SWAT 모델을 사용하여 농업 보호 관행의 공간 Multiobjective 최적화 및 진화 알고리즘

다음 실험의 전반적인 목표는 유역 프로세스 모델과 진화 알고리즘을 포함하는 시뮬레이션 최적화 시스템을 사용하여 유역에서 보존 관행의 다중 목표 최적화 방법을 보여주는 것입니다. 가장 중요한 질문은 유역에서 농업 보존 관행을 할당하는 방법입니다. 따라서 가장 낮은 비용으로 수질 목표를 달성할 수 있습니다.

각 분야에서 여러 보존 관행이 가능하며 여러 수질 목표가 중요할 수 있습니다. 보존 관행의 특정 할당은 유역 프로세스 모델에 의해 시뮬레이션될 수 있습니다. 최적화 목표를 달성하려면 먼저 보정되고 검증된 유역 프로세스 모델을 선택하고 보존 관행의 모델 표현을 모델링합니다.

두 번째 단계로, 극대화할 환경 목표를 선택하고 보존 관행 비용을 구하며, 이를 통해 환경 및 비용 목표에 따라 동시에 최적화를 모색하는 진화 알고리즘 구성 요소를 호출할 수 있습니다. 다음으로, 다중 목적 최적화를 수행하기 위해 최적화를 제어하는 매개 변수를 선택합니다. 시뮬레이션과 최적화라는 두 가지 구성 요소가 유전적 I 스왓이라는 시뮬레이션 최적화 시스템에 통합되며, 이는 환경 목표와 보존 투자 비용 간의 균형을 정량화하고 원하는 환경 목표 또는 비용을 기반으로 보존 관행의 특정 공간 구성을 선택할 수 있도록 보존 관행 배치 측면에서 최적의 유역 구성 세트를 보여주는 결과를 얻습니다.

단순 보존 관행 시나리오 평가 또는 단순화된 관행 표현을 기반으로 한 보존 관행 선택의 최적화와 같은 기존 방법에 비해 이 기술의 주요 장점은 물리적 기반 유역 프로세스 모델을 유연하고 직관적으로 이해할 수 있는 방식으로 최적화 결정에 통합한다는 것입니다. 이 방법은 유역 관리 및 환경 경제 분야의 주요 질문에 답하는 데 도움이 될 수 있으며, 예를 들어 보존 관행에 대한 공공 투자를 어디에 집중해야 하는지, 또는 보존 관행에 대한 역경매 또는 수질 거래 프로그램과 같은 시장 기반 정책을 구성하는 방법과 같은 질문에 답하는 데 도움이 될 수 있습니다. 비점오염원(non-point source pollution)의 맥락에서, 최적화 매개변수는 유역 모델이 준비되고 최적화를 위한 입력 데이터가 Genetic Iwo라는 프로그램에 의해 제어된 후에 선택됩니다.

이 절차를 시작하려면 genetic iwo dot exe를 열고 파일로 이동 한 다음 I SWAT 데이터베이스를 열고 너구리 GA dot mdb를 파일로 이동 한 다음 구성을 선택하여 스왑 할 경로를 할당하십시오. 모델 실행 파일이 execute로 이동한 다음 대립유전자 세트를 선택합니다. 이 단계는 최적화에 사용되는 보존 방법의 조합을 결정합니다.

이 실행을 위해 대립유전자 세트 번호 14가 사용되며, 여기에는 23개의 보존 관행 조합이 실행됩니다. 그런 다음 SP A two archive baseline aware subset 을 선택하여 SP A two evolutionary 알고리즘을 사용하여 다중 목표 최적화를 수행합니다. 먼저 사전 설정에서 최적화할 유역을 선택합니다. 너구리를 클릭하면 적용을 클릭하면 사전 설정 파일 유역 사전 설정 dot csv에서 항목을 선택하여 이 화면의 제어 값을 채웁니다.

다음으로, output variable(출력 변수)에서 최적화를 위한 환경 목표를 선택합니다. 선택한 N 출구 P 출구는 3차원 목적 함수를 정의합니다. 질소는 배출구에서 5년 동안 평균, 인은 배출구에서 5년 동안 평균, 그리고 보존 관행의 총 비용.

이것은 3차원 트레이드 오프 프론티어를 생성하여 초기 인구 크기를 60으로 설정합니다. 이것은 각 대립유전자 옵션이 있는 시드가 선택될 때 후보 용액의 초기 수를 결정합니다. 유역의 모든 농경지 수문 반응 단위에 대한 대립유전자 세트에 지정된 각 보존 관행의 균일한 적용을 나타내는 후보 솔루션이 생성됩니다.

첫째, 나머지 후보 솔루션은 대립유전자 세트에서 농지 HR로 보존 관행을 무작위로 할당하여 생성됩니다. 각 대립유전자 옵션을 사용하여 시드를 선택할 때 이 데모에서 60인 초기 개체군 크기가 최소한 대립유전자 세트의 대립유전자 수인 23만큼 큰지 확인하십시오. 이 데모에서는 이 예제의 최적화 실행에 대해 원하는 생성 또는 반복 수를 125로 설정합니다. 새 후보 솔루션을 만들기 위해 두 개의 후보 솔루션을 선택한 경우 교차 확률은 별개의 새 솔루션이 생성될 확률을 지정합니다.

이 데모에서는 교차 확률이 1로 설정됩니다. 임시 모집단의 크기에 따라 생성되는 새 후보 솔루션의 수가 결정됩니다. 프로세서 자원은 이 값이 정수일 때 가장 효율적으로 사용되며, 이 데모를 위해 프로세서 스레드 수(16)의 배수가 선택된다.

돌연변이 확률은 HRU가 다른 보존 관행에 할당될 때 무작위로 변경될 확률입니다. 대립유전자 세트에서 0.003으로 설정됩니다. 이 데모에서는 사용되는 스레드 또는 프로세서의 수(16)를 선택합니다.

이 데모에서는 곡선 번호 보정 계수 1이 스왑 모델 보정에서 제공됩니다. 마지막으로 텍스트 파일에 인구 저장을 선택합니다. 이 옵션을 선택하면 남아 있는 모든 후보 용액에 있는 모든 HRU의 대립유전자 값이 포함된 텍스트 파일이 생성됩니다.

이는 지정된 반복 횟수가 완료된 후 최적화 실행을 다시 시작하는 데 중요합니다. 실행 후 다음 단계에 따라 Pareto 효율적인 솔루션 또는 트레이드 오프 경계의 전체 세트를 시각화 할 수 있습니다. 유전학을 실행하십시오.

나는 두드리고 파일로 이동 한 다음 I IWA 데이터베이스 인 raccoon GA dot mdb를 엽니 다. 파일 내보내기로 이동한 다음 HRU 목록을 내보내고, 파일을 너구리 대립유전자, HRU dot T XT 실행 맵, swat dot xe로 저장하고, 실행을 선택한 다음 3D 애니메이션을 생성하여 빨간색 축의 출구 질소 수준 N을 보존 관행의 합계 비용에 대해 파란색 축의 출구 인 수준 P에 대해 구덩이하는 3차원 트레이드 오프 프론티어의 애니메이션을 생성합니다. 모든 하위 유역에서.

녹색 축에서 출력은 한 번에 이미지 파일로 렌더링할 수 있는 일련의 파일입니다. POV ray 프로그램을 사용하면 프레임 스캐너 xe를 실행하여 알고리즘 진행을 보여주는 동영상으로 이미지를 결합할 수도 있습니다. 국경의 각 지점은 유역 구성을 나타냅니다.

그것은 풍경에 대한 보존 관행의 구체적인 할당입니다. 이러한 구성 중 다수는 다음 단계에 따라 전체 국경에서 볼 수 있습니다. 실행, 매핑, 스왓, xe, 실행을 선택한 다음 애니메이션을 매핑합니다.

왼쪽의 상자는 국경의 2차원 투영을 보여주고 대시선은 선택한 특정 솔루션의 위치를 나타냅니다. MAP은 보존 관행을 규정한 지배적인 알고리즘을 보여줍니다. 각 곳에서 범례는 선택한 보존 관행을 식별합니다.

종종 관심 있는 질문은 특정 유역 구성 또는 지정된 수질 목표 세트를 달성하는 개인을 선택하는 것입니다. 예를 들어, 개인이 기준선 로딩 맵에 비해 질소를 30%, 인을 30% 감소시킵니다. SWAT를 사용하면 지정된 목표까지 최소 EUCLIDEAN 거리를 가진 개인을 국경에서 검색할 수 있습니다.특정 유역 구성 또는 특정 수질 목표를 달성하는 개인을 선택하려면 지도 swat dot exe를 열고 실행 및 검색을 선택합니다.

최소 목표 0을 입력합니다. 이 예에서 최대 타겟 100과 타겟 간격 10입니다. 이 예에서는 기준선 30 끝 옆의 퍼센트 감소 공간에 기준선에서 질소의 특정 퍼센트 감소를 입력합니다.

이 예에서는 다음과 같습니다. 그런 다음 인 기준선 옆에 있는 percent reduction (인 감소율)에 percent reduction (인 감소율)을 입력하고 30도 입력합니다. 이 예제에서 맵 swat 프로그램은 팝업 화면에서 출력을 생성하고, 복사, 텍스트를 클릭하여 스프레드시트에 붙여넣습니다.

첫 번째에서 생성되는 세 개의 테이블은 T in에서 t int에 의해 tmax까지의 동일한 퍼센트 감소의 N 및 P 목표에 가장 가까운 개인입니다. 이 바로 아래, 목표 N 사양에 가장 가까운 단일 개체와 두 번째 표에 나타나는 P 사양은 가장 가까운 개인이며, 여기서 P 대상은 팀에서 Tmax까지의 범위이고 N은 끝 사양 근처에서 일정하게 유지됩니다. 세 번째 표는 개인에게 팀에서 Tmax에 이르는 가장 가까운 최종 목표를 제공하는 반면 P는 P 사양 근처에서 일정하게 유지됩니다.

이 경우, 30% 최종 감소에 가장 가까운 개인은 종료 값이 14, 639, 660인 ID 84 23이었습니다. 다음은 보존 관행의 공간적 분포와 개발 후 트레이드 오프 프론티어에서이 유역 구성의 위치를 보여주는 지도입니다. 이 기술은 유역 관리 및 환경 경제학 분야의 연구자들이 유역 환경 목표를 달성하고 시장 기반 정책 설계를 개선하는 보다 비용 효율적인 방법을 모색할 수 있는 길을 열었습니다.