مدیریت بهینه برداشت منابع آب های زیرزمینی با استفاده از الگوریتم های NSGA-Ⅱ، SPEA-Ⅱ و PESA-Ⅱ (مطالعه موردی: دشت سیلاخور)

سال انتشار: 1400
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 245

فایل این مقاله در 20 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_JWSC-28-3_007

تاریخ نمایه سازی: 30 بهمن 1400

چکیده مقاله:

سابقه و هدف: سطح آب های زیرزمینی دشت سیلاخور هم زمان با رخداد خشکسالی های پی درپی، رشد صنعت و افزایش نیازهای آبی کاهش چشمگیری داشته است. علاوه بر این الگوی کشت منطقه نیز در سال های اخیر به سمت کشت محصولات آب بر میل کرده است که مجموعه این رویدادها ضرورت مدیریت کارآمد در تخصیص منابع محدود آب این منطقه را می رساند. در این پژوهش به منظور مدیریت پایدار منابع آب های زیرزمینی، به تعیین الگوی کشت بهینه محصولات عمده زراعی دشت سیلاخور، باهدف حداکثرسازی درآمد خالص کشاورزان و محدودیت های آب و زمین در دسترس پرداخته شده است. در این راستا دو رویکرد استفاده از برنامه ریزی خطی و استفاده از الگوریتم های فرا اکتشافی چندهدفه در سناریوهای مختلف برداشت بررسی شده و عملکرد توابع جریمه مختلف در الگوریتم ها نیز مورد ارزیابی قرار گرفته است. همچنین نحوه تغییر الگوی کشت بهینه با افزایش برداشت از آب های زیرزمینی نیز مورد بررسی قرار گرفته است.مواد و روش ها: در گام نخست پس از مدل سازی بارش ۱۰ سال گذشته با استفاده از شبکه عصبی مصنوعی و برنامه ریزی ژنتیکی و انتخاب مدل بهتر از نظر دقت، بارندگی سه سال آینده پیش بینی شده و تغذیه آب های زیرزمینی ناشی از آن تخمین زده شد. سپس برای هرسال زراعی ۱۰۰ سناریو برداشت مختلف باتوجه به میزان تغذیه آبخوان ها و میزان برداشت آب در سال های گذشته، در نظر گرفته شد. در گام دوم با استفاده از برنامه ریزی خطی باهدف حداکثرسازی درآمد کشاورزان و محدودیت های آب و زمین در دسترس، الگوی کشت بهینه در سناریوهای برداشت تعیین شده، به دست آمد. در نهایت به منظور نامقیدسازی مسئله، محدودیت های ذکر شده به صورت توابع جریمه ساکن، پویا و پویای طبقه بندی شده در نرم افزار MATLAB، پیاده سازی شدند. سپس عملکرد سه الگوریتم NSGA-Ⅱ، SPEA-Ⅱ و PESA-Ⅱ با توابع هدف حداکثرسازی درآمد کشاورزان و حداقل سازی میزان جریمه، برای رسیدن به الگوی کشت بهینه حاصل از برنامه-ریزی خطی مورد بررسی قرار گرفت.یافته ها: نتایج این پژوهش حاکی از آن است که هرچند با افزایش برداشت از آب های زیرزمینی، در الگوی کشت بهینه درآمد کشاورزان افزایش می یابد؛ اما به دلیل محدودیت کل زمین در دسترس برای کشاورزی در دشت سیلاخور، در برداشت های بیشتر از ۵/۲۲۳، ۲/۲۲۵ و ۱/۲۲۵ میلیون مترمکعب به ترتیب برای سال های زراعی ۱۴۰۰-۱۳۹۹، ۱۴۰۱-۱۴۰۰ و ۱۴۰۲-۱۴۰۱، سطح زیر کشت محصولات ثابت مانده و به دنبال آن درآمد کشاورزان نیز تغییر نمی کند. نتایج بررسی الگوریتم ها و توابع جریمه نیز نشان می دهند که در این مسئله بهترین عملکرد در میان الگوریتم ها به ترتیب متعلق به الگوریتم های SPEA-Ⅱ، PESA-Ⅱ و NSGA-Ⅱ با میانگین تعداد تکرارهای ۱/۱۲، ۵/۱۴ و ۸/۱۷ است. در میان توابع جریمه نیز در هر سه الگوریتم، بهترین عملکرد به ترتیب متعلق به توابع جریمه پویای طبقه بندی شده، پویا و ساکن با میانگین تعداد تکرارهای ۱/۱۳، ۷/۱۳ و ۵/۱۷ می باشد.نتیجه گیری: به طورکلی می توان دریافت که بهینه سازی الگوی کشت در سناریوهای برداشت مختلف، نگاهی جامع در اختیار مسئولان برای مدیریت پایدار منابع ارزشمند و محدود آب و تخصیص بهینه آن قرار می دهد. در همین راستا استفاده از الگوریتم SPEA-Ⅱ با تابع جریمه پویای طبقه بندی شده در تعین الگوی کشت بهینه نتایج مطلوبی به دنبال دارد.

نویسندگان

مهدی کماسی

دانشیار گروه عمران دانشگاه آیت الله العظمی بروجردی(ره)

امیر علیزاده فرد

گروه مهندسی آب و سازه های هیدرولیکی دانشگاه آیت اله العظمی بروجردی (ره)

مسعود احمدی

گروه عمران دانشگاه آیت اله بروجردی(ره)

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • ۱.Abedinpour, A., Jabbarzadeh, A., and Yahyaei, M. ۲۰۱۸. A multi ...
  • (In Persian)۳.Coello, C.A.C. ۲۰۰۲. Theoretical and numerical constraint-handling techniques used ...
  • ۵.Corne, D.W., Jerram, N.R., Knowles, J.D., and Oates, M.J. ۲۰۰۱. ...
  • ۶.Corne, D.W., Knowles, J.D., andOates, M.J. ۲۰۰۰. September. ThePareto envelope-based ...
  • ۷.Darwish, M.R., Sharara, M., Sidahmed, M., and Haidar, M. ۲۰۰۷. ...
  • ۱۰.Ghadimi, S., and Ketabchi, H. ۲۰۱۹. Impact assessment of different ...
  • ۱۳.Jian-Xia, C., Qiang, H., and Yi-Min, W. ۲۰۰۵. Genetic algorithms ...
  • ۱۴.Joines, J.A., and Houck, C.R. ۱۹۹۴, June. On the use ...
  • ۱۵.Kashefi Nezhad, P., Hooshmand, A., and Boroomandnasab, S. ۲۰۱۹. Optimal ...
  • ۱۷.Komasi, M., and Goudarzi, H.۲۰۲۱. Multi-objective optimization of groundwater monitoring ...
  • ۱۸.Komasi, M., and Sharghi, S. ۲۰۱۶. Data mining methods in ...
  • ۲۰.McCulloch, W.S., and Pitts, W. ۱۹۴۳. A logical calculus of ...
  • ۲۱.Michalewicz, Z. ۱۹۹۵. Genetic algorithms, numerical optimization, and constraints. In ...
  • ۲۲.Mohammadian, F., Shahnooshi, N., Gorbani, M., and Aghel, H. ۲۰۰۲. ...
  • ۲۴.Peralta, R.C., Forghani, A., and Fayad, H. ۲۰۱۴. Multiobjective genetic ...
  • ۲۶.Sahoo, B., Lohani, A.K., and Sahu, R. K. ۲۰۰۶. Fuzzy ...
  • ۲۷.Sarker, R., and Ray T. ۲۰۰۹. An improved evolutionary algorithm ...
  • ۲۸.Singh, D.K., Jaiswal, C.S., Reddy, K.S., Singh, R.M., and Bhandarkar, ...
  • ۲۹.Thu Bui, L., and Alam, S. ۲۰۰۸.Multi-Objective Optimization in Computational ...
  • ۳۰.Wang, Z., and Zhou, Z. ۲۰۰۴. Optimization of water allocation ...
  • ۳۱.Yang, J.M., Chen, Y.P., Horng, J.T., and Kao, C.Y. ۱۹۹۷. ...
  • ۳۳.Zitzler, E. ۱۹۹۹. Evolutionary algorithms for multiobjective optimization: Methods and ...
  • نمایش کامل مراجع