[發明專利]一種基于生態服務功能的農業非點源最佳管理措施組合優化配置方法

有效

• 申請號: 201811443371.1
• 申請日: 2018-11-29
• 公開（公告）號: CN109376955B
• 公開（公告）日: 2021-09-21
• 發明（設計）人: 王曉燕;龐樹江
• 申請（專利權）人: 首都師范大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/02
• 代理公司: 北京馳納智財知識產權代理事務所(普通合伙) 11367
• 代理人: 李佳佳

1.一種基于生態服務功能的農業非點源最佳管理措施組合優化配置方法，其步驟為：

1)收集目標研究區地理空間數據、氣象水文數據、污染源數據和農業管理信息數據，構建該目標研究區的流域SWAT模型；所述地理空間數據包括流域地形地貌、土地利用類型、土壤類型；所述氣象水文數據包括氣象數據、逐日地表徑流量和水質數據；然后對所述流域SWAT模型的敏感性參數進行校驗，校驗通過后進行步驟2)；

其中校驗方法為：

以水量水質數據為基準，收集相關已有文獻中SWAT模型中水量水質敏感性參數及范圍信息，作為SWAT模型敏感性參數分析的參數數據庫，然后利用SWAT-CUP模型對參數數據庫中的參數進行拉丁超立方采樣，得到隨機參數組合；然后將隨機參數組合代入SWAT模型觀察模擬值與觀測值的變化及擾動差異性，得到SWAT模型的全局性敏感性等級，選擇顯著性水平作為確定敏感性參數的依據，以此篩選出SWAT模型的敏感性參數；

然后將該目標研究區的SWAT模擬時期劃分為預熱期、校準期和驗證期，設定敏感性參數的理論范圍，利用SWAT-CUP模型的SUFI-2算法對敏感性參數進行拉丁超立方采樣，然后代入該目標研究區的SWAT模型判斷模擬值與觀測值的匹配程度，重復多次迭代后得到校準期最優的參數組合；最后，將校準期的最優參數代入該目標研究區的SWAT模型的驗證期，當模擬效果滿足設定的判斷準，則校驗通過；

2)根據該目標研究區的坡度條件和土壤水文組類型篩選出該目標研究區的農業非點源管理措施；其中，所述步驟2)以BMP Too1工具箱為基礎，利用GIS技術提取并計算該目標研究區所在流域的平均坡度和水文土壤組信息，以此為作為流域最佳管理措施初選的篩查條件，篩選得到該目標研究區的農業非點源管理措施；

3)計算該目標研究區所在流域已有的管理措施的成本、所選各項農業非點源管理措施的成本，構建各管理措施的成本數據庫；

4)調整所述流域SWAT模型中農業管理措施的關鍵特征參數，分別模擬不同管理措施對目標污染物的削減效率，生成措施實施生態效益數據庫；

5)以設定的目標函數最優化為準則，采用自適應多目標遺傳算法對所述成本數據庫、措施實施生態效益數據庫進行計算，獲取不同目標污染物的最優成本效益曲線，得到該目標研究區的農業非點源最佳管理措施優化配置方案；

其中，所述自適應多目標遺傳算法是自通過將NSGA-II算法中的固定概率機制進行交叉和變異操作修改為采用基于適應度函數調整交叉概率和變異概率，并采用Pareto解的進化代際差異作為判斷NSGA-II算法是否完成收斂的判據的方式得到參數自適應的ANSGA-II算法。

2.如權利要求1所述的方法，其特征在于，所述農業管理措施包括農業耕種管理方式、畜禽養殖管理方式和生活污水管理方式。

3.如權利要求2所述的方法，其特征在于，以該目標研究區的實際物價和人力成本為依據，計算該目標研究區所在流域已有的管理措施和步驟2)所選各項農業非點源管理措施的單位實施成本、維護成本和機會成本，構建各管理措施的成本數據庫。

4.如權利要求1所述的方法，其特征在于，篩選出所述敏感性參數的方法：以水量水質數據為基準，收集相關已有文獻中SWAT模型中水量水質敏感性參數及范圍信息，作為SWAT模型敏感性參數分析的參數數據庫，然后利SWAT-CUP模型對參數數據庫中的參數進行拉丁超立方采樣，得到隨機參數組合；然后將隨機參數組合代入SWAT模型觀察模擬值與觀測值的變化及擾動差異性，得到SWAT模型的全局性敏感性等級，選擇顯著性水平作為確定敏感性參數的依據，篩選出SWAT模型的敏感性參數。

5.如權利要求1所述的方法，其特征在于，所述自適應多目標遺傳算法的處理流程為：首先對各種措施進行染色體編碼，每種措施用一個整數代表，生成多個潛在的可行解；然后將可行解代入適應度函數選擇優秀個體，然后利用適應度函數值調整各個個體的交叉概率和變異概率，對優秀個體被賦予較小的交叉概率和變異概率，劣勢個體被賦予較大的交叉概率和變異概率；然后執行交叉和變異操作，得到了經過交叉和變異的新一代種群，不斷重復上述“選擇一交叉一變異”操作，使得產生的種群個體不斷逼近于最優解；當相隔10代的Pareto前端個體的距離小于給定閾值，則算法終止。

6.如權利要求5所述的方法，其特征在于，將Pareto最優解代際差異小于0.01作為算法進化終止的閾值。