Optimisation multiobjectif spatiale des pratiques agricoles de conservation en utilisant un modèle SWAT et un algorithme évolutionnaire

L'objectif général de l'expérience suivante est de démontrer la méthode d'optimisation multi-objectif des pratiques de conservation dans un bassin versant, en utilisant un système d'optimisation par simulation comprenant un modèle de processus du bassin versant et un algorithme évolutionnaire. La question principale est de savoir comment répartir les pratiques agricoles de conservation dans un bassin versant afin que les objectifs de qualité de l'eau soient atteints au moindre coût.

Plusieurs pratiques de conservation sont possibles pour chaque parcelle, et plusieurs objectifs de qualité de l'eau peuvent être importants. Une attribution particulière de pratiques de conservation peut être simulée à l'aide d'un modèle de processus de bassin versant. Pour atteindre l'objectif d'optimisation, sélectionnez d'abord un modèle de processus de bassin versant calibré et validé, ainsi que des représentations de ces pratiques dans le modèle.

En second lieu, les objectifs environnementaux à maximiser sont sélectionnés et les coûts des pratiques de conservation sont obtenus, ce qui permet d'activer la composante de l'algorithme évolutionnaire cherchant à optimiser simultanément les objectifs environnementaux et les coûts. Ensuite, le choix des paramètres régissant l'optimisation est effectué afin de réaliser une optimisation multi-objectif. Ces deux composantes, simulation et optimisation, sont intégrées dans un système d'optimisation par simulation appelé genetic I. Des résultats SWAT sont obtenus, qui montrent l'ensemble optimal de configurations du bassin versant en termes de disposition des pratiques de conservation, quantifiant ainsi les compromis entre les objectifs environnementaux et le coût des investissements de conservation, et permettant de choisir une configuration spatiale spécifique des pratiques de conservation selon les objectifs environnementaux souhaités ou le coût envisagé.

L'avantage principal de cette technique par rapport aux méthodes existantes, telles que l'évaluation de scénarios simples de pratiques de conservation ou l'optimisation du choix de pratiques de conservation fondée sur une représentation simplifiée des pratiques, réside dans son intégration d'un modèle physique des processus du bassin versant dans la prise de décision d'optimisation, de manière souple et facilement compréhensible. Cette méthode permet de répondre à des questions essentielles dans les domaines de la gestion des bassins versants et de l'économie environnementale, telles que l'identification des lieux où concentrer les investissements publics dans les pratiques de conservation, ou la manière de structurer des politiques fondées sur le marché, comme des enchères à l'envers pour des pratiques de conservation ou un programme d'échange de qualité de l'eau. Dans le contexte de la pollution diffuse, les paramètres d'optimisation sont sélectionnés après qu'un modèle du bassin versant a été établi et que les données d'entrée pour l'optimisation ont été fournies ; l'optimisation est pilotée par un programme appelé Genetic Iwo.

Pour commencer cette procédure, ouvrez genetic iwo.exe, allez dans Fichier, puis cliquez sur Ouvrir et sélectionnez la base de données I SWAT, raccoon GA.mdb. Allez dans Fichier, puis Configuration afin d'attribuer les chemins d'accès à swap. Modèle exécutable, allez dans Exécuter, puis sélectionnez l'ensemble d'allèles. Cette étape détermine les combinaisons de pratiques de conservation utilisées dans l'optimisation.

Pour cet essai, le jeu d'allèles numéro 14 sera utilisé, comprenant 23 combinaisons de pratiques de conservation à exécuter. Ensuite, sélectionnez le sous-ensemble SP A deux archive baseline aware afin d'effectuer une optimisation multi-objectif à l'aide de l'algorithme évolutionnaire SP A deux. Tout d'abord, sous Préréglage, sélectionnez le bassin versant à optimiser, raccoon, puis cliquez sur Appliquer pour sélectionner des entrées à partir du fichier de préréglages, watershed presets.dot.csv, afin de remplir les valeurs de contrôle sur cet écran.

Ensuite, sous variable de sortie, sélectionnez les objectifs environnementaux à optimiser. Le rejet d'azote et le rejet de phosphore sélectionnés définissent une fonction objective tridimensionnelle : l'azote moyenné sur cinq ans à la sortie, le phosphore moyenné sur cinq ans à la sortie, et le coût total des pratiques de conservation.

Ceci créera un ensemble de frontières tridimensionnelles de compromis en fixant la taille initiale de la population à 60. Ceci détermine le nombre initial de solutions candidates lorsque la graine avec chaque option d'allèle est sélectionnée. Des solutions candidates, représentant une application uniforme de chaque pratique de conservation spécifiée dans l'ensemble d'allèles à toutes les unités de réponse hydrologique des terres cultivées dans le bassin versant, sont créées.

Tout d'abord, les solutions candidates restantes sont créées par une attribution aléatoire de pratiques de conservation provenant de l'ensemble d'allèles aux zones agricoles HR. Lors du choix de la graine pour chaque option d'allèle, assurez-vous que la taille initiale de la population, qui est de 60 dans cette démonstration, soit au moins égale au nombre d'allèles dans un ensemble d'allèles, soit 23. Dans cette démonstration, fixez à 125 le nombre souhaité de générations ou d'itérations pour l'exécution de l'optimisation dans cet exemple. Lorsque deux solutions candidates sont sélectionnées pour générer de nouvelles solutions candidates, la probabilité de croisement indique la probabilité que de nouvelles solutions distinctes soient créées.

Pour cette démonstration, la probabilité de croisement est fixée à un. La taille de la population temporaire détermine le nombre de nouvelles solutions candidates créées. Les ressources du processeur sont utilisées de manière optimale lorsque cette valeur est un entier ; un multiple du nombre de threads du processeur, 16, est choisi pour cette démonstration.

La probabilité de mutation correspond à la probabilité d’un changement aléatoire dans l’attribution d’une unité hydrologique homogène (HRU) à une autre pratique de conservation. À partir du jeu d’allèles, cette probabilité est fixée à 0,003. Pour cette démonstration, sélectionnez le nombre de threads ou de processeurs utilisés, soit 16.

Dans cette démonstration, le facteur de calibrage du nombre de courbe égal à un est fourni par le calibrage du modèle SWAP. Enfin, sélectionnez l'option d'enregistrement de la population dans un fichier texte. Le fait de cocher cette option produit un fichier texte contenant les valeurs alléliques de chaque HRU pour chaque solution candidate survivante.

Ceci est important pour redémarrer l'exécution de l'optimisation une fois le nombre d'itérations spécifié terminé. Après l'exécution, l'ensemble complet des solutions efficaces de Pareto ou la frontière des compromis peut être visualisé en suivant ces étapes. Exécuter l'algorithme génétique.

J'ouvre SWAT, je vais dans Fichier, puis j'ouvre la base de données IWA, raccoon GA dot mdb. Je vais dans Fichier, j'exporte, puis j'exporte la liste HRU, j'enregistre le fichier sous le nom raccoon allele, HRU dot T XT. J'exécute map, swat dot xe, je sélectionne Exécuter, puis 3D animation pour produire une animation de la frontière tridimensionnelle de compromis, opposant sur l'axe rouge les concentrations d'azote N à la sortie, aux concentrations de phosphore P à la sortie sur l'axe bleu, et au coût cumulé des pratiques de conservation dans tous les sous-bassins.

Sur l'axe vert, la sortie est une série de fichiers qui peuvent être rendus simultanément sous forme de fichiers image. En utilisant le programme POV-Ray, les images peuvent également être combinées en un film montrant l'évolution de l'algorithme en exécutant le scanneur de trames xe. Chaque point de la frontière représente une configuration de bassin versant.

Il s'agit d'une attribution spécifique de pratiques de conservation sur un paysage. De nombreuses configurations de ce type peuvent être observées sur l'ensemble de la zone frontalière en suivant ces étapes : exécuter, cartographier, swat, xe, sélectionner exécuter, puis animation cartographique.

Les boîtes situées à gauche montrent les projections bidimensionnelles de la frontière, et les lignes en pointillés indiquent la position de la solution particulière choisie. La MAP illustre la pratique de conservation prescrite par l'algorithme dominant. Dans chaque cas, la légende identifie les pratiques de conservation choisies.

Souvent, une question d'intérêt consiste à sélectionner une configuration spécifique de bassin versant ou un individu atteignant un ensemble prédéfini d'objectifs de qualité de l'eau. Par exemple, un individu réduisant l'azote de 30 % et le phosphore de 30 % par rapport aux apports de référence sur la carte. SWAT nous permet de parcourir la frontière pour trouver l'individu dont la distance euclidienne à l'objectif spécifié est minimale. Pour sélectionner des configurations spécifiques de bassin versant ou des individus atteignant des objectifs particuliers de qualité de l'eau, ouvrez map swat dot exe, puis sélectionnez exécuter et rechercher.

Saisissez une valeur cible minimale égale à zéro. Dans cet exemple, saisissez une valeur cible maximale de 100, ainsi qu'un intervalle cible de 10. Dans cet exemple, saisissez une réduction en pourcentage spécifique de l'azote par rapport à la ligne de base dans l'espace prévu pour le pourcentage de réduction, à côté de la ligne de base finale 30.

Dans cet exemple. Saisissez ensuite la réduction en pourcentage du phosphore dans le champ de réduction en pourcentage voisin de la valeur initiale du phosphore, également 30. Dans cet exemple, le programme Map SWAT produira un résultat dans une fenêtre contextuelle ; cliquez sur Copier, sélectionnez le texte, puis collez-le dans une feuille de calcul.

Trois tableaux sont produits : le premier présente les individus les plus proches des cibles N et P correspondant à une réduction en pourcentage identique, allant de T in à tmax par intervalle t. Juste en dessous, le deuxième tableau affiche l'individu unique le plus proche des cibles spécifiques N spec et P spec, où la cible P varie de team in à Tmax tandis que N est maintenu constant près de end spec. Le troisième tableau donne les individus les plus proches des cibles finales, avec P maintenu constant près de P spec, tandis que la cible varie de team in à Tmax.

Dans ce cas, l'individu le plus proche d'une réduction de 30 % en bout de chaîne était l'ID 84 23, avec une valeur finale de 14 639 660. Voici la carte montrant la répartition spatiale des pratiques de conservation et l'emplacement de cette configuration de bassin versant sur la frontière de compromis après son élaboration. Cette technique a permis aux chercheurs spécialisés en gestion des bassins versants et en économie environnementale d'explorer des méthodes plus rentables pour atteindre les objectifs environnementaux des bassins versants et d'améliorer la conception de politiques fondées sur les mécanismes de marché.