Przestrzenna wielokryterialna optymalizacja praktyk ochrony rolnictwa z wykorzystaniem modelu SWAT i algorytmu ewolucyjnego

Ogólnym celem poniższego eksperymentu jest zademonstrowanie metody wielokryterialnej optymalizacji praktyk ochrony środowiska w zlewni przy użyciu systemu optymalizacji symulacyjnej, obejmującego model procesów zlewni oraz algorytm ewolucyjny. Głównym pytaniem badawczym jest kwestia sposobu rozmieszczenia rolniczych praktyk ochrony środowiska w zlewni w taki sposób, aby cele dotyczące jakości wody zostały osiągnięte przy najniższym koszcie.

Na każdym polu możliwe jest zastosowanie wielu praktyk ochronnych, a istotne mogą być liczne cele dotyczące jakości wody. Konkretny zestaw praktyk ochronnych można zasymulować za pomocą modelu procesowego zlewni. Aby osiągnąć cel optymalizacji, należy w pierwszej kolejności wybrać skalibrowany i zwalidowany model procesowy zlewni oraz reprezentacje modelowe praktyk ochronnych.

W drugim kroku wybierane są cele środowiskowe do maksymalizacji oraz pozyskiwane są koszty praktyk ochronnych, co umożliwia uruchomienie komponentu algorytmu ewolucyjnego dążącego do jednoczesnej optymalizacji celów środowiskowych i kosztowych. Następnie dokonuje się wyboru parametrów sterujących optymalizacją w celu przeprowadzenia optymalizacji wielokryterialnej. Te dwa komponenty, symulacja i optymalizacja, są zintegrowane w systemie symulacji i optymalizacji zwanym genetic I swat; uzyskane wyniki wskazują optymalny zestaw konfiguracji zlewni pod kątem rozmieszczenia praktyk ochronnych, co pozwala na określenie kompromisów między celami środowiskowymi a kosztami inwestycji w ochronę oraz umożliwia wybór konkretnej przestrzennej konfiguracji praktyk ochronnych w zależności od pożądanych celów środowiskowych lub kosztów.

Główną zaletą tej techniki w porównaniu z istniejącymi metodami, takimi jak prosta ocena scenariuszy praktyk ochronnych lub optymalizacja wyboru praktyk ochronnych w oparciu o uproszczoną reprezentację tych praktyk, jest integracja fizycznego modelu procesów zlewni w procesie decyzyjnym dotyczącym optymalizacji w sposób elastyczny i intuicyjnie zrozumiały. Metoda ta może pomóc w udzieleniu odpowiedzi na kluczowe pytania z zakresu gospodarki zlewniami oraz ekonomii środowiska, takie jak: gdzie skierować inwestycje publiczne w praktyki ochronne lub jak ustrukturyzować politykę rynkową, np. w formie aukcji odwróconych na praktyki ochronne lub programu handlu jakością wody. W kontekście zanieczyszczeń obszarowych parametry optymalizacji są wybierane po przygotowaniu modelu zlewni i dostarczeniu danych wejściowych do optymalizacji; sam proces optymalizacji jest sterowany przez program o nazwie Genetic Iwo.

Aby rozpocząć tę procedurę, uruchom program genetic iwo dot exe, przejdź do menu Plik, następnie Otwórz i wybierz bazę danych I SWAT, raccoon GA dot mdb, przejdź do menu Plik, a następnie Konfiguracja, aby przypisać ścieżki do plików wykonywalnych modelu swap. Przejdź do menu Wykonaj, a następnie wybierz zestaw alleli. Krok ten określa kombinacje praktyk konserwatorskich wykorzystywanych w optymalizacji.

Do niniejszego przebiegu zostanie wykorzystany zestaw alleli numer 14, który zawiera 23 kombinacje praktyk konserwacyjnych do wykonania. Następnie należy wybrać podzbiór bazowy SP A two archive baseline, aby przeprowadzić optymalizację wielokryterialną przy użyciu algorytmu ewolucyjnego SP A two. W pierwszej kolejności, w sekcji preset, należy wybrać zlewnię do optymalizacji; kliknięcie przycisku apply wybiera wpisy z pliku presetów watershed presets dot csv, aby uzupełnić wartości sterujące na tym ekranie.

Następnie w sekcji zmiennej wyjściowej (output variable) należy wybrać cele środowiskowe do optymalizacji. Wybrane parametry N outlet i P outlet definiują trójwymiarową funkcję celu: pięcioletnią średnią zawartości azotu na wylocie, pięcioletnią średnią zawartości fosforu na wylocie oraz całkowity koszt działań ochronnych.

Doprowadzi to do utworzenia trójwymiarowego zbioru frontu kompromisów przy ustawieniu początkowej wielkości populacji na 60. Określa to początkową liczbę rozwiązań kandydujących, gdy wybierany jest ziarno z każdą opcją allelu. Tworzone są rozwiązania kandydujące reprezentujące jednolite zastosowanie każdej praktyki ochronnej określonej w zbiorze alleli do wszystkich hydrologicznych jednostek odpowiedzi gruntów ornych w zlewni.

W pierwszej kolejności pozostałe rozwiązania kandydujące są tworzone poprzez losowe przypisanie praktyk konserwatorskich ze zbioru alleli do gruntów ornych HR. Wybierając ziarno dla każdej opcji allela, należy upewnić się, że początkowa wielkość populacji, która w tym pokazie wynosi 60, jest co najmniej tak duża, jak liczba alleli w zbiorze alleli, która wynosi 23. W tym pokazie ustaw pożądaną liczbę generacji lub iteracji dla procesu optymalizacji w tym przykładzie na 125. Gdy dwa rozwiązania kandydujące zostaną wybrane w celu utworzenia nowych rozwiązań kandydujących, prawdopodobieństwo krzyżowania określa prawdopodobieństwo utworzenia odrębnych nowych rozwiązań.

W tej demonstracji prawdopodobieństwo krzyżowania ustawiono na jeden. Wielkość populacji tymczasowej określa liczbę tworzonych nowych rozwiązań kandydujących. Zasoby procesora są wykorzystywane najefektywniej, gdy wartość ta jest liczbą całkowitą będącą wielokrotnością liczby wątków procesora; do tej demonstracji wybrano wartość 16.

Prawdopodobieństwo mutacji jest prawdopodobieństwem przypadkowej zmiany przypisania HRU do innej praktyki ochrony. W oparciu o zestaw alleli zostało ono ustawione na 0,003. W tej demonstracji należy wybrać liczbę użytych wątków lub procesorów, która wynosi 16.

W tej demonstracji czynnik kalibracji numeru krzywej o wartości jeden jest dostarczany z kalibracji modelu zamiany. Na koniec wybierz opcję zapisz populację w pliku tekstowym. Zaznaczenie tej opcji generuje plik tekstowy z wartościami alleli każdego HRU w każdym przeżywszym rozwiązaniu kandydackim.

Jest to istotne dla ponownego uruchomienia procesu optymalizacji po zakończeniu określonej liczby iteracji. Po zakończeniu uruchomienia, cały zestaw rozwiązań efektywnych w sensie Pareto lub granica kompromisu (trade-off frontier) może zostać zwizualizowany poprzez wykonanie następujących kroków. Uruchom genetic.

W programie SWAT przejdź do menu Plik, a następnie wybierz Otwórz, aby otworzyć bazę danych IWA: raccoon GA.mdb. Przejdź do Plik, Eksportuj, a następnie Eksportuj listę HRU; zapisz plik jako raccoon allele, HRU.txt. Uruchom program map, swat.exe, wybierz Wykonaj, a następnie Animacja 3D, aby wygenerować animację trójwymiarowej granicy kompromisu, która zestawia poziomy azotu N na wylocie na osi czerwonej oraz poziomy fosforu P na wylocie na osi niebieskiej z sumarycznym kosztem praktyk ochronnych we wszystkich podzlewniach.

Na zielonej osi wynikiem jest seria plików, które można jednocześnie wyrenderować do plików obrazów. Używając programu POV ray, obrazy te można również połączyć w film przedstawiający postęp algorytmu poprzez uruchomienie skanera klatek xe. Każdy punkt na froncie reprezentuje konfigurację linii podziału wód.

Jest to konkretny przydział praktyk konserwacyjnych w krajobrazie. Wiele z tych konfiguracji można wyświetlić dla całej granicy, wykonując następujące kroki. Uruchom, map, swat, xe, wybierz execute, a następnie map animation.

Ramki po lewej stronie przedstawiają dwuwymiarowe rzuty frontu, a linie przerywane oznaczają położenie wybranego konkretnego rozwiązania. Mapa przedstawia dominującą praktykę konserwatorską zalecaną przez algorytm. W każdym przypadku legenda identyfikuje wybrane praktyki konserwatorskie.

Często kwestią interesującą jest wybór konkretnej konfiguracji zlewni lub pojedynczego rozwiązania, które pozwala osiągnąć określony zestaw celów dotyczących jakości wody. Na przykład, rozwiązanie redukujące azot o 30% i fosfor o 30% w stosunku do mapy obciążeń bazowych. SWAT umożliwia przeszukiwanie granicy w poszukiwaniu rozwiązania o minimalnej odległości EUKLIDESOWEJ od określonego celu. Aby wybrać konkretne konfiguracje zlewni lub rozwiązania osiągające określone cele jakości wody, należy uruchomić program map swat dot exe, a następnie wybrać opcję execute i search.

Wprowadź minimalną wartość docelową wynoszącą zero. W tym przykładzie maksymalna wartość docelowa wynosi 100, a interwał docelowy wynosi 10. W tym przykładzie, w polu procentowej redukcji obok wartości bazowej 30, wprowadź konkretną wartość procentowej redukcji azotu względem poziomu bazowego.

W tym przykładzie należy następnie wpisać procentową redukcję fosforu w polu procentowej redukcji obok wartości bazowej dla fosforu, również 30. W tym przykładzie program map swat wygeneruje wynik w wyskakującym oknie; należy kliknąć kopiuj, tekst, a następnie wkleić go do arkusza kalkulacyjnego.

Wygenerowano trzy tabele: w pierwszej znajdują się osobniki najbliższe celom N i P przy tym samym procencie redukcji, który mieści się w zakresie od T in do tmax przez t int. Bezpośrednio poniżej, w drugiej tabeli, pojawia się pojedynczy osobnik najbliższy docelowej specyfikacji N (N spec) i specyfikacji P (P spec), a następnie najbliższe osobniki, w których cel P mieści się w zakresie od team in do Tmax, podczas gdy N pozostaje stałe w pobliżu end spec. Trzecia tabela przedstawia osobniki najbliższe celom końcowym w zakresie od team in do Tmax, podczas gdy P pozostaje stałe w pobliżu P spec.

W tym przypadku osobnikiem najbliższym 30% redukcji końcowej był ID 84 23 z wartością końcową 14, 639, 660. Poniżej znajduje się mapa przedstawiająca przestrzenny rozkład praktyk konserwatorskich oraz lokalizację tej konfiguracji zlewni na granicy kompromisu po jej opracowaniu. Technika ta utorowała drogę badaczom z zakresu gospodarki zlewniami i ekonomii środowiska do poszukiwania bardziej efektywnych kosztowo sposobów osiągania celów środowiskowych w zlewniach oraz do ulepszenia projektowania polityk opartych na mechanizmach rynkowych.