Summary
Este trabalho demonstra uma integração de um modelo de qualidade de água com um componente de otimização utilizando algoritmos evolucionários para resolver para ótima (menor custo) a colocação de práticas de conservação agrícolas para um determinado conjunto de objectivos de melhoria da qualidade da água. As soluções são gerados através de uma abordagem multi-objetivo, permitindo a quantificação explícita de compensações.
Abstract
Encontrar o custo-eficiente (ou seja, de menor custo) formas de prática de conservação visando investimentos para a realização de metas específicas de qualidade da água em toda a paisagem é de importância fundamental na gestão de bacias hidrográficas. Os métodos tradicionais de economia de encontrar a solução de menor custo no contexto das bacias hidrográficas (por exemplo, 5,12,20) assumem que fora do local de impacto pode ser bem descrita como uma proporção de no local poluição gerada. Tais abordagens não são susceptíveis de ser representativa do processo de poluição real em uma bacia hidrográfica, onde os impactos das fontes poluidoras são muitas vezes determinadas por processos biofísicos. O uso de modernas fisicamente baseados, espacialmente distribuídos modelos de simulação hidrológica permite um maior grau de realismo em termos de representação, mas requer um processo de desenvolvimento de um sistema de simulação-otimização, onde o modelo se torna parte integrante da otimização.
Evoluçãoalgoritmos ary parecem ser uma ferramenta de optimização particularmente útil, capaz de lidar com a natureza combinatória de um problema de simulação de optimização da bacia e permitindo o uso do modelo completo da qualidade da água. Algoritmos evolucionários tratar uma alocação espacial particular de práticas de conservação em uma bacia hidrográfica como uma solução candidato e utilizar conjuntos (populações) de soluções candidatos iterativamente aplicando operadores estocásticos de seleção, recombinação e mutação para encontrar melhorias com relação aos objetivos de otimização. Os objetivos de otimização neste caso são para minimizar a poluição difusa na bacia, ao mesmo tempo minimizando o custo de práticas de conservação. Um conjunto recente e em expansão de pesquisa é a tentativa de usar métodos similares e integra modelos de qualidade de água com amplamente definidos métodos de otimização evolucionárias 3,4,9,10,13-15,17-19,22,23,25. Nesta aplicação, é mostrado um programa que segue Rabotyagov et al. 'S adeach e integra um 7 moderno e comumente usado SWAT modelo de qualidade de água com um algoritmo evolutivo multiobjetivo SPEA2 26, e especificado pelo usuário conjunto de práticas de conservação e seus custos para procurar as fronteiras tradeoff entre os custos completos de práticas de conservação e especificado pelo usuário da qualidade da água objetivos. As fronteiras quantificar as vantagens e desvantagens enfrentadas pelos gestores de bacias hidrográficas através da apresentação de toda a gama de custos associados com vários objetivos de melhoria da qualidade da água. O programa permite uma seleção de configurações de mananciais de água atingir determinados objetivos de melhoria da qualidade e uma produção de mapas de posicionamento otimizado de práticas de conservação.
Protocol
1. Prepare modelo de Bacias Hidrográficas e fornecer dados de entrada para a optimização
- Criar um banco de dados i_SWAT
- Usando um programa chamado "rotador", construir o banco de dados de bancos de dados de entrada múltiplos, incluindo solos, clima, gestão e fertilizantes.
- Alternativamente, uma corrida SWAT existente (possivelmente criado com ArcSWAT ou AVSWAT) podem ser importados com i_SWAT.exe. Neste caso, o programa "swat_rewrite" pode ser usado para substituir a gestão de informação ou outra HRU base no campo de dados de nível.
- Calibração e validação do modelo SWAT deve ser realizada nesta altura. O modelo SWAT (versão de 2005), incorporado no interior deste rio quadro Watershed Raccoon modelagem EA foi originalmente calibrado e validado para um total diário de estudo de Carga Máxima (TMDL) como descrito por Jha et al. (2010). Calibração adicional e validação do modelo SWAT foi conduzido em apoio do desenvolvimento de um plano mestre Raccoon Rio Watershed, como descritocama em Agren, Inc. (2011), que é o modelo SWAT que foi utilizado para o presente estudo.
- Usar uma versão modificada do SWAT2005.exe, chamado SWAT2005GA.exe.
- Prepare o arquivo "presets.csv divisor de águas" - Este é um arquivo de texto armazenar muitas das configurações específicas para a bacia hidrográfica do guaxinim. Ele é lido por GeneticiSWAT e MapSWAT abaixo para definir vários controles e campos de dados para a bacia com um clique.
- Prepare os custos dos elementos da prática de conservação. Para este exemplo, estes são armazenados na tabela [Custos de Prática - Guaxinim por County] em um banco de dados "custos prática por sub-bacia Josh.mdb".
O custo total de uma solução candidata é a soma dos custos das práticas de conservação aplicados a unidades de bacias hidrográficas ("unidades de resposta hidrológica", ou HRUs). O programa de otimização considera uma alocação ótima de uma prática de conservação único de um determinado conjunto de práticas de conservação em cada HRU terras agrícolas na bacia. A sets de práticas de conservação de possíveis atribuídos a um HRU são chamados de conjuntos de alelos.
- Criar SWAT pastas. Para esta corrida, 16 CPUs foram usadas, ou seja, 16 cópias de SWAT2005GA.exe foram executados em 16 pastas separadas (o mesmo se aplica para sistemas com processadores menos, por exemplo, quatro pastas devem ser criadas para um "quad-core" do processador).
2. Selecione parâmetros de otimização
- Optimization é controlada pelo programa chamado "GeneticISWAT". Para executar GeneticISWAT.exe otimização, aberto.
- Vá em "Arquivo", depois "Open" e selecione o banco de dados i_SWAT "Raccoon GA.mdb".
- Vá em "Arquivo", depois em "Configuração" para atribuir os caminhos para SWAT executáveis modelo (SWAT2005GA.exe).
- Vá em "Executar", depois em "Selecionar Set Alelo". Esta etapa determina as combinações de práticas de conservação utilizados na otimização. Para esta corrida, alelo set # 14 foi usado, que tem 23 combinações de práticas de conservação. Av.conjuntos de alelos ailable são armazenadas no ficheiro de configuração "Alleles.csv".
- Vá em "Executar", em seguida, selecione "SPEA2 Subconjunto Base Arquivo Consciente" para executar a otimização multiobjetivo usando o algoritmo SPEA2 evolutiva.
Figura 1. Definição de objetivos e parâmetros de otimização.
Otimização de parâmetros a serem selecionados:
Preset: Selecione a bacia hidrográfica a ser otimizado. Ao clicar em "Aplicar" seleciona as entradas do arquivo de presets "presets.csv divisor de águas" para preencher valores de controle na tela.
Variável de saída: Selecione os objectivos ambientais para otimização. Como selecionados (N Outlet, P Outlet), isso define uma função objetiva 3-dimensional: Nitrogênio (N orgânico + NO3 + NH4 + NO2) em média por 5 anos na saída, Fósforo (Organic P + P Mineral) em média por 5 anos na saída, eo custo total de práticas de conservação. Note-se que isso vai criar uma fronteira tradeoff 3-dimensional. Variáveis de saída alternativas pode ser seleccionada, em que o programa é minimizar multiobjetivo (variável de saída {}, Custo Total).
Tamanho da população: Conjunto de tamanho da população inicial. Isto determina o número inicial de soluções de candidatos. Quando "Semente com cada alelo" opção for selecionada, as soluções de candidatos que representam uma aplicação uniforme de cada prática de conservação especificado no alelo definido para todos os HRUs terras agrícolas na bacia são criados primeiro. As soluções candidatos restantes são criados por uma atribuição aleatória de práticas de conservação do alelo definido para lavouras HRUs. Quando se selecciona o "Semente com cada alelo" opção, é necessário para garantir que o tamanho da população inicial é pelo menos tão grande quanto o número de alelos em um conjunto de alelos (23 nesta demonstração).
Número de gerações: Defina o número desejado de gerações (iterações) para a execução de otimização (note que a execução pode ser reiniciado).
Probabilidade de cruzamento: Quando duas soluções candidatos são selecionados para a criação de soluções de novos candidatos, probabilidade de cruzamento especifica a probabilidade de que novas soluções distintas são criados (definido como 1 para esta demonstração).
Tamanho da população temporário: Determina o número de soluções candidatas novos criados. Recursos de processador são usadas com mais eficiência quando esse valor é um múltiplo inteiro do número de segmentos de processador (16, nesta demonstração).
Probabilidade de mutação: Especifique a probabilidade de mudança aleatória na atribuição HRU para outra prática de conservação do conjunto alelo. (Ela é definida como 0,03 para esta demonstração).
Número detópicos: Selecione o número de processadores ou fios usados. 16 é usado nesta demonstração.
Curva de fator de calibração n º: Este é fornecida a partir da calibração do modelo SWAT.
População salvar em arquivo de texto: Isso é importante para selecionar se se deseja reiniciar a otimização executado após o número especificado de iterações seja concluída. Ao marcar esta opção produz um arquivo de texto com os valores de alelos de cada HRU em cada solução candidata sobreviver (individual). Isto pode ser lido de volta para reiniciar e continuar a correr.
Secundárias parâmetros de otimização
Primeiro Ano: Deve ser definido como um ano após o início de informações sobre o tempo histórico, e não depois de 7 anos antes do final dos dados.
Preço do milho: Usado com a equação de perda de rendimento para estimar o custo das reduções de fertilizantes.
Método de purga: Dominado. Indivíduos que são piores em todas as três dimensões são dominadas e purgado.
Fonte HUC: Definir a "especificado", ou seja, o valor "7100006" a partir do seguinte campo "Watershed HUC" é usado para encontrar uma linha na tabela Zona HUC. O valor "07100006" é o código de oito dígitos HUC para a bacia do Raccoon.
Fonte Custo: Ajuste para "County (HRU Código de Localização)" para indicar que outros custos do que a PCR será determinado por códigos municipais FIPS na tabela de custos prática acima.
Custo Fonte CRP: Ajuste para "Localização 1" para indicar que o custo CRP será determinado por códigos municipais FIPS na tabela de custos prática acima.
3. Resultados representativos GeneticiSWAT.exe produz um ficheiro de registo que as definições e os resultados para todas as soluções de candidatos (indivíduos), bem como um "salvamento" ficheiros que codifica os resultados do algoritmo de iteração final, e que pode ser utilizado para reiniciar o funcionamento de optimização. Neste ponto, pode-se visualizar todo o conjunto de Pareto-eficientes soluções (a fronteira troca), seguindo os passos abaixo: A saída é uma série de arquivos que podem ser prestados de uma só vez em arquivos de imagem usando o POV-RAY programa e selecionar "Render", depois em "fila de arquivo". As imagens podem ser usadas sozinhas ou combinadas em um filme mostrando a progressão do algoritmo. Se desejar, um filme que mostra a progressão algoritmo pode ser criado através da execução "Framescanner.exe" e seguindo estes passos: Cada ponto na fronteira representa uma configuração de divisor de águas (a atribuição específica de práticas de conservação em uma paisagem). Mapas dessas configurações pode ser visto por toda a fronteira, seguindo estes passos: Exportadores de configurações específicas de bacias hidrográficas (indivíduos) de interesse. Muitas vezes, uma questão de interesse é selecionar configurações específicas de bacias hidrográficas (indivíduos) atingir os objectivos de qualidade específicos de água. Por exemplo, pode-se desejar encontrar um individual na fronteira que reduz em 30% de azoto e de fósforo em 20% em relação a cargas de linha de base. MapSWAT permite pesquisar a fronteira para o indivíduo com a menor distância euclidiana para o objetivo especificado. Isto pode ser feito da seguinte forma: files/ftp_upload/4009/4009fig7.jpg "alt =" Figura 7 "/> Exportação de dados de mapas para análise posterior é possível, seguindo estes passos: Tabela 1. Tabela de programas necessários. Tabela 2. Tabela de arquivos de amostra necessária. 
Figura 2. Screenshot para a criação de "instantâneos" para 3-dimensional visualização fronteira. 
Figura 3. Visualização estática da fronteira troca. 
Figura 4. Screenshot da criação de um mapa de cada indivíduo na fronteira final. 
Figura 5. Screenshot de procurar por uma pessoa específica na fronteira com base em objectivos de qualidade da água. 
Figura 6. Screenshot da produção de pesquisa
Figura 7. Screenshot de um mapa de amostra descrevendo o indivíduo selecionado na fronteira. Clique aqui para ver maior figura . Nome do programa Fonte Descrição Rotor CARTÃO Cria e preenche um banco de dados i_SWAT com o solo, clima e gestão de dados de uma bacia hidrográfica. Swat2005GA.exe USDA Pastagem, Solo e Água Laboratório de Pesquisa Modelo de simulação de bacias hidrográficas i_SWAT.exe CARTÃO SWAT interface de banco de dados GeneticISWAT.exe CARTÃO Controlador SWAT evolutiva algoritmo. Incorpora Galib de http://lancet.mit.edu/ga/ . MapSWAT.exe CARTÃO Lê dados i_SWAT e shapefiles, produz imagens de gerações e indivíduos. POV-Ray Povray.org Persistência de visão raytracer. Framescanner.exe Todd Campbell PNG imagem para AVI Converter Windows Live Movie Maker Microsoft Usado para comprimir AVI WMV Nome do Arquivo Tipo Descrição Raccoon GA.mdb Banco de dados Access Estrutura e gestão de bacias hidrográficas descrições de Raccoon. Leia por GeneticiSWAT e MapSWAT. presets.csv bacia Texto Predefinições de configuração para GeneticiSWAT.exe e MapSWAT Alleles.csv Texto Lista de alelo define para o algoritmo evolutivo. HRU.txt Alelo Raccoon Texto Arquivo criado por GeneticISWAT listando os alelos determinados como terras cultiváveis. Leia por MapSWAT. Custos prática por sub-bacia Josh.mdb Access Database Custos por práticas de gestão e do concelho. Terraço Zones.mdb Access Database Tabela [HUC Dados] detém o terraço e números de zona de rendimento para a bacia hidrográfica. NRI Budgets.mdb Access Database Leia por GeneticISWAT.exe para colheita e máquina de tabelas que não são utilizados nesta corrida. phucrp 2008-12-15.dat Texto Planta Calor tabela de pesquisa da Unidade, não utilizado na presente execução. Management.mdb Access Database Mesa de rotação de pesquisa, não utilizado na presente execução. Raccoon GA 2011/09/28 1313.log, Raccoon GA 2011/09/29 0732.log, Raccoon GA 2011/10/07 0644.log Texto Os arquivos de log de corrida GeneticISWAT. Raccoon GA.wmv Animação Display 3D de indivíduos por geração Subbasin.shp ESRI Shapefile Contornos de sub-bacias da bacia hidrográfica. Raccoon Map.wmv Animação Exibição de alelos dominantes para cada sub-bacia para cada indivíduo na fronteira.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Nós construímos um sistema de simulação-otimização integrada para procurar Pareto-eficientes conjuntos de configurações de bacias hidrográficas que envolvem menor custo e localização mistura de práticas de conservação agrícolas para alcançar uma série de objetivos de nível de bacias hidrográficas redução de nutrientes. Um diagrama conceptual do sistema de simulação de optimização, é apresentado na Figura 8. Simulação de bacias hidrográficas, incluindo a simulação dos impactos da qualidade da água de práticas agrícolas de conservação são tratados pelo modelo hidrológico, SWAT2005, juntamente com um sistema de controle baseado em Windows banco de dados, i_SWAT 6,8. O componente de otimização opera nas unidades de resposta hidrológica (HRUs) da SWAT e emprega a lógica de um algoritmo evolutivo 26 para encontrar a alocação de práticas de conservação que, simultaneamente, minimiza cargas de nutrientes (N, P, ou ambos) e os custos de práticas de conservação. Após as iterações do algoritmo é encerrado, um conjunto de sobreviver individduos representa a fronteira troca aproximada. Desde dois nutrientes estão sendo consideradas simultaneamente (nitrato de N e fósforo total), obtém-se uma fronteira troca tridimensional. De cada indivíduo, na fronteira troca prescreve uma determinada configuração de práticas de conservação para cada unidade de tomada de decisão (lavouras HRU) na bacia. Para ver quais as práticas de conservação são selecionados, temos de especificar as metas nutricionais e procure a fronteira troca para configurações individuais que satisfazem os critérios de redução de nutrientes. A localização ea mistura de práticas de conservação selecionados podem ser mapeados de volta para o campo de nível de espaciais de decisão unidades na bacia (se estes dados estão disponíveis no momento de criar HRUs). Nossa abordagem, que especifica um mix especial e distribuição de práticas de conservação, pode fornecer os formuladores de políticas com ferramentas para melhor orientação da política de conservação que visa a melhoria da qualidade da água. Em termos de implementação,armado com as prescrições do algoritmo, os formuladores de políticas podem oferecer pagamentos específicos (método sugerido por 11), ou extrair propostas e aceitar ou rejeitá-los utilizando os resultados da modelagem como orientação. É claro que o conjunto específico de práticas específicas depende metas específicas de água de qualidade e da bacia específica estudada. No entanto, futuras melhorias no modelo hidrológico e as estimativas de custos econômicos podem ser facilmente incorporados ao sistema de simulação-otimização. A estrutura desenvolvida é facilmente generalizável e é capaz de fornecer informações úteis e relevantes para as políticas em um problema complexo de redução de poluição difusas de origem.
Figura 8. Fluxo geral da experiência.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Não há conflitos de interesse declarados.
Acknowledgments
Esta pesquisa foi financiada, em parte, do apoio recebido de os EUA Agência de Proteção Ambiental alvejado Programa de Subsídios Bacias Hidrográficas (Projeto # WS97704801), Dinâmica da Fundação Nacional de Ciências dos Coupled sistemas naturais e humanos (Projeto # DEB1010259-CARD-KLIN), e do Departamento dos EUA da Agricultura-Instituto Nacional de projeto coordenado foodand Agricultura Agrícola (Projeto n º 20116800230190-CARD).
References
- American Society of Agricultural and Biological Engineers. Design, layout, construction, and maintenance of terrace systems. ASAE Standard. , S268 (2003).
- Raccoon River Watershed water quality master plan. , Agren, Inc. Carroll, IA. (2011).
- Arabi, M., Govindaraju, R. S., Hantush, M. M. Cost-effective allocation of watershed management practices using a genetic algorithm. Water Resour. Res. 42, W10429 (2006).
- Bekele, E. G., Nicklow, J. W. Multiobjective management of ecosystem services by integrative watershed modeling and evolutionary algorithms. Water Resour. Res. 41, W10406 (2005).
- Carpentier, C. L., Bosch, D. J., Batie, S. S. Using spatial information to reduce costs of controlling agricultural nonpoint source pollution. Am. J. Agr. Econ. 61, 404-413 (1998).
- CARD: Resource and Environmental Policy Interactive Software Programs [Internet]. , Center for Agricultural and Rural Development, Iowa State University. Ames, IA. Available from: http://www.card.iastate.edu/environment/interactive_programs.aspx (2007).
- Gassman, P. W., Reyes, M., Green, C. H., Arnold, J. G. The Soil and Water Assessment Tool: Historical development, applications, and future directions. Trans. ASABE. 50 (4), 1211-1250 (2007).
- The i_SWAT software package: a tool for supporting SWAT watershed applications. Gassman, P. W., Campbell, T., Secchi, S., Jha, M., Arnold, J. G. SWAT2003: The 2nd International SWAT Conference, 1-4 July, Bari, Italy, , Instituto di Ricerca sulle Acque, IRSACNR. Bari, Italy. 66-69 Forthcoming.
- Gitau, M. W., Veith, T. L., Gburek, W. J., Jarrett, A. R. Watershed level best management practice selection and placement in the Town Brook watershed, New York. J. Am. Water Resour. Assoc. 42, 1565-1581 (2006).
- Jha, M., Rabotyagov, S., Gassman, P. W. Optimal placement of conservation practices using genetic algorithms with SWAT. Int. Agr. Eng. J. 18 (1-2), 41-50 (2009).
- Jha, M. K., Wolter, C. F., Schilling, K. E., Gassman, P. W. Assessment of total maximum daily load implementation strategies for nitrate impairment of the Raccoon River, Iowa. J. Envir. Qual. 39, 1317-1327 (2010).
- Kanna, M., Yang, W., Farnsworth, R., Onal, H. Cost effective targeting of CREP to improve water quality with endogenous sediment deposition coefficients. Am. J. Agr. Econ. 85, 538-553 (2003).
- Kramer, R. A., McSweeny, W. T., Kerns, W. R., Stravros, R. W. An evaluation of alternative policies for controlling agricultural nonpoint source pollution. Water Resour. Bull. 20, 841-8446 (1984).
- Lant, C. L., Kraft, S. E., Beaulieu, J., Bennett, D., Loftus, T., Nicklow, J. Using GIS-based ecological-economic modeling to evaluate policies affecting agricultural watersheds. Ecol. Econ. 55, 467-484 (2005).
- Muleta, M. K., Nicklow, J. W. Evolutionary algorithms for multiobjective evaluation of watershed management decisions. J. Hydroinform. 4 (2), 83-97 (2002).
- Muleta, M. K., Nicklow, J. W. Decision support for watershed management using evolutionary algorithms. J. Water Resour. Plan. Manag. 131 (1), 35-44 (2005).
- Rabotyagov, S. S., Campbell, T., Jha, M., Gassman, P. W., Arnold, J., Kurkalova, L., Secchi, S., Feng, H., Kling, C. L. Least Cost Control of Agricultural Nutrient Contributions to the Gulf of Mexico Hypoxic Zone. Ecol. Appl. 20, 1542-1555 (2010).
- Rabotyagov, S., Jha, M., Campbell, T. Impact of crop rotations on optimal selection of conservation practices for water quality protection. J. Soil. Water Conserv. 65 (6), 369-380 (2010).
- Rabotyagov, S. S., Jha, M., Campbell, T. D. Nonpoint-source pollution for an Iowa watershed: An application of evolutionary algorithms. Canadian Journal of Agricultural Economics/Revue canadienne d'agroeconomie. , (2010).
- Rabotyagov, S. S., Jha, M., Campbell, T. Searching for Efficiency: Least Cost Nonpoint Source Pollution Control with Multiple Pollutants, Practices, and Targets. J. Nat. and Environ. Sci. 1, 75-90 (2010).
- Ribaudo, M. O. Consideration of off-site impacts in targeting soil conservation programs. Land Econ. 62, 402-411 (1986).
- Ribaudo, M. O. Targeting the conservation reserve program to maximize water quality benefits. Land Econ. 65, 320-332 (1989).
- Srivastava, P., Hamlett, J. M., Robillard, P. D., Day, R. L. Watershed optimization of best management practices using AnnAGNPS and a genetic algorithm. Water Resour. Res. 38 (3), 1-14 (2002).
- Veith, T. L., Wolfe, M. L., Heatwole, C. D. Development of optimization procedure for cost-effective BMP placement. J. Am. Water Resour. Assoc. 39 (6), 1331-1343 (2003).
- GAlib: Matthew's Genetic Algorithms Library [Internet]. , Available from: http://lancet.mit.edu/ga/ (1996).
- Whittaker, G., Confesor, R., Griffith, S. M., Färe, R., Grosskopf, S., Steiner, J. J., Mueller-Warrant, G. W., Banowetz, G. M. A Hybrid Genetic Algorithm for Multiobjective Problems with Activity Analysis-based Local Search. Eur. J. Operat. Res. , (2007).
- Zitzler, E., Laumanns, M., Thiele, L. SPEA2: Improving the Strength Pareto Evolutionary Algorithm for Multiobjective Optimization. CIMNE. , 95-100 (2002).
