )، جذر میانگین مجذور خطا (RMSE)، و ضریب تبیین R2 در روابط ۲- و ۲- مورد ارزیابی قرار می گیرد.
اگر میانگین خطا صفر و نزدیک صفر باشد نشان دهنده پیش بینی خوب مدل است و اگر این مقدار بالای صفر باشد نشان دهنده بیش برآوردی و زیر صفر نشان دهنده کم برآوردی مدل می باشد.
(۲-۱) AE=
در این رابطه AE میانگین خطا، n تعداد مشاهدات Oi مقادیر مشاهده شده در مزرعه و Pi مقادیر شبیه سازی شذه می باشد. همچنین جذر میانگین مجذور خطا از رابطه (۴-۸ ) محاسبه گردید:
(۲-۲) ]۰٫۵RMSE=[
RMSEنشان دهنده پراکندگی دادههاست و هرچه این عدد مقدار کمتری را نشان دهد و به صفر نزدیکتر باشدکارایی خوب مدل را بیان میکند.

۲-۳- آنالیز حساسیت:

این نرم افزار برای اطلاعات آب و هوایی منطقه مورد مطالعه و گیاه نیشکر مورد واسنجی قرار گرفت که در بررسی آنالیز حساسیت مشخص گردید نسبت به دو عامل زیر حساسیت نرم افزار بیشتر است:

  • (KDNIT) ضریب دنیتریفیکاسیون
  • (KN) ضریب سرعت نیتریفیکاسیون

البته این آنالیز حساسیت مربوط به گیاه نیشکر و کاربرد کود اوره به صورت محلول در مزرعه می باشد و بدیهی است که گیاهان دیگر و انواع کودهای دیگر با نحوه کاربردهای متفاوت ممکن است نرم افزار را به فاکتورهای دیگری حساس تر نشان دهند.

۲-۴- نحوه اجرای طرح

روش های اعمال تنش آبی می تواند به صورت تغییر در دور و یا حجم آب آبیاری نسبت به آبیاری کامل باشد. دراین مطالعه دور آبیاری ثابت و از تغییر در میزان حجم آب استفاده شده است.
سه تیمار آبی در نظر گرفته شد که تیمار اول آبیاری کامل (I1) و برحسب تبخیر از تشت تبخیر کلاس A تعیین شد و تیمارهای بعدی (I2 و I3 ) که به ترتیب ۸۵ و ۷۰ درصد تیمار I1 منظور گردیدند. دور آبیاری دوره معمول در منطقه بود و میزان نیاز آبی با توجه به میزان تبخیر تجمعی هر دور تعیین گردید. ۲۰ درصد آب جهت شستشو به میزان آب آبیاری اضافه گردید. آبیاری مزارع به صورت سطحی صورت گرفت و آب مورد نیاز گیاه توسط هیدروفلوم به مزارع آزمایشی انتقال یافت. برای اندازه گیری میزان جریان در هر قطعه آزمایشی، از فلوم WSC[30] تیپ ۲ استفاده شد. در شکل (۴-۲) نحوه آبیاری کرت های آزمایشی نشان داده شده است(بهمنی، ۱۳۸۸).
تیمار اول کوددهی به میزان ۱۵۰ کیلوگرم در هکتار کود اوره (N1) ، تیمار دوم به میزان ۲۵۰ کیلوگرم در هکتار(N2) و برای تیمار سوم ۳۵۰ کیلوگرم در هکتار (N3) تعیین گردید و همراه با آب آبیاری به زمین داده شد. کودهای ازته به صورت محلول و در دو مرحله به زمین داده شدند. اولین کوددهی در ۳۱ اردیبهشت ۱۳۸۶ با مقادیر ۵۰، ۱۰۰ و ۱۵۰ کیلوگرم در هکتار در تیمارهای N1 ، N2 و N3 و دومین کوددهی در دوم تیر ۱۳۸۶ با مقادیر ۱۰۰، ۱۵۰ و ۲۰۰ کیلوگرم در هکتار صورت گرفت(بهمنی، ۱۳۸۸).
تیمار دوم آبدهی شامل آبیاری کامل(I3)، ۸۵ درصد آبیاری کامل (I2) و ۷۰ درصد آبیاری کامل (I1) میباشند.جهت تعیین طرح آزمایشی، تیمارهای آبیاری به عنوان تیمار اصلی و سطوح کود ازته به عنوان تیمارهای فرعی در نظر گرفته شدند و برای هر تیمار سه تکرار لحاظ گردید. نوع طرح های آزمایشی کرت های خرد شده و در قالب بلوک های کامل تصادفی انجام گرفت. تعداد ۲۷ کرت جهت انجام عملیات آبیاری و کوددهی لحاظ شد که طول هر کرت ۵۰ متر و عرض ۱۵/۹ متر انتخاب گردید. فاصله پشته ها ۸۳/۱ متر و عمق آن ها حدود ۳۰ سانتی متر بود. به منظور حذف اثرات ناشی از نفوذ آب و ازت از تیمارهای مختلف روی یکدیگر، دو جویچه مجاور بین دو کرت به عنوان اثرات حاشیه ای در نظر گرفته شد. اعمال تنش آبی بعد از کوددهی اولیه صورت گرفت و در این مرحله گیاه نیشکر به صورت چند برگه در آمده بود. شکل(۴-۳) جانمایی تیمارهای طرح آزمایشی را نشان می دهد (بهمنی، ۱۳۸۸).

۲-۴-۱- کوددهی مزارع

جهت تنظیم کود مصرفی، سیستم کوددهی مورد استفاده شامل: بشکه، نیم بشکه، ظرف یک لیتری جهت اندازه گیری و شیر گازی ۷۵/۰ اینچ می باشد. برای انجام عمل کوددهی، کود اوره را در بشکه آب حل کرده و سپس با توجه به زمان آبیاری و دبی آب ورودی به مزرعه مقدار اوره محلولی که باید به سیستم توزیع آب وارد شود توسط شیر خروجی تنظیم میگردد. مدت زمانی که باید یک لیتر کود محلول وارد مزرعه شود از رابطه زیر تعیین شد(بهمنی ، ۱۳۸۸).
(تعداد هکتارX تعداد کوددهی)/ (ساعت آبیاریX (حجم بشکه) / ۳۶۰۰) = زمان لازم برای ورود یک لیتر کود در هکتار
Ii: تیمارهای تنش آبی
Ni: تیمارهای نیتروژن
جدول۲- ۱) نقشه شماتیک تیمارهای اصلی و فرعی به صورت طرح آزمایشی (بهمنی، ۱۳۸۸)
I, II, III: تکرارها
فصل سوم: نتایج و بحث

۳-۱ مقدمه

در این بخش به نتایج بدست آمده از مدل NLEAP، و بحث در مورد آنها پرداخته میشود. همانطور که در فصول پیشین به آن اشاره شد، در تحقیق حاضر داده های ورودی مربوط به فصل کشت در سال ۸۶-۱۳۸۵ در مزرعه-۱۴ ARC2که در مزرعه راتون بود، برداشت و به مدل معرفی گردید.
داده های ورودی مربوط به هر یک از تیمارها به طور جداگانه به مدل معرفی شد و مقادیر شبیه سازی شده توسط مدل با اندازهگیریهای مزرعهای مقایسه گردید. ابتدا مدل با تغییر در ضرایب دنیتریفیکاسیون، معدنی شدن و نیتریفیکاسیون، در دامنه پیشنهاد شده از سوی دیگر محققان، برای تیمار N1 و از سطح خاک تا عمق ۱۲۰ سانتی متری، واسنجی گردید. سپس مدل واسنجی شده با استفاده از تیمار N1، جهت ارزیابی دقت و برآورد مدل ، برای تیمارهای N2 و N3 نیز عمل نموده است. همچنین نتایج آماری حاصل از مقایسه اندازهگیری های واقعی و مقادیر شبیهسازی شده توسط مدل NLEAPبا نتایج آماری حاصل از مدل LEACHMکه توسط بهمنی (۱۳۸۸)، با سناریوهای مشابه آبیاری و کوددهی برای این مزرعه واسنجی و ارزیابی شد، مورد مقایسه قرار گرفت.
داده های ورودی که به مدل معرفی می شوند باید بر حسب ماهانه باشند و برای معرفی زمان شروع و انتهای شبیه سازی به مدل، باید زمان بر حسب سال و ماه میلادی باشد که برای شروع شبیه سازی اولین روز از ماه معرفی شده و برای پایان شبیه سازی، آخرین روز از ماه معرفی شده در قسمت مربوطه را در نظر می گیرد.
تیمار اول کوددهی به میزان ۱۵۰ کیلوگرم در هکتار کود اوره (N1)، تیمار دوم به میزان ۲۵۰ کیلوگرم در هکتار (N2) ، و برای تیمار سوم ۳۵۰ کیلوگرم در هکتار (N3) تعیین گردید و همراه با آب آبیاری به زمین داده شد. کودهای ازته به صورت محلول و در دو مرحله به زمین شد. اولین کوددهی در ۳۱ اردیبهشت ۱۳۸۶ با مقادیر ۵۰، ۱۰۰ و ۱۵۰ کیلوگرم در هکتار در تیمارهای N1، N2 و N3 و دومین کوددهی در دوم تیر ۱۳۸۶ با مقادیر ۱۰۰، ۱۵۰ و ۲۰۰ کیلوگرم در هکتار صورت گرفت.
مقادیر عمق سطح ایستایی در سناریوهای مختلف آبیاری و مقادیر غلظت نیتروژن نیتراتی (NO3-N) ، در نیمرخ خاک از یازدهم اردیبهشت معادل اول ماه مه تا هشتم مهرماه معادل آخر ماه سپتامبر و نیز تلفات آبشویی نیترات و دنیتریفکاسیون و جذب نیترات توسط گیاه در ماه های مختلف فصل رشد پس از کوددهی یعنی از خرداد تا شهریور ماه برای این قطعه زراعی توسط مدل برآورد گردیده است.
لازم به ذکر است که تیمار N1 شامل موارد I1N1، I2N1، I3N1 و تیمار N2 شامل موارد I1N2 ، I2N2 و I3N2 و تیمار N3 شامل موارد I1N3، I2N3 و I3N3 می باشد.

۳-۲- بررسی روند تغییرات غلظت نیترات شبیه سازی شده در نیمرخ خاک توسط NLEAP

جدول (۳-۱) نشان دهنده مقادیر اندازه گیری شده غلظت اولیه نیترات در نیمرخ خاک در ابتدای دوره شبیه سازی است که برای پیش بینی غلظت نیترات در اعماق مختلف خاک در طول دوره شبیه سازی به مدل معرفی شد.

دانلود کامل پایان نامه در سایت pifo.ir موجود است.

ادغام پویای ماشین های مجازی در مراکز داده- قسمت ۱۴

۲۳: MigrationMapList.Add(findHostForVm);
۲۴: end foreach
۲۵: return MigrationMapList;

 
شکل ۳-۷ جایگذاری سلسله مراتبی VMها
بدین شکل با این سیاست تلاش در جلوگیری و کاهش انتقال بیهوده بار کاری از قفسه به سایر قفسهها میشویم و از سوی دیگر با وجود داشتن بار کاری مُکفّی درون قفسه سعی در توزیع بار کاری میزبانان فربار شدهی قفسه به سایر میزبانان میکنیم. این سیاست در سطح بالاتر (مرکز داده کوچک) نیز به همین شکل و منوال اعمال شده است. بدین صورت زمانی که مولفهای (مرکز داده کوچک و یا قفسه) فرابار نشده باشد اگر مولفه بزرگتری که عضوی از آن است فرابار شده باشد مولفه سطح پایینتر را در حالت لیست ممنوعه برای سایر مولفههای سطح بالاتر و در لیست کاندیدای مقصد برای سایر مولفههای دورن مولفه سطح بالاتر فعلی قرار گرفته میشود.
جایگذاری سلسله مراتبی ماشینهای مجازی درون میزبانان، قفسهها و مراکز داده کوچک
در آخرین گام اقدام به ارائه الگوریتمی به منظور جایگذاری ماشینهای مجازی مهاجر میکنیم. طبیعتا الگوریتم ارائه شده برای این بخش، نیز الگوریتمی سلسله مراتبی است و هدف آن تجمیع بارکاری در مولفههای (مراکز داده کوچک و قفسهها) کمتر به منظور کاهش مصرف انرژی است. همانطور که در الگوریتم ۳-۶ و شکل ۳-۷ نشان داده شده است در این بخش نیز باز از میان میزبانان کاندید، به عنوان کاندید مقصد برای ماشینهای مجازی که در دو الگوریتم قبلی ارائه شده، تعیین میشود قصد انتخاب مقصد را برای ماشین مجازی مذکور را داریم.
فصل چهارم پیادهسازی و ارزیابی الگوریتمهایپیشنهادی
 
مقدمه
در این فصل الگوریتمهای پیشنهادی فصل ۳ را در محیط شبیهساز CloudSim پیادهسازی، و با الگوریتمهای ارائه شده در سالهای اخیر مورد ارزیابی قرار میدهیم.
شبیه ساز CloudSim
بستری که برای شبیه سازی از آن استفاده شده است ابزار CloudSim میباشد[۳۷]. CloudSim به صورت کتابخانه ای از کلاس های زبان جاوا وجود دارد که دسترسی به کد آن نیز امکان پذیر میباشد. انتخاب این ابزار به دلیل ویژگیهای منحصر به فرد آن و اعتبار آن در ارزیابی مقالات علمی بوده است.
CloudSim که برای شبیه سازی محیط های رایانش ابری از آن استفاده میشود، در مقابلِ شبیه سازهای دیگر امکانات بسیاری فراهم کرده است. از جمله: اجازه مدل سازیِ محیط های مجازی سازی شده، پشتیبانی از تأمین منابع بر حسب تقاضا، مدیریت منابع و بسیاری از موارد دیگر است. همچنین در اینجا از نسخه (۳٫۰٫۳) این ابزار استفاده شده است که قابلیت پشتیبانی از مدیریت منابع به صورت آگاه از انرژی و استفاده از بارکاری پویا )به عنوان درخواست های ورودی( را نیز فراهم میکند.
بستر آزمایشی
مرکز دادهای که شبیهسازی شده است متشکل از ۸۰۰ ماشین فیزیکی یا میزبان میباشد که نیمی از آنها (۴۰۰ عدد) سرور های (HP ProLiant ML110 G4) هستند و نیم دیگر سرورهای (HP ProLiant ML110 G5) میباشند. فرکانس پردازنده هر سرور به درجه ی MIPS نگاشت شده و مشخصات آن ها در جدول ۴-۱ آورده شده است.
جدول ۴-۱ مشخصات سخت افزاری میزبانان [۲۸]

برای دانلود متن کامل این فایل به سایت torsa.ir مراجعه نمایید.

Server CPU Model Cores Frequency (MHz) RAM (GB)
HP ProLiant G4 Intel Xeon 3040 ۲ ۱۸۶۰ ۴
HP ProLiant G5 Intel Xeon 3075