دوره 12، شماره 24 - ( پاییز و زمستان 1400 1400 )
جلد 12 شماره 24 صفحات 119-109 |
برگشت به فهرست نسخه ها
دانشکده کشاورزی، دانشگاه تبریز
چکیده: (2370 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.
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.
واژه‌های کلیدی: برنامه ریزی تصادفی چندمرحله ای، برنامه ریزی محدودیت شانس، کران تصادفی، مدیریت منابع آب، معیار کاتااوکا
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
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]
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |