Summary
Dette arbejde demonstrerer en integration af et vandkvaliteten model med en optimering komponent anvender evolutionære algoritmer til at løse for optimal (laveste omkostninger) anbringelse af landbrugs dyrkningsmetoder for et angivet sæt forbedring af vandkvaliteten mål. De løsninger genereres ved hjælp af en multi-objektiv tilgang, der giver mulighed for eksplicit kvantificering af kompromiser.
Abstract
Finde de omkostningseffektive (dvs. laveste omkostninger) målretningsmetoder bevaringspraksis investeringer til opnåelse af specifikke vandkvalitetskrav mål i hele landskabet er af største vigtighed i forvaltningen af afvandingsområder. Traditionelle økonomi metoder til at finde de laveste omkostninger løsning i vandskel sammenhæng (f.eks 5,12,20) antager, at off-site påvirkninger kan præcist kan beskrives som en del af on-site genereret forurening. Sådanne tilgange er usandsynligt, at være repræsentative for den faktiske forurening proces i et vandskel, hvor virkningerne af forurenende kilder er ofte bestemt af komplekse biofysiske processer. Brugen af moderne fysisk-baseret, rumligt fordelte hydrologiske simuleringsmodeller giver mulighed for en større grad af realisme i form af proces repræsentation, men kræver en udvikling af en simulation, optimering ramme, hvor modellen bliver en integreret del af optimeringen.
Evolutiondære algoritmer synes at være et særligt nyttigt optimeringsværktøj, kunne behandle det kombinatoriske karakter af en skelsættende simulation-optimeringsproblem og tillader anvendelse af den fulde vandkvaliteten model. Evolutionære algoritmer behandle en bestemt rumlig fordeling af fredning i et vandskel som en kandidat løsning og udnytte sæt (populationer) i kandidatlandene løsninger iterativt anvender stokastiske operatører af udvælgelse, rekombination og mutation for at finde forbedringer med hensyn til optimering mål. De optimering mål i denne sag er at minimere nonpoint forurening i vandskellet, samtidig minimere omkostningerne ved bevarelse praksis. En nylig og voksende sæt af forskningen forsøger at anvende lignende metoder og integrerer vandkvalitet modeller med bredt definerede evolutionære optimeringsmetoder 3,4,9,10,13-15,17-19,22,23,25. I denne ansøgning, viser vi et program, som følger Rabotyagov et al. 'S hensigtsach og integrerer et moderne og almindeligt anvendte SWAT vandkvaliteten model 7 med en multiobjective evolutionær algoritme SPEA2 26, og bruger-specificeret sæt bevarelse praksis og deres omkostninger for at søge efter de fuldstændige tradeoff grænser mellem omkostningerne ved bevarelse praksis og bruger-specificeret vandkvalitet målsætninger. De grænser kvantificere de kompromiser står over for de skelsættende ledere ved at præsentere hele spektret af omkostninger forbundet med forskellige vand kvalitetsforbedring mål. Programmet giver mulighed for et udvalg af skelsættende konfigurationer opnå bestemte forbedring af vandkvaliteten mål og en produktion af kort over optimeret placering af bevaringsmetoder.
Protocol
1. Forbered Watershed Model og give input data til optimering
- Opret en i_SWAT database
- Brug et program kaldet "rotator", bygge databasen fra flere input databaser, herunder jord, vejr, ledelse og gødning.
- Alternativt kan en eksisterende SWAT run (evt. lavet med ArcSWAT eller AVSWAT) importeres med i_SWAT.exe. I dette tilfælde programmet "swat_rewrite" kan anvendes til at erstatte styring eller andre hru information baseret på felt-niveau data.
- Kalibrering og validering af SWAT-modellen skal udføres på dette punkt. SWAT (version 2005) model inkorporeret i denne Raccoon River Watershed EA modellering rammer blev oprindeligt kalibreret og valideret til en samlet maksimal daglig belastning (TMDL) undersøgelse som beskrevet af Jha et al. (2010). Yderligere kalibrering og validering af SWAT-modellen blev gennemført til støtte for udviklingen af en Raccoon River Watershed masterplanen som beskreseng i Ågren, Inc. (2011), som er den SWAT model, der blev anvendt til denne undersøgelse.
- Brug en modificeret version af SWAT2005.exe, kaldet SWAT2005GA.exe.
- Forbered fil "vendepunkt presets.csv" - Dette er en tekstfil opbevaring mange af de indstillinger, der er specifikke for Raccoon vandskel. Det er læst af GeneticiSWAT og MapSWAT nedenfor for at indstille flere kontroller og datafelter for vandskellet med et enkelt klik.
- Forbered omkostningerne ved bevaring praksis elementer. For dette eksempel, er disse gemt i tabellen [Practice Omkostninger - Raccoon af Amt] i en database "praksis omkostningerne med subbasin Josh.mdb".
De samlede omkostninger til en kandidat løsning er summen af udgifter til bevarelse praksis, der anvendes til skelsættende enheder ("hydrologiske respons enheder", eller HRUs). Optimeringen program finder en optimal tildeling af en enkelt bevaring praksis fra et bestemt sæt af fredning i alle dyrkede hru i vandskel. Den sets af mulige fredning tildelt en hru kaldes allel sæt.
- Opret SWAT mapper. For denne kørsel blev 16 CPU'er brugt, hvilket betyder 16 kopier af SWAT2005GA.exe blev kørt i 16 separate mapper (det samme gælder for systemer med færre CPU'er, f.eks burde 4 mapper blive oprettet for en "quad-core"-processor).
2. Vælg optimeringsparametre
- Optimering styres af programmet "GeneticISWAT". For at udføre optimering, åben GeneticISWAT.exe.
- Gå til "Filer" og derefter "Open" og vælg i_SWAT database "Raccoon GA.mdb".
- Gå til "Filer" og derefter "Configuration" for at tildele stierne til SWAT model eksekverbare (SWAT2005GA.exe).
- Gå til "Execute", og derefter "Vælg Allel Set". Dette trin bestemmer de kombinationer af bevarelsesforanstaltninger, der anvendes i optimering. For denne kørsel, skal du indstille allel # 14 blev anvendt, hvilket har 23 kombinationer af bevaringsmetoder. Available allel sæt er gemt i konfigurationsfilen "Alleles.csv".
- Gå til "Execute", vælg derefter "SPEA2 Archive Baseline Aware Subset" for at udføre multiobjective optimering ved hjælp af SPEA2 evolutionære algoritme.
Fig. 1. Indstilling optimering mål og parametre.
Optimering parametre, der skal vælges:
Forudindstilling: Vælg det vandskel, der skal optimeres. Hvis du klikker på "Anvend" vælger poster fra forudindstillinger fil "vendepunkt presets.csv" for at fylde styreværdier på denne skærm.
Output Variabel: Vælg miljømålene for optimering. Som valgt (N Outlet, P Outlet), definerer dette en 3-dimensionel objektiv funktion: Kvælstof (Organic N + NO3 + NH4 + NO2) i gennemsnit i 5 år ved udløbet, Fosfor (Organic P + Mineral P) i gennemsnit i 5 år ved udløbet, og de samlede udgifter til bevarelse praksis. Bemærk, at dette vil skabe en 3-dimensionel afvejning grænse. Alternative output variable kan vælges, når det multiobjective program er at minimere ({udgangsvariabel}, Total Cost).
Befolkningens størrelse: Set initial befolkningens størrelse. Dette bestemmer det oprindelige antal kandidat-løsninger. Når "Seed med hver allel" valgmulighed er valgt, er kandidat løsninger repræsenterer en ensartet anvendelse af hver bevarelse praksis angivet i allel indstillet til alle dyrkede HRUs i vandskellet skabt først. De resterende kandidatlande løsninger er skabt af en tilfældig tildeling af fredning fra allel indstillet til dyrkede HRUs. Ved valg af "Seed med hver allel" valgmulighed, må man sørge for, at den oprindelige population er mindst lige så stor som antallet af alleler i en allel sæt (23 i denne demonstration).
Antal generationer: Indstil det ønskede antal generationer (iterationer) for optimering run (bemærk, at kørslen kan genstartes).
Crossover sandsynlighed: Når to kandidatlande løsninger udvælges til at skabe nye ansøgerlande løsninger, crossover sandsynlighed angiver sandsynligheden for, at forskellige nye løsninger skabes (indstillet til 1 for denne demonstration).
Størrelsen af midlertidig befolkning: Dette bestemmer antallet af nye kandidatlande skabt løsninger. Processorressourcer anvendes mest effektivt, når denne værdi er et helt multiplum af antallet af processor tråde (16 i denne demonstration).
Mutation sandsynlighed: Angiv sandsynligheden for tilfældig forandring i hru opgave til en anden bevaring praksis fra allelsættet. (Det er sat til 0,03 for denne demonstration).
Antallet aftråde: Vælg antallet af processorer, der bruges eller tråde. 16 anvendes i denne demonstration.
Curve Nej kalibreringsfaktoren: Dette er tilvejebragt fra SWAT-modellen kalibrering.
Gem Befolkning i tekstfil: Dette er vigtigt at vælge hvis man ønsker at genstarte optimering køre efter det angivne antal iterationer er afsluttet. Markere denne indstilling producerer en tekstfil med allelen værdier hver hru i hver overlevende kandidat opløsning (individuel). Dette kan læses tilbage at genstarte og fortsætte en løbetur.
Sekundære optimeringsparametre
Første år: Skal være indstillet til et år efter start af historiske oplysninger om vejret, og senest 7 år før udløbet af disse data.
Prisen på majs: Bruges sammen med det udbyttetab ligning til at anslå omkostningerne til gødning reduktioner.
Purge Metode: Domineret. Individer, der er værre i alle 3 dimensioner er domineret og renses.
HUC Kilde: Indstil til "Specificeret Location", hvilket betyder, at værdien "7100006" fra det følgende felt "Watershed HUC" anvendes til at finde en række i HUC Zone bordet. Værdien "07100006" er den ottecifrede HUC kode for Raccoon vandskel.
Omkostninger Kilde: Indstil til "County (hru Location Code)" for at angive, at andre omkostninger end CRP vil blive fastlagt af amtslige FIPS koder i praksis omkostninger ovenstående tabel.
Omkostninger Source CRP: Indstil til "1 placering" for at indikere, at CRP omkostninger vil blive bestemt af amtslige FIPS koder i praksis omkostninger ovenstående tabel.
3. Repræsentative resultater GeneticiSWAT.exe producerer en logfil, der viser de indstillinger og resultater for alle kandidatlande løsninger (enkeltpersoner), såvel som en "save" fil, som koder resultaterne fra den endelige algoritme iteration, og som kan bruges til at genstarte optimering løb. På dette tidspunkt kan man visualisere hele sættet af Pareto-effektive løsninger (tradeoff grænse) ved at følge nedenstående trin: Output er en række filer, som kan gøres på én gang ind i billedfilerne ved hjælp POV-RAY program og vælge "Render" og derefter "File Queue". Billederne kan anvendes alene eller kombineres til en film, der viser den algoritme progression. Hvis det ønskes, kan en film, der viser den algoritme progression skabes ved at køre "Framescanner.exe" og følge disse trin: Hvert punkt i grænseområdet udgør et vendepunkt konfiguration (en konkret opgave af fredning på et landskab). Kort over disse konfigurationer kan ses for hele grænse ved at følge disse trin: Eksport af specifikke skelsættende konfigurationer (enkeltpersoner) af interesse. Ofte et spørgsmål af interesse er at vælge specifikke skelsættende konfigurationer (individer), der opnåede særlige vandkvalitetsmålsætninger. For eksempel kan man ønske at finde en individual i grænseområdet, som reducerer Nitrogen med 30% og fosfor med 20% i forhold til baseline belastninger. MapSWAT tillader en at søge grænsen for den enkelte med den mindste euklidiske afstand til den angivne mål. Dette kan gøres ved at gøre følgende: files/ftp_upload/4009/4009fig7.jpg "alt =" Figur 7 "/> Eksport kortdata til videre analyse er mulig ved at følge disse trin: Tabel 1. Table af nødvendige programmer. Tabel 2. Tabel med eksempler krævede filer. 
Figur 2. Screenshot for at skabe "snapshots" for 3-dimensionelle grænse visualisering. 
Figur 3. Statisk visualisering af afvejning grænse. 
Figur 4. Screenshot at skabe et kort over hver enkelt i den endelige grænse. 
Figur 5. Screenshot af at søge efter en bestemt person i grænseområdet baseret på vandkvalitetsmål. 
Figur 6. Screenshot af søgning output
Figur 7. Screenshot af en prøve kort at beskrive den valgte person i grænseområdet. Klik her for at se større figur . Navn på Program Kilde Beskrivelse Rotator CARD Opretter og udfylder en i_SWAT database med jord, vejr og ledelse data for et vendepunkt. Swat2005GA.exe USDA Grassland, Jord-& Water Research Laboratory Watershed simuleringsmodel i_SWAT.exe CARD SWAT database interface GeneticISWAT.exe CARD Evolutionær algoritme SWAT controller. Indeholder Galib fra http://lancet.mit.edu/ga/ . MapSWAT.exe CARD Læser i_SWAT databaser og shapefiles, fremstiller billeder af generationer og enkeltpersoner. POV-Ray Povray.org Persistence of Vision raytracer. Framescanner.exe Todd Campbell PNG-billede til AVI converter Windows Live Movie Maker Microsoft Bruges til at komprimere AVI WMV Navn på File Type Beskrivelse Raccoon GA.mdb Access-database Struktur og ledelse beskrivelser af Raccoon vendepunkt. Læs med GeneticiSWAT og MapSWAT. vandskel presets.csv Tekst Indstilling presets for GeneticiSWAT.exe og MapSWAT Alleles.csv Tekst Liste over allel sæt til evolutionær algoritme. Raccoon Allel HRU.txt Tekst File lavet af GeneticISWAT angive de alleler bestemt til at være dyrkede. Læs med MapSWAT. Praksis omkostningerne med subbasin Josh.mdb Access Database Omkostninger fra ledelsen praksis og amt. Terrace Zones.mdb Access Database Tabel [HUC Data] holder terrasse og udbyttet zonenumre for vandskel. NRI Budgets.mdb Access Database Læs med GeneticISWAT.exe for afgrøder og maskine tabeller, som ikke anvendes i dette løb. phucrp 2008-12-15.dat Tekst Plant Heat Unit opslagstabel, ikke anvendt i dette forsøg. Management.mdb Access Database Rotation opslagstabel, ikke anvendes i dette forsøg. Raccoon GA 2011/09/28 1313.log, Raccoon GA 2011/09/29 0732.log, Raccoon GA 2011/10/07 0644.log Tekst Log filer af GeneticISWAT løb. Raccoon GA.wmv Animation 3d visning af borgerne ved generation Subbasin.shp ESRI Shapefile Konturerne af subbasins i vandskel. Raccoon Map.wmv Animation Visning af dominerende alleler for hver subbasin for den enkelte på grænsen.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Vi bygger en integreret simulation-optimering rammer for at søge efter Pareto-effektive sæt skelsættende konfigurationer, der involverer laveste omkostninger mix og placering af landbrugs dyrkningsmetoder for at opnå en række vandskel niveau næringsstoffer reduktionsmål. En konceptdiagram af simuleringen-optimering system er vist i figur 8. Watershed simulation, herunder simulere vandkvaliteten virkninger af landbruget dyrkningsmetoder håndteres af hydrologiske model, SWAT2005, kombineret med en Windows-baseret database styresystem, i_SWAT 6,8. Optimeringen komponent opererer på hydrologiske respons enheder (HRUs) af SWAT og beskæftiger logikken i en evolutionær algoritme 26 for at finde fordelingen af bevarelsesforanstaltninger, som samtidigt minimerer næringsstof belastninger (N, P, eller begge) og udgifterne til bevaringsmetoder. Efter algoritmen iterationer er afsluttet, et sæt af overlevende indivineske repræsenterer den omtrentlige afvejning grænse. Da to næringsstoffer er under overvejelse samtidigt (nitrat-N og total fosfor), får vi en tredimensionel afvejning grænse. Hver enkelt punkt på tradeoff grænse foreskriver en bestemt konfiguration af fredning for hver beslutningstagningsenhed (dyrkede hru) i vandskel. For at se hvilke bevaringsmetoder er valgt, er vi nødt til at præcisere ernæringsmål og derefter søge i tradeoff grænse for individuelle konfigurationer, der opfylder de næringsstoffer reduktion kriterier. Placeringen og mix af bevarings udvalgte praksis kan kortlægges tilbage til felt-niveau rumlige beslutningskompetence enheder i vandskel (hvis sådanne data er tilgængelige på tidspunktet for at skabe HRUs). Vores tilgang, som angiver en bestemt blanding og distribution af dyrkningsmetoder kan give politiske beslutningstagere med redskaber til bedre målretning af bevaring sigter mod at vandkvalitetsforbedringer. Med hensyn til gennemførelsen,bevæbnet med algoritmen recepter, kan politikerne tilbyde målrettede betalinger (metode foreslået af 11), eller fremkalde bud og acceptere eller afvise dem ved hjælp af modellering resultater som vejledning. Naturligvis afhænger det specifikke sæt af målrettede praksis på bestemte vandkvaliteten mål og den specifikke studerede vandskel. Dog kan fremtidige forbedringer i den hydrologiske model og de økonomiske omkostningsoverslag let inkorporeres i simuleringen-optimering system. Den udviklede ramme er let generalisere og er i stand til at give nyttige og politisk relevant indsigt i et komplekst problem med arealkildeforurening reduktioner.
Figur 8. Samlet strømning af forsøget.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Ingen interessekonflikter erklæret.
Acknowledgments
Denne forskning blev finansieret delvist fra støtten fra det amerikanske Environmental Protection Agency har Målrettet vandskel Grants Program (Project # WS97704801), National Science Foundation Dynamics af koblet naturlige og menneskeskabte systemer (Project # DEB1010259-CARD-KLIN), og det amerikanske Landbrugsministeriet-National Institute of Foodand Landbrugs Koordinerede Agricultural Project (Project # 20116800230190-CARD-).
References
- American Society of Agricultural and Biological Engineers. Design, layout, construction, and maintenance of terrace systems. ASAE Standard. , S268 (2003).
- Raccoon River Watershed water quality master plan. , Agren, Inc. Carroll, IA. (2011).
- Arabi, M., Govindaraju, R. S., Hantush, M. M. Cost-effective allocation of watershed management practices using a genetic algorithm. Water Resour. Res. 42, W10429 (2006).
- Bekele, E. G., Nicklow, J. W. Multiobjective management of ecosystem services by integrative watershed modeling and evolutionary algorithms. Water Resour. Res. 41, W10406 (2005).
- Carpentier, C. L., Bosch, D. J., Batie, S. S. Using spatial information to reduce costs of controlling agricultural nonpoint source pollution. Am. J. Agr. Econ. 61, 404-413 (1998).
- CARD: Resource and Environmental Policy Interactive Software Programs [Internet]. , Center for Agricultural and Rural Development, Iowa State University. Ames, IA. Available from: http://www.card.iastate.edu/environment/interactive_programs.aspx (2007).
- Gassman, P. W., Reyes, M., Green, C. H., Arnold, J. G. The Soil and Water Assessment Tool: Historical development, applications, and future directions. Trans. ASABE. 50 (4), 1211-1250 (2007).
- The i_SWAT software package: a tool for supporting SWAT watershed applications. Gassman, P. W., Campbell, T., Secchi, S., Jha, M., Arnold, J. G. SWAT2003: The 2nd International SWAT Conference, 1-4 July, Bari, Italy, , Instituto di Ricerca sulle Acque, IRSACNR. Bari, Italy. 66-69 Forthcoming.
- Gitau, M. W., Veith, T. L., Gburek, W. J., Jarrett, A. R. Watershed level best management practice selection and placement in the Town Brook watershed, New York. J. Am. Water Resour. Assoc. 42, 1565-1581 (2006).
- Jha, M., Rabotyagov, S., Gassman, P. W. Optimal placement of conservation practices using genetic algorithms with SWAT. Int. Agr. Eng. J. 18 (1-2), 41-50 (2009).
- Jha, M. K., Wolter, C. F., Schilling, K. E., Gassman, P. W. Assessment of total maximum daily load implementation strategies for nitrate impairment of the Raccoon River, Iowa. J. Envir. Qual. 39, 1317-1327 (2010).
- Kanna, M., Yang, W., Farnsworth, R., Onal, H. Cost effective targeting of CREP to improve water quality with endogenous sediment deposition coefficients. Am. J. Agr. Econ. 85, 538-553 (2003).
- Kramer, R. A., McSweeny, W. T., Kerns, W. R., Stravros, R. W. An evaluation of alternative policies for controlling agricultural nonpoint source pollution. Water Resour. Bull. 20, 841-8446 (1984).
- Lant, C. L., Kraft, S. E., Beaulieu, J., Bennett, D., Loftus, T., Nicklow, J. Using GIS-based ecological-economic modeling to evaluate policies affecting agricultural watersheds. Ecol. Econ. 55, 467-484 (2005).
- Muleta, M. K., Nicklow, J. W. Evolutionary algorithms for multiobjective evaluation of watershed management decisions. J. Hydroinform. 4 (2), 83-97 (2002).
- Muleta, M. K., Nicklow, J. W. Decision support for watershed management using evolutionary algorithms. J. Water Resour. Plan. Manag. 131 (1), 35-44 (2005).
- Rabotyagov, S. S., Campbell, T., Jha, M., Gassman, P. W., Arnold, J., Kurkalova, L., Secchi, S., Feng, H., Kling, C. L. Least Cost Control of Agricultural Nutrient Contributions to the Gulf of Mexico Hypoxic Zone. Ecol. Appl. 20, 1542-1555 (2010).
- Rabotyagov, S., Jha, M., Campbell, T. Impact of crop rotations on optimal selection of conservation practices for water quality protection. J. Soil. Water Conserv. 65 (6), 369-380 (2010).
- Rabotyagov, S. S., Jha, M., Campbell, T. D. Nonpoint-source pollution for an Iowa watershed: An application of evolutionary algorithms. Canadian Journal of Agricultural Economics/Revue canadienne d'agroeconomie. , (2010).
- Rabotyagov, S. S., Jha, M., Campbell, T. Searching for Efficiency: Least Cost Nonpoint Source Pollution Control with Multiple Pollutants, Practices, and Targets. J. Nat. and Environ. Sci. 1, 75-90 (2010).
- Ribaudo, M. O. Consideration of off-site impacts in targeting soil conservation programs. Land Econ. 62, 402-411 (1986).
- Ribaudo, M. O. Targeting the conservation reserve program to maximize water quality benefits. Land Econ. 65, 320-332 (1989).
- Srivastava, P., Hamlett, J. M., Robillard, P. D., Day, R. L. Watershed optimization of best management practices using AnnAGNPS and a genetic algorithm. Water Resour. Res. 38 (3), 1-14 (2002).
- Veith, T. L., Wolfe, M. L., Heatwole, C. D. Development of optimization procedure for cost-effective BMP placement. J. Am. Water Resour. Assoc. 39 (6), 1331-1343 (2003).
- GAlib: Matthew's Genetic Algorithms Library [Internet]. , Available from: http://lancet.mit.edu/ga/ (1996).
- Whittaker, G., Confesor, R., Griffith, S. M., Färe, R., Grosskopf, S., Steiner, J. J., Mueller-Warrant, G. W., Banowetz, G. M. A Hybrid Genetic Algorithm for Multiobjective Problems with Activity Analysis-based Local Search. Eur. J. Operat. Res. , (2007).
- Zitzler, E., Laumanns, M., Thiele, L. SPEA2: Improving the Strength Pareto Evolutionary Algorithm for Multiobjective Optimization. CIMNE. , 95-100 (2002).
