مقاله کاربرد الگوریتم ژنتیک در پیش بینی آبیاری

بخشی از مقاله

چکیده

خشکسالیهای اخیر اهمیت استفاده بهینه از منابع آب را دوچندان کرده است. اگر بتوان قبل از کاشت محصول تعداد آبیاری و آب مورد نیاز محصول در طول یک دوره از کاشت تا برداشت را پیشبینی کرد، میتوان در تصمیمگیری اینکه آیا کاشت محصول از لحاظ میزان آب مورد استفاده مقرون به صرفه است یا خیر، به کشاورز کمک نمود. یکی از روشهای پیشبینی این مساله استفاده از الگوریتم ژنتیک میباشد.

میتوان با استفاده از الگوریتم ژنتیک و دادههای آب و هوا، خاک و فاکتورهای موثر در تصمیمگیری آبیاری توسط کشاورز مربوط به سالهای قبل تعداد آبیاری، فاصله میان هر آبیاری و میزان آب مورد نیاز را برای یک محصول از کاشت تا برداشت پیشبینی نمود.

نتایج آزمایشها نشان داد که تعداد و فاصله میان هر آبیاری به طور متوسط به رفتار کشاورز در انجام آبیاری نزدیک است و میزان آب پیشبینی شده با حداقل آب م ورد نیاز جهت آبیاری محصول مشابه میباشد. نتایج نشان داد که در حدود %80 پیشبینیها برای زمان آبیاری و آب مورد نیاز محصول ذرت درست بوده است، لذا میتوان درمورد تصمیمگیری کاشت یا عدم کاشت محصول - ذرت - با توجه به آب مورد استفاده تصمیمگیری نمود.

.1 مقدمه

کمیابی آب یکی از مشکلات اصلی برای کشورهای توسعه یافته و در حال توسعه است، که یک خطر جدی برای بحران غذا به حساب میآید.[1] بنابر گزارشها بیش از %70 تا %80 منابع آب در سراسر جهان به وسیله آبیاری کشاورزی استفاده میشود.[2] این آمارها اهمیت مدیریت آب آبیاری را دوچندان میکند. مطالعات نشان میدهند که آبهای مورد استفاده برای کشاورزی همیشه نمیتوانند به صورت مفید برای محصول تولیدی استفاده شوند. به طور میانگین %25 آب کشاورزی هرز میرود.[3] با توجه به مطالب گفته شده استفاده از روشهایی که بتوان با استفاده از آن، آب آبیاری را مدیریت کرد بسیار مفید و لازم خواهد بود.

در بسیاری از موارد کاشت محصول مشاهده میشود که کشاورز در زمان برداشت محصول با توجه به قیمتهای بازار به این نتیجه رسیده است که کاشت محصول مقرون به صرفه نبوده است. اغلب، ملاک کشاورزان در مقرون به صرفه بودن کاشت یک محصول قیمت نهایی فروش محصول و سود حاصل از آن میباشد، اما با توجه به خشکسالیهای اخیر و کمبود آب و منابع آب میبایست آیتم میزان آب مورد استفاده در دوره کاشت محصول را لحاظ نمود و ملاک مقرون به صرفه بودن کاشت یک محصول را تنها در قیمت نهایی ندانست. در بسیاری از موارد اگر نرخ یک محصول را با هزینه تولید آب مقایسه کنیم حتی در شرایطی که محصول از لحاظ قیمت مقرون به صرفه باشد، کاشت آن صحیح به نظر نمیرسد.

با توجه به مطالب گفته شده اگر بتوان تعداد دفعات آبیاری و آب مورد نیاز برای یک محصول قبل از کاشت آن را پیشبینی کرد، میتوان در مقرون به صرفه بودن کاشت آن از لحاظ میزان آب مورد استفاده تصمیمگیری نمود. الگوریتم ژنتیک روش بهینهسازی، الهام گرفته شده از طبیعت جاندار است. این الگوریتم، الگوریتمی مبتنی بر تکرار است و اصول اولیه آن از علم ژنتیک اقتباس شده است. علم ژنتیک علمی است که درباره چگونگی توارث و انتقال صفحات بیولوژیکی از نسلی به نسل دیگر صحبت میکند. عامل اصلی انتقال صفحات بیولوژیکی در موجودات زنده کروموزومها و ژنها میباشند و نحوه عملکرد آنها به گونهایی هست که ژنها و کروموزومهای برتر و قویتر باقی مانده و ژنهای ضعیف از بین میروند.

مدلهای مبتنی بر الگوریتم ژنتیک برای تحقق به چهار عمل زیر نیازمندند:

❖جمعیت اولیه: یک مجموعه اولیه از اعضا - کروموزوم - که معمولاً به صورت رشتههایی از ژنها - بیتها - کد میشوند و جوابهایی از مساله را ارائه مینمایند.

❖    تابع ارزیابی:1 روشی برای اندازهگیری میزان برازندگی هر عضو - جواب - میباشد.

❖    انتخاب: فرایندی است برای گزینش اعضای مناسب برای تولید و ترکیب مجدد.

❖    عملگرهای ژنتیک: عملگرهای تقاطع و جهش که برای تولید اعضای جدید و تکامل تدریجی به کار میرود.

این الگوریتم دارای چرخهایی مشابه شکل 1 میباشد. اولین مرحله ایجاد جمعیت اولیه از کروموزومها میباشد. سپس میزان برازندگی برای هر یک از کروموزومها تعیین میگردد و مرحله انتخاب براساس میزان برازندگی اعضا انجام میشود. در نهایت عملگرهای ژنتیکی تقاطع و جهش انجام میشود.

شکل -1 چرخه الگوریتم ژنتیک

در روش این مقاله با استفاده از الگوریتم ژنتیک و با کمک تعدادی از فاکتورهای مورد استفاده کشاورز - جدول - 1، که کشاورز در تصمیمگیری آبیاری استفاده میکند نتایج را به حالت واقعی نزدیکتر کرده و با کمک دادههای مربوط به خاک و آب و هوای سالهای قبل، تعداد آبیاری، فاصله میان هر آبیاری و آب مورد نیاز برای یک دوره محصول ذرت از کاشت تا برداشت را پیشبینی میکنیم.

اغلب پیشبینیهای انجام شده که در ادامه بررسی خواهد شد نیاز یا عدم نیاز گیاه به آب را در هر لحظه بررسی میکند و آبیاری یا عدم انجام آبیاری را برای گیاه محاسبه میکند. در روش ارائه شده در[7] نیاز یا عدم نیاز گیاه به آب را برای روزهای بعد با استفاده از الگوریتم Bayes پیشبینی میکند. در این روش با کمک دادههای سالهای قبل و دادههای زمان حال مربوط به آب و هوا و خاک پیشبینی انجام میشود. در مقاله [8] در جهت بهینهسازی مصرف منابع آب به دلیل بحران منابع آب یک مدل پیشنهاد کردند که با استفاده از الگوریتم ژنتیک قابل حل بود. در این مقاله هدف این بود تا با کمک الگوریتم ژنتیک مناطق آب و هوایی را مشخص کنند که در آن آبیاری کمتر باعث افزایش محصولات میشود.

در روش ارائه شده در [9] به منظور بهینه سازی استفاده از منابع آب از الگوریتم ژنتیک استفاده شد. یکی از تابعهای سودمند در زمینه زمانبندی آب استفاده از سطح رطوبت خاک میباشد. در این روش از فرمولهای ژنتیک مختلف استفاده شد و این فرمولها با هم مقایسه شدند. نتایج نشان داد که اگوریتمهای ژنتیک توانایی حل مساله زمانبندی آب در مواردی که با استرس آب روبرو هستند میباشد. در روش ارائه شده در 10]و[11 به منظور زمانبندی مسائل آبیاری ترتیبی از الگوریتم ژنتیک استفاده شده است. بدین منظور عاملهای ژنتیک جهت حل این مساله اکتشاف و چهار مدل ژنتیکی ایجاد شده است. این مدلها در مناطق مختلف با مسائل با اندازهای متفاوت تست شده است.

.2 تشریح روش پیشنهادی

آبیاری نیازمند اطلاعاتی است تا آبی که جهت آبیاری مورد نیاز است را محاسبه کند. اغلب پیشبینیها میتوانند با استفاده از اطلاعات در مورد پردازش تصمیمگیری برای آبیاری تولید شوند.[12] این مقاله تلاش دارد با توسعه یک مدل با کمک الگوریتم ژنتیک، رفتار تصمیمگیری آبیاری کشاورزان را تقلید کند و از نتایج این مدل برای پیشبینی تصمیمگیری آینده آبیاری استفاده کند. در شکل 2 یک کروموزوم نشان داده شده است. در ادامه بخشهای مختلف این کروموزوم بررسی خواهد شد.

شکل -2 کروموزوم مربوط به دادههای یک روز از سال

بیشتر کشاورزان به طور کلی هر سال برای آبیاری محصولات مختلف از قوانین ثابتی استفاده میکنند. کشاورزان هنگامی که احساس کنند رطوبت خاک به حد استرس خود رسیده باشد، یا کشاورزان همسایه آبیاری انجام داده باشند و یا نوبت آبیاری آنها در این هفته باشد، تصمیم به انجام آبیاری میگیرند.

پیشبینی اینکه کشاورزان چه موقع تصمیم به انجام آبیاری میگیرند مشکل میباشد، دلیل این امر این است که فعالیتهای کشاورزان میتواند براساس فاکتورهایی متفاوتی از قبیل آب در دسترس، منابع آب شخصی، تصمیمات آبیاری کشاورزان همسایه و قیمت عرضه محصول در آینده جهت اتخاذ آبیاری استفاده شود.[14] تعدادی از فاکتورهای موثر در تصمیمگیری آبیاری توسط کشاورز به همراه مقادیر اختصاص داده شده به آن در جدول 1 نشان داده شده است.

جدول -1 فاکتورهای کشاورز در تصمیمگیری آبیاری

فاکتورهای کشاورز - جدول - 1 به ترتیب اولویت از بالا به پائین مشخص شده است. مقادیر جدول 1 در شکل 1 در قسمت آیتمهای کشاورز درج شده است. شبه کد مربوط به درج آیتمهای کشاورز - جدول - 1 در کروموزوم شکل 1 به صورت شکل 3 میباشد.

شکل -3 شبه کد آیتمهای کشاورز

بخش بعدی کروموزوم شکل 1 مربوط به آبیاری میباشد. با استفاده از دادههای آب و هوا، محصول و خاک مربوط به سالهای قبل و به کمک معادله کلاسیک فائو پنمن مونتیت[15] نیاز یا عدم نیاز گیاه به آب را محاسبه میکنیم. انجام آبیاری شامل دو حالت انجام آبیاری - - T و عدم انجام آبیاری - - F میباشد. شبه کد مربوط به آبیاری جهت مقدار دهی کروموزوم شکل 1 به صورت شکل 4 میباشد.

شکل -4 شبه کد آبیاری

استرس خاک2 براساس میزان رطوبت خاک محاسبه می شود. استرس خاک را به چهار حالت بحرانی، حاد، آستانه و امن تقسیم میکنیم که برای هر کدام از این حالتها جهت نمایش در کروموزوم شکل 1 به ترتیب اعداد 11، 10، 01 و 00 اختصاص میدهیم. شبه کد مربوط به استرس خاک در شکل 5 نشان داده شده است.

شکل -5 شبه کد استرس خاک

اجزا مدل پیشنهادی به همراه ترتیب محاسبات مورد نیاز در شکل 6 نشان داده شده است. همانطور که در شکل 6 مشخص است با استفاده از آیتمهای کشاورز - جدول - 1، دادههای آب و هوا و رطوبت خاک جمعیت اولیه ایجاد شده و در ادامه با استفاده از الگوریتم ژنتیک پیشبینی آبیاری انجام میشود.

شکل -6 نمایش اجزا مدل پیشنهادی

.3 نمونهایی از روش پیشنهادی

جهت پیشبینی آبیاری دادههای رطوبت خاک، آب و هوا و فاکتورهای کشاورز - جدول - 1 مربوط به 5 سال قبل مورد نیاز میباشد. در شکل 7 یک جمعیت اولیه شامل 5 کروموزوم که هر کروموزوم یک روز مشخص از سال میباشد، نشان داده شده است. در بهترین حالت یک کروموزوم عدد 255 را نشان میدهد، که این حالت وقتی اتفاق میافتد که هر ژن این کروموزوم عدد 1 باشد. در این حالت کروموزوم نشاندهنده %100 احتمال انجام آبیاری است. در شکل 7 احتمال انجام آبیاری با استفاده از تابع برازش معادله 1 برای هر کروموزوم نشان داده شده است.

شکل -7 یک جمعیت اولیه مربوط به دادههای 5 سال اخیر

در ادامه مراحل الگوریتم ژنتیک را بر روی جمعیت اولیه شکل 7 اعمال میکنیم و کلیه مراحل الگوریتم ژنتیک شامل انتخاب، تقاطع و جهش را بررسی میکنیم.

در مرحله - a - شکل 8 یک جمعیت جدید شامل چهار کروموزوم که دارای بهترین فرضیه می باشند از شکل 7 انتخاب میشوند. همانطور که در شکل 8 مشخص است کروموزوم با احتمال %30 در شکل 8 حذف شده و در جمعیت اولیه جدید شکل 7 قرار نگرفته است.

شکل -8 جمعیت اولیه جدید ایجاد شده از شکل 7

در مرحله - b - شکل 9 دو جفت کروموزوم به صورت تصادفی برای تولید مثل انتخاب میشوند. در مرحله انتخاب، آیتم کشاورز باهم و آیتمهای آبیاری و استرس خاک نیز باهم انتخاب میشوند. دلیل این انتخاب این است که آیتمهای کشاورز - جدول - 1 با توجه به روحیات کشاورز ایجاد میشود