Przestrzenna wielozadaniowa optymalizacja rolniczych praktyk ochronnych z wykorzystaniem modelu SWAT i algorytmu ewolucyjnego

Ogólnym celem poniższego eksperymentu jest zademonstrowanie metody wieloobiektywnej optymalizacji praktyk ochronnych w zlewni przy użyciu systemu optymalizacji symulacji obejmującego model procesu zlewni oraz algorytmu ewolucyjnego. Nadrzędnym pytaniem jest to, w jaki sposób rozdzielić rolnicze praktyki ochronne w dziale wodnym. Dzięki temu cele w zakresie jakości wody są osiągane przy najniższych kosztach.

Na każdym polu możliwych jest wiele praktyk ochronnych, a wiele celów dotyczących jakości wody może być ważnych. Konkretne przypisanie praktyk ochronnych może być symulowane przez model procesu zlewni. Aby osiągnąć cel optymalizacji, należy najpierw wybrać skalibrowany i zweryfikowany model procesu zlewni oraz modelowe reprezentacje praktyk konserwatorskich.

W drugim kroku wybierane są cele środowiskowe, które mają być maksymalizowane, a następnie uzyskiwane są koszty praktyk ochronnych, które pozwalają na wywołanie komponentu algorytmu ewolucyjnego, który ma na celu jednoczesną optymalizację wraz z celami środowiskowymi i kosztowymi. Następnie dokonywany jest dobór parametrów sterujących optymalizacją w celu wykonania optymalizacji wieloobiektowej. Te dwa komponenty, symulacja i optymalizacja, są zintegrowane w systemie optymalizacji symulacji zwanym genetycznym I swat, które pokazują optymalny zestaw konfiguracji zlewni pod względem rozmieszczenia praktyk konserwatorskich, który określa ilościowo kompromisy między celami środowiskowymi a kosztami inwestycji w ochronę przyrody i umożliwia wybór określonej konfiguracji przestrzennej praktyk konserwatorskich w oparciu o pożądane cele środowiskowe lub koszty.

Główną przewagą tej techniki nad istniejącymi metodami, takimi jak prosta ocena scenariuszy praktyki konserwatorskiej lub optymalizacja wyboru praktyk konserwatorskich w oparciu o uproszczoną reprezentację praktyki, jest to, że integruje ona fizyczny model procesu zlewni z decyzją optymalizacyjną w sposób, który jest elastyczny i intuicyjnie zrozumiały. Metoda ta może pomóc w znalezieniu odpowiedzi na kluczowe pytania dotyczące zarządzania działem wodnym i ekonomii środowiska, takie jak to, na czym należy skoncentrować inwestycje publiczne w praktyki ochrony przyrody lub jak ustrukturyzować polityki rynkowe, takie jak odwrócone aukcje praktyk ochrony lub program handlu jakością wody. W kontekście zanieczyszczeń ze źródeł niepunktowych, parametry optymalizacji dobierane są po przygotowaniu modelu zlewni i wprowadzeniu danych do optymalizacji, pod warunkiem że optymalizacja jest kontrolowana przez program o nazwie Genetyczne Iwo.

Aby rozpocząć tę procedurę, otwórz plik genetyczny iwo dot exe przejdź do pliku, a następnie otwórz i wybierz bazę danych I SWAT, raccoon GA dot mdb przejdź do pliku, a następnie konfigurację, aby przypisać ścieżki do zamiany. Pliki wykonywalne modelu przejdź do pozycji wykonaj, a następnie wybierz pozycję allele set. Ten krok określa kombinacje praktyk konserwatorskich stosowanych w optymalizacji.

Do tego celu zostanie użyty zestaw alleli numer 14, który ma 23 kombinacje praktyk ochronnych przejść do wykonania. Następnie wybierz SP A dwa archiwalne podzbiory uwzględniające linię bazową, aby przeprowadzić optymalizację wieloobiektywową przy użyciu algorytmu ewolucyjnego SP A dwa. Najpierw, w obszarze ustawienia wstępne, wybierz zlewnię, która ma być zoptymalizowana, szop pracz klikając zastosuj, wybiera wpisy z pliku ustawień wstępnych ustawienia wstępne zlewni kropka csv, aby wypełnić wartości kontrolne na tym ekranie.

Następnie w obszarze zmienna wyjściowa wybierz cele środowiskowe do optymalizacji. Wybrany punkt N Punkt P definiuje trójwymiarową funkcję celu. Azot uśredniany przez pięć lat na wylocie, fosfor uśredniony przez pięć lat na wylocie i całkowity koszt praktyk ochronnych.

Stworzy to trójwymiarową granicę kompromisu, która ustali, że początkowa wielkość populacji wyniesie 60 osób. Określa to początkową liczbę potencjalnych rozwiązań, gdy wybrane jest ziarno z każdą opcją allelu. Tworzone są proponowane rozwiązania reprezentujące jednolite zastosowanie każdej praktyki ochronnej określonej w zestawie alleli dla wszystkich jednostek hydrologicznej reakcji gruntów uprawnych w zlewni.

Po pierwsze, pozostałe potencjalne rozwiązania są tworzone przez losowe przypisanie praktyk ochronnych z zestawu alleli do HR gruntów uprawnych. Wybierając nasiona z każdą opcją allelu, upewnij się, że początkowa wielkość populacji, która w tej demonstracji wynosi 60, jest co najmniej tak duża, jak liczba alleli w zestawie alleli, która wynosi 23. W tym pokazie ustaw żądaną liczbę generacji lub iteracji dla przebiegu optymalizacji w tym przykładzie na 125. Gdy do utworzenia nowych rozwiązań kandydujących zostaną wybrane dwa rozwiązania kandydujące, prawdopodobieństwo skrzyżowania określa prawdopodobieństwo utworzenia odrębnych nowych rozwiązań.

W tej demonstracji prawdopodobieństwo skrzyżowania jest ustawione na jeden. Wielkość populacji tymczasowej decyduje o liczbie tworzonych nowych rozwiązań kandydujących. Zasoby procesora są wykorzystywane najbardziej efektywnie, gdy ta wartość jest liczbą całkowitą, wielokrotnością liczby wątków procesora 16 jest wybierana dla tej demonstracji.

Prawdopodobieństwo mutacji to prawdopodobieństwo losowej zmiany w przypisaniu HRU do innej praktyki ochronnej. Z zestawu alleli jest on ustawiony na 0,003. Na potrzeby tej demonstracji wybierz liczbę używanych wątków lub procesorów, która wynosi 16.

W tej demonstracji współczynnik kalibracji liczby krzywej wynoszący jeden jest podawany z kalibracji modelu wymiany. Na koniec wybierz opcję zapisz populację w pliku tekstowym. Zaznaczenie tej opcji powoduje utworzenie pliku tekstowego z wartościami alleli każdego HRU w każdym ocalałym rozwiązaniu.

Jest to ważne w przypadku ponownego uruchamiania optymalizacji po zakończeniu określonej liczby iteracji. Po zakończeniu biegu można zwizualizować cały zestaw efektywnych rozwiązań Pareto lub granicę kompromisu, wykonując następujące kroki. Biegaj genetycznie.

Swat, przejdź do pliku, a następnie otwórz, aby otworzyć bazę danych I IWA, raccoon GA dot mdb. Przejdź do eksportu plików, a następnie wyeksportuj listę HRU, zapisz plik jako allel szopa, mapę przebiegu HRU dot T XT, swat dot xe, wybierz wykonanie, a następnie animację 3D, aby utworzyć animację trójwymiarowej granicy kompromisu, która stawia poziomy azotu na wylocie N na osi czerwonej do poziomów fosforu na wylocie P na osi niebieskiej w stosunku do zsumowanych kosztów praktyk ochronnych. We wszystkich zlewniach.

Na zielonej osi dane wyjściowe to seria plików, które można jednocześnie renderować do plików graficznych. Korzystając z programu POV ray, obrazy mogą być również łączone w film pokazujący postęp algorytmu poprzez uruchomienie skanera klatek xe. Każdy punkt na granicy reprezentuje konfigurację działu wodnego.

Jest to specyficzne przypisanie praktyk konserwatorskich do krajobrazu. Wiele z tych konfiguracji można zobaczyć dla całej granicy, wykonując następujące kroki. Uruchom, zmapuj, swat, xe, wybierz wykonaj, a następnie zmapuj animację.

Ramki po lewej stronie pokazują dwuwymiarowe rzuty granicy, a linie przerywane oznaczają położenie wybranego rozwiązania. MAP pokazuje dominujący algorytm zalecany przez praktykę konserwatorską. W każdym z nich legenda identyfikuje wybrane praktyki konserwatorskie.

Często kwestią zainteresowania jest wybór konkretnej konfiguracji zlewni lub osoby, która osiąga określony zestaw celów dotyczących jakości wody. Na przykład osoba redukująca azot o 30% i fosfor o 30% w stosunku do mapy ładunków podstawowych. SWAT pozwala nam przeszukać granicę w poszukiwaniu osoby o minimalnej odległości EUCLIDEAN od określonego celu Aby wybrać określone konfiguracje zlewni lub osoby osiągające określone cele w zakresie jakości wody, otwórz mapę swat dot exe i wybierz wykonaj i wyszukaj.

Wprowadź minimalną wartość docelową zero. W tym przykładzie maksymalna wartość docelowa 100 w tym przykładzie, a także docelowy interwał 10. W tym przykładzie wprowadź określoną procentową redukcję azotu w stosunku do linii bazowej w polu procentowej redukcji obok końcowej linii bazowej 30.

W tym przykładzie. Następnie wprowadź procentową redukcję fosforu w procentowej redukcji obok wartości podstawowej fosforu, również 30. W tym przykładzie program map swat wygeneruje dane wyjściowe na wyskakującym ekranie, kliknie przycisk kopiuj, tekst i wklei do arkusza kalkulacyjnego.

Trzy tabele są tworzone w pierwszej z nich to osoby znajdujące się najbliżej celów N i P o tej samej redukcji procentowej, która waha się od T in do tmax przez t int. Tuż poniżej tego, najbliższa pojedyncza osoba do docelowej specyfikacji N, a specyfikacja P pojawia się w drugiej tabeli, to najbliższe osoby, gdzie cel P waha się od zespołu do Tmax, podczas gdy N jest utrzymywane na stałym poziomie w pobliżu specyfikacji końcowej. Trzecia tabela przedstawia osoby znajdujące się najbliżej celów końcowych, od zespołu do Tmax, podczas gdy P jest utrzymywane na stałym poziomie w pobliżu specyfikacji P.

W tym przypadku osobą najbliższą 30% redukcji końca był ID 84 23 z wartością końcową 14 639 660. Oto mapa przedstawiająca przestrzenny rozkład praktyk ochrony przyrody i lokalizację tej konfiguracji działu wodnego na granicy kompromisu po jej rozwoju. Technika ta utorowała drogę naukowcom zajmującym się zarządzaniem działami wodnymi i ekonomią środowiska do zbadania bardziej opłacalnych sposobów osiągnięcia celów środowiskowych w zlewni oraz do ulepszenia projektowania polityk rynkowych.