Summary
Questo lavoro dimostra una integrazione di un modello di qualità delle acque, con una componente di ottimizzazione utilizzando algoritmi evolutivi per risolvere per ottimale (basso costo) il deposito di pratiche di conservazione agricole per la definizione degli obiettivi di qualità delle acque di miglioramento. Le soluzioni vengono generati utilizzando un approccio multi-obiettivo, che consente per la quantificazione esplicita di compromessi.
Abstract
Trovare il rapporto costo-efficienti (ad esempio, a più basso costo) forme di investimenti mirati pratica di conservazione per il raggiungimento di specifici obiettivi di qualità delle acque in tutto il paesaggio è di primaria importanza nella gestione dei bacini idrografici. I metodi tradizionali di economia di trovare il più basso costo della soluzione nel contesto spartiacque (ad esempio, 5,12,20) assumono che off-site conseguenze possono essere accuratamente descritto come una proporzione del-sito l'inquinamento generato. Approcci, che non dovrebbero essere rappresentativi del processo di inquinamento reale in uno spartiacque, in cui l'impatto delle fonti inquinanti sono spesso determinati da complessi processi biofisici. L'uso di moderni fisicamente basati, modelli di simulazione idrologica spazialmente distribuiti consente un maggior grado di realismo in termini di rappresentazione ma richiede un processo di sviluppo di una simulazione-ottimizzazione quadro in cui il modello diventa parte integrante di ottimizzazione.
Evoluzionealgoritmi ary sembrano essere uno strumento di ottimizzazione particolarmente utile, in grado di trattare la natura combinatoria spartiacque simulazione-ottimizzazione problema e permettendo l'utilizzo del modello completo qualità dell'acqua. Algoritmi evolutivi il trattamento di una particolare allocazione territoriale delle pratiche di conservazione in un bacino come una soluzione candidata e utilizzare set (popolazioni) di soluzioni candidate iterativamente gli operatori che applicano stocastici di selezione, ricombinazione e mutazione di trovare miglioramenti rispetto agli obiettivi di ottimizzazione. Gli obiettivi di ottimizzazione in questo caso sono per ridurre al minimo l'inquinamento provocato Nonpoint nel bacino, allo stesso tempo riducendo al minimo il costo di pratiche di conservazione. Un insieme di recente e l'espansione della ricerca sta tentando di utilizzare metodi simili e si integra con i modelli di qualità delle acque in senso lato metodi di ottimizzazione evolutivi 3,4,9,10,13-15,17-19,22,23,25. In questa applicazione, dimostriamo un programma che segue Rabotyagov et al. 'S approach e integra un moderno e più comunemente utilizzati SWAT modello di qualità dell'acqua 7 con un algoritmo evolutivo multiobiettivo SPEA2 26, e specificato dall'utente insieme di pratiche di conservazione e dei relativi costi per la ricerca di frontiere trade-off tra i costi completi di pratiche di conservazione e specificato dall'utente qualità delle acque obiettivi. Le frontiere quantificare i compromessi che devono affrontare i responsabili spartiacque presentando l'intera gamma dei costi connessi con gli obiettivi di miglioramento della qualità delle acque diverse. Il programma consente una selezione di configurazioni spartiacque raggiungendo determinati obiettivi di miglioramento della qualità delle acque e una produzione di mappe di posizionamento ottimizzato delle pratiche di conservazione.
Protocol
1. Preparare Modello Watershed e fornire dati di ingresso per l'ottimizzazione
- Creare un database i_SWAT
- Utilizzo di un programma chiamato "rotatore", creare il database da banche dati di input tra cui terreni, clima, gestione e fertilizzanti.
- In alternativa, una corsa SWAT esistente (eventualmente creato con ArcSWAT o AVSWAT) possono essere importati con i_SWAT.exe. In questo caso, il programma "swat_rewrite" può essere utilizzato per sostituire gestione o altre informazioni HRU basata su dati a livello di campo.
- Calibrazione e validazione del modello SWAT deve essere eseguita a questo punto. La (versione 2005) SWAT modello incorporato in questo quadro Raccoon Watershed modellazione fiume EA è stato originariamente calibrati e validati per un totale giornaliero massimo carico (TMDL) studio come descritto da Jha et al. (2010). Ulteriore calibrazione e validazione del modello SWAT è stata condotta a sostegno dello sviluppo di un Master Plan Raccoon River Watershed, come descrittoletto in Agren, Inc. (2011), che è il modello SWAT che è stato utilizzato per questo studio.
- Utilizzare una versione modificata di SWAT2005.exe, chiamato SWAT2005GA.exe.
- Preparare file "spartiacque presets.csv" - Questo è un file di testo la memorizzazione molte delle impostazioni specifiche per lo spartiacque Raccoon. E 'letto da GeneticiSWAT e MapSWAT di seguito per impostare più controlli e campi di dati per lo spartiacque con un clic.
- Preparare i costi degli elementi di pratica di conservazione. Per questo esempio, questi sono memorizzati nella tabella [Costi Practice - Raccoon per provincia] in una "serie di minimi costi di Pratica di Josh.mdb" del database.
Il costo totale di una soluzione candidata è la somma dei costi delle pratiche di conservazione applicate alle unità spartiacque ("unità di risposta idrologica", o HRUS). Il programma di ottimizzazione considera un'assegnazione ottimale di una pratica di conservazione solo da un particolare insieme di pratiche di conservazione in ogni HRU terre coltivate nel bacino. La sets di pratiche di conservazione possibili assegnati a un HRU sono chiamati set di alleli.
- Creare cartelle SWAT. Per questo percorso, sono stati utilizzati 16 CPU, il che significa 16 copie di SWAT2005GA.exe sono stati eseguiti in 16 cartelle separate (lo stesso vale per i sistemi con CPU meno, ad esempio, 4 cartelle devono essere creati per un processore "quad-core").
2. Seleziona parametri di ottimizzazione
- Ottimizzazione è controllata dal programma chiamato "GeneticISWAT". Per eseguire l'ottimizzazione, GeneticISWAT.exe aperto.
- Vai su "File", poi "Apri" e selezionare il i_SWAT database "Raccoon GA.mdb".
- Vai su "File", poi "Configurazione" per assegnare i percorsi del modello SWAT eseguibili (SWAT2005GA.exe).
- Vai su "Esegui", quindi "Selezionare Imposta Allele". Questo passaggio determina le combinazioni di pratiche di conservazione utilizzati in ottimizzazione. Per questo percorso, allele set # 14 è stato utilizzato, che ha 23 combinazioni di pratiche di conservazione. Avset allele ailable vengono memorizzati nel file di configurazione "Alleles.csv".
- Vai su "Esegui", quindi selezionare "SPEA2 Baseline Subset Aware archivio" per effettuare l'ottimizzazione multiobiettivo utilizzando l'algoritmo SPEA2 evolutivo.
Figura 1. Fissare gli obiettivi di ottimizzazione e parametri.
Ottimizzazione dei parametri da selezionare:
Preset: Selezionare lo spartiacque da ottimizzare. Facendo clic su "Applica" seleziona le voci dal file preset "spartiacque presets.csv" per riempire i valori di controllo in questa schermata.
Variabile di uscita: selezionare gli obiettivi ambientali per l'ottimizzazione. A seconda della selezione (N Outlet, outlet P), questo definisce un 3-dimensionale funzione obiettivo: Azoto (N organico + NH4 NO3 + + NO2) in media per 5 anni in uscita, Fosforo (Organic P + P minerale) in media per 5 anni in uscita, e il costo totale di pratiche di conservazione. Si noti che questo creerà un 3-dimensionale frontiera compromesso. Variabili di uscita alternative possono essere selezionate, in cui il programma è di ridurre al minimo multiobiettivo ({} variabile di uscita, costo totale).
Dimensione della popolazione: dimensione della popolazione Set iniziale. Questo determina il numero iniziale di soluzioni candidate. Quando "Seed con l'allele" è selezionata, soluzioni candidate che rappresentano una applicazione uniforme di ogni pratica di conservazione specificato nella allele impostato su tutti HRUS terre coltivate nel bacino sono creato per primo. Le soluzioni candidati rimanenti sono creati da una assegnazione casuale di pratiche di conservazione del allele impostato su terreni agricoli HRUS. Quando si seleziona la "Seed con ogni allele" opzione, bisogna fare in modo che la dimensione della popolazione iniziale è almeno grande quanto il numero di alleli in un insieme allele (23 in questa dimostrazione).
Numero di generazioni: Impostare il numero desiderato di generazioni (iterazioni) per il corso di ottimizzazione (si noti che la corsa può essere riavviato).
Probabilità Crossover: Quando due soluzioni candidate sono state selezionate per la creazione di nuove soluzioni candidate, la probabilità di crossover indica la probabilità che diverse nuove soluzioni vengono create (impostato su 1 per questa dimostrazione).
Dimensioni della popolazione temporanea: questo determina il numero di soluzioni candidate nuove create. Risorse del processore sono utilizzati nel modo più efficiente quando questo valore è un multiplo intero del numero di thread del processore (16 in questa dimostrazione).
Probabilità Mutazione: specificare la probabilità di cambiamento casuale in un altro incarico HRU pratiche di conservazione dal set allele. (Si trova a 0.03 per questa dimostrazione).
Numero dithread: Selezionare il numero di processori o fili utilizzati. 16 è utilizzato in questa dimostrazione.
No. fattore di curva di calibrazione: Ciò è previsto dalla calibrazione del modello SWAT.
Salva Popolazione nel file di testo: Questo è importante per selezionare se si vuole riavviare il corso di ottimizzazione dopo il numero specificato di iterazioni è completata. Selezionando questa opzione produce un file di testo con i valori degli alleli di ogni HRU in ogni soluzione candidata superstite (individuale). Questo può essere riletti per ripartire e continuare a correre.
Parametri di ottimizzazione secondari
Primo anno: Deve essere impostato un anno dopo l'inizio delle informazioni meteo storica, e non più tardi di 7 anni prima della fine di questi dati.
Prezzo di mais: Usato con l'equazione di perdita di resa di stimare il costo delle riduzioni di fertilizzanti.
Purge Metodo: Dominato. Gli individui che sono peggio in tutte le 3 dimensioni sono dominati e eliminati.
Fonte HUC: Impostare su "posizione specificata", cioè il valore "7100006" dal seguente campo "Watershed HUC" è usato per trovare una riga nella tabella HUC zona. Il valore "07100006" è il codice a otto cifre HUC per lo spartiacque Raccoon.
Fonte Costo: Impostare su "County (Codice Location HRU)" per indicare che i costi diversi da quelli CRP sarà determinata dalla contea FIPS codici nella tabella pratica i costi di cui sopra.
Costo Fonte CRP: impostare su "1 posizione" per indicare che il costo CRP sarà determinata dalla contea FIPS codici nella tabella pratica i costi di cui sopra.
3. Risultati rappresentativi GeneticiSWAT.exe produce un file di registro che mostra le impostazioni ei risultati di tutte le soluzioni candidati (singoli), così come un file "save" che codifica i risultati della iterazione dell'algoritmo finale e che può essere utilizzato per riavviare la corsa di ottimizzazione. A questo punto, si può visualizzare l'intero set di Pareto-efficienti soluzioni di compromesso (la frontiera), seguendo la procedura riportata di seguito: L'uscita è una serie di file che si possono rendere tutto in una volta in file di immagine utilizzando POV-RAY programma e selezionando "Render", poi "Coda File". Le immagini possono essere utilizzati da soli o combinati in un film che mostra la progressione algoritmo. Se lo si desidera, un film che mostra la progressione algoritmo può essere creato eseguendo "Framescanner.exe" e seguendo questa procedura: Ogni punto della frontiera rappresenta una configurazione spartiacque (una specifica assegnazione di pratiche di conservazione su un paesaggio). Mappe di queste configurazioni può essere visto per tutta la frontiera attenendosi alla seguente procedura: Esportazione di configurazioni spartiacque specifici (persone fisiche) di interesse. Spesso una questione di interesse è quello di selezionare le configurazioni specifiche spartiacque (persone fisiche) che raggiungono determinati obiettivi di qualità delle acque. Ad esempio, si può desiderare di trovare un indivresiduali nella frontiera che riduce del 30% di azoto e fosforo del 20% rispetto a carichi di base. MapSWAT permette di cercare la frontiera per l'individuo con la più piccola distanza euclidea per l'obiettivo specificato. Questo può essere fatto nel modo seguente: files/ftp_upload/4009/4009fig7.jpg "alt =" Figura 7 "/> Esportazione dati della mappa per ulteriori analisi è possibile seguendo questi passaggi: Tabella 1. Tabella dei programmi richiesti. Tabella 2. Tabella di file di esempio necessari. 
Figura 2. Screenshot per la creazione di "istantanee" per 3-dimensionale visualizzazione frontiera. 
Figura 3. Visualizzazione statica della frontiera compromesso. 
Figura 4. Schermata di creazione di una mappa di ogni individuo l'ultima frontiera. 
Figura 5. Schermata di ricerca di una determinata persona nella frontiera sulla base di obiettivi di qualità delle acque. 
Figura 6. Schermata di produzione ricerca
Figura 7. Schermata di una mappa di esempio che descrive l'individuo selezionato nella frontiera. Clicca qui per ingrandire la figura . Nome del programma Fonte Descrizione Rotator CARD Crea e riempie un database con i dati i_SWAT suolo, clima, e la gestione di un bacino idrografico. Swat2005GA.exe Grassland USDA, Soil & Water Research Laboratory Modello di simulazione Watershed i_SWAT.exe CARD SWAT database di interfaccia GeneticISWAT.exe CARD Evolutiva algoritmo regolatore SWAT. Comprende Galib da http://lancet.mit.edu/ga/ . MapSWAT.exe CARD Legge i_SWAT database e shapefile, produce immagini di generazioni e degli individui. POV-Ray Povray.org Persistence of Vision raytracer. Framescanner.exe Todd Campbell PNG image to AVI converter Windows Live Movie Maker Microsoft Usato per comprimere AVI WMV Nome del file Tipo Descrizione Raccoon GA.mdb Database di Access Descrizioni Struttura e gestione di spartiacque Raccoon. Letto da GeneticiSWAT e MapSWAT. spartiacque presets.csv Testo Preset di impostazione per GeneticiSWAT.exe e MapSWAT Alleles.csv Testo Elenco dei set per allele algoritmo evolutivo. Allele HRU.txt Raccoon Testo File creato da GeneticISWAT elencando quegli alleli determinati quali terreni agricoli. Letto da MapSWAT. Costi pratica serie di minimi Josh.mdb Access Database I costi di gestione pratica e la contea. Terrazza Zones.mdb Access Database Tabella [HUC dati] tiene la terrazza e numeri di zona di rendimento per lo spartiacque. NRI Budgets.mdb Access Database Letto da GeneticISWAT.exe per le tabelle delle colture e macchina che non vengono utilizzati in questo periodo. phucrp 2008-12-15.dat Testo Impianto termico tabella di ricerca di unità, non utilizzato in questo percorso. Management.mdb Access Database Rotazione tabella di ricerca, non utilizzato in questo percorso. Raccoon GA 1313.log 2011/09/28, 2011/09/29 0732.log Raccoon GA, GA Raccoon 2011/10/07 0644.log Testo I file di log di corsa GeneticISWAT. Raccoon GA.wmv Animazione Visualizzazione 3D degli individui per generazione Subbasin.shp ESRI Shapefile Lineamenti di subbasins nel bacino. Raccoon Map.wmv Animazione Visualizzazione di alleli dominanti per ogni serie di minimi per ogni individuo sulla frontiera.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Costruiamo un sistema integrato di simulazione-ottimizzazione quadro per la ricerca di Pareto-efficiente set di configurazioni spartiacque che coinvolgono più basso costo mix e luogo di pratiche di conservazione agricole per ottenere una serie di spartiacque a livello di obiettivi di riduzione dei nutrienti. Uno schema concettuale della simulazione-ottimizzazione del sistema è presentato in Figura 8. Simulazione Watershed, tra cui la simulazione degli impatti sulla qualità delle acque di pratiche di conservazione agricole sono gestite dal modello idrologico, SWAT2005, accoppiato con un sistema basato su Windows database di controllo, i_SWAT 6,8. La componente di ottimizzazione funziona sulle unità risposta idrologica (HRUS) di SWAT e impiega la logica di un algoritmo evolutivo 26 per trovare l'assegnazione delle pratiche di conservazione che minimizza allo stesso tempo carichi di nutrienti (N, P, o entrambi) e il costo delle pratiche di conservazione. Dopo le iterazioni dell'algoritmo vengono interrotte, un insieme di sopravvivere indiviuals rappresenta la frontiera approssimativa compromesso. Da due sostanze nutritive vengono presi in considerazione contemporaneamente (nitrato-N e fosforo totale), si ottiene un effetto tridimensionale frontiera compromesso. Ogni singolo punto sulla frontiera compromesso prescrive una particolare configurazione dei metodi di conservazione per ogni unità decisionale (terreni coltivati HRU) nel bacino. Per vedere quali pratiche di conservazione sono selezionati, dobbiamo specificare gli obiettivi nutrizionali e quindi cercare la frontiera compromesso per le configurazioni individuali che soddisfano i criteri di riduzione dei nutrienti. La posizione e il mix di pratiche di conservazione selezionati possono essere mappati indietro ai livello di campo spaziale decisionali quote del bacino (se tali dati siano disponibili al momento della creazione di HRUS). Il nostro approccio, che specifica un particolare mix e distribuzione di pratiche di conservazione, in grado di fornire i politici gli strumenti per un migliore orientamento della politica di conservazione finalizzata al miglioramento della qualità delle acque. In termini di attuazione,armati con le prescrizioni dell'algoritmo, i responsabili delle politiche in grado di offrire pagamenti mirati (metodo suggerito da 11), o sollecitare offerte e accettarle o rifiutarle utilizzando i risultati di modellazione come guida. Naturalmente, la serie specifica di pratiche mirate dipende da obiettivi particolari qualità delle acque e il spartiacque specifico studiato. Tuttavia, i miglioramenti futuri nel modello idrologico e le stime dei costi economici possono essere facilmente incorporati nella simulazione-ottimizzazione del sistema. Il framework sviluppato è facilmente generalizzabile ed è in grado di fornire conoscenza utile e politiche rilevanti in un problema complesso di riduzione dell'inquinamento di origine non puntuali.
Figura 8. Flusso globale dell'esperimento.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Nessun conflitto di interessi dichiarati.
Acknowledgments
Questa ricerca è stata finanziata in parte dal sostegno ricevuto dalla US Environmental Protection Agency ha mirato programma di Spartiacque di Grants (Progetto # WS97704801), la National Science Foundation di Dinamica dei accoppiati sistemi naturali e umani (Progetto # DEB1010259-CARD-KLIN), e il Dipartimento degli Stati Uniti delle Politiche Agricole-Istituto Nazionale di Progetto Coordinato agricolo Foodand Agricoltura (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).
