Spatial Mehrzieloptimierung of Agricultural Conservation Practices mit einem SWAT-Modell und einem evolutionären Algorithmus

Das übergeordnete Ziel des folgenden Experiments besteht darin, die Methode zur mehrzieligen Optimierung von Bewirtschaftungsmaßnahmen in einem Einzugsgebiet anhand eines Simulations-Optimierungssystems zu demonstrieren, das das Prozessmodell des Einzugsgebiets und einen evolutionären Algorithmus umfasst. Die zentrale Frage lautet, wie landwirtschaftliche Schutzmaßnahmen in einem Einzugsgebiet so verteilt werden können, dass die Ziele zur Wasserqualität mit geringsten Kosten erreicht werden.

Auf jedem Feld sind mehrere Konservierungsmaßnahmen möglich, und mehrere Ziele zur Verbesserung der Wasserqualität können wichtig sein. Eine bestimmte Zuweisung von Konservierungsmaßnahmen kann mit einem hydrologischen Prozessmodell simuliert werden. Um das Optimierungsziel zunächst zu erreichen, wählen Sie ein kalibriertes und validiertes hydrologisches Prozessmodell sowie Modellrepräsentationen von Konservierungsmaßnahmen aus.

Als zweiter Schritt werden die zu maximierenden Umweltziele ausgewählt und die Kosten der Erhaltungsmaßnahmen ermittelt, wodurch der Aufruf der Komponente des evolutionären Algorithmus ermöglicht wird, die gleichzeitig hinsichtlich Umwelt- und Kostenzielen optimieren soll. Anschließend erfolgt die Auswahl der Parameter zur Steuerung der Optimierung, um eine mehrzielige Optimierung durchzuführen. Diese beiden Komponenten – Simulation und Optimierung – sind in ein Simulations-Optimierungs-System namens Genetic I SWAT integriert, wodurch Ergebnisse erzielt werden, die die optimale Menge von Einzugsgebietskonfigurationen hinsichtlich der Platzierung von Erhaltungsmaßnahmen aufzeigen. Diese Ergebnisse quantifizieren die Zielkonflikte zwischen Umweltzielen und den Kosten für Erhaltungsinvestitionen und ermöglichen die Auswahl einer bestimmten räumlichen Konfiguration von Erhaltungsmaßnahmen basierend auf gewünschten Umweltzielen oder Kosten.

Der Hauptvorteil dieser Technik gegenüber bestehenden Methoden, wie der einfachen Bewertung von Szenarien für Erhaltungsmaßnahmen oder der Optimierung der Auswahl von Erhaltungsmaßnahmen auf Grundlage vereinfachter Darstellungen solcher Maßnahmen, liegt darin, dass sie ein physikbasiertes Einzugsgebiets-Modell flexibel und anschaulich in die Optimierungsentscheidung integriert. Diese Methode kann helfen, zentrale Fragen im Bereich des Einzugsgebietsmanagements und der Umweltökonomie zu beantworten, beispielsweise, wo öffentliche Investitionen in Erhaltungsmaßnahmen gezielt eingesetzt werden sollten, oder wie marktbasierte Politikinstrumente wie umgekehrte Auktionen für Erhaltungsmaßnahmen oder ein Programm zum Handel mit Wasserqualitätszertifikaten gestaltet werden können. Im Kontext der diffusen Schadstoffeinträge werden die Optimierungsparameter ausgewählt, nachdem ein Einzugsgebietsmodell erstellt und die Eingabedaten für die Optimierung bereitgestellt wurden; die Optimierung wird dabei von einem Programm namens Genetic Iwo gesteuert.

Um dieses Verfahren zu beginnen, öffnen Sie genetic iwo.exe, gehen Sie zu Datei und dann zu Öffnen, und wählen Sie die I-SWAT-Datenbank raccoonGA.mdb aus. Gehen Sie zu Datei und dann zu Konfiguration, um die Pfade für den Austausch zuzuweisen. Gehen Sie zu Ausführen und wählen Sie dann „Allel-Satz“. Dieser Schritt bestimmt die Kombinationen von Erhaltungsmaßnahmen, die bei der Optimierung verwendet werden.

Für diesen Durchlauf wird der Allelsatz Nummer 14 verwendet, der 23 Kombinationen von Erhaltungsmaßnahmen zur Ausführung enthält. Anschließend wählen Sie die SP A zwei-Archiv-Baseline-Untergruppe aus, um eine mehrzielige Optimierung unter Verwendung des SP A zwei-evolutionären Algorithmus durchzuführen. Zuerst wählen Sie unter „Voreinstellung“ das zu optimierende Einzugsgebiet „Raccoon“ aus; durch Klicken auf „Übernehmen“ werden Einträge aus der Voreinstellungsdatei „watershed_presets.csv“ ausgewählt, um die Steuerwerte auf diesem Bildschirm zu füllen.

Als Nächstes wählen Sie unter Ausgabevariable die Umweltziele für die Optimierung aus. Der ausgewählte Stickstoff-Auslass und Phosphor-Auslass definiert eine dreidimensionale Zielfunktion. Stickstoff, gemittelt über fünf Jahre am Auslass, Phosphor, gemittelt über fünf Jahre am Auslass, und die Gesamtkosten der Erhaltungsmaßnahmen.

Dadurch wird eine dreidimensionale Trade-off-Front gebildet, wobei die anfängliche Populationsgröße auf 60 festgelegt wird. Dies legt die anfängliche Anzahl an Kandidatenlösungen fest, wenn der Ausgangspunkt mit jeder Alleloption ausgewählt wird. Es werden Kandidatenlösungen erstellt, die eine gleichmäßige Anwendung jeder in der Allelmenge festgelegten Schutzmaßnahme auf alle landwirtschaftlichen hydrologischen Antworteinheiten im Einzugsgebiet darstellen.

Zunächst werden die verbleibenden Kandidatenlösungen durch eine zufällige Zuweisung von Bewirtschaftungsmaßnahmen aus dem Allelsatz zu landwirtschaftlichen HR erzeugt. Bei der Auswahl des Startwertes mit jeder Alleloption ist sicherzustellen, dass die initiale Populationsgröße, die in dieser Demonstration 60 beträgt, mindestens so groß ist wie die Anzahl der Allele in einem Allelsatz, die hier 23 beträgt. In dieser Demonstration wird die gewünschte Anzahl an Generationen oder Iterationen für den Optimierungslauf in diesem Beispiel auf 125 festgelegt. Wenn zwei Kandidatenlösungen zur Erzeugung neuer Kandidatenlösungen ausgewählt werden, gibt die Crossover-Wahrscheinlichkeit die Wahrscheinlichkeit an, mit der unterschiedliche neue Lösungen erzeugt werden.

Für diese Demonstration wird die Crossover-Wahrscheinlichkeit auf eins festgelegt. Die Größe der temporären Population bestimmt die Anzahl der neu erzeugten Kandidatenlösungen. Die Prozessorressourcen werden am effizientesten genutzt, wenn dieser Wert eine ganze Zahl ist; für diese Demonstration wird daher ein Vielfaches der Anzahl der Prozessor-Threads, nämlich 16, gewählt.

Die Mutationswahrscheinlichkeit ist die Wahrscheinlichkeit einer zufälligen Änderung der HRU-Zuordnung zu einer anderen Schutzmaßnahme. Ausgehend vom Allel-Satz wird sie auf 0,003 festgelegt. Wählen Sie für diese Demonstration die Anzahl der verwendeten Threads oder Prozessoren aus, die 16 beträgt.

In dieser Demonstration wird der Kalibrierungsfaktor für die Kurvennummer eins aus der Kalibrierung des Swap-Modells übernommen. Schließlich die Option „Bevölkerung in Textdatei speichern“ auswählen. Durch Aktivieren dieser Option wird eine Textdatei mit den Allelwerten jedes HRU in jeder überlebenden Kandidatenlösung erzeugt.

Dies ist wichtig, um den Optimierungslauf nach Abschluss der festgelegten Anzahl von Iterationen neu zu starten. Nach dem Lauf kann die gesamte Menge pareto-effizienter Lösungen oder die Trade-off-Grenze durch die folgenden Schritte visualisiert werden. Genetischen Algorithmus ausführen.

Ich öffne SWAT, gehe zu Datei und dann zu Öffnen, um die I IWA-Datenbank, raccoon GA dot mdb, zu öffnen. Gehe zu Datei Export, anschließend zu HRU-Liste exportieren, speichere die Datei als raccoon Allel, HRU dot T XT. Führe Map, swat dot xe aus, wähle Ausführen und dann 3D-Animation, um eine Animation der dreidimensionalen Trade-off-Grenze zu erstellen, die die Stickstoffkonzentrationen N am roten Achsenabschnitt gegen die Phosphorkonzentrationen P am blauen Achsenabschnitt und gegen die summierten Kosten der Bewirtschaftungsmaßnahmen in allen Teilgebieten gegenüberstellt.

Auf der grünen Achse besteht die Ausgabe aus einer Reihe von Dateien, die gleichzeitig in Bilddateien umgewandelt werden können. Mithilfe des POV-Ray-Programms können die Bilder auch zu einem Film kombiniert werden, der den Fortschritt des Algorithmus durch Ausführung von Frame Scanner XE zeigt. Jeder Punkt in der Frontier repräsentiert eine Wasserscheidel-Konfiguration.

Dies ist eine spezifische Zuweisung von Bewirtschaftungsmaßnahmen auf einer Landschaft. Viele dieser Konfigurationen können für die gesamte Grenzregion nachvollzogen werden, indem die folgenden Schritte ausgeführt werden: Run, Map, SWAT, XE, Select Execute und anschließend Map Animation.

Die Felder auf der linken Seite zeigen die zweidimensionalen Projektionen der Grenze, wobei die gestrichelten Linien die Position der ausgewählten speziellen Lösung bezeichnen. Die Karte zeigt die dominante, vorgeschriebene Erhaltungsmaßnahme des Algorithmus. In jedem Fall identifiziert die Legende die gewählten Erhaltungsmaßnahmen.

Häufig stellt sich die Frage, eine bestimmte Einzugsgebietskonfiguration oder einen einzelnen Ansatz auszuwählen, der einen vorgegebenen Satz an Zielen zur Wasserqualität erreicht. Zum Beispiel ein einzelner Ansatz, der Stickstoff um 30 % und Phosphor um 30 % gegenüber den Ausgangswerten reduziert, wie auf der Lastkarte dargestellt. Mit SWAT können wir die Effizienzgrenze nach einem Individuum durchsuchen, das die geringste EUKLIDISCHE Distanz zum vorgegebenen Ziel aufweist. Um bestimmte Einzugsgebietskonfigurationen oder Individuen auszuwählen, die bestimmte Ziele zur Wasserqualität erreichen, öffnen Sie map swat dot exe und wählen Sie „Ausführen“ und „Suchen“.

Geben Sie einen minimalen Zielwert von null ein. Geben Sie in diesem Beispiel einen maximalen Zielwert von 100 sowie ein Zielintervall von 10 an. Geben Sie in diesem Beispiel eine spezifische prozentuale Verringerung von Stickstoff gegenüber dem Ausgangswert im Feld für die prozentuale Verringerung neben Endbasiswert 30 ein.

In diesem Beispiel geben Sie anschließend die prozentuale Reduktion von Phosphor in das Feld für die prozentuale Reduktion neben der Phosphor-Basislinie ein, ebenfalls 30. In diesem Beispiel erzeugt das Map-SWAT-Programm eine Ausgabe auf einem Popup-Bildschirm; klicken Sie dort auf „Kopieren“, wählen Sie den Text aus und fügen Sie ihn in eine Tabellenkalkulation ein.

Drei Tabellen werden erstellt. In der ersten Tabelle befinden sich die Individuen, die den N- und P-Zielen mit der gleichen prozentualen Reduktion am nächsten liegen, die von T in bis tmax in Schritten von t int reicht. Direkt darunter erscheint in der zweiten Tabelle das jeweils nächstgelegene einzelne Individuum zum Zielwert N spec und P spec, wobei der P-Zielwert von team in bis Tmax reicht, während N konstant in der Nähe von end spec gehalten wird. Die dritte Tabelle zeigt die Individuen, die den end-Zielen am nächsten liegen, wobei der P-Zielwert von team in bis Tmax reicht, während P konstant in der Nähe von P spec gehalten wird.

In diesem Fall war die Person mit der geringsten Distanz zu einer 30 %igen Endreduktion die ID 84 23 mit einem Endwert von 14.639.660. Hier sehen Sie die Karte, die die räumliche Verteilung von Bewirtschaftungsmaßnahmen sowie den Standort dieser Einzugsgebietskombination auf der Trade-off-Grenze nach ihrer Entwicklung zeigt. Die Methode ebnete Forschern im Bereich des Einzugsgebietsmanagements und der Umweltökonomie den Weg, kosteneffizientere Wege zur Erreichung von Umweltzielen in Einzugsgebieten zu erforschen und die Gestaltung marktbasierter Politiken zu verbessern.