Optimisation multiobjectif spatiale des pratiques agricoles de conservation en utilisant un modèle SWAT et un algorithme évolutionnaire

L’objectif global de l’expérience suivante est de démontrer la méthode d’optimisation multi-objectifs des pratiques de conservation dans un bassin versant à l’aide d’un système d’optimisation de simulation impliquant le modèle de processus du bassin versant et un algorithme évolutif. La question primordiale est de savoir comment répartir les pratiques de conservation agricole dans un bassin versant. Ainsi, les objectifs de qualité de l’eau sont atteints au moindre coût.

Plusieurs pratiques de conservation sont possibles dans chaque champ, et plusieurs objectifs de qualité de l’eau peuvent être importants. Une attribution particulière de pratiques de conservation peut être simulée par un modèle de processus de bassin versant. Pour atteindre l’objectif d’optimisation, il faut d’abord sélectionner un modèle de processus de bassin versant calibré et validé et modéliser des représentations des pratiques de conservation.

Dans un deuxième temps, les objectifs environnementaux à maximiser sont sélectionnés et les coûts des pratiques de conservation sont obtenus, ce qui permet d’invoquer la composante de l’algorithme évolutif cherchant à optimiser simultanément en fonction des objectifs environnementaux et de coût. Ensuite, la sélection des paramètres contrôlant l’optimisation est effectuée afin d’effectuer une optimisation multi-objectifs. Ces deux composantes, la simulation et l’optimisation, sont intégrées dans un système d’optimisation de simulation appelé génétique I : des résultats swat sont obtenus qui montrent l’ensemble optimal de configurations de bassins versants en termes de placement des pratiques de conservation, qui quantifie les compromis entre les objectifs environnementaux et le coût des investissements en conservation, et permet de sélectionner une configuration spatiale spécifique des pratiques de conservation en fonction des objectifs environnementaux souhaités ou du coût.

Le principal avantage de cette technique par rapport aux méthodes existantes, telles que l’évaluation simple de scénarios de pratiques de conservation ou l’optimisation du choix des pratiques de conservation basée sur une représentation simplifiée des pratiques, est qu’elle intègre un modèle de processus de bassin versant basé sur la physique dans la décision d’optimisation d’une manière flexible et intuitivement compréhensible. Cette méthode peut aider à répondre à des questions clés dans les domaines de la gestion des bassins versants et de l’économie environnementale, comme l’endroit où concentrer les investissements publics dans les pratiques de conservation, ou comment structurer des politiques fondées sur le marché, comme les enchères inversées pour les pratiques de conservation ou un programme d’échange de la qualité de l’eau. Dans le contexte de la pollution de sources diffuses, les paramètres d’optimisation sont sélectionnés après la préparation d’un modèle de bassin versant et les données d’entrée pour l’optimisation fournie sont contrôlées par un programme appelé Genetic Iwo.

Pour commencer cette procédure, ouvrez genetic iwo dot exe allez dans le fichier, puis ouvrez et sélectionnez la base de données I SWAT, raccoon GA dot mdb allez dans le fichier, puis configuration pour attribuer les chemins à échanger. Les exécutables du modèle vont à l’exécution, puis sélectionnent l’ensemble d’allèles. Cette étape détermine les combinaisons de pratiques de conservation utilisées dans l’optimisation.

Pour cette course, l’ensemble d’allèles numéro 14 sera utilisé, qui comporte 23 combinaisons de pratiques de conservation à exécuter. Sélectionnez ensuite le sous-ensemble prenant en charge la base de référence d’archive SP A pour effectuer une optimisation multi-objectifs à l’aide de l’algorithme évolutif SP A deux. Tout d’abord, sous préréglage, sélectionnez le bassin versant à optimiser raton laveur en cliquant sur appliquer pour sélectionner les entrées du fichier préréglages préréglages point csv pour remplir les valeurs de contrôle sur cet écran.

Ensuite, sous Variable de sortie, sélectionnez les objectifs environnementaux à optimiser. La sortie N sélectionnée P outlet définit une fonction objectif tridimensionnelle. La moyenne de l’azote est de cinq ans à l’exutoire, celle du phosphore de cinq ans à l’exutoire et celle du coût total des pratiques de conservation.

Cela créera une frontière de compromis tridimensionnelle fixant la taille initiale de la population à 60. Cela détermine le nombre initial de solutions candidates lorsque la graine avec chaque option d’allèle est sélectionnée. Des solutions candidates représentant une application uniforme de chaque pratique de conservation spécifiée dans l’ensemble d’allèles à toutes les unités de réponse hydrologique des terres cultivées dans le bassin versant sont créées.

Tout d’abord, les solutions candidates restantes sont créées par une attribution aléatoire de pratiques de conservation de l’ensemble de l’allèle à HR des terres cultivées. Lorsque vous sélectionnez la graine avec chaque option d’allèle, assurez-vous que la taille initiale de la population, qui est de 60 dans cette démonstration, est au moins aussi grande que le nombre d’allèles dans un ensemble d’allèles, qui est de 23. Dans cette démonstration, définissez le nombre de générations ou d’itérations souhaité pour l’exécution de l’optimisation dans cet exemple sur 125. Lorsque deux solutions candidates sont sélectionnées pour la création de nouvelles solutions candidates, la probabilité de croisement spécifie la probabilité que de nouvelles solutions distinctes soient créées.

Pour cette démonstration, la probabilité de croisement est définie à un. La taille de la population temporaire détermine le nombre de nouvelles solutions candidates créées. Les ressources processeur sont utilisées plus efficacement lorsque cette valeur est un entier, multiple du nombre de threads de processeur 16 est sélectionné pour cette démonstration.

La probabilité de mutation est la probabilité d’un changement aléatoire dans l’affectation des HRU à une autre pratique de conservation. À partir de l’ensemble des allèles, il est fixé à 0,003. Pour cette démonstration, sélectionnez le nombre de threads ou de processeurs utilisés, qui est de 16.

Dans cette démonstration, le facteur d’étalonnage du nombre de courbe de un est fourni à partir de l’étalonnage du modèle d’échange. Enfin, sélectionnez Enregistrer la population dans un fichier texte. Si vous cochez cette option, vous produisez un fichier texte contenant les valeurs allèles de chaque HRU dans chaque solution candidate survivante.

Ceci est important pour redémarrer l’exécution d’optimisation une fois le nombre d’itérations spécifié terminé. Après l’exécution, l’ensemble des solutions efficaces au sens de Pareto ou la frontière du compromis peut être visualisé en suivant ces étapes. Courir génétiquement.

Je swat, je vais dans le fichier, puis j’ouvre pour ouvrir la base de données I IWA, raccoon GA dot mdb. Allez à l’exportation de fichiers, puis à l’exportation de la liste HRU, enregistrez le fichier en tant qu’allèle de raton laveur, HRU point T XT exécutez la carte, swat point xe, sélectionnez exécuter, puis sélectionnez l’exécution pour produire une animation de la frontière de compromis tridimensionnelle, qui oppose les niveaux d’azote de sortie N sur l’axe rouge aux niveaux de phosphore de sortie P sur l’axe bleu à la somme des coûts des pratiques de conservation. Dans tous les sous-bassins.

Sur l’axe vert, la sortie est une série de fichiers qui peuvent être rendus en une seule fois dans des fichiers image. En utilisant le programme POV ray, les images peuvent également être combinées dans un film montrant la progression de l’algorithme en exécutant le scanner d’images xe. Chaque point de la frontière représente une configuration de bassin versant.

Il s’agit d’une affectation spécifique des pratiques de conservation d’un paysage. Un grand nombre de ces configurations peuvent être vues pour l’ensemble de la frontière en suivant ces étapes. Exécutez, mappez, swat, xe, sélectionnez Exécuter, puis cartographiez l’animation.

Les cases du côté gauche montrent les projections bidimensionnelles de la frontière et les lignes pointillées indiquent la position de la solution particulière choisie. Le MAP montre la pratique de conservation prescrite par l’algorithme dominant. Dans chaque cas, la légende identifie les pratiques de conservation choisies.

Souvent, il s’agit de choisir une configuration spécifique de bassin versant ou une personne qui atteint un ensemble précis d’objectifs de qualité de l’eau. Par exemple, une personne réduisant l’azote de 30 % et le phosphore de 30 % par rapport aux charges de référence. SWAT nous permet de rechercher la frontière à la recherche d’un individu ayant la distance EUCLIDIENNE minimale par rapport à l’objectif spécifié Pour sélectionner des configurations spécifiques de bassin versant ou des individus atteignant des objectifs particuliers de qualité de l’eau, ouvrez la carte swat dot exe, puis sélectionnez exécuter et rechercher.

Entrez un objectif minimum de zéro. Dans cet exemple, un objectif maximal de 100 dans cet exemple, ainsi qu’un intervalle cible de 10. Dans cet exemple, entrez un pourcentage spécifique de réduction de l’azote par rapport à la ligne de base dans l’espace de réduction en regard de la fin de la ligne de base 30.

Dans cet exemple. Entrez ensuite le pourcentage de réduction du phosphore dans le pourcentage de réduction à côté de la ligne de base du phosphore, également 30. Dans cet exemple, le programme de swat de carte produira une sortie dans un écran contextuel, cliquez sur copier, texte et collerez dans une feuille de calcul.

Trois tables sont produites dans la première sont les individus les plus proches des cibles N et P du même pourcentage de réduction, qui va de T dans à tmax par t int. Juste en dessous, l’individu le plus proche de la spécification N cible et la spécification P apparaissant dans le deuxième tableau sont les individus les plus proches, où la cible P va de l’équipe à Tmax tandis que N est maintenue constante près de la spécification finale. Le troisième tableau donne aux individus les cibles finales les plus proches, allant de l’équipe à Tmax, tandis que P est maintenu constant près de la spécification P.

Dans ce cas, l’individu le plus proche d’une réduction de 30 % était ID 84 23 avec une valeur finale de 14, 639, 660. Voici la carte montrant la répartition spatiale des pratiques de conservation et la localisation de cette configuration de bassin versant dans la frontière de compromis après son développement. Cette technique a permis aux chercheurs dans le domaine de la gestion des bassins versants et de l’économie de l’environnement d’explorer des moyens plus rentables d’atteindre les objectifs environnementaux des bassins versants et d’améliorer la conception de politiques fondées sur le marché.