SWATモデルを用いた農業保全の実践の空間的な多目的最適化と進化的アルゴリズム

本実験の全体的な目的は、流域プロセスモデルと進化計算アルゴリズムを組み合わせたシミュレーション最適化システムを用いて、流域における保全策の多目的最適化の手法を実証することです。根本的な問いは、いかにして流域に農業保全策を配分し、最小のコストで水質目標を達成するかということです。

各圃場において複数の保全手法を適用することが可能であり、また、複数の水質目標が重要となる場合があります。特定の保全手法の割り当ては、流域プロセスモデルによってシミュレーションできます。最適化の目標を達成するには、まず、キャリブレーションと検証済みの流域プロセスモデル、および保全手法のモデル表現を選択してください。

第二のステップとして、最大化すべき環境目標を選択し、保全策のコストを取得します。これにより、環境目標とコスト目標を同時に最適化する進化計算アルゴリズムのコンポーネントを呼び出すことが可能になります。次に、多目的最適化を実行するために、最適化を制御するパラメータの選択を行います。これらシミュレーションと最適化という2つのコンポーネントは、Genetic-SWATと呼ばれるシミュレーション最適化システムに統合されています。得られた結果は、保全策の配置における流域構成の最適セットを示しており、これにより環境目標と保全投資コストとの間のトレードオフを定量化し、希望する環境目標やコストに基づいて特定の保全策の空間的構成を選択することが可能になります。

単純な保全慣行シナリオの評価や、簡略化された慣行表現に基づく保全慣行の選択最適化といった既存の手法に対する本手法の主な利点は、物理ベースの流域プロセスモデルを、柔軟かつ直感的に理解可能な形式で最適化意思決定に統合している点にあります。この手法は、保全慣行への公的投資をどこに集中させるべきか、あるいは保全慣行のための逆オークションや水質取引プログラムなどの市場ベースの政策をどのように構築すべきかなど、流域管理および環境経済学の分野における重要な問いに答えるのに役立ちます。非点源汚染の文脈において、最適化パラメータは、流域モデルが準備され、最適化のための入力データが提供された後に選択されます。最適化はGenetic Iwoと呼ばれるプログラムによって制御されます。

この手順を開始するには、genetic iwo dot exeを開き、[ファイル]から[開く]を選択して、ISWATデータベースのraccoon GA dot mdbを選択します。次に[ファイル]から[構成]に進み、SWATモデルの実行ファイルへのパスを割り当てます。[実行]に進み、[アレルセット]を選択してください。このステップで、最適化に使用される保全策の組み合わせを決定します。

今回の実行では、実行すべき保全慣行の組み合わせが23通り含まれているアレルセット番号14を使用します。次に、SP A2進化アルゴリズムを用いて多目的最適化を行うため、SP A2アーカイブベースラインアウェアサブセットを選択します。まず、「preset」の下で最適化する流域を選択します。「apply」をクリックすると、プリセットファイルであるwatershed presets.csvからエントリが選択され、この画面の制御値が入力されます。

次に、「output variable（出力変数）」で、最適化のための環境目標を選択します。「N outlet」および「P outlet」を選択すると、3次元の目的関数が定義されます。これは、流出口における5年間の窒素平均値、流出口における5年間のリン平均値、および保全策の総コストで構成されます。

これにより、3次元のトレードオフフロンティアが作成されます。初期個体群サイズを60に設定してください。これにより、各アレルオプションを持つシードが選択される際の、初期の候補解の数が決定されます。アレルセットで指定された各保全慣行を、流域内のすべての農地水文応答単位に均一に適用することを表す候補解が作成されます。

まず、アレルセットから農地HRへの保全慣行をランダムに割り当てることで、残りの候補解を作成します。各アレルの選択肢を用いてシードを選択する際、このデモンストレーションでは60である初期個体群サイズが、アレルセット内のアレル数である23以上であることを確認してください。このデモンストレーションでは、最適化実行における希望の世代数または反復回数を125に設定します。新しい候補解を作成するために2つの候補解が選択されたとき、交差確率は、異なる新しい解が作成される確率を指定します。

このデモンストレーションでは、交差確率は1に設定されています。一時的な個体群のサイズによって、生成される新しい候補解の数が決定されます。この値をプロセッサスレッド数の整数倍に設定すると、プロセッサのリソースを最も効率的に利用できるため、本デモンストレーションでは16を選択しています。

変異確率は、HRUの割り当てが別の保全慣行にランダムに変更される確率です。対立遺伝子セットに基づき、0.003に設定します。このデモンストレーションでは、使用するスレッド数またはプロセッサ数を16に選択します。

このデモンストレーションでは、スワップモデルのキャリブレーションから得られた1という曲線数校正係数が提供されます。最後に、[save population in text file]（個体群をテキストファイルに保存）を選択します。このオプションを有効にすると、生存しているすべての候補解におけるすべてのHRUのアレル値を含むテキストファイルが生成されます。

これは、指定した回数のイテレーションが完了した後に最適化ランを再開させるために重要です。ランの終了後、以下の手順に従うことで、パレート効率的な解の全セットまたはトレードオフフロンティアを可視化できます。geneticを実行してください。

SWATを起動し、[ファイル]から[開く]を選択して、IWAデータベースであるraccoon_GA.mdbを開きます。[ファイル]から[エクスポート]を選択し、HRUリストをエクスポートして、ファイルをraccoon_allele_HRU.TXTとして保存します。map_swat.exeを実行し、[execute]を選択します。次に[3D animation]を選択し、全サブバシンにおける保全策の総コストに対し、赤色の軸に流出窒素レベル（N）、青色の軸に流出リンレベル（P）を配した3次元トレードオフフロンティアのアニメーションを作成します。

緑色の軸上の出力は、一括して画像ファイルにレンダリング可能な一連のファイルです。POV rayプログラムを使用し、フレームスキャナーxeを実行することで、これらの画像を統合し、アルゴリズムの進行を示す動画を作成することもできます。フロンティア内の各点は、分水嶺（ウォーターシェッド）の構成を表しています。

これは、景観における保全手法の特定の配置です。以下の手順に従うことで、フロンティア全体のこれらの構成を確認できます。Run、map、swat、xe、select execute、そしてmap animationを順に実行してください。

左側のボックスはフロンティアの二次元投影を示しており、破線は選択された特定の解の位置を表しています。MAPは、アルゴリズムによって処方された支配的な保全策を示しています。また、それぞれにおいて、凡例で選択された保全策を特定しています。

多くの場合、特定の流域構成を選択することや、指定された一連の水質目標を達成する個体を選択することが関心の対象となります。例えば、ベースラインの負荷マップに対して、窒素を30%およびリンを30%削減する場合などが挙げられます。SWATでは、指定された目標に対してEUCLIDEAN距離が最小となる個体をフロンティアから検索することが可能です。特定の流域構成を選択したり、特定の水質目標を達成する個体を選択したりするには、map swat.exeを開き、「execute」および「search」を選択してください。

最小目標値に0を入力します。この例では、最大目標値に100、目標間隔に10を入力します。次に、「end baseline 30」の隣にあるパーセント減少欄に、ベースラインからの窒素の具体的な減少率を入力します。

この例では、次に、リンのベースラインの隣にある「percent reduction」の欄に、リンの削減率として30を入力します。この例では、map swatプログラムの出力がポップアップ画面に表示されます。「copy」をクリックしてテキストをコピーし、スプレッドシートに貼り付けてください。

3つの表が作成されます。1つ目の表には、t intからtmaxまでの範囲で同一の減少率を持つNターゲットおよびPターゲットに最も近い個体が示されています。その直下の2つ目の表には、N specおよびP specのターゲットに最も近い単一の個体が示されており、ここではNをend spec付近で一定に保ちながら、Pターゲットをteam inからTmaxまで変化させた際の最も近い個体が記載されています。3つ目の表では、PをP spec付近で一定に保ちながら、endターゲットをteam inからTmaxまで変化させた際に最も近い個体が示されています。

このケースでは、30%の削減に最も近い個体はID 84 23であり、その最終値は14, 639, 660でした。以下は、保全策の空間分布と、開発後のトレードオフフロンティアにおけるこの流域構成の場所を示すマップです。この手法により、流域管理および環境経済学の分野の研究者が、流域の環境目標をより費用対効果高く達成する方法を模索し、市場ベースの政策設計を改善する道が開かれました。