Optimización multiobjetivo espacial de las prácticas de agricultura de conservación que utilizan un modelo SWAT y un algoritmo evolutivo

El objetivo general del siguiente experimento es demostrar el método para la optimización multiobjetivo de las prácticas de conservación en una cuenca hidrográfica utilizando un sistema de optimización de simulación que involucra el modelo de proceso de cuenca hidrográfica y un algoritmo evolutivo. La pregunta general es cómo asignar las prácticas de conservación agrícola en una cuenca hidrográfica. Por lo tanto, los objetivos de calidad del agua se cumplen al menor costo.

Múltiples prácticas de conservación son posibles en cada campo, y múltiples objetivos de calidad del agua pueden ser importantes. Una asignación particular de prácticas de conservación puede ser simulada por un modelo de proceso de cuenca hidrográfica. Para lograr primero el objetivo de optimización, seleccione un modelo de proceso de cuenca hidrográfica calibrado y validado y representaciones de modelos de prácticas de conservación.

Como segundo paso, se seleccionan los objetivos ambientales a maximizar y se obtienen los costos de las prácticas de conservación, lo que permite invocar el componente del algoritmo evolutivo que busca optimizar simultáneamente los objetivos ambientales y de costos. A continuación, se realiza la selección de los parámetros que controlan la optimización para realizar la optimización multiobjetivo. Estos dos componentes, simulación y optimización, se integran en un sistema de optimización de simulación llamado genético I Se obtienen resultados SWAT que muestran el conjunto óptimo de configuraciones de cuencas hidrográficas en términos de colocación de prácticas de conservación, que cuantifica las compensaciones entre los objetivos ambientales y el costo de las inversiones en conservación, y permite la selección de una configuración espacial específica de las prácticas de conservación en función de los objetivos ambientales deseados o el costo.

La principal ventaja de esta técnica sobre los métodos existentes, como la evaluación de escenarios de prácticas de conservación simples o la optimización de la elección de prácticas basadas en la representación simplificada de prácticas, es que integra el modelo de proceso de cuencas hidrográficas basado en la física en la decisión de optimización de una manera flexible e intuitivamente comprensible. Este método puede ayudar a responder preguntas clave en los campos de la gestión de cuencas hidrográficas y la economía ambiental, como dónde enfocar las inversiones públicas en prácticas de conservación, o cómo estructurar políticas basadas en el mercado, como subastas inversas para prácticas de conservación o un programa de comercio de la calidad del agua. En el contexto de la contaminación de fuentes no puntuales, los parámetros de optimización se seleccionan después de que se prepara un modelo de cuenca hidrográfica y los datos de entrada para la optimización siempre que la optimización esté controlada por un programa llamado Genetic Iwo.

Para comenzar este procedimiento, abra genetic iwo dot exe ir a archivo, luego abra y seleccione la base de datos I SWAT, mapache GA punto mdb ir al archivo, luego configuración para asignar las rutas a intercambiar. Los ejecutables del modelo van a ejecutar, luego seleccionan conjunto de alelos. Este paso determina las combinaciones de prácticas de conservación utilizadas en la optimización.

Para esta ejecución se utilizará el conjunto de alelos número 14, el cual cuenta con 23 combinaciones de prácticas de conservación que se van a ejecutar. A continuación, seleccione el subconjunto de reconocimiento de línea de base de dos archivos SP A para realizar la optimización multiobjetivo mediante el algoritmo evolutivo SP A dos. En primer lugar, en preestablecido, seleccione la cuenca hidrográfica que se va a optimizar al hacer clic en aplicar selecciona las entradas del archivo de ajustes preestablecidos de cuenca hidrográfica punto csv para rellenar los valores de control en esta pantalla.

A continuación, en Variable de salida, seleccione los objetivos ambientales para la optimización. La salida N seleccionada La salida P define una función objetivo tridimensional. El nitrógeno promedió cinco años en la salida, el fósforo promedió cinco años en la salida y el costo total de las prácticas de conservación.

Esto creará una frontera de compensación tridimensional, estableciendo el tamaño inicial de la población en 60. Esto determina el número inicial de soluciones candidatas cuando se selecciona la semilla con cada opción de alelo. Se crean soluciones candidatas que representan una aplicación uniforme de cada práctica de conservación especificada en el conjunto de alelos a todas las unidades de respuesta hidrológica de las tierras de cultivo en la cuenca hidrográfica.

En primer lugar, el resto de las soluciones candidatas se crean mediante una asignación aleatoria de prácticas de conservación del conjunto de alelos a la HR de las tierras de cultivo. Al seleccionar la semilla con cada opción de alelo, asegúrese de que el tamaño inicial de la población, que es 60 en esta demostración, sea al menos tan grande como el número de alelos en un conjunto de alelos, que es 23. En esta demostración, establezca el número deseado de generaciones o iteraciones para la ejecución de optimización en este ejemplo en 125. Cuando se seleccionan dos soluciones candidatas para crear nuevas soluciones candidatas, la probabilidad cruzada especifica la probabilidad de que se creen nuevas soluciones distintas.

Para esta demostración, la probabilidad de cruce se establece en uno. El tamaño de la población temporal determina el número de nuevas soluciones candidatas creadas. Los recursos del procesador se utilizan de forma más eficaz cuando este valor es un número entero, múltiplo del número de subprocesos del procesador 16 seleccionado para esta demostración.

La probabilidad de mutación es la probabilidad de cambio aleatorio en la asignación de HRU a otra práctica de conservación. Del conjunto de alelos, se establece en 0,003. Para esta demostración, seleccione el número de subprocesos o procesadores utilizados, que es 16.

En esta demostración, el factor de calibración del número de curva de uno se proporciona a partir de la calibración del modelo de intercambio. Por último, seleccione guardar población en archivo de texto. Al marcar esta opción, se produce un archivo de texto con los valores alélicos de cada HRU en cada solución candidata superviviente.

Esto es importante para reiniciar la ejecución de optimización una vez completado el número especificado de iteraciones. Después de la ejecución, se puede visualizar todo el conjunto de soluciones eficientes de Pareto o la frontera de compensación siguiendo estos pasos. Corre genético.

Golpeo, voy al archivo, luego abro para abrir la base de datos I IWA, mapache GA punto mdb. Vaya a la exportación de archivos, luego exporte la lista de HRU, guarde el archivo como alelo de mapache, HRU dot T XT run map, swat dot xe, seleccione ejecutar y luego animación 3D para producir una animación de la frontera de compensación tridimensional, que enfrenta los niveles de nitrógeno de salida N en el eje rojo contra los niveles de fósforo de salida P en el eje azul contra el costo sumado de las prácticas de conservación. En todas las subcuencas.

En el eje verde, la salida es una serie de archivos que se pueden renderizar todos a la vez en archivos de imagen. Mediante el uso del programa POV ray, las imágenes también se pueden combinar en una película que muestra la progresión del algoritmo mediante la ejecución de frame scanner xe. Cada punto de la frontera representa una configuración de cuenca hidrográfica.

Se trata de una asignación específica de prácticas de conservación en un paisaje. Muchas de estas configuraciones se pueden ver en toda la frontera siguiendo estos pasos. Ejecutar, asignar, swat, xe, seleccionar ejecutar y, a continuación, asignar animación.

Los recuadros del lado izquierdo muestran las proyecciones bidimensionales de la frontera y las líneas discontinuas denotan la posición de la solución particular elegida. El MAP muestra la práctica de conservación prescrita por el algoritmo dominante. En cada uno de ellos, la leyenda identifica las prácticas de conservación elegidas.

A menudo, una cuestión de interés es seleccionar una configuración de cuenca hidrográfica específica o un individuo que logre un conjunto específico de objetivos de calidad del agua. Por ejemplo, un individuo que reduce el nitrógeno en un 30% y el fósforo en un 30% en relación con el mapa de cargas de referencia. SWAT nos permite buscar en la frontera a un individuo con la distancia mínima EUCLIDIANA al objetivo especificado Para seleccionar configuraciones específicas de cuencas hidrográficas o individuos que logren objetivos particulares de calidad del agua, abra el mapa swat dot exe, y seleccione ejecutar y buscar.

Introduzca un objetivo mínimo cero. En este ejemplo, un objetivo máximo de 100 en este ejemplo, así como un intervalo de destino de 10. En este ejemplo, introduzca un porcentaje específico de reducción de nitrógeno desde la línea de base en el espacio de reducción porcentual situado junto al final de la línea base 30.

En este ejemplo. Luego ingrese el porcentaje de reducción de fósforo en el porcentaje de reducción junto a la línea de base de fósforo, también 30. En este ejemplo, el programa SWAT del mapa producirá una salida en una pantalla emergente, hará clic en copiar, texturizar y pegar en una hoja de cálculo.

Se producen tres tablas en la primera son los individuos más cercanos a los objetivos N y P del mismo porcentaje de reducción, que va desde T in hasta tmax por t int. Justo debajo de esto, el individuo más cercano a la especificación N objetivo y la especificación P aparece en la segunda tabla son los individuos más cercanos, donde el objetivo P varía desde el equipo hasta Tmax, mientras que N se mantiene constante cerca de la especificación final. La tercera tabla muestra los objetivos finales más cercanos a los individuos, que van desde el equipo hasta el Tmax, mientras que P se mantiene constante cerca de la especificación P.

En este caso, el individuo más cercano a una reducción final del 30% fue ID 84 23 con un valor final de 14, 639, 660. Aquí está el mapa que muestra la distribución espacial de las prácticas de conservación y la ubicación de esta configuración de cuenca hidrográfica en la frontera de trade-off después de su desarrollo. La técnica allanó el camino para que los investigadores en el campo de la gestión de cuencas hidrográficas y la economía ambiental exploraran formas más rentables de lograr los objetivos ambientales de las cuencas hidrográficas y mejoraran el diseño de políticas basadas en el mercado.