Summary
Este trabajo demuestra una integración de un modelo de calidad del agua con un componente de optimización utilizando algoritmos evolutivos para resolver óptimo (de menor costo) la colocación de las prácticas agrícolas para la conservación de un conjunto específico de objetivos de mejora de la calidad del agua. Las soluciones se generan utilizando un enfoque multi-objetivo, lo que permite la cuantificación explícita de compensaciones.
Abstract
Encontrar los costos eficientes (es decir, el más bajo costo) formas de orientar las inversiones en conservación de práctica para el logro de determinados objetivos de calidad del agua en todo el paisaje es de una importancia primordial en la gestión de las cuencas hidrográficas. Métodos de la economía tradicional de encontrar la solución de más bajo costo en el contexto de la cuenca (por ejemplo, 5,12,20) asumen que el impacto fuera del sitio puede ser descrito con precisión como una proporción de la contaminación genera en el sitio. Estos planteamientos son poco probable que sea representativo del proceso de contaminación real en una cuenca, donde los impactos de las fuentes contaminantes suelen estar determinadas por complejos procesos biofísicos. El uso de los modernos basados en la física, distribuidos espacialmente modelos de simulación hidrológicos permite un mayor grado de realismo en términos de representación del proceso, sino que requiere un desarrollo de un marco de simulación-optimización en el que el modelo se convierte en una parte integral de la optimización.
Evoluciónalgoritmos ary parece ser una herramienta de optimización particularmente útil, capaz de tratar con la naturaleza combinatoria de una cuenca de simulación-optimización problema y permitiendo el uso del modelo de calidad de agua completo. Los algoritmos evolutivos tratar una distribución espacial particular de prácticas de conservación en una cuenca como una solución candidata y utilizar conjuntos (poblaciones) de soluciones candidatas iterativamente aplicando operadores estocásticos de la selección, la recombinación y mutación para encontrar mejoras con respecto a los objetivos de optimización. Los objetivos de optimización en este caso son dispersas para minimizar la contaminación procedente de la cuenca, al mismo tiempo reducir al mínimo el costo de las prácticas de conservación. Un conjunto reciente y creciente de investigación está tratando de utilizar los mismos métodos e integra los modelos de calidad del agua con la definición amplia de métodos de optimización evolutivas 3,4,9,10,13-15,17-19,22,23,25. En esta aplicación, se demuestra un programa que sigue Rabotyagov et al. 'S aproada e integra un moderno y de uso común SWAT modelo de calidad del agua 7 con un algoritmo evolutivo multiobjetivo SPEA2 26, y el usuario especifica un conjunto de prácticas de conservación y sus costos para buscar las fronteras compensación entre los costos completos de las prácticas de conservación y la calidad especificada por el usuario de agua objetivos. Las fronteras cuantificar las ventajas y desventajas que enfrentan los administradores de cuencas hidrográficas mediante la presentación de la totalidad de los costos relacionados con los objetivos de mejora de la calidad de agua diferentes. El programa permite una selección de configuraciones de cuencas han alcanzado determinadas metas de mejoramiento de calidad de agua y una producción de mapas de colocación optimizada de las prácticas de conservación.
Protocol
1. Preparar Modelo Cuenca y proporcionar datos de entrada para la optimización
- Crear una base de datos i_SWAT
- El uso de un programa llamado "rotor", cree la base de datos desde bases de datos de entrada múltiples, incluyendo los suelos, el clima, la gestión y abono.
- Alternativamente, una carrera SWAT existente (posiblemente creado con ArcSWAT o AVSWAT) se pueden importar con i_SWAT.exe. En este caso, el programa "swat_rewrite" se puede utilizar para sustituir la gestión o información URH otro sobre la base de datos a nivel de campo.
- Calibración y validación del modelo SWAT se debe realizar en este punto. El SWAT (versión 2005) modelo incorpora dentro de este marco Cuenca del Río Raccoon modelado EA fue calibrado y validado originalmente para un total máximo de carga diaria (TMDL) estudio descrito por Jha et al. (2010). Además de calibración y validación del modelo SWAT se llevó a cabo en apoyo de la elaboración de un Plan Director de Raccoon River Watershed, como descricama en Agren, Inc. (2011), que es el modelo SWAT que se utilizó para este estudio.
- Usar una versión modificada de SWAT2005.exe, llamado SWAT2005GA.exe.
- Prepare el archivo "cuenca presets.csv" - Este es un archivo de texto almacena muchas de las opciones específicas de la cuenca del mapache. Es leído por GeneticiSWAT y MapSWAT a continuación para configurar varios controles y campos de datos para la cuenca con un solo clic.
- Preparar los costes de los elementos de práctica de conservación. Para este ejemplo, estos se almacenan en la tabla [Práctica Costos - Mapache por condado] en un "costos de Práctica Por subcuenca Josh.mdb" base de datos.
El costo total de una solución candidata es la suma de los costos de las prácticas de conservación aplicadas a las unidades de cuencas ("unidades de respuesta hidrológica", o HRUs). El programa de optimización considera una asignación óptima de una sola práctica de la conservación de un conjunto particular de prácticas de conservación en cada URH tierras de cultivo en la cuenca. La sets de las prácticas de conservación posibles asignados a una Dependencia de Derechos Humanos se denominan grupos de alelos.
- Crear carpetas SWAT. Para esta carrera, se utilizaron 16 CPU, es decir, 16 copias de SWAT2005GA.exe se llevaron a cabo en 16 carpetas separadas (lo mismo se aplica para sistemas con menos CPU, por ejemplo, 4 carpetas deben ser creadas para un "quad-core" del procesador).
2. Seleccione los parámetros de optimización
- La optimización se controla mediante el programa llamado "GeneticISWAT". Para realizar la optimización, GeneticISWAT.exe abierto.
- Ir a "Archivo", luego "Abrir" y seleccione la base de datos i_SWAT "Raccoon GA.mdb".
- Ir a "Archivo" y luego "Configuración" para asignar las rutas de acceso a archivos ejecutables del modelo (SWAT SWAT2005GA.exe).
- Ir a "Ejecutar" y luego "Seleccionar conjunto de alelos". Este paso determina las combinaciones de prácticas de conservación utilizados en la optimización. Para esta carrera, el alelo set # 14 fue utilizado, que cuenta con 23 combinaciones de prácticas de conservación. Avda.ailable conjuntos de alelos se almacenan en el archivo de configuración "Alleles.csv".
- Ir a "Ejecutar", luego seleccione "SPEA2 subconjunto de referencia Archivo Aware" para realizar la optimización multiobjetivo mediante el algoritmo evolutivo SPEA2.
Figura 1. Establecimiento de objetivos y parámetros de optimización.
Optimización de los parámetros para su selección:
Preset: Seleccione la cuenca para ser optimizado. Al hacer clic en "Aplicar" selecciona las entradas del archivo de presets "cuenca presets.csv" para llenar los valores de control en esta pantalla.
Variable de salida: Seleccione los objetivos medioambientales para la optimización. Como seleccionado (N Outlet Outlet P), esto define una función objetivo 3-dimensional: Nitrógeno (N orgánico + NO3 + NH4 + NO2) con un promedio de 5 años a la salida, Fósforo (Organic P + P Mineral) con un promedio de 5 años a la salida, y el costo total de las prácticas de conservación. Tenga en cuenta que esto creará una frontera disyuntiva 3-dimensional. Las variables de salida alternativos se pueden seleccionar, donde el programa multiobjetivo es minimizar ({} Variable de salida, Costo Total).
Tamaño de la población: Fijar el tamaño inicial de la población. Esto determina el número inicial de soluciones candidatas. Cuando "Semilla con cada alelo" está seleccionada, las soluciones de candidatos que representan a una aplicación uniforme de cada práctica de conservación especificado en el alelo establece para todo el HRUs tierras de cultivo en la cuenca se creó por primera vez. Las soluciones candidatas restantes son creados por una asignación aleatoria de las prácticas de conservación del alelo establecido en tierras de cultivo HRUs. Cuando se selecciona la "Semilla con cada alelo" opción, uno debe asegurarse de que el tamaño de la población inicial es al menos tan grande como el número de alelos de un conjunto de alelo (23 en esta demostración).
Número de generaciones: Ajuste el número deseado de generaciones (iteraciones) para el ciclo de optimización (tenga en cuenta que la carrera se puede reiniciar).
Probabilidad de cruce: Cuando dos soluciones candidatas son seleccionadas para la creación de nuevas soluciones candidatas, probabilidad de cruce indica la probabilidad de que distintas soluciones se crean nuevas (puesto a 1 para esta demostración).
Tamaño de la población temporal: Determina el número de soluciones candidatas nuevos creados. Los recursos del procesador se utilizan más eficientemente cuando este valor es un múltiplo entero del número de hilos de procesador (16 en esta demostración).
Probabilidad de mutación: Especificar la probabilidad de un cambio en la asignación al azar URH a otra práctica de la conservación del conjunto alelo. (Se establece en 0,03 para esta demostración).
Número deTemas: Seleccione el número de procesadores o hilos utilizados. 16 se utiliza en esta demostración.
No. Curve factor de calibración: Se proporciona desde la calibración del modelo SWAT.
Población en Guardar archivo de texto: Es importante seleccionar si se desea reiniciar la optimización correr tras el número especificado de iteraciones se ha completado. Al seleccionar esta opción genera un archivo de texto con los valores de los alelos de cada Dependencia de Derechos Humanos en todas las soluciones candidato sobreviviente (individual). Esto se puede leer de nuevo para reiniciar y continuar la carrera.
Los parámetros secundarios de optimización
Primer Año: Debe establecerse un año después del inicio de la información del tiempo histórico, ya más de 7 años antes del final de estos datos.
Precio del maíz: Se utiliza con la ecuación de pérdida de rendimiento para estimar el costo de la reducción de fertilizantes.
Método de purga: Dominada. Las personas que son peores en las 3 dimensiones son dominados y purgado.
Fuente HUC: Set de "ubicación especificada", es decir, el valor "7100006" en el siguiente campo "Cuenca del HUC" se utiliza para buscar una fila en la tabla HUC Zone. El valor "07100006" es el código de ocho dígitos HUC para la cuenca del mapache.
Fuente Costo: Set de "Condado (Código URH Vivo)" para indicar que los costos no sean la PCR será determinado por los códigos FIPS de condado en la tabla de costos de la práctica anterior.
Costo Fuente CRP: Ajustado a "1 Lugar" para indicar que el costo CRP será determinado por los códigos FIPS de condado en la tabla de costos de la práctica anterior.
3. Los resultados representativos GeneticiSWAT.exe produce un archivo de registro que muestra la configuración y los resultados para todas las soluciones de candidatos (personas), así como un "Guardar" de archivos que codifica los resultados de la iteración algoritmo final y que puede ser usado para reiniciar el ciclo de optimización. En este punto, se puede visualizar todo el conjunto de Pareto-eficientes soluciones (la frontera compensación) siguiendo los siguientes pasos: La salida es una serie de archivos que se pueden prestar de una vez en archivos de imagen mediante el uso de POV-RAY programa y seleccionando la opción "Render", luego "cola de archivos". Las imágenes se pueden utilizar por sí mismos o combinados en una película que muestra la progresión algoritmo. Si se desea, una película que muestra la progresión algoritmo puede ser creado mediante la ejecución de "Framescanner.exe" y siguiendo estos pasos: Cada punto de la frontera representa una configuración de cuencas (una asignación específica de prácticas de conservación de un paisaje). Los mapas de estas configuraciones se pueden ver por toda la frontera, siguiendo estos pasos: Exportar configuraciones de cuencas específicas (personas) de interés. A menudo, una cuestión de interés es la selección de configuraciones específicas de las cuencas hidrográficas (individuos) han alcanzado determinados objetivos de calidad del agua. Por ejemplo, se puede desear encontrar un indiviDual en la frontera, lo que reduce en un 30% de nitrógeno y fósforo en un 20% con respecto a las cargas iniciales. MapSWAT permite buscar la frontera para la persona con la menor distancia euclídea para el objetivo especificado. Esto se puede hacer de la siguiente manera: files/ftp_upload/4009/4009fig7.jpg "alt =" Figura 7 "/> Exportación de datos de mapas para su posterior análisis es posible siguiendo estos pasos: Tabla 1. Tabla de programas requerido. Tabla 2. Tabla de archivos de muestra requerido. 
Figura 2. Screenshot para crear "instantáneas" para la visualización frontera 3-dimensional. 
Figura 3. Visualización estática de la frontera compensación. 
Figura 4. Captura de pantalla de la creación de un mapa de cada individuo en la última frontera. 
Figura 5. Capturas de pantalla de búsqueda para un individuo específico en la frontera basado en objetivos de calidad del agua. 
Figura 6. Captura de pantalla de resultados de la búsqueda
Figura 7. Captura de pantalla de un mapa de ejemplo que describe la persona seleccionada en la frontera. Haga clic aquí para ampliar la cifra . Nombre del Programa Fuente Descripción Rotator TARJETA Crea y rellena una base de datos con los datos i_SWAT suelo, el clima y la gestión de una cuenca hidrográfica. Swat2005GA.exe USDA Prado, Soil & Water Research Laboratory Modelo de simulación de cuencas i_SWAT.exe TARJETA SWAT interfaz de base de datos GeneticISWAT.exe TARJETA Algoritmo evolutivo controlador SWAT. Incorpora Galib de http://lancet.mit.edu/ga/ . MapSWAT.exe TARJETA Lee las bases de datos i_SWAT y shapefiles, produce imágenes de las generaciones y las personas. POV-Ray Povray.org Trazador de rayos Persistence of Vision. Framescanner.exe Todd Campbell Imagen PNG a AVI convertidor Windows Live Movie Maker Microsoft Se utiliza para comprimir AVI WMV Nombre del archivo Tipo Descripción Raccoon GA.mdb Acceso a base de datos Estructura y gestión de las descripciones de las cuencas hidrográficas Raccoon. Leído por GeneticiSWAT y MapSWAT. cuenca presets.csv Texto Presets de ajuste para GeneticiSWAT.exe y MapSWAT Alleles.csv Texto Lista de alelo establece para el algoritmo evolutivo. HRU.txt Alelo Raccoon Texto Archivo creado por GeneticISWAT lista de los alelos determinados como tierras de cultivo. Leído por MapSWAT. Costos de Práctica Por subcuenca Josh.mdb Acceso a la base de datos Costos por prácticas de gestión y del condado. Terraza Zones.mdb Acceso a la base de datos Tabla [HUC datos] tiene la terraza y los números de rendimiento de la zona de la cuenca. NRI Budgets.mdb Acceso a la base de datos Leído por GeneticISWAT.exe para mesas de cultivo y máquina que no se utilizan en esta carrera. phucrp 2008-12-15.dat Texto Calor Planta Unidad de búsqueda en la tabla, no se utiliza en esta carrera. Management.mdb Acceso a la base de datos Rotación tabla de consulta, no se utiliza en esta carrera. Mapache 28/09/2011 1313.log GA, GA Raccoon 09/29/2011 0732.log, Mapache GA 07/10/2011 0644.log Texto Los archivos de registro de carrera GeneticISWAT. Raccoon GA.wmv Animación Visualización 3D de los individuos por generación Subbasin.shp ESRI Shapefile Los esquemas de subcuencas en la cuenca. Raccoon Map.wmv Animación Visualización de los alelos dominantes para cada subcuenca para cada individuo en la frontera.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Construimos un sistema integrado de simulación-optimización marco para buscar el sentido de Pareto eficientes conjuntos de configuraciones de las cuencas de menor costo que implican mezcla y ubicación de las prácticas agrícolas de conservación para lograr una serie de objetivos de nivel de cuencas de reducción de nutrientes. Un diagrama conceptual del sistema de simulación-optimización se presentan en la Figura 8. Simulación de cuencas, incluyendo la simulación de los impactos en la calidad del agua de las prácticas agrícolas de conservación son manejadas por el modelo hidrológico, SWAT2005, junto con un sistema de base de datos basado en Windows de control, i_SWAT 6,8. El componente de optimización opera en las unidades de respuesta hidrológica (HRUs) de SWAT y emplea la lógica de un algoritmo evolutivo 26 para encontrar la asignación de las prácticas de conservación que simultáneamente minimiza las cargas de nutrientes (N, P, o ambos) y el costo de las prácticas de conservación. Después de las iteraciones del algoritmo se terminan, un conjunto de sobrevivir indivividuos representa la frontera equilibrio aproximado. Desde dos nutrientes están siendo considerados simultáneamente (N-nitrato y fósforo total), se obtiene una solución de compromiso frontera tridimensional. Cada punto individual en la frontera compensación prescribe una configuración particular de las prácticas de conservación de cada unidad de la toma de decisiones (tierras de cultivo HRU) en la cuenca. Para ver qué prácticas de conservación son seleccionados, tenemos que especificar los objetivos alimenticios y luego buscar en la frontera de compensación para configuraciones individuales que cumplan con los criterios de reducción de nutrientes. La ubicación y la combinación de prácticas de conservación seleccionados se pueden asignar hasta el nivel de campo-espaciales de toma de decisiones en las unidades de la cuenca (si estos datos están disponibles en el momento de la creación de HRUs). Nuestro enfoque, que especifica una particular mezcla y distribución de las prácticas de conservación, puede proporcionar a los legisladores con herramientas para una mejor orientación de las políticas de conservación destinadas a mejorar la calidad del agua. En términos de implementación,armado con las prescripciones del algoritmo, las autoridades pueden ofrecer pagos específicos (método sugerido por 11), u obtener ofertas y aceptarlas o rechazarlas utilizando los resultados del modelo como guía. Por supuesto, el conjunto específico de prácticas específicas depende de determinados objetivos de calidad del agua y la cuenca específico estudiado. Sin embargo, futuras mejoras en el modelo hidrológico y las estimaciones de los costos económicos pueden ser fácilmente incorporados en el sistema de simulación-optimización. El marco desarrollado es fácilmente generalizable y es capaz de proporcionar información útil y relevante de políticas en un complejo problema de la reducción de la contaminación no puntuales de origen.
Figura 8. Flujo general del experimento.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
No hay conflictos de interés declarado.
Acknowledgments
Esta investigación fue financiada en parte por el apoyo recibido de Targeted los EE.UU. Agencia de Protección Ambiental de Cuencas Programa de Subvenciones (Proyecto # WS97704801), la Fundación Nacional de Ciencias Dinámicas de acoplados sistemas naturales y humanos (Proyecto # DEB1010259-CARD-KLIN), y el Departamento de EE.UU. de Agricultura, Instituto Nacional Coordinado de Proyecto Agrícola Foodand Agricultura (Proyecto # 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).
