Пространственное многокритериальной оптимизации методов ведения сельского хозяйства по сохранению помощью SWAT Модель и эволюционного алгоритма

Общая цель данного эксперимента заключается в демонстрации метода многокритериальной оптимизации природоохранных практик в водосборном бассейне с использованием имитационной системы оптимизации, включающей модель процесса водосбора, и эволюционного алгоритма. Главный вопрос заключается в том, как распределить методы сохранения сельского хозяйства в бассейне. Таким образом, целевые показатели качества воды достигаются при минимальных затратах.

На каждом поле возможны различные методы сохранения, и несколько целей по качеству воды могут иметь важное значение. Конкретное назначение природоохранных практик может быть смоделировано с помощью модели процесса водосбора. Чтобы достичь цели оптимизации, сначала выберите откалиброванную и проверенную модель процесса водосбора, а также модель, представляющую методы сохранения.

В качестве второго шага выбираются экологические цели, которые должны быть максимизированы, и оцениваются затраты на природоохранные методы, что позволяет использовать компонент эволюционного алгоритма, стремящийся к одновременной оптимизации в соответствии с экологическими и финансовыми целями. Далее производится выбор параметров, управляющих оптимизацией, чтобы выполнить многокритериальную оптимизацию. Эти два компонента, моделирование и оптимизация, интегрированы в систему оптимизации моделирования, называемую генетической оптимизацией, которая показывает оптимальный набор конфигураций водосборных бассейнов с точки зрения размещения природоохранных практик, что количественно оценивает компромиссы между экологическими целями и стоимостью инвестиций в природоохранную деятельность, а также позволяет выбрать конкретную пространственную конфигурацию природоохранных практик на основе желаемых экологических целей или затрат.

Основное преимущество этого метода перед существующими методами, такими как простая оценка сценариев природоохранной практики или оптимизация выбора природоохранных практик на основе упрощенного представления практики, заключается в том, что он интегрирует физически обоснованную модель процесса водосбора в оптимизационное решение гибким и интуитивно понятным способом. Этот метод может помочь ответить на ключевые вопросы в области управления водосборными бассейнами и экологической экономики, такие как где сосредоточить государственные инвестиции в природоохранные практики или как структурировать рыночную политику, такую как обратные аукционы по природоохранным практикам или программа торговли качеством воды. В контексте загрязнения из неточечных источников параметры оптимизации выбираются после подготовки модели водосборного бассейна и входных данных для оптимизации, при условии, что оптимизация контролируется программой под названием Genetic Iwo.

Чтобы начать эту процедуру, откройте генетический iwo dot exe, перейдите к файлу, затем откройте и выберите базу данных I SWAT, енот GA dot mdb перейдите к файлу, затем настройте для назначения путей для обмена. Исполняемые файлы модели переходят в режим выполнения, затем выбирают набор аллелей. На этом шаге определяются комбинации методов сохранения, используемых в оптимизации.

Для этого прогона будет использован набор аллелей под номером 14, который имеет 23 комбинации природоохранных практик, идущих на выполнение. Затем выберите подмножество SP A two archive baseline aware для выполнения многокритериальной оптимизации с использованием эволюционного алгоритма SP A two. Во-первых, в разделе предустановок выберите водораздел, который будет оптимизирован енот, нажав «Применить», выбирает записи из файла пресетов, пресеты водосборных систем dot csv для заполнения контрольных значений на этом экране.

Затем в разделе выходной переменной выберите цели среды для оптимизации. Выбранное N выходное отверстие P определяет трехмерную целевую функцию. Азот в среднем за пять лет на выходе, фосфор в среднем за пять лет на выходе и общая стоимость природоохранных мероприятий.

Это создаст трехмерную границу компромисса, установив начальный размер популяции на уровне 60 человек. Это определяет начальное число решений-кандидатов при выборе начального значения с каждым вариантом аллеля. Созданы решения-кандидаты, представляющие единообразное применение каждой природоохранной практики, указанной в наборе аллелей, ко всем единицам гидрологического реагирования пахотных земель в водосборном бассейне.

Во-первых, остальные решения-кандидаты создаются путем случайного распределения методов сохранения из набора аллелей в HR пахотных земель. При выборе семенного материала с каждым вариантом аллеля убедитесь, что начальный размер популяции, который в этой демонстрации равен 60, по крайней мере так же велик, как количество аллелей в наборе аллелей, которое равно 23. В этой демонстрации задайте требуемое количество поколений или итераций для прогона оптимизации в этом примере равным 125. Когда для создания новых решений-кандидатов выбраны два решения-кандидата, вероятность пересечения определяет вероятность создания новых решений, отличающихся друг

Для этой демонстрации вероятность пересечения равна единице. Размер временной популяции определяет количество создаваемых новых решений-кандидатов. Ресурсы процессора используются наиболее эффективно, когда это значение является целым числом, кратным количеству потоков процессора, выбранному для данной демонстрации.

Вероятность мутации — это вероятность случайного изменения в отнесении HRU к другой природоохранной практике. Из набора аллелей он устанавливается равным 0,003. Для этой демонстрации выберите количество используемых потоков или процессоров, то есть 16.

В этой демонстрации коэффициент калибровки номера кривой, равный единице, получен из калибровки модели подкачки. Наконец, выберите «Сохранить популяцию» в текстовом файле. При выборе этого параметра создается текстовый файл со значениями аллелей каждого HRU в каждом выжившем решении-кандидате.

Это важно для перезапуска прогона оптимизации после завершения указанного количества итераций. После прогона можно визуализировать весь набор эффективных решений по Парето или границу компромисса, выполнив следующие действия. Запускайте генетические.

Я взмахнул, перешел к файлу, затем открыл, чтобы открыть базу данных I IWA, raccoon GA dot mdb. Перейдите к экспорту файла, затем экспортируйте список HRU, сохраните файл как аллель енота, HRU dot T XT run map, нажмите точку xe, выберите «Выполнить», а затем выполните 3D-анимацию для создания анимации трехмерной границы компромисса, которая сравнивает уровни азота на выходе N на красной оси с уровнями фосфора на выходе P на синей оси против суммарной стоимости методов сохранения. Во всех суббассейнах.

На зеленой оси вывод представляет собой серию файлов, которые могут быть одновременно преобразованы в файлы изображений. С помощью программы POV ray изображения также могут быть объединены в видеоролик, показывающий развитие алгоритма с помощью сканера кадров xe. Каждая точка на границе представляет собой конфигурацию водораздела.

Это специфическая задача природоохранных практик в ландшафте. Многие из этих конфигураций можно увидеть для всего фронтира, выполнив следующие действия. Выполните, сопоставьте карту, свайп, xe, выберите «Выполнить», а затем сопоставьте анимацию.

Прямоугольники с левой стороны показывают двумерные проекции границы, а пунктирные линии обозначают положение конкретного выбранного решения. MAP показывает доминирующий алгоритм предписанной практики сохранения. В каждом из них условные обозначения указывают на выбранные методы сохранения.

Часто вопрос представляет интерес для выбора конкретной конфигурации водосборного бассейна или человека, достигающего определенного набора целей по качеству воды. Например, отдельный препарат восстанавливает азот на 30% и фосфор на 30% относительно карты исходных нагрузок. SWAT позволяет нам искать границу для индивидуума с минимальным EUCLIDEAN расстоянием до указанной цели Чтобы выбрать конкретные конфигурации водосборного бассейна или людей, достигающих определенных целей по качеству воды, откройте карту swat dot exe и выберите «Выполнить и искать».

Введите минимальное целевое ноль. В этом примере максимальное целевое значение 100, а также целевой интервал 10. В этом примере введите конкретное процентное сокращение азота от базового уровня в поле процентное сокращение рядом с конечным базовым уровнем 30.

В этом примере. Затем введите процентное снижение фосфора в процентное снижение рядом с базовым уровнем фосфора, также 30. В этом примере программа Map Swat выдаст выходные данные во всплывающем окне, нажмет «Копировать», «Текст» и «Вставь в электронную таблицу».

В первой из них составляются три таблицы, которые являются индивидуумами, ближайшими к N и P с одинаковым процентным снижением, которое колеблется от T in до tmax на t int. Чуть ниже этого находится ближайший к целевому N спекуляцию индивидуум, а во второй таблице фигурируют ближайшие индивидуумы, где целевой показатель P находится в диапазоне от команды in до Tmax, в то время как N остается постоянным вблизи конечной специализации. Третья таблица показывает индивидуумов с ближайшими конечными целями в диапазоне от команды до Tmax, в то время как P остается постоянным вблизи P spec.

В данном случае ближайшим индивидуумом к 30%-ному уменьшению был ID 84 23 с конечным значением 14, 639, 660. Вот карта, показывающая пространственное распределение природоохранных практик и расположение этой конфигурации водосборного бассейна на границе компромисса после его разработки. Этот метод проложил путь исследователям в области управления водосборными бассейнами и экономики окружающей среды к изучению более экономически эффективных путей достижения экологических целей водосборного бассейна и совершенствованию разработки рыночной политики.