Summary
Dette arbeidet viser en integrering av en vannkvalitet modell med en optimalisering komponent utnytte evolusjonære algoritmer for å løse for optimal (laveste kost) plassering av landbruket bevaring praksis for et angitt sett av vann kvalitetsforbedring mål. Løsningene er generert ved hjelp av en multi-objektiv tilnærming, noe som åpner for eksplisitt kvantifisering av avveininger.
Abstract
Finne kostnadseffektive (dvs. laveste kost) måter å målrette bevaring praksis investeringer for å oppnå konkrete vannkvalitet mål over landskapet er av stor betydning i vannskilleforvaltning. Tradisjonelle økonomi metoder for å finne den laveste kost løsning i vannskillet kontekst (f.eks 5,12,20) anta at off-site virkninger kan være nøyaktig beskrevet som en del av on-site forurensning generert. Slike tilnærminger er usannsynlig å være representative for den faktiske forurensningen prosessen i et vannskille, hvor konsekvensene av forurensende kilder er ofte bestemt av komplekse biofysiske prosesser. Bruk av moderne fysisk-baserte, romlig fordelte hydrologiske simuleringsmodeller gir en større grad av realisme i form av prosess representasjon men krever en videreutvikling av en simulering-optimalisering rammeverk hvor modellen blir en integrert del av optimalisering.
EvolusjonAry algoritmer synes å være en spesielt nyttig optimalisering verktøy, i stand til å håndtere den kombinatoriske natur et vannskille simulering-optimalisering problem og tillate bruk av full vannkvalitet modell. Evolusjonære algoritmer behandle en bestemt romlig fordeling av bevaring praksis i et vannskille som kandidat løsning og utnytte sett (populasjoner) av kandidat løsninger iterativt søker stokastiske operatører av utvalget, rekombinasjon og mutasjon for å finne forbedringer med hensyn til optimalisering mål. Optimalisering mål i denne saken er å minimere nonpoint-source forurensning i vassdraget, samtidig minimere kostnadene for bevaring praksis. En fersk og utvide sett av forskning forsøker å bruke lignende metoder og integrerer vannkvalitet modeller med bredt definerte evolusjonære optimeringsmetoder 3,4,9,10,13-15,17-19,22,23,25. I dette programmet, viser vi et program som følger Rabotyagov et al. 'S hensiktsach og integrerer en moderne og brukte SWAT vannkvalitet modell 7 med en multiobjective evolusjonær algoritme SPEA2 26, og bruker-spesifisert sett av bevaring praksis og deres kostnader for å søke etter de komplette tradeoff grenser mellom kostnadene ved bevaring praksis og brukerdefinert vannkvalitet mål. Grensene kvantifisere avveininger står overfor vannskille ledere ved å presentere hele spekteret av kostnader forbundet med ulike vann kvalitetsforbedring mål. Programmet gir mulighet for et utvalg av vannskille konfigurasjoner oppnå spesifiserte vannkvalitet forbedringsmål og en produksjon av kart over optimalisert plassering av bevaring praksis.
Protocol
1. Forbered Watershed modell og gi innspill Data for optimalisering
- Lag en i_SWAT database
- Ved hjelp av et program kalt "rotator", bygge databasen fra flere input databaser, inkludert jord, vær, ledelse og gjødsel.
- Alternativt kan en eksisterende SWAT run (muligens laget med ArcSWAT eller AVSWAT) bli importert med i_SWAT.exe. I dette tilfellet, programmet "swat_rewrite" kan brukes til å erstatte ledelsen eller annen HRU informasjon basert på felt-nivå data.
- Kalibrering og validering av SWAT-modellen bør utføres på dette punktet. Den SWAT (versjon 2005) modell innlemmet i denne Raccoon River Watershed EA modellering rammeverket ble opprinnelig kalibrert og validert for en Total Maksimal daglig belastning (TMDL) studie som beskrevet av Jha et al. (2010). Videre kalibrering og validering av SWAT-modellen ble gjennomført til støtte for utviklingen av en Raccoon River Watershed Master Plan, som beskrevetseng i Ågren, Inc. (2011), som er den SWAT modellen som ble brukt for denne studien.
- Bruk en modifisert versjon av SWAT2005.exe, kalt SWAT2005GA.exe.
- Forbered fil "vannskille presets.csv" - Dette er en tekstfil lagring mange av innstillingene som er spesifikke for Raccoon vannskille. Det blir lest av GeneticiSWAT og MapSWAT nedenfor for å sette flere kontroller og datafeltene for vannskillet med ett klikk.
- Forbered kostnadene ved bevaring praksis elementer. For dette eksempelet, er disse lagret i tabellen [Practice Kostnader - Raccoon på fylke] i en database "Practice kostnader med subbasin Josh.mdb".
Den totale kostnaden for en kandidat løsning er summen av kostnadene ved bevaring praksis brukes til vannskille enheter ("hydrologiske respons enheter", eller HRUs). Optimalisering Programmet vurderer en optimal tildeling av en enkelt bevaring praksis fra et bestemt sett av konserverings praksis i hver dyrket mark HRU i vannskillet. Den sets av mulige bevaring praksis tildelt en HRU kalles allel sett.
- Lag SWAT mapper. For denne gangen, ble 16 CPUer som brukes, noe som betyr 16 kopier av SWAT2005GA.exe ble kjørt i 16 separate mapper (det samme gjelder for systemer med færre CPUer, f.eks bør 4 mapper opprettes for en "quad-core"-prosessor).
2. Velg optimalisering parametere
- Optimalisering styres av programmet "GeneticISWAT". Å utføre optimalisering, åpen GeneticISWAT.exe.
- Gå til "File", deretter "Open" og velg i_SWAT database "Raccoon GA.mdb".
- Gå til "File", deretter "Configuration" for å tildele banene til SWAT modell kjørbare filer (SWAT2005GA.exe).
- Gå til "Execute", deretter "Velg Allel Set". Dette trinnet bestemmer hvilke kombinasjoner av bevaring praksis som brukes i optimalisering. For denne gangen, setter allel nr. 14 ble brukt, som har 23 kombinasjoner av bevaring praksis. AvAILABLE allel sett lagres i konfigurasjonsfilen "Alleles.csv".
- Gå til "Execute", velg deretter "SPEA2 Arkiv Baseline Aware Delsett" for å utføre multiobjective optimalisering ved hjelp av SPEA2 evolusjonære algoritmen.
Figur 1. Stille optimalisering mål og rammer.
Optimalisering parametere å velge mellom:
Preset: Velg vannskille for å være optimalisert. Ved å klikke "Apply" velger oppføringer fra forhåndsinnstillinger filen "vannskille presets.csv" å fylle kontrollverdier på denne skjermen.
Utgang Variable: Velg miljømålene for optimalisering. Som valgt (N Outlet, P Outlet), definerer dette en 3-dimensjonal målfunksjon: Nitrogen (Organic N + NO3 + NH4 + NO2) i gjennomsnitt for 5 år ved utløpet, fosfor (Organic P + Mineral P) i gjennomsnitt for 5 år ved utløpet, og den totale kostnaden for bevaring praksis. Merk at dette vil skape en 3-dimensjonal tradeoff grense. Alternative utdatavariablene kan velges, hvor multiobjective programmet er å minimere ({Output Variable}, Total Cost).
Bestandsstørrelse: Sett innledende bestandsstørrelse. Dette bestemmer innledende antall kandidat løsninger. Når "Seed med hvert allel" alternativet er valgt, er kandidat løsninger representerer en ensartet anvendelse av hver bevaring praksis angitt i allelet satt til alle dyrket mark HRUs i vannskille opprettet først. De resterende kandidat løsninger er laget av en tilfeldig tildeling av bevaring praksis fra allelet satt til dyrket mark HRUs. Når du velger "Seed med hvert allel" alternativet, må man sørge for at den første bestanden er minst like stor som antall alleler i et allel sett (23 i denne demonstrasjonen).
Antall generasjoner: Still inn ønsket antall generasjoner (iterasjoner) for optimalisering run (merk at kjøringen kan startes).
Crossover sannsynlighet: Når to kandidater løsninger som velges for å skape ny kandidat løsninger, angir crossover sannsynlighet sannsynligheten for at forskjellige nye løsninger skapes (satt til 1 for denne demonstrasjonen).
Størrelse midlertidig befolkningen: Dette bestemmer antall nye kandidater løsninger som er laget. Prosessorressurser brukes mest effektivt når denne verdien er et multiplum av antall prosessor tråder (16 i denne demonstrasjonen).
Mutasjon sannsynlighet: Angi sannsynligheten for tilfeldige endringer i HRU oppdrag til et annet bevaring praksis fra allel sett. (Det er satt til 0,03 for denne demonstrasjonen).
Antalltråder: Velg antall prosessorer eller tråder som brukes. 16 er brukt i denne demonstrasjonen.
Curve No kalibreringsfaktoren: Dette er gitt fra SWAT-modellen kalibreringen.
Lagre Befolkning i tekstfil: Dette er viktig for å velge om man ønsker å starte optimalisering løpe etter den angitte antall gjentakelser er fullført. Sjekke dette alternativet gir en tekstfil med allel verdier hver HRU i hver overlevende kandidat løsning (individuell). Dette kan leses tilbake i å starte og fortsette et løp.
Sekundære optimalisering parametere
First Year: Må settes til ett år etter start av historisk værinformasjon, og ikke senere enn 7 år før utgangen av disse dataene.
Prisen på mais: Brukt med avkastningen tap ligningen for å beregne kostnadene for gjødsel reduksjoner.
Purge Metode: Dominert. Enkeltpersoner som er verre i alle 3 dimensjoner er dominert og renset.
Høgskolen Kilde: Sett til "Spesifisert Location", som betyr at verdien "7100006" fra følgende felt "Watershed HUC" brukes til å finne en rad i høgskolen Zone tabellen. Verdien "07100006" er et åttesifret HUC kode for Raccoon vannskille.
Kostnad Kilde: Sett til "County (HRU Location Code)" for å indikere at andre kostnader enn CRP vil bli bestemt etter fylke FIPS koder i praksis koster tabellen ovenfor.
Kostnad Kilde CRP: Sett til "1 Location" for å indikere at CRP kostnadene vil bli bestemt etter fylke FIPS koder i praksis koster tabellen ovenfor.
3. Representant Resultater GeneticiSWAT.exe produserer en loggfil viser innstillingene og resultater for alle kandidater løsninger (individer), samt en "lagre" file som koder resultatene fra den endelige algoritme iterasjon og som kan brukes til å starte optimalisering løp. På dette punktet, kan man visualisere hele settet med Pareto-effektive løsninger (tradeoff frontier) ved å følge trinnene nedenfor: Produksjonen er en rekke filer som kan gjengis på en gang til bildefiler ved hjelp av POV-RAY programmet og velge "Render", deretter "File Queue". Bildene kan brukes på egen hånd eller sammen til en film som viser algoritmen progresjon. Dersom det er ønskelig, kan en film som viser algoritmen progresjon lages ved å kjøre "Framescanner.exe" og følge denne fremgangsmåten: Hvert punkt i grensen representerer et vannskille konfigurasjon (en bestemt tildeling av bevaring praksis på et landskap). Kart over disse konfigurasjonene kan sees for hele grensen ved å følge disse trinnene: Eksportere spesifikke vannskilleinfarkter konfigurasjoner (enkeltpersoner) av interesse. Ofte et spørsmål om interesse er å velge bestemte vannskille konfigurasjoner (enkeltpersoner) som oppnådde spesielle vannkvalitet mål. For eksempel kan det være ønskelig å finne en individual i grensen som reduserer Nitrogen med 30% og fosfor med 20% i forhold til baseline belastninger. MapSWAT gjør det mulig å søke grensen for den enkelte med den minste Euklidsk avstand til den angitte mål. Dette kan gjøres ved å gjøre følgende: files/ftp_upload/4009/4009fig7.jpg "alt =" Figur 7 "/> Eksportere kartdata for videre analyse er mulig ved å følge disse trinnene: Tabell 1. Tabell av programmer som kreves. Tabell 2. Table of eksempelfiler kreves. 
Figur 2. Screenshot for å skape "snapshots" for 3-dimensjonal frontier visualisering. 
Figur 3. Statisk visualisering av tradeoff grense. 
Figur 4. Skjermbilde for å skape et kart over hver enkelt i den endelige grensen. 
Figur 5. Skjermbilde for å lete etter en bestemt person i det uutforskede basert på vannkvalitet mål. 
Figur 6. Skjermbilde av søk utgang
Figur 7. Skjermbilde av en prøve kart som beskriver den valgte personen i grenseland. Klikk her for å se større figur . Navnet på programmet Kilde Beskrivelse Rotator KORT Skaper og fyller en i_SWAT database med jord, vær og ledelse data for et vannskille. Swat2005GA.exe USDA Grassland, Soil & Water Research Laboratory Vannskille simuleringsmodell i_SWAT.exe KORT SWAT database grensesnitt GeneticISWAT.exe KORT Evolutionary algoritme SWAT kontrolleren. Inneholder Galib fra http://lancet.mit.edu/ga/ . MapSWAT.exe KORT Leser i_SWAT databaser og shapefiler, produserer bilder av generasjoner og enkeltpersoner. POV-Ray Povray.org Utholdenhet av Vision raytracer. Framescanner.exe Todd Campbell PNG-bilde til AVI Converter Windows Live Movie Maker Microsoft Brukes til å komprimere AVJeg WMV Navn på fil Type Beskrivelse Raccoon GA.mdb Tilgang til databasen Struktur og ledelse beskrivelser av Raccoon vannskille. Les by GeneticiSWAT og MapSWAT. vannskille presets.csv Tekst Stille forhåndsinnstillinger for GeneticiSWAT.exe og MapSWAT Alleles.csv Tekst Liste over allelet sett for evolusjonær algoritme. Raccoon Allel HRU.txt Tekst Fil opprettet av GeneticISWAT liste disse alleler bestemt på å være dyrket mark. Les by MapSWAT. Praksis kostnader med subbasin Josh.mdb Access Database Kostnader ved forvaltningspraksis og fylke. Terrasse Zones.mdb Access Database Tabell [HUC Data] holder terrasse og avkastning sone tall for vannskillet. NRI Budgets.mdb Access Database Lest av GeneticISWAT.exe for avling og maskin tabeller som ikke brukes i denne kjøre. phucrp 2008-12-15.dat Tekst Plant Heat Unit søketabellen som ikke brukes i denne kjøre. Management.mdb Access Database Rotasjon søketabellen som ikke brukes i denne kjøre. Raccoon GA 2011-09-28 1313.log, Raccoon GA 2011-09-29 0732.log, Raccoon GA 2011-10-07 0644.log Tekst Loggfiler GeneticISWAT løp. Raccoon GA.wmv Animasjon 3D-visning av enkeltpersoner etter generasjon Subbasin.shp ESRI Shapefile Konturene av subbasins i vannskillet. Raccoon Map.wmv Animasjon Visning av dominerende allel for hver subbasin for hver enkelt på grensen.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Vi bygger en integrert simulering-optimalisering rammeverk for å søke etter Pareto-effektive sett med vannskille konfigurasjoner som involverer laveste kost blanding og plassering av landbruksprodukter bevaring praksis for å oppnå en rekke vannskille-nivå næringsstoff reduksjon mål. Et konseptuelt diagram av simulering-optimalisering system er angitt i figur 8. Vannskille simulering, inkludert simulere vannkvalitet konsekvensene av landbruket bevaring praksis håndteres av hydrologiske modellen, SWAT2005, kombinert med en Windows-basert database system, 6,8 i_SWAT. Optimalisering komponenten opererer på hydrologiske respons enheter (HRUs) av SWAT og sysselsetter logikken i et evolusjonært algoritme 26 for å finne tildeling av bevaring praksis som samtidig reduserer næringsstoffer belastninger (N, P, eller begge deler) og kostnadene ved bevaring praksis. Etter algoritmen iterasjoner avsluttet, et sett med overlevende enkeltesuals representerer omtrentlig tradeoff grense. Siden to næringsstoffene blir vurdert samtidig (nitrat-N og total fosfor), får vi en tre-dimensjonal tradeoff grense. Hver enkelt punkt på tradeoff grensen foreskriver et bestemt konfigurasjon av bevaring praksis for hver beslutningstaking enhet (dyrket mark HRU) i vannskillet. For å se hvilke bevaring praksis er valgt, må vi spesifisere næringsstoffer mål og deretter søke tradeoff grensen for individuelle konfigurasjoner som oppfyller nærings reduksjon kriterier. Plasseringen og blanding av bevaring praksis valgt kan tilordnes tilbake til feltnivå romlige beslutningsprosesser enheter i vannskillet (dersom slike data er tilgjengelig på tidspunktet for å skape HRUs). Vår tilnærming, som angir en bestemt blanding og distribusjon av bevaring praksis, kan gi politikere med verktøy for bedre målretting av bevaring politikk rettet mot vannkvalitet forbedringer. I form av gjennomføring,bevæpnet med algoritmen er resepter, kan politikere tilby målrettede utbetalinger (metode foreslått av 11), eller lokke fram bud og godta eller forkaste dem ved hjelp av modellering resultater som veiledning. Selvfølgelig avhenger den spesifikke sett av praksiser rettet mot bestemte vannkvalitet mål og den spesifikke vannskille studert. Imidlertid, kan fremtidige forbedringer i hydrologiske modellen og de økonomiske kostnadsestimater lett innlemmes i simulering-optimalisering system. Rammeverket er utviklet er lett generalizable og er i stand til å gi nyttig og policy-relevant innsikt i et komplekst problem nonpoint kilde forurensning reduksjoner.
Figur 8. Generell flyt av forsøket.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Ingen interessekonflikter erklært.
Acknowledgments
Denne forskningen ble finansiert delvis fra støtte fra det amerikanske Environmental Protection Agency Målrettet Nedbørsfelt Grants Program (Prosjekt # WS97704801), National Science Foundation Dynamics av koblet Natural and Human Systems (Prosjekt # DEB1010259-CARD-KLIN), og US Department Landbruks-National Institute of foodand Landbruksdepartementets Coordinated Agricultural Project (Prosjekt # 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).
