بهینه‌سازی الگوی کشت در راستای مدیریت منابع آب‌های زیرزمینی با استفاده از الگوریتم‌های DE و PSO

آب و خاک

مقاله 4، دوره 35، شماره 3 - شماره پیاپی 77، مرداد و شهریور 1400، صفحه 349-364   

نوع مقاله: مقالات پژوهشی

شناسه دیجیتال (DOI): 10.22067/jsw.2021.68763.1025

نویسندگان

مهدی کماسی^{* 1}؛ امیر علیزاده فرد²

¹دانشگاه حضرت آیت ا... العظمی بروجردی (ره)

²دانشکده مهندسی گروه مهندسی آب و سازه‌های هیدرولیکی، دانشگاه آیت الله العظمی بروجردی(ره)،

چکیده

پایش­های میدانی بیانگر کاهش تراز آبخوان­های دشت سیلاخور در سال­های اخیر هستند که این موضوع لزوم بهره­برداری بهینه از منابع محدود آب­های زیرزمینی را می­رساند. در همین راستا باتوجه‌به سهم عمده کشاورزی در مصرف آب، بهینه­سازی الگوی کشت از مهم‌ترین عوامل مدیریت منابع آب و مقابله با کم­آبی محسوب می­شود. در این پژوهش عملکرد توابع جریمه مختلف به‌منظور تعیین الگوی کشت بهینه در دو الگوریتم تکامل تفاضلی و ازدحام ذرات بررسی شده است. در این راستا در گام نخست بارندگی سال­های زراعی 1400-1399، 1401-1400 و 1402-1401 در دشت سیلاخور با استفاده از برنامه­ریزی ژنتیکی و مدل میانگین متحرک خود هم‌بسته یکپارچه فصلی پیش­بینی شده و باتوجه‌به تغذیه ناشی از بارندگی و میزان برداشت در سال­های گذشته، برای هرسال زراعی 100 سناریو برداشت تعیین شد. سپس الگوی کشت بهینه متناسب با هر سناریو برداشت با بهره­گیری از برنامه‌ریزی خطی به دست آمد. حداکثرسازی درآمد کشاورزان به­عنوان تابع هدف، و آب و زمین در دسترس به­عنوان محدودیت­های برنامه­ریزی خطی در نظر گرفته شدند. در گام دوم عملکرد توابع جریمه مختلف در دو الگوریتم تکامل تفاضلی و ازدحام ذرات برای رسیدن به پاسخ­های حاصل از برنامه‌ریزی خطی مورد بررسی قرار گرفت. طبق نتایج این بررسی به طور میانگین الگوریتم ازدحام ذرات در %84 سناریوها سریع‌تر به الگوی کشت بهینه می­رسد. همچنین اعمال تابع جریمه پویای طبقه­بندی شده تعداد تکرارهای الگوریتم تکامل تفاضلی را %11 و الگوریتم ازدحام ذرات را %3 نسبت به استفاده از جریمه ساکن کاهش می­دهد. در مجموع می­توان دریافت که با میزان برداشت فعلی، در صورت پیروی از الگوی کشت بهینه پیشنهاد شده برای چهار محصول عمده زراعی دشت سیلاخور، یعنی گندم، جو، شلتوک و ذرت علوفه­ای، درآمد کشاورزان منطقه %18 افزایش می­یابد. همچنین به‌کارگیری تابع جریمه پویای طبقه­بندی شده در الگوریتم ازدحام ذرات به­منظور بهینه­سازی الگوی کشت پیشنهاد می­شود.

کلیدواژه‌ها

آب های زیرزمینی؛ الگوریتم های فرا کاوشی؛ برنامه ریزی خطی؛ بهینه سازی؛ دشت سیلاخور

مراجع

1-       Alabdulkader A.M., Al-Amoud A.I., and Awad F.S. 2012. Optimization of the cropping pattern in Saudi Arabia using a mathematical programming sector model. Agricultural Economics 58(2): 56-60.‏

2-       Amini A., and Mirzaei M. 2014. Consequences of water deficiency crisis and become dry of Zayande-Roud in rural areas (Case study: Baraan plain in eastern Isfahan). Journal of Community Development 5(2):157-180. (In Persian with English abstract)

3-       Birhanu K., Alamirew T., Olumana M.D., Ayalew S., and Aklog D. 2015. Optimizing cropping pattern using chance constraint linear programming for koga irrigation dam, Ethiopia. Irrigation & Drainage Systems Engineering, 10.

4-       Box G.E., Jenkins G.M., and Reinsel G.C. 2011. Time series analysis: forecasting and control. John Wiley & Sons.‏

5-       Chen K.Y., and Wang C.H. 2007. A hybrid SARIMA and support vector machines in forecasting the production values of the machinery industry in Taiwan. Expert Systems with Applications 32(1): 254-264.

6-       Coello C.A.C. 2002. Theoretical and numerical constraint-handling techniques used with evolutionary algorithms: a survey of the state of the art. Computer Methods in Applied Mechanics and Engineering 191(11): 1245-1287.‏

7-       Hekmatnia M., Hosseini S.M., and Safdari M. 2020. Water Resource Management of the Agricultural Sector in Sistan and Baluchestan Province: a Virtual Water Perspective. Journal of Irrigation & Water Engineering 11(41): 137-149. (In Persian with English abstract)

8-       Homaifar A., Qi C.X., and Lai S.H. 1994. Constrained optimization via genetic algorithms. Simulation 62(4): 242-253.

9-       Joines J.A., and Houck C.R. 1994. On the use of non-stationary penalty functions to solve nonlinear constrained optimization problems with GA's. p. 579-584. The first IEEE conference on evolutionary computation, June 1994. IEEE world congress on computational intelligence.

10-   Kaur B., Sidhu R.S., and Vatta K. 2010. Optimal crop plans for sustainable water use in Punjab. Agricultural Economics Research Review 23: 273-284.

11-   Kennedy J., and Eberhart R. 1995. Particle swarm optimization. p. 1942-1948. ICNN'95-International Conference on Neural Networks, November 1995.

12-   Komasi M., and Sharghi S. 2019. Recognizing factors affecting decline in groundwater level using wavelet-entropy measure (case study: Silakhor plain aquifer). Journal of Hydroinformatics 21(3): 510-522.

13-   Koza J.R., and Poli R. 1992. Genetic programming: on the programming of computers by means of natural selection. MIT press.

14-   Lu H.W., Huang G.H., and He L. 2010. Development of an interval-valued fuzzy linear-programming method based on infinite α-cuts for water resources management. Environmental Modelling & Software 25(3): 354-361.

15-   Majidi N., Alizadeh A., and Ghorbani M. 2011. Determining The Optimum Cropping Pattern In Same Direction With Water Resources Management Of Mashhad-CHenaran Plain. Journal of Water and Soil 25(4): 776-785. (In Persian with English abstract)

16-   Michalewicz Z. 1995. Genetic algorithms, numerical optimization, and constraints. p. 151-158. The 6^th international conference on genetic algorithms, July 1995. Morgan Kauffman San Mateo.‏

17-   Mohammadian F., Shahnooshi N., Ghorbani M., and Aghel H. 2002. Development of a sustainable crop pattern in Fariman-Torbat Jam plain. Journal of Agricultural Economics 4(2): 1-41. (In Persian)

18-   Moradi H.R., Jalili K., and Bozorg Hadad O. 2017. Optimization of Land and Irrigation Water Allocation Based on Water Balance Approach Using Linear Programming. Journal of Water and Soil 31(2): 372-385. (In Persian with English abstract)

19-   Nourani V., Ranjbar S., and Tootoonchi F. 2016. Change Detection of Hydrological Processes Using Wavelet-Entropy Complexity Measure Case Study: Urmia Lake. Journal of Civil and Environmental Engineering University of Tabriz, 45(3): 75-86. (In Persian with English abstract)

20-   Osama S., Elkholy M., and Kansoh R.M. 2017. Optimization of the cropping pattern in Egypt. Alexandria Engineering Journal, 56(4):557-566.

21-   Parsopoulos K.E., and Vrahatis M.N. 2002. Particle swarm optimization method for constrained optimization problems. Intelligent Technologies–Theory and Application: New Trends in Intelligent Technologies 76(1): 214-220.‏

22-   Price K., Storn R.M., and Lampinen J.A. 2006. Differential evolution: a practical approach to global optimization. Springer Science & Business Media.‏‏

23-   Rabani F., and Alikhani A. 2010. Regional Analysis of Climate Change (Drought) in the Karaj River Basin. Water challenge scientific conference in Qom. (In Persian)

24-   Raju K.S., and Kumar D.N. 2004. Irrigation planning using genetic algorithms. Water Resources Management 18(2): 163-176.

25-   Reddy M.J., and Kumar D.N. 2007. Optimal reservoir operation for irrigation of multiple crops using elitist-mutated particle swarm optimization. Hydrological Sciences Journal 52(4): 686-701.

26-   Selle B., and Muttil N. 2011. Testing the structure of a hydrological model using Genetic Programming. Journal of Hydrology 397(1-2): 1-9.

27-   Shumway R.H., and Stoffer D.S. 2017. Time series analysis and its applications: with R examples. Springer.

28-   Siasar H., & Honar T. 2017. Optimization of Water Allocation Pattern crops Using a Genetic Algorithm. Proceedings of 3^th International Conference on Agricultural Engineering and Natural Resources, July 2017. Ghazvin, Iran. (In Persian with English abstract)

29-   Storn R., and Price K. 1997. Differential evolution–a simple and efficient heuristic for global optimization over continuous spaces. Journal of Global Optimization 11(4): 341-359.

30-   Vahidi A. 2012. The Impact of Climate Change and Drought on Iran's Water Resources. Proceedings of 5^th National Conference on Watershed Management and Soil and Water Resources Management, 2012. The Iranian Society of Irrigation & Water Engineering Kerman. Iran. (In Persian)

31-   Yang J.M., Chen Y.P., Horng J.T., and Kao C.Y. 1997. Applying family competition to evolution strategies for constrained optimization. p. 201-211. International conference on evolutionary programming, April 1997. Springer, Berlin, Heidelberg.‏

32-   Yeniay Ö. 2005. Penalty function methods for constrained optimization with genetic algorithms. Mathematical and computational Applications 10(1): 45-56.

33-   Yoosefdoost I., Mohamadrezapuor O., and Ebrahimi M. 2016. Applying Genetic Algorithms in Determining Optimal Cropping Pattern in Different Weather Conditions in Qazvin Plain. Journal of Water Research in Agriculture 30(3): 317-331. (In Persian with English abstract)