Summary
Detta arbete visar en integration av en vattenkvalitet modell med en optimering komponent använder evolutionära algoritmer för att lösa optimala (lägsta kostnad) placering av jordbruket bevarande praxis för en angiven uppsättning förbättring vatten kvalitetsmål. Lösningarna skapas med hjälp av en flera mål strategi som möjliggör tydlig kvantifiering av kompromisser.
Abstract
Att hitta kostnadseffektiva (dvs. lägst kostnad) sätt att rikta investeringar bevarande praxis för att uppnå specifika mål vattenkvaliteten över landskapet är av största vikt i vattendelare ledning. Traditionella ekonomi metoder för att hitta den billigaste lösningen i vattendelaren sammanhang (t.ex. 5,12,20) antar att off-site effekter noggrant kan beskrivas som en andel av på plats genererade föroreningar. Sådana metoder är osannolikt att vara representativt för den faktiska föroreningen processen i en vattendelare där effekterna av förorenande källorna ofta avgörs av komplexa biofysiska processer. Användningen av moderna fysiskt baserade, rumsligt fördelade hydrologiska simuleringsmodeller möjliggör en högre grad av realism i form av process representation men kräver en utveckling av en simulering-optimering ram där modellen blir en integrerad del av optimering.
Evolutionary algoritmer verkar vara en särskilt användbar optimering verktyg, kan hantera den kombinatoriska karaktären av en vattendelare simulering-optimeringsproblem och tillåta användning av hela vattenkvaliteten modell. Evolutionära algoritmer behandlar en viss rumslig fördelning av bevarande praxis i en vattendelare som kandidat lösning och använder uppsättningar (populationer) av kandidat-lösningar iterativt tillämpa stokastiska operatörer av selektion, rekombination och mutation för att hitta förbättringar med avseende på optimering målen. De optimering Målen i detta fall är att minimera Nonpoint föroreningar orsakade av vattendelaren, samtidigt minimera kostnaderna för bevarande praxis. En ny och växande uppsättning av forskning försöker använda liknande metoder och integrerar modeller vattenkvaliteten med brett definierade evolutionära optimeringsmetoder 3,4,9,10,13-15,17-19,22,23,25. I denna ansökan visar vi ett program som följer Rabotyagov et al. S lämpligaACH och integrerar en modern och vanligt SWAT modell vattenkvalitet 7 med en multiobjektiv evolutionär algoritm SPEA2 26, och användaren angiven uppsättning bevarande praxis och deras kostnader för att söka efter de fullständiga avvägning gränser mellan kostnader för bevarande praxis och användardefinierade vattenkvalitet mål. Gränser kvantifiera kompromisser som möter de vattendelare cheferna genom att presentera hela sortimentet av kostnader som är förknippade med olika förbättringsåtgärder vattenkvaliteten mål. Programmet gör det möjligt för ett urval av avrinningsområden konfigurationer uppnå specificerade vatten mål kvalitetsförbättring och en produktion av kartor över optimerad placering av bevarande praxis.
Protocol
1. Förbered Watershed modell och ge underlag för optimering
- Skapa en i_SWAT databas
- Med hjälp av ett program som heter "rotator", bygga databasen från flera ingångar databaser inklusive mark, väder, ledning och gödningsmedel.
- Alternativt kan en befintlig SWAT körning (eventuellt skapas med ArcSWAT eller AVSWAT) kan importeras med i_SWAT.exe. I det här fallet, programmet "swat_rewrite" kan användas för att ersätta ledningen eller annan HRU information som baseras på fältnivå data.
- Kalibrering och validering av SWAT-modellen bör utföras vid denna tidpunkt. SWAT (version 2005) modell ingår i denna Raccoon River Watershed EA modellering ram ursprungligen kalibrerats och validerats för en maximal daglig belastning (TMDL) studie som beskrivs av Jha et al. (2010). Ytterligare kalibrering och validering av SWAT-modellen genomfördes till stöd för utvecklingen av en Raccoon River Watershed generalplan, som descrisäng i Ågren, Inc. (2011), som är SWAT modell som användes för denna studie.
- Använd en modifierad version av SWAT2005.exe, kallad SWAT2005GA.exe.
- Förbered fil "vattendelare presets.csv" - Detta är en textfil lagrar många av de inställningar som är specifika för Raccoon vattendelare. Den läses av GeneticiSWAT och MapSWAT nedan för att ställa in flera kontroller och datafält för vattendelare med ett klick.
- Förbered kostnaderna för elementen bevarande praxis. I det här exemplet är dessa lagrade i tabellen [Practice Kostnader - Raccoon på län] i en databas "Practice kostnaderna med subbasin Josh.mdb".
Den totala kostnaden för en kandidat lösning är summan av kostnader för bevarande praxis som tillämpas på avrinningsområden enheter ("hydrologiska svar enheter" eller HRUs). Optimeringen Programmet anser en optimal tilldelning av en enda bevarande praxis från en viss uppsättning bevarande praxis i varje åkermark HRU i vattendelare. Sets möjliga bevarande praxis tilldelats en HRU kallas allel uppsättningar.
- Skapa SWAT mappar. För denna körning var 16 processorer som används, vilket innebär 16 exemplar av SWAT2005GA.exe kördes i 16 olika mappar (detsamma gäller för system med färre processorer, t.ex. bör 4 mappar skapas för en "quad-core"-processor).
2. Välj Optimering Parametrar
- Optimering styrs av program som kallas "GeneticISWAT". För att utföra optimering, öppna GeneticISWAT.exe.
- Gå till "File" och sedan "Öppna" och välj i_SWAT databas "Raccoon GA.mdb".
- Gå till "File" och sedan "Konfiguration" för att tilldela sökvägarna till SWAT modell körbara (SWAT2005GA.exe).
- Gå till "Execute" och sedan "Välj Allel Set". Detta steg bestämmer kombinationerna av bevarande metoder som används i optimeringen. För denna körning, ställ allel # 14 användes, som har 23 kombinationer av bevarande praxis. Available allel apparater lagras i konfigurationsfilen "Alleles.csv".
- Gå till "Execute" och välj sedan "SPEA2 Arkiv Baseline Aware Delmängd" för att utföra multiobjektiv optimering med SPEA2 evolutionära algoritmen.
Figur 1. Inställning optimering mål och parametrar.
Optimering parametrar väljas:
Förinställning: Välj vattendelare som ska optimeras. Klicka på "Apply" väljer poster från förinställningar filen "vattendelare presets.csv" att fylla kontrollvärdena på skärmen.
Utgång Variabel: Välj miljömålen för optimering. Som vald (N Outlet, P Outlet), definierar detta en 3-dimensionell målfunktionen: Kväve (Organic N + NO3 + NH4 + NO2) var i genomsnitt under 5 år vid utloppet, fosfor (Organic P + Mineral P) var i genomsnitt under 5 år vid utloppet, och den totala kostnaden för bevarande praxis. Observera att detta kommer att skapa en 3-dimensionell avvägning gränsen. Alternativa utgångar variabler kan väljas, där multiobjektiv programmet är att minimera ({utdatavariabel}, Totalkostnad).
Befolkningens storlek: Ställ in initial befolkningsstorlek. Detta fastställer den initiala antalet kandidat lösningar. När "Seed med varje allel" är markerat, är kandidat lösningar representerar en enhetlig tillämpning av varje bevarande praxis som anges i allelen inställd på alla åkermark HRUs i vattendelare skapade först. De återstående kandidatländerna lösningarna skapas av en slumpmässig tilldelning av bevarande praxis från allelen inställd på åkermark HRUs. Vid val av "utsäde med varje allel" alternativet, måste man se till att den ursprungliga populationen storlek är minst lika stort som antalet alleler i en allel uppsättningen (23 i denna demonstration).
Antal generationer: Ställ in önskat antal generationer (iterationer) för optimering körning (observera att körningen kan startas).
Crossover sannolikhet: När två kandidatländer lösningar väljs för att skapa nya kandidatländer lösningar specificerar crossover sannolikhet sannolikheten att olika nya lösningar skapas (satt till 1 för denna demonstration).
Storlek på tillfällig befolkning: Detta bestämmer antalet nya skapade kandidat lösningar. Processorresurser används mest effektivt när detta värde är en heltalsmultipel av antalet trådar processorn (16 i denna demonstration).
Mutation sannolikhet: Ange sannolikheten för slumpmässiga förändringar i HRU uppdrag till en annan bevarande praxis från allelen set. (Det är satt till 0,03 för denna demonstration).
Antaltrådar: Välj antalet processorer som används eller trådar. 16 används i denna demonstration.
Kurva nr kalibreringsfaktor: Detta tillhandahålls från SWAT-modellen kalibreras.
Spara Befolkningen i textfil: Detta är viktigt att välja om man vill starta om optimeringen springa efter den angivna antalet iterationer är avslutad. Markerar det här alternativet skapar en textfil med allel-värden för varje HRU i varje överlevande kandidat lösning (individuellt). Detta kan läsas tillbaka för att starta och fortsätta en körning.
Sekundära optimering parametrar
Första året: Måste vara satt till ett år efter start av historisk väderinformation, och inte senare än 7 år före utgången av dessa data.
Priset på majs: Används med avkastningen förlust ekvationen för att beräkna kostnaden för gödselmedel minskningar.
Purge Metod: dominerade. Individer som är värre i alla 3 dimensioner domineras och rensas.
HUC Källa: Ställ in "angiven plats", vilket betyder att värdet "7100006" från följande fältet "Watershed HUC" används för att hitta en rad i HUC Zone tabellen. Värdet "07100006" är den åttasiffriga HUC koden för Raccoon vattendelare.
Kostnad Källa: Ställ in "Län (HRU Location Code)" för att ange att andra kostnader än CRP avgörs av länets FIPS-koder i praktiken kostar tabellen ovan.
Kostnad Källa CRP: Ställ in "1 plats" för att indikera att CRP kostnad kommer att bestämmas av länets FIPS-koder i praktiken kostar tabellen ovan.
3. Representativa resultat GeneticiSWAT.exe skapar en loggfil som visar inställningar och resultat för alla kandidatländer lösningar (individer), samt en "spara" fil som kodar resultaten från den slutliga algoritmen iteration och som kan användas för att starta om optimering sikt. Vid denna punkt, kan en visualisera hela uppsättningen av Pareto-effektiva lösningar (den avvägning gränsen) genom att följa stegen nedan: Utgång är en serie filer som kan göras på en gång i bildfiler med hjälp av POV-Ray-programmet och välja "Render" och sedan "File Queue". Bilderna kan användas på egen hand eller kombineras till en film som visar algoritmen progression. Om så önskas, kan en film som visar algoritmen progression skapas genom att köra "Framescanner.exe" och följa dessa steg: Varje punkt i gränsen representerar en vattendelare konfiguration (en specifik tilldelning av bevarande praxis på ett landskap). Kartor över dessa konfigurationer kan ses för hela gränsen genom att följa dessa steg: Exportera specifika avrinningsområden konfigurationer (individer) av intresse. Ofta en fråga om intresse är att välja specifika avrinningsområden konfigurationer (individer) uppnå vissa kvalitetsmål för vatten. Exempelvis kan man önska att finna en INDIVidual i gränsen som minskar kväve med 30% och fosfor med 20% jämfört med utgångsvärdet belastning. MapSWAT tillåter en att söka gränsen för den enskilde med den minsta euklidiska avståndet till den angivna målet. Detta kan göras genom att göra följande: files/ftp_upload/4009/4009fig7.jpg "alt =" Bild 7 "/> Exportera kartdata för vidare analys är möjlig genom att följa dessa steg: Tabell 1. Tabell som krävs program. Tabell 2. Tabell över prov nödvändiga filer. 
Figur 2. Screenshot för att skapa "ögonblicksbilder" för 3-dimensionell gränsen visualisering. 
Figur 3. Statisk visualisering av avvägning gränsen. 
Figur 4. Skärmdump att skapa en karta över varje individ i den slutliga gränsen. 
Figur 5. Skärmdump att söka efter en specifik individ i gränsen på grundval av kvalitetsmål för vatten. 
Figur 6. Skärmdump av sökning utgång
Figur 7. Skärmdump på ett prov karta som beskriver det valda individen i gränsen. Klicka här för att se större bild . Namn på program Källa Beskrivning Rotator KORT Skapar och fyller en i_SWAT databas med jord, väder och ledning data för en vattendelare. Swat2005GA.exe USDA Grassland, Mark & Vatten Research Laboratory Watershed simuleringsmodell i_SWAT.exe KORT SWAT databasen gränssnitt GeneticISWAT.exe KORT Evolutionär algoritm SWAT controller. Återinför Galib från http://lancet.mit.edu/ga/ . MapSWAT.exe KORT Läser i_SWAT databaser och shapefiler, producerar bilder av generationer och individer. POV-Ray Povray.org Bestående Vision strålföljare. Framescanner.exe Todd Campbell PNG-bild till AVI Converter Windows Live Movie Maker Microsoft Används för att komprimera AVJag till WMV Namn på fil Typ Beskrivning Tvättbjörn GA.mdb Access-databas Struktur och förvaltning beskrivningar av Raccoon vattendelare. Läs av GeneticiSWAT och MapSWAT. vattendelare presets.csv Text Ställa förinställningar för GeneticiSWAT.exe och MapSWAT Alleles.csv Text Lista över allel satser för evolutionär algoritm. Tvättbjörn Allel HRU.txt Text Fil som skapats av GeneticISWAT förteckning över de alleler bestäms vara åkermark. Läs av MapSWAT. Öva kostnaderna med subbasin Josh.mdb Access Database Kostnaderna med skötsel och län. Terrass Zones.mdb Access Database Tabell [HUC Data] håller terrass och avkastning nummer zon för vattendelare. NRI Budgets.mdb Access Database Läs genom GeneticISWAT.exe för grödan och maskin tabeller som inte används i detta försök. phucrp 2008-12-15.dat Text Växt Heat Unit uppslagstabell, används inte i detta försök. Management.mdb Access Database Rotation uppslagstabell, används inte i detta försök. Raccoon GA 2011/09/28 1313.log, Raccoon GA 2011/09/29 0732.log, Raccoon GA 2011/10/07 0644.log Text Loggfiler för GeneticISWAT körning. Tvättbjörn GA.wmv Animation 3D-visning av individer efter generation Subbasin.shp ESRI Shapefile Konturerna av subbasins i vattendelare. Tvättbjörn Map.wmv Animation Visning av dominerande alleler för varje subbasin för varje individ på gränsen.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Vi bygger en integrerad simulering-optimering ram för att söka efter Pareto-effektiva uppsättningar av avrinningsområden konfigureringar med billigaste mix och placering av jordbruks bevarande metoder för att uppnå en rad vattendelare nivå näringsämnen minskningsmål. En begreppsmässig bild av simuleringen-optimering systemet presenteras i figur 8. Watershed simulering, bland annat simulerar effekterna vattenkvaliteten i jordbruket bevarande praxis hanteras av hydrologiska modellen, SWAT2005, tillsammans med en Windows-baserad databas styrsystem i_SWAT 6,8. Optimeringen komponenten fungerar på hydrologiska svar enheter (HRUs) av SWAT och använder logik en evolutionär algoritm 26 för att hitta fördelningen av bevarande metoder som samtidigt minimerar näringsämnen belastning (N, P, eller båda) och kostnaden för bevarande praxis. Efter algoritmen iterationer avslutas, en uppsättning av överlevande individhandböcker representerar den ungefärliga avvägning gränsen. Sedan två näringsämnen övervägs samtidigt (nitrat-N och totalfosfor) får vi en tredimensionell avvägning gränsen. Varje enskild punkt på avvägning gränsen föreskriver en viss konfiguration av bevarande praxis för varje beslutsfattande enhet (åkermark HRU) i vattendelare. För att se vilka bevarande praxis väljs måste vi specificera målen för näringsintaget och söka avvägning gränsen för enskilda konfigurationer som uppfyller näringsämnen minskning kriterierna. Platsen och blandningen av bevarande utvalda metoder kan mappas tillbaka till fältnivå rumsliga beslutsfattande enheter i vattendelare (om sådana uppgifter finns tillgängliga vid tidpunkten för att skapa HRUs). Vår strategi, som specificerar en viss blandning och fördelning av bevarande praxis kan ge beslutsfattare med verktyg för bättre inriktning av bevarandet syftar till förbättringar vattenkvalitet. När det gäller genomförandet,beväpnade med algoritmen är recept, kan beslutsfattare erbjuda riktade betalningar (metod som föreslås av 11), eller framkalla bud och acceptera eller förkasta dem med modellering resultat som vägledning. Naturligtvis beror den specifika uppsättning riktade metoder på vissa mål vattenkvalitet och den specifika avrinningsområden studerats. Däremot kan framtida förbättringar hydrologiska modellen och de ekonomiska kostnadsberäkningarna lätt införlivas i simuleringen-optimeringssystem. Det ramverk som utvecklats är lätt generaliserbara och kan ge användbar och politiskt relevant inblick i ett komplext problem Nonpoint minskningar föroreningar.
Figur 8. Total flöde av experimentet.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Inga intressekonflikter deklareras.
Acknowledgments
Denna forskning har finansierats delvis från stödet från US Environmental Protection Agency har Riktade avrinningsområden Grants (Projekt # WS97704801), National Science Foundations dynamik kopplade naturliga och mänskliga system (Project # DEB1010259-CARD-Klin) och US Department Jordbruksverket-National Institute of Foodand Jordbruksverkets samordnad jordbruksprojekt (Projekt # 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).
