Summary
Ce travail démontre l'intégration d'un modèle de qualité de l'eau avec un composant d'optimisation en utilisant des algorithmes évolutionnaires pour résoudre optimale (la moins coûteuse) mise en place de pratiques de conservation agricoles pour un ensemble donné d'objectifs d'amélioration de la qualité des eaux. Les solutions sont générées en utilisant une approche multi-objectifs, ce qui permet une quantification explicite des compromis.
Abstract
Trouver les coût-efficacité (c.-à-la moins coûteuse) des moyens de cibler les investissements pratiques de conservation pour la réalisation des objectifs spécifiques de qualité de l'eau à travers le paysage est d'une importance primordiale dans la gestion des bassins versants. Les méthodes traditionnelles de l'économie de trouver la solution la moins coûteuse dans le contexte des bassins versants (par exemple, 5,12,20) supposent que les impacts hors site peut être précisément décrite comme une proportion de la pollution des sites générés. De telles approches sont probablement pas représentatifs du processus de pollution réelle dans un bassin versant, où les impacts des sources polluantes sont souvent déterminés par la complexité des processus biophysiques. L'utilisation des modernes à base physique, répartis dans l'espace des modèles de simulation hydrologiques permet un plus grand degré de réalisme en termes de représentation du processus, mais nécessite une élaboration d'un cadre de simulation-optimisation où le modèle devient une partie intégrante de l'optimisation.
Évolutionalgorithmes aires semblent être un outil d'optimisation particulièrement utile, capable de faire face à la nature combinatoire d'un bassin versant de simulation-optimisation problème et permettre l'utilisation du modèle de qualité de l'eau plein. Les algorithmes évolutionnaires traiter une répartition spatiale particulière des pratiques de conservation dans un bassin versant comme une solution candidate et d'utiliser les ensembles (populations) de solutions candidates itérative appliquant les opérateurs stochastiques de sélection, recombinaison, mutation et de trouver des améliorations en ce qui concerne les objectifs d'optimisation. Les objectifs d'optimisation dans ce cas sont de minimiser pollution diffuse dans le bassin versant, en réduisant au minimum le coût des pratiques de conservation. Un ensemble récent et en expansion de la recherche est d'essayer d'utiliser des méthodes similaires et intègre des modèles de qualité de l'eau au sens large avec des méthodes d'optimisation évolutionnaires 3,4,9,10,13-15,17-19,22,23,25. Dans cette application, nous démontrons un programme qui suit Rabotyagov et al. L 'approhaque et intègre un 7 moderne et couramment utilisé SWAT modèle de qualité de l'eau avec un algorithme évolutionnaire multiobjectif SPEA2 26, et l'utilisateur spécifié ensemble de pratiques de conservation et leurs coûts pour rechercher les frontières de compromis entre les coûts complets des pratiques de conservation et spécifiée par l'utilisateur qualité de l'eau objectifs. Les frontières de quantifier les compromis auxquels sont confrontés les gestionnaires de bassins versants en présentant la gamme complète des coûts liés à des objectifs différents amélioration de la qualité de l'eau. Le programme permet une sélection de configurations de bassins versants réalisation des objectifs spécifiés qualité de l'eau et une amélioration de la production des cartes de placement optimisé des pratiques de conservation.
Protocol
1. Préparer modèle du bassin et de fournir des données d'entrée pour l'optimisation
- Créer une base de données i_SWAT
- En utilisant un programme appelé "rotateur", de construire la base de données à partir de bases de données d'entrée multiples, y compris les sols, les conditions météorologiques, la gestion et l'engrais.
- Alternativement, une course SWAT existant (éventuellement créé avec ArcSWAT ou AVSWAT) peuvent être importés avec i_SWAT.exe. Dans ce cas, le programme "swat_rewrite" peut être utilisé pour remplacer la gestion ou de l'information HRU autre sur le terrain au niveau des données.
- Calibration et la validation du modèle SWAT doit être effectuée à ce stade. Le SWAT (version 2005) modèle intégrait dans ce cadre versant de la rivière modélisation Raccoon EA a été calibré et validé pour un total de charge maximale (TMDL) Daily étude telle que décrite par Jha et al. (2010). Calibration et la validation du modèle SWAT a été menée à l'appui de l'élaboration d'un plan directeur bassin de la rivière raton laveur, comme décrit cilit dans Agren, Inc (2011), qui est le modèle SWAT qui a été utilisé pour cette étude.
- Utilisez une version modifiée de SWAT2005.exe, appelé SWAT2005GA.exe.
- Préparer le fichier "bassin versant presets.csv" - Ceci est un fichier texte stocker de nombreux paramètres spécifiques au bassin versant de raton laveur. Il est lu par GeneticiSWAT et MapSWAT ci-dessous pour définir des contrôles multiples et les champs de données pour le bassin versant d'un seul clic.
- Préparer les coûts des éléments pratiques de conservation. Pour cet exemple, ceux-ci sont stockées dans la table [Coûts de pratique - Raton laveur par comté] dans les «coûts par sous-bassin de pratique Josh.mdb" base de données a.
Le coût total d'une solution candidate est la somme des coûts des mesures de conservation appliquées aux unités de bassins versants ("unités d'intervention hydrologiques», ou HRUS). Le programme d'optimisation considère une affectation optimale d'une pratique de conservation unique à partir d'un ensemble particulier de pratiques de conservation des terres cultivées dans tous les HRU dans le bassin versant. Le sets des pratiques de conservation possibles attribuées à un HRU sont appelés ensembles d'allèles.
- Créer SWAT dossiers. Pour cette course, 16 processeurs ont été utilisés, ce qui signifie 16 exemplaires de SWAT2005GA.exe ont été exécutés dans 16 dossiers distincts (la même chose s'applique pour les systèmes avec moins de processeurs, par exemple, 4 dossiers doivent être créés pour un "quad-core" du processeur).
2. Sélectionnez Paramètres d'optimisation
- L'optimisation est contrôlée par le programme appelé "GeneticISWAT". Pour effectuer l'optimisation, GeneticISWAT.exe ouvert.
- Allez dans "Fichier", puis "Ouvrir" et sélectionnez la base de données i_SWAT "Raccoon GA.mdb".
- Allez dans "Fichier", puis "Configuration" pour assigner les chemins des exécutables pour SWAT modèle (SWAT2005GA.exe).
- Aller sur «Execute», puis «Select Set allèle". Cette étape permet de déterminer les combinaisons de pratiques de conservation utilisés dans l'optimisation. Pour cette course, l'allèle set # 14 a été utilisé, qui compte 23 combinaisons de pratiques de conservation. Av.ensembles DISPONIBLES allèles sont stockés dans le fichier de configuration "Alleles.csv".
- Allez sur "Exécuter", puis sélectionnez "Sous-ensemble SPEA2 Archives de base Aware» pour effectuer l'optimisation multiobjectif en utilisant l'algorithme évolutionnaire SPEA2.
Figure 1. Fixer des objectifs d'optimisation et les paramètres.
Optimisation des paramètres à sélectionner:
Preset: Sélectionnez le bassin versant d'être optimisé. En cliquant sur "Appliquer" sélectionne les entrées du fichier préréglages "bassin versant presets.csv" pour remplir les valeurs de contrôle sur cet écran.
Variable de sortie: Choisir les objectifs environnementaux pour l'optimisation. Comme choisi (N Outlet, P sortie), ce qui définit une fonction objectif en 3 dimensions: Azote (N organique + NO3 + NH4 + NO2) en moyenne pendant 5 ans à la sortie, Phosphore (Organic P + P minéral) en moyenne pendant 5 ans à la sortie, et le coût total de pratiques de conservation. Notez que cela va créer une frontière compromis en 3 dimensions. Variables de sortie alternatifs peuvent être choisis, où le programme multiobjectif est de minimiser ({} Variable de sortie, Total Cost).
Taille de la population: taille de la population initiale Set. Ceci détermine le nombre initial de solutions candidates. Lorsque «semences avec chaque allèle" option est sélectionnée, les solutions de candidats représentant une application uniforme de chaque pratique de conservation spécifiée dans l'allèle mis à toutes les HRUS terres cultivées dans le bassin versant sont créés en premier. Les solutions candidates restantes sont créés par une affectation aléatoire des pratiques de conservation de l'allèle mis en terres cultivées HRUS. Lors de la sélection de la «semence de chaque allèle" option, il faut s'assurer que la taille de la population initiale est au moins aussi grand que le nombre d'allèles dans un ensemble allèle (23 dans cette démonstration).
Nombre de générations: Réglez le nombre souhaité de générations (itérations) pour le cycle d'optimisation (à noter que la course peut être redémarré).
Probabilité de coupure: Lorsque deux solutions candidates sont sélectionnées pour créer des solutions de nouveaux candidats, la probabilité de croisement indique la probabilité que de nouvelles solutions distinctes sont créées (mis à 1 pour cette démonstration).
Taille de la population temporaire: Ceci détermine le nombre de solutions candidates créés. Les ressources du processeur sont utilisées le plus efficacement lorsque cette valeur est un multiple entier du nombre de threads processeur (16 dans cette démonstration).
Probabilité de mutation: Spécifiez la probabilité d'un changement dans l'affectation aléatoire HRU à une autre pratique de la conservation de l'ensemble des allèles. (Il se situe à 0,03 pour cette démonstration).
Nombre d'threads: Sélectionnez le nombre de processeurs ou de fils utilisés. 16 est utilisé dans cette démonstration.
Facteur d'étalonnage courbe n °: Ceci est fourni à partir de la calibration du modèle SWAT.
Enregistrer la population dans un fichier texte: Il est important de choisir si l'on veut relancer l'optimisation courir après le nombre spécifié d'itérations est terminée. Si vous cochez cette option génère un fichier texte avec les valeurs alléliques de chaque HRU dans chaque solution candidate survivant (individuel). Cela peut être relue pour redémarrer et continuer à courir.
Paramètres d'optimisation secondaires
Première année: Doit être réglé à un an après l'ouverture de l'information météorologique historique, et au plus tard 7 ans avant la fin de ces données.
Prix du maïs: Utilisé avec l'équation de perte de rendement afin d'estimer le coût des réductions d'engrais.
Méthode de purge: Dominé. Les personnes qui sont pires dans les 3 dimensions sont dominés et purgé.
Source HUC: Régler sur "emplacement spécifié", c'est à dire la valeur "7100006" parmi les options suivantes "HUC bassin versant" est utilisé pour trouver une ligne dans la table HUC Zone. La valeur "07100006" est le code à huit chiffres HUC pour le bassin versant de raton laveur.
Source Coût: Réglez sur «County (Code de localisation HRU)» pour indiquer que d'autres coûts que la CRP sera déterminé par les codes FIPS de comté dans la pratique, les coûts du tableau ci-dessus.
Source Coût CRP: Régler sur "1 Localisation" pour indiquer que le coût CRP sera déterminé par les codes FIPS de comté dans la pratique, les coûts du tableau ci-dessus.
3. Les résultats représentatifs GeneticiSWAT.exe produit un fichier journal indiquant les paramètres et les résultats de toutes les solutions candidates (individus), ainsi que d'un "save" de fichiers qui encode les résultats de l'itération algorithme final et qui peut être utilisé pour redémarrer le cycle d'optimisation. À ce stade, on peut visualiser l'ensemble des solutions efficaces au sens de Pareto (la frontière compromis) en suivant les étapes ci-dessous: La sortie est une série de fichiers qui peuvent être rendus tous à la fois dans les fichiers d'image à l'aide de POV-RAY programme et en sélectionnant "Render", puis "File d'attente File". Les images peuvent être utilisées seules ou combinées dans un film montrant la progression algorithme. Si vous le souhaitez, un film montrant la progression algorithme peut être créé en exécutant "Framescanner.exe» et en suivant ces étapes: Chaque point de la frontière représente une configuration de bassin versant (une affectation spécifique des pratiques de conservation sur un paysage). Les cartes de ces configurations peut être vu par toute la frontière en suivant ces étapes: Exportation de configurations des bassins versants spécifiques (personnes physiques) d'intérêt. Souvent une question d'intérêt est de sélectionner les configurations spécifiques des bassins versants (particuliers) ayant atteint des objectifs particuliers de qualité de l'eau. Par exemple, on peut souhaiter trouver un individual à la frontière qui réduit de 30% d'azote et de phosphore de 20% par rapport aux charges de base. MapSWAT permet de rechercher la frontière de l'individu avec la plus petite distance euclidienne à l'objectif spécifié. Cela peut être fait de la manière suivante: files/ftp_upload/4009/4009fig7.jpg "alt =" Figure 7 "/> Exportation de données de la carte pour une analyse plus poussée est possible en suivant ces étapes: Tableau 1. Tableau des programmes nécessaires. Tableau 2. Tableau d'exemples de fichiers requis. 
Figure 2. Screenshot pour créer des «instantanés» pour la visualisation en 3 dimensions frontière. 
Figure 3. Visualisation statique de la frontière compromis. 
Figure 4. Capture d'écran de la création d'une carte de chaque individu dans la dernière frontière. 
Figure 5. Capture d'écran de la recherche d'une personne en particulier à la frontière en fonction des objectifs de qualité de l'eau. 
Figure 6. Capture d'écran de la production de recherche
Figure 7. Capture d'écran d'un exemple de carte décrivant la personne choisie à la frontière. Cliquez ici pour agrandir la figure . Nom du programme de Source Description Rotateur CARTE Crée et remplit une base de données avec des données i_SWAT sol, le climat et la gestion d'un bassin versant. Swat2005GA.exe USDA prairies, Laboratoire de recherche sur les sols et l'eau Modèle de simulation des bassins versants i_SWAT.exe CARTE SWAT interface de base de données GeneticISWAT.exe CARTE Evolutionary contrôleur SWAT algorithme. Intègre Galib de http://lancet.mit.edu/ga/ . MapSWAT.exe CARTE Lit bases de données et des fichiers de formes i_SWAT, produit des images des générations et des individus. POV-Ray Povray.org Persistence of Vision raytracer. Framescanner.exe Todd Campbell Image PNG en AVI Windows Live Movie Maker Microsoft Utilisé pour compresser AVI WMV Nom du fichier Type Description Raccoon GA.mdb Base de données Access Descriptions de structure et de gestion du bassin versant de raton laveur. Lire par GeneticiSWAT et MapSWAT. bassin versant presets.csv Texte Presets de réglage pour GeneticiSWAT.exe et MapSWAT Alleles.csv Texte Liste des allèle fixe pour l'algorithme évolutionnaire. HRU.txt allèle Raccoon Texte Fichier créé par GeneticISWAT énumérant les allèles jugées terres cultivées. Lire par MapSWAT. Coûts par sous-bassin de pratique Josh.mdb Base de données Access Coûts par des pratiques de gestion et de comté. Terrasse Zones.mdb Base de données Access Tableau [HUC données] détient la terrasse et le numéro des zones de rendement pour le bassin versant. NRI Budgets.mdb Base de données Access Lire par GeneticISWAT.exe pour les tables de cultures et de machine qui ne sont pas utilisés dans cette course. phucrp 2008-12-15.dat Texte La chaleur des végétaux de recherche Unité de table, non utilisé dans cet essai. Management.mdb Base de données Access Table de correspondance de rotation, non utilisé dans cet essai. Raccoon GA 28.09.2011 1313.log, GA Raccoon 29/09/2011 0732.log, GA Raccoon 07/10/2011 0644.log Texte Les fichiers journaux de course GeneticISWAT. Raccoon GA.wmv Animation 3d affichage des individus par génération Subbasin.shp ESRI Shapefile Les grandes lignes de sous-bassins du bassin versant. Raccoon Map.wmv Animation Affichage des allèles dominants pour chaque sous-bassin pour chaque individu sur la frontière.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Nous construisons un système intégré de simulation-optimisation cadre à la recherche de Pareto-efficaces des ensembles de configurations des bassins versants impliquant la moins coûteuse mélange et l'emplacement des pratiques de conservation agricoles à atteindre une série d'objectifs au niveau des bassins versants de réduction des nutriments. Un schéma conceptuel du système de simulation-optimisation est présenté dans la Figure 8. Simulation des bassins versants, y compris la simulation des impacts sur la qualité de l'eau de pratiques de conservation agricoles sont gérées par le modèle hydrologique, SWAT2005, couplé à un système basé sur Windows base de données de contrôle, i_SWAT 6,8. Le composant d'optimisation fonctionne sur les unités de réponse hydrologique (HRUS) de SWAT et emploie la logique d'un algorithme évolutionnaire 26 à trouver l'affectation des pratiques de conservation qui minimise simultanément charges d'éléments nutritifs (N, P, ou les deux) et le coût des pratiques de conservation. Après les itérations prennent fin d'algorithme, un ensemble de survivant individus représente la frontière compromis approximative. Depuis deux nutriments sont envisagées simultanément (nitrate-N et le phosphore total), on obtient une frontière compromis en trois dimensions. Chaque point de la frontière compromis prévoit une configuration particulière de pratiques de conservation pour chaque unité de décision (terres cultivées HRU) dans le bassin versant. Pour voir quelles pratiques de conservation sont sélectionnés, nous devons spécifier les objectifs nutritionnels et puis recherchez la frontière compromis pour les configurations individuelles qui répondent aux critères de réduction des nutriments. L'emplacement et le mélange des pratiques de conservation sélectionnées peuvent être mappées vers les champs au niveau de l'espace de prise de décision unités dans le bassin versant (si ces données sont disponibles au moment de la création de HRUS). Notre approche, qui spécifie un mélange particulier et la distribution des pratiques de conservation, peuvent fournir aux décideurs des outils pour un meilleur ciblage de la politique de conservation visant à améliorer la qualité de l'eau. En termes de mise en œuvre,armé avec les prescriptions de l'algorithme, les décideurs peuvent offrir des aides ciblées (méthode suggérée par 11), ou de susciter des offres et les accepter ou les rejeter à partir des résultats de modélisation que l'orientation. Bien sûr, l'ensemble spécifique de pratiques ciblées dépend notamment des objectifs de qualité de l'eau et du bassin versant spécifique étudié. Toutefois, des améliorations futures dans le modèle hydrologique et les estimations des coûts économiques peuvent être facilement intégrées dans le système de simulation-optimisation. Le cadre élaboré est facilement généralisable et est capable de fournir des indications utiles et pertinentes à un problème complexe de la réduction des sources de pollution diffuses.
Figure 8. Flux global de l'expérience.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Aucun conflit d'intérêt déclaré.
Acknowledgments
Cette recherche a été financée en partie par le soutien reçu de subventions de l'Agence américaine de protection de l'environnement Les bassins hydrographiques du programme (Projet n WS97704801) ciblée, la dynamique de la National Science Foundation des systèmes couplés naturelles et humaines (Projet DEB1010259-CARD-KLIN), et le ministère américain de l'Agriculture, l'Institut national de Foodand Agriculture Projet agricole coordonné (Projet # 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).
