دوره 12، شماره 24 - ( پاییز و زمستان 1400 1400 )                   جلد 12 شماره 24 صفحات 119-109 | برگشت به فهرست نسخه ها


XML English Abstract Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Hosseinzad J, Raei M, Ghorbani M A. (2021). Development of an Optimization Model for Water Resources Allocation under Uncertain Conditions (Case study: Marand Watershed). J Watershed Manage Res. 12(24), 109-119. doi:10.52547/jwmr.12.24.109
URL: http://jwmr.sanru.ac.ir/article-1-1137-fa.html
حسین زاد جواد، راعی مهری، قربانی محمدعلی. توسعه مدل بهینه سازی تحت شرایط عدم قطعیت برای تخصیص منابع آب (مطالعه موردی: آبخیز مرند) پ‍‍ژوهشنامه مديريت حوزه آبخيز 1400; 12 (24) :119-109 10.52547/jwmr.12.24.109

URL: http://jwmr.sanru.ac.ir/article-1-1137-fa.html


دانشکده کشاورزی، دانشگاه تبریز
چکیده:   (2552 مشاهده)
چکیده مبسوط
مقدمه و هدف: با توجه به محدودیت منابع آب، مسائل مربوط به مناقشات تخصیص آب از جمله نگرانی­های مهم برنامه­ریزان و مصرف­کنندگان آب است. عدم قطعیت موجود در سیستم منابع آب و تغییرات آب و هوایی نیز تخصیص بهینه منابع آب در بخش کشاورزی را پیچیده­تر کرده­­ است. بنابراین، در مطالعه حاضر سعی می­گردد که با توسعه مدل­ برنامه­ریزی ریاضی که قادر به لحاظ پویایی و شرایط عدم ­حتمیت هم در پارامترهای توابع هدف و هم در محدودیت­ها باشد، به تخصیص بهینه منابع آب در آبخیز مرند پرداخته ­شود.
مواد و روش ها: در این مطالعه یک مدل برنامه­ریزی تصادفی چندمرحله­ای تعاملی مبتنی بر عدم­ قطعیت (UIMSP) از طریق تلفیق روش معیار کاتااوکا و برنامه­ ریزی محدودیت شانس در یک چارچوب تصمیم­ گیری چند­مرحله ­ای برای مدیریت منابع آب کشاورزی آبخیز مرند در دوره­ های مختلف برنامه­ ریزی توسعه داده­ شده ­است. یک درخت سناریوی دو دوره­ای با ترکیبات مختلف احتمال نقض محدودیت­ ها (α) و سطوح مختلف معیار فرکتایل برای تابع هدف (β) انتخاب شدند.
یافته ­ها: نتایج نشان می­دهد که مینیمم سود خالص سیستم، زمانی‌‌که α= 0/01 و   β= 0/9 باشند 1010×[983/6، 46/6] ریال حاصل می‌‌شود و ماکزیمم آن زمانی‌‌که  و باشند 1010×[1483/1، 699/7] ریال می‌‌باشد. همچنین به ازاء هر احتمال تخطی از محدودیت (α)، با افزایش سطح رضایت تابع هدف (β)، هر دو کران بالا و پایین سود خالص سیستم به تدریج کاهش می ­یابد، درحالی­که اختلاف بین سود خالص سیستم تحت سطوح مختلف تخطی از محدودیت (α) قابل توجه است. همچنین نتایج حاصل از مدل UIMSP نشان می ­دهد کمبود آب در سناریوهای مختلف به دلیل ناکافی بودن منابع آب در آبخیز مرند مشاهده می­ شود. با این حال بر اساس نتایج مدل، در دوره دوم علیرغم کاهش در مقدار آب موجود، میزان کمبود آب با افزایش کارایی آبیاری کاهش یافته است. به ­عنوان مثال، تحت شدت جریان متوسط مقدار کمبود آب سطحی و زیرزمینی آبخیز در دوره اول به ترتیب برابر با 43/6 درصد و 32/5 درصد می­باشد که در دوره دوم به میزان [36/9، 24/5] درصد و [24/5، 0] درصد کاهش می ­یابد.
نتیجه­ گیری: نتایج حاصل از مدل توسعه یافته به تصمیم­ گیرندگان کمک می­کند تا تعاملات بالقوه بین ریسک­ های مربوط به تابع هدف تصادفی و محدودیت­ های موجود را بررسی کنند. همچنین افزایش بهره ­وری آبیاری و به ­روزرسانی سیستم­ های آبیاری از اصلی­ ترین استراتژی­ هایی هستند که می ­توانند ضمن کاهش آسیب­ های زیست محیطی­، یک مزیت اقتصادی برای کشاورزان فراهم کنند.
 
متن کامل [PDF 1328 kb]   (530 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: مديريت حوزه های آبخيز
دریافت: 1399/11/29 | ویرایش نهایی: 1400/12/3 | پذیرش: 1400/2/25 | انتشار: 1400/6/10

فهرست منابع
1. Afzali, A. and K. Shahedi. 2014. Investigation on Trend of Groundwater Quantity-Quality Variation in Amol-Babol Plain. Journal of Watershed Management Research, 5(10): 144-156 (In Persian).
2. Ahmadi, K., H.R. Ebadzadeh, F. Hatami, H. Abdshah and A. Kazemian. 2020. Agricultural statistics (Crop year 2018-2019, Volume I: crops). Ministry of Jihad-Agriculture, Department for Planning and Economic Affairs, Tehran, Iran, 97 pp (In Persian).
3. Askew, A.J., 1974. Chance-constrained dynamic programming and the optimization of water resource systems. Water Resources Research, 10(6): 1099-1106. [DOI:10.1029/WR010i006p01099]
4. Bai, T., J. Wei, F.J. Chang, W.W. Yang and Q. Huang. 2019. Optimize multi-objective transformation rules of water-sediment regulation for cascade reservoirs in the Upper Yellow River of China. Journal of Hydrology, 577: 123987. [DOI:10.1016/j.jhydrol.2019.123987]
5. Charnes, A., W.W. Cooper and M.J.L. Kirby. 1971. Chance-constrained programming: an extension of statistical method. Optimizing Methods in Statistics. Academic Press, University of Texas, Carnegie-Mellon University, Dalhousie University, 391-402. [DOI:10.1016/B978-0-12-604550-5.50022-5]
6. Dupačová, J., G. Consigli and S.W. Wallace. 2000. Scenarios for multistage stochastic programs. Annals of Operations Research, 100(1): 25-53. [DOI:10.1023/A:1019206915174]
7. Edirisinghe, N.C.P., E.I. Patterson and N. Saadouli. 2000. Capacity planning model for a multipurpose water reservoir with target-priority operation. Annals of Operations Research, 100(1): 273-303. [DOI:10.1023/A:1019200623139]
8. Homayounifar, M. and F. Rastgaripour. 2010. Water allocation of Latian dam between agricultural products under uncertainty. Journal of Agricultural Economics and Development, 24(2): 259-267 (In Persian).
9. Hosseinzad, J., A. Javadi, B. Hayati, E. Pishbahar and Gh. Dashti. 2011. Application of optimal control model in groundwater extraction (Case study: Ajabshir Plain). Journal of Agricultural Economics and Development, 25(2): 212-218 (In Persian).
10. Kataoka, S. 1963. A stochastic programming model. Econometrica, 31(1): 181-196. [DOI:10.2307/1910956]
11. Li, Y.P., G.H. Huang and S.L. Nie. 2009. Water resources management and planning under uncertainty: an inexact multistage joint-probabilistic programming method. Water Resources Management, 23: 2515-2538. [DOI:10.1007/s11269-008-9394-x]
12. Li, M., P. Guo, G.Q. Yang and S.Q. Fang. 2013a. IB-ICCMSP: An integrated irrigation water optimal allocation and planning model based on inventory theory under uncertainty. Water Resources Management, 28: 241-260. [DOI:10.1007/s11269-013-0482-1]
13. Li, M., P. Guo, V.P. Singh and G. Yang. 2016. An uncertainty-based framework for agricultural water-land resources allocation and risk evaluation. Agricultural Water Management, 177: 10-23. [DOI:10.1016/j.agwat.2016.06.011]
14. Li, Y.P., G.H. Huang and S.L. Nie. 2006. An interval-parameter multi-stage stochastic programming model for water resources management under uncertainty. Advances in Water Resources, 29(5): 776-789. [DOI:10.1016/j.advwatres.2005.07.008]
15. Li, Z., G. Huang, Y. Zhang, and Y. Li. 2013b. Inexact two-stage stochastic credibility constrained programming for water quality management. Resources. Conservation and Recycling, 73: 122-132. [DOI:10.1016/j.resconrec.2013.01.008]
16. Luo, B., I. Maqsood, Y.Y. Yin, G.H. Huang and S.J. Cohen. 2003. Adaption to climate change through water trading under uncertainty- an inexact two-stage nonlinear programming approach. Journal of Environmental Informatics, 2(2): 58-68. [DOI:10.3808/jei.200300022]
17. Maqsood, I., G. Huang, Y. Huang and B. Chen. 2005. ITOM: an interval-parameter two-stage optimization model for stochastic planning of water resources systems. Stochastic Environmental Research and Risk Assessment, 19(2): 125-133. [DOI:10.1007/s00477-004-0220-6]
18. Miao D.Y., W.W. Huang, Y.P. Li and Z.F. Yang. 2014. Planning water resources systems under uncertainty using an interval-fuzzy de novo programming method. Journal of Environmental Informatics, 24(1): 11-23. [DOI:10.3808/jei.201400277]
19. Seyedan, S.M. and A. Ghadami Firozabadi. 2018. Pricing of groundwater resources of Hamadan-Bahar Plain using spatial econometric approach, Journal of Watershed Management Research, 9(17): 258-268 (In Persian). [DOI:10.29252/jwmr.9.17.258]
20. Shafaeianfard, D., F. koohiyan Afzal and M. Ebrahim Yakhleshi. 2014. Determination of top options in utilization of water resources using WEAP model and multi attribute decision-making analysis (Case study: Zaryngol basin). Journal of Watershed Management Research, 5(9): 29-45 (In Persian).
21. Shen, Y.S., Z.F. Tan, X.L. Shen, J.J. Bai, Q.Z. Li and S. Wang. 2012. Study of energy saving and emission reduction based on the OLAP multi-indicator relational model. Journal of Environmental Informatics, 20(2): 115-122. [DOI:10.3808/jei.201200225]
22. Wang, S. and G.H. Huang. 2012. Identifying optimal water resources allocation strategies through an interactive multi-stage stochastic fuzzy programming approach. Water resources management, 26(7): 2015-2038. [DOI:10.1007/s11269-012-9996-1]
23. Wang, S., G.H. Huang and Y. Zhou. 2015. Inexact probabilistic optimization model and its application to flood diversion planning in a dynamic and uncertain environment. Journal of Water Resources Planning and Management, 141(8): 04014093-1-04014093-10. [DOI:10.1061/(ASCE)WR.1943-5452.0000492]
24. Wang, Y.Z., L. Liu, P. Guo, C.L. Zhang, F. Zhang and S.S. Guo. 2019. An inexact irrigation water allocation optimization model under climate change. Stochastic Environmental Research and Risk Assessment, 33(1): 271-285. [DOI:10.1007/s00477-018-1597-y]
25. Xu, J., G. Huang, Z. Li and J. Chen. 2017. A two-stage fuzzy chance-constrained water management model. Environmental Science and Pollution Research, 24(13): 12437-12454. [DOI:10.1007/s11356-017-8725-y]
26. Yang, G.Q., L. Liu, P. Guo and M. Li. 2017. A flexible decision support system for irrigation scheduling in an irrigation district in China. Agricultural Water Management, 179: 378-389. [DOI:10.1016/j.agwat.2016.07.019]
27. Zhang, C. and P. Guo. 2017. A generalized fuzzy credibility-constrained linear fractional programming approach for optimal irrigation water allocation under uncertainty. Journal of Hydrology, 553: 735-749. [DOI:10.1016/j.jhydrol.2017.08.008]

ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA

ارسال پیام به نویسنده مسئول


بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.

کلیه حقوق این وب سایت متعلق به (پژوهشنامه مدیریت حوزه آبخیز (علمی-پژوهشی می باشد.

طراحی و برنامه نویسی : یکتاوب افزار شرق

© 2024 CC BY-NC 4.0 | Journal of Watershed Management Research

Designed & Developed by : Yektaweb