本發(fā)明屬于農(nóng)業(yè)非點源污染模擬技術(shù)和最佳管理措施優(yōu)化技術(shù)領(lǐng)域,具體涉及一種考慮地塊拓撲關(guān)系的流域最佳管理措施優(yōu)化方法。
背景技術(shù):
最佳管理措施(Beneficial management practices,BMP)是為了控制和削減非點源污染,防止水土流失、保護土壤資源,改善水質(zhì)及流域生態(tài)環(huán)境而采取的一系列措施。在實際流域中進行BMP選擇和優(yōu)化配置時,通常上游管理單元措施的選擇一定程度上由其下游單元措施的選擇決定,例如下游管理單元實施了草地過濾帶措施,則上游管理單元就不用實施等高耕作或者免耕措施,因此,BMP優(yōu)化應該考慮管理單元的上下游關(guān)系。
現(xiàn)有的BMP優(yōu)化方法有兩種,一種是根據(jù)專家經(jīng)驗和關(guān)鍵源區(qū)識別,在一定程度上考慮了管理單元上下游關(guān)系來設計BMP方案,然后通過流域模型模擬評價進行擇優(yōu)選擇,但是該方案評價時大多采用半分布式流域模型,無法模擬方案中管理單元的空間相互作用(如上游排污對下游的影響);另一種是基于智能優(yōu)化算法對流域BMP空間配置方案進行優(yōu)化,但是由于優(yōu)化算法以隨機法生成初始種群(初始解),根據(jù)模型評價結(jié)果來引導產(chǎn)生新種群(新解)進行BMP配置優(yōu)化,而使用的模型在現(xiàn)有研究中多是采用半分布式流域模型,采用的隨機法也忽略了管理單元的上下游關(guān)系。綜上所述,現(xiàn)有的兩種BMP優(yōu)化方法沒有充分考慮管理單元的上下游關(guān)系及其空間相互作用。
基于優(yōu)化算法在流域中進行BMP空間優(yōu)化配置時,如果考慮管理單元的上下游關(guān)系及管理措施空間相互作用的先驗知識進行優(yōu)化,并且采用能夠體現(xiàn)空間單元之間物質(zhì)交互作用的全分布式流域模型作為BMP評價模型,那么不僅可提高優(yōu)化算法的收斂速度,而且可以提高最優(yōu)解的質(zhì)量。
技術(shù)實現(xiàn)要素:
鑒于上述,本發(fā)明提供了一種考慮地塊拓撲關(guān)系的流域最佳管理措施優(yōu)化方法,其將現(xiàn)有的流域最佳管理措施空間相互作用知識應用于優(yōu)化算法初始,以提高算法搜索的起點。
一種考慮地塊拓撲關(guān)系的流域最佳管理措施優(yōu)化方法,包括如下步驟:
(1)將流域整體劃分成具有上下游關(guān)系的多個獨立管理的地塊,并構(gòu)建地塊樹,所述的地塊具有單一的土地利用類型和明確的上下游關(guān)系;
(2)初始化生成具有一定數(shù)量規(guī)模的種群,種群中的每一個體為一套潛在的流域整體管理方案,即對應一棵地塊樹且其中每一地塊通過空間相互作用規(guī)則確定了對應的BMP;
(3)根據(jù)泥沙削減率和成本利用快速非支配排序法對種群中的個體進行排序,按次序使個體兩兩配對進行交叉變異,從而生成下一代種群;
(4)根據(jù)步驟(3)不斷進行遺傳進化,直至達到設定的迭代終止條件,最終獲得的新一代種群即為精英集,進而根據(jù)流域治理的環(huán)境目標以及預算從精英集中選取出一個個體作為流域整體的最優(yōu)管理方案。
所述步驟(1)的具體過程如下:
1.1利用DEM(數(shù)字高程模型)建立流域整體的流向圖;
1.2根據(jù)流向關(guān)系將流向圖中的所有柵格對應作為節(jié)點組建成樹形結(jié)構(gòu);
1.3根據(jù)土地利用圖使樹形結(jié)構(gòu)中具有相同土地利用類型以及直接流向關(guān)系的節(jié)點進行合并,合并后的樹形結(jié)構(gòu)即為所述的地塊樹且其中的每一節(jié)點即對應所述的地塊。
所述步驟(2)的具體過程為:
2.1以流域出口所在的地塊作為地塊樹的根節(jié)點,根據(jù)土地利用類型為根節(jié)點選擇合適的BMP或隨機生成根節(jié)點的BMP;
2.2對于地塊樹中除根節(jié)點以外的任一地塊,若其直接流向的下游地塊BMP為無措施,則從無措施以及其他具體措施中隨機選擇其一作為該地塊的BMP;若其直接流向的下游地塊BMP為某一具體措施,則令該地塊的BMP為無措施;依此確定地塊樹中各地塊的BMP,從而得到一個個體;
2.3根據(jù)步驟2.1和2.2執(zhí)行多次,生成多個個體,從而組成種群。
所述步驟(3)中個體泥沙削減率的計算表達式如下:
其中:Fsed(X)表示按個體X中各地塊BMP實施后流域整體的泥沙減少率,V(0)為各地塊不采取任何措施下流域整體受侵蝕所產(chǎn)生的泥沙模擬量,V(X)為按個體X中各地塊BMP實施情況下流域整體受侵蝕所產(chǎn)生的泥沙模擬量。
所述步驟(3)中個體成本的計算表達式如下:
其中:Fcost(X)表示按個體X中各地塊BMP實施的總費用,C(xi)表示個體X中第i個地塊的單位面積BMP實施費用,Ai表示第i個地塊的面積,n為地塊總數(shù)。
所述步驟(3)中使個體兩兩配對進行交叉變異的具體過程為:對于任一對個體,從其中一個個體A中除根節(jié)點外任意選定一個地塊a,同時從另一個個體B中選定一個地塊b且地塊b與地塊a在各自個體中的位置相同;使個體A中以地塊a為根節(jié)點的子樹與個體B中以地塊b為根節(jié)點的子樹進行相互交換,得到個體A'和個體B',從而完成交叉過程;對于交叉后得到的新個體,隨機從中選取若干個體,從被選取的新個體中隨機選取一地塊,并隨機選擇一種具體措施或無措施替換該地塊原有的BMP,從而完成變異過程。
本發(fā)明充分利用流域管理單元(即地塊)的上下游關(guān)系及BMP的空間相互作用的知識進行種群初始化,與隨機法生成初始解的傳統(tǒng)方法相比,本發(fā)明可提高解的質(zhì)量,有助于算法收斂,快速找到較優(yōu)的解。
附圖說明
圖1為本發(fā)明方法的優(yōu)化流程示意圖。
圖2為本發(fā)明中地塊劃分的流程示意圖。
圖3為本發(fā)明中種群初始化的流程示意圖。
圖4為本發(fā)明中遺傳算法的交叉策略示意圖。
圖5為本發(fā)明方法與傳統(tǒng)方法的實驗步驟對比示意圖。
圖6(a)為種群規(guī)模為60情況下本發(fā)明方法與傳統(tǒng)方法的實驗結(jié)果對比圖。
圖6(b)為種群規(guī)模為100情況下本發(fā)明方法與傳統(tǒng)方法的實驗結(jié)果對比圖。
圖6(c)為種群規(guī)模為200情況下本發(fā)明方法與傳統(tǒng)方法的實驗結(jié)果對比圖。
具體實施方式
為了更為具體地描述本發(fā)明,下面結(jié)合附圖及具體實施方式對本發(fā)明的技術(shù)方案進行詳細說明。
本發(fā)明方法以遺傳算法為基礎,以流域模擬技術(shù)為手段,結(jié)合現(xiàn)有的流域最佳管理措施BMP空間相互作用知識,充分考慮管理單元的空間拓撲關(guān)系,即上下游關(guān)系,進行BMP的優(yōu)化,其方法具體步驟如圖1所示:
(1)將流域整體劃分成具有上下游關(guān)系的流域管理單元,以地塊為管理單元,提出一種新的地塊劃分方法:根據(jù)土地利用和DEM提取的流向圖,重新劃分地塊,劃分的地塊具有單一的土地利用類型和明確的上下游關(guān)系;該步驟具體操作如圖2所示:
1.1根據(jù)流向圖構(gòu)建流向關(guān)系樹形結(jié)構(gòu),同時記錄在樹形結(jié)構(gòu)中每個柵格的ID號(ID與空間位置相對應);
1.2將土地利用圖每個柵格的ID號與樹形結(jié)構(gòu)中相同ID的柵格疊加,形成具有土地利用信息和流向關(guān)系的樹形結(jié)構(gòu);
1.3將相同土地利用的柵格合并,最終形成具有上下游關(guān)系、單一土地利用的地塊。
(2)選擇一個多目標遺傳算法(如ε-NSGA-II),并構(gòu)建一個分布式流域模型(如Landscape SWAT模型)和BMP成本計算組件。
(3)提取流域最佳管理措施BMP之間的空間相互作用規(guī)則,并將其應用于遺傳算法的種群初始化過程,即在地塊上按照這些規(guī)則生成一定數(shù)量的BMP空間配置情景;該步驟具體操作如圖3所示:
3.1讀取具有上下游關(guān)系的地塊信息,構(gòu)建地塊樹;
3.2找到流域出口所在的地塊(樹形結(jié)構(gòu)的根節(jié)點),該地塊是其他地塊的下游地塊,根據(jù)該地塊的土地利用類型,隨機生成或者指定某種合適的BMP;
3.3從根節(jié)點的孩子節(jié)點開始,按照下游到上游的地塊關(guān)系遍歷(樹的先序遍歷)每個地塊,先判斷其下游地塊是否實施了BMP,如果實施,則該地塊不實施BMP,如果沒有實施,則根據(jù)該地塊的土地利用類型,隨機生成或者指定某種合適的BMP。假設有3種可選的BMP,分別為:無措施、免耕、退耕還草,則我們有如表1所示的BMP相互作用規(guī)則:
表1
3.4根據(jù)用戶指定的種群規(guī)模(個體數(shù)目),按照步驟3.2~3.3,生成種群。
(4)多目標評價(個體適應度計算),即調(diào)用流域模型和成本計算組件對每個BMP情景的多個目標(如減沙率最大、成本最小)進行計算。其中多目標評價的目標包括環(huán)境目標和經(jīng)濟目標,優(yōu)化問題描述為最大化泥沙削減率和最小化BMP成本;進行BMP情景多目標評價時,由優(yōu)化算法產(chǎn)生的新的情景需要與一個基準情景(baseline scenario)進行比較,基準情景是指當前未實施BMP時的模型模擬結(jié)果;這里的模型模擬結(jié)果是指流域模型在參數(shù)率定后,泥沙流入河道的模擬值。
每個BMP情景的泥沙削減率計算是通過該情景的模型模擬值與基準情景做差值來計算,具體計算公式如下:
其中,F(xiàn)sed(X)表示實施BMP后的泥沙減少率(%),V(0)是基準情景下侵蝕所產(chǎn)生的泥沙模擬量(kg),V(X)是某個BMP情景下侵蝕所產(chǎn)生的泥沙模擬量(kg)。
BMP情景的成本計算采用如下公式:
其中,F(xiàn)cost(X)是該BMP情景的費用(元),C(xi)表示在第i個地塊上單位面積BMP實施費用(元/公頃);如果該地塊上沒有實施BMP,則費用為0;如果實施了BMP,則按照該BMP單位面積費用計算;Ai表示第i個地塊的面積。BMP費用數(shù)據(jù)是通過野外調(diào)查或者查相關(guān)文獻獲得;本實施例中用到的BMP成本如表2所示:
表2
(5)根據(jù)個體適應度計算結(jié)果,對種群中的所有個體采用快速非支配排序法進行排序,排序得到的非支配解利用ε-支配調(diào)整策略進行調(diào)整,并保留到一個集合中(稱為精英集)。
(6)判斷是否達到算法的終止條件(如最大進化代數(shù)),如果沒有達到終止條件,則對種群進行交叉、變異操作,產(chǎn)生新的種群,并轉(zhuǎn)到步驟4;如果達到了終止條件,則算法停止執(zhí)行,最終獲得的精英集為Pareto最優(yōu)集或近似最優(yōu)集。
其中遺傳算法種群的交叉策略采用樹形編碼的交叉策略,算法在遺傳操作時的交叉算子采用隨機選擇某個樹節(jié)點的策略,然后將父代對應樹節(jié)點交叉,并且樹結(jié)構(gòu)保持不變,如圖4所示。交叉算子在隨機選擇樹節(jié)點后,首先判斷父代1和父代2以該節(jié)點為根的子樹BMP編碼是否相同,如果不同則交換兩棵子樹;如果相同,則重新選擇樹節(jié)點,再比較父代以該節(jié)點為根的子樹BMP編碼是否相同,原因是當兩棵子樹的編碼相同時,無需交換。變異算子根據(jù)用戶給定的變異概率和隨機數(shù)(范圍為0~1)來確定對種群中的個體是否變異,如果隨機數(shù)小于用戶給定變異概率,則該個體不執(zhí)行變異操作,否則執(zhí)行變異操作,即采用隨機選擇法挑選樹的某個節(jié)點號,并以隨機法生成新的BMP類型代替該節(jié)點原來的BMP類型。
以下我們在其他條件完全相同的情況下,使本發(fā)明方法與傳統(tǒng)方法進行對比驗證,實驗步驟如圖5所示。由于對比實驗主要涉及ε-NSGA-II算法的種群初始化過程,因此,種群規(guī)模參數(shù)可能對優(yōu)化結(jié)果有所影響??紤]到上述情況,設計了種群規(guī)模分別為60、100、200的三組對比實驗,60、100、200均為遺傳算法中較為常見的種群規(guī)模參數(shù)值。在設計的三組實驗中,地塊數(shù)目為79;ε-NSGA-II的主要參數(shù)設置如下:最大進化代數(shù)為100代,變異概率為0.1,ε(網(wǎng)格大小)為0.075。
當種群規(guī)模分別為60、100、200時,本發(fā)明方法與傳統(tǒng)的方法的BMP優(yōu)化結(jié)果如圖6所示。結(jié)果顯示,本發(fā)明方法獲得的Pareto最優(yōu)解均比傳統(tǒng)的方法好,此結(jié)果表明本發(fā)明方法在考慮地塊空間拓撲關(guān)系進行BMP優(yōu)化,可提高解的質(zhì)量,有助于算法收斂,快速找到較優(yōu)的解。
上述對實施例的描述是為便于本技術(shù)領(lǐng)域的普通技術(shù)人員能理解和應用本發(fā)明。熟悉本領(lǐng)域技術(shù)的人員顯然可以容易地對上述實施例做出各種修改,并把在此說明的一般原理應用到其他實施例中而不必經(jīng)過創(chuàng)造性的勞動。因此,本發(fā)明不限于上述實施例,本領(lǐng)域技術(shù)人員根據(jù)本發(fā)明的揭示,對于本發(fā)明做出的改進和修改都應該在本發(fā)明的保護范圍之內(nèi)。