CN110751320A - 一种随机模糊分析的农业土地的优选方法 - Google Patents
一种随机模糊分析的农业土地的优选方法 Download PDFInfo
- Publication number
- CN110751320A CN110751320A CN201910930120.4A CN201910930120A CN110751320A CN 110751320 A CN110751320 A CN 110751320A CN 201910930120 A CN201910930120 A CN 201910930120A CN 110751320 A CN110751320 A CN 110751320A
- Authority
- CN
- China
- Prior art keywords
- area
- period
- crops
- ijt
- planting
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000005457 optimization Methods 0.000 title claims abstract description 20
- 238000004458 analytical method Methods 0.000 title claims abstract description 19
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 89
- 230000008901 benefit Effects 0.000 claims abstract description 16
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 7
- 238000003973 irrigation Methods 0.000 claims description 43
- 230000002262 irrigation Effects 0.000 claims description 43
- 239000003337 fertilizer Substances 0.000 claims description 25
- 238000009826 distribution Methods 0.000 claims description 24
- 239000004743 Polypropylene Substances 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 11
- 238000007726 management method Methods 0.000 claims description 10
- 238000013468 resource allocation Methods 0.000 claims description 7
- 239000000356 contaminant Substances 0.000 claims description 6
- 239000002245 particle Substances 0.000 claims description 6
- -1 polypropylene Polymers 0.000 claims description 6
- 229920001155 polypropylene Polymers 0.000 claims description 6
- 230000005611 electricity Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000009795 derivation Methods 0.000 claims description 3
- 238000005086 pumping Methods 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- BDDLHHRCDSJVKV-UHFFFAOYSA-N 7028-40-2 Chemical compound CC(O)=O.CC(O)=O.CC(O)=O.CC(O)=O BDDLHHRCDSJVKV-UHFFFAOYSA-N 0.000 claims 4
- 238000006243 chemical reaction Methods 0.000 claims 2
- 239000003344 environmental pollutant Substances 0.000 claims 2
- 231100000719 pollutant Toxicity 0.000 claims 2
- 230000000694 effects Effects 0.000 abstract description 8
- 235000013339 cereals Nutrition 0.000 description 15
- 229920000742 Cotton Polymers 0.000 description 13
- 235000013311 vegetables Nutrition 0.000 description 9
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 4
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 229910052698 phosphorus Inorganic materials 0.000 description 4
- 239000011574 phosphorus Substances 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 239000002689 soil Substances 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000004720 fertilization Effects 0.000 description 2
- 238000001556 precipitation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 238000009313 farming Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Life Sciences & Earth Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了属于资源管理领域的一种随机模糊分析的农业土地的优选方法。本方法先构建基于随机模糊分析的农业土地优化模型，再通过正态反函数和弹性模糊衍生算法，引入离散化水平参数，将基于随机模糊分析的农业土地优化模型等价转化为多个线性子模型；随后通过历史文献数据库获得输入数据；最后确定出最不容易和最不容易受不确定性影响的作物。本发明充分考虑了农业管理系统中水资源和土地资源联合管理的必要性，对流域内的农业资源进行合理配置，找出最容易受不确定性影响的区域加以改进，提高有限资源的利用效率，获得使得农业活动效益最大化的决策方案。
Description
技术领域
本发明属于资源管理技术领域，具体为一种随机模糊分析的农业土地的优选方法。
背景技术
水资源和土地资源是粮食生产的重要要素。全球人均农业用地约为0.7公顷(ha)，仅占世界人均土地总面积的37.9％；此外，大约70％的水资源用于农业灌溉，实际有效灌溉利用的水资源不及50％。近年来，由于人口的快速增长，城市建设的发展、气候变化以及污染扩散等因素，农业活动面临着水资源短缺、土地资源锐减和盐碱化等问题，给粮食安全生产带来严峻挑战。如何在有限的水资源和土地资源的约束下，选择合适的作物种植模式，优化土地选择，从而能够保障生产要求是一个重要问题。针对农业水土资源面临的一系列问题，传统的研究多集中在对单一资源的分析，忽略了适种土地综合情况的考虑。实际上，如何尽可能全面的对土地综合情况进行分析是一项复杂的任务。例如，农业灌区涉及多个区域和多种农作物(如棉花，蔬菜和谷物)之间的用水竞争，多种资源(如水资源，土地资源、电力资源)的合理分配以及多种灌溉方式(如漫灌，畦灌，喷灌和滴灌)的组合式发展。这些复杂的系统以及子系统之间相互作用与影响加大了水土资源管理的困难，也同时增加了选择适宜土地进行种植的难度。此外，农业管理系统一个动态的、不确定性的复杂系统；由于自然降水及土地耕作方式(如施肥、灌溉等)的随机性，导致水资源和施肥等人类活动对土地种植的适宜性影响充满不确定性；传统的选择手段很少考虑这些不确定性对农业土地综合选择结果的影响，也缺少能有效地反映土地周围多种因素介入的模型，所有这些问题已成为严重制约对土地种植品种区域进行改良的重要瓶颈。因此，本发明开发了一种随机模糊分析的农业土地的优选方法，该方法既能充分表征区域中存在的多重不确定性，权衡系统收益和多种违约风险，又能有效的将与土地资源有关的水资源一同进行联合管理，实现水土资源的高效利用。
发明内容
针对背景技术中存在的问题，本发明提供了一种随机模糊分析的农业土地的优选方法，其特征在于，包括以下步骤：
步骤A、构建基于随机模糊分析的农业土地优化模型，充分表征农业水资源管理过程中水资源的随机不确定性和农业用电政策的模糊性；
步骤B、通过正态反函数和弹性模糊衍生算法，引入离散化水平参数，将基于随机模糊分析的农业土地优化模型等价转化为多个线性子模型；
步骤C、通过历史文献数据库获得输入数据，并应用统计方法将原始数据处理成符合所述线性子模型所需的连续统计数据；在范围内随机生成能够将随机与模糊分布离散化的参数水平；
步骤D、使用农业土地优化模型计算不同随机离散化参数和模糊离散化参数组合下的子模型，得到可供决策者参考的不同作物种植面积和比例、水资源配置等方案，从而确定出最容易受不确定性影响的作物和最不容易受不确定性影响的作物。
在所述步骤A中，构建的农业土地优化模型包括：
目标函数：系统收益最大化。包括不同作物的毛收益、化肥使用成本、作物种植固定成本以及抽水灌溉成本
约束条件为A01～A07：
A01)可灌溉耕地面积约束
A02)可灌溉水资源量约束
A03)可灌溉用电力资源约束
A04)农作物需水约束
A05)农业允许排放面源污染约束
A06)粮食安全约束
A07)技术约束
式中：i表示具体农作物类型(i＝1,2,3,…,I)，I为作物类型的总数；j表示具体区域(j＝1, 2,3,…,J)，J为区域的总数；t表示具体时期(t＝1,2,3,…,T)，T为时期的总数，表示T个时期；f＝系统利益(元)；ACijt＝t时期j区域i作物的种植面积(ha)；SWijt＝t时期j区域i作物的配水量(m3)；PCijt＝t时期j区域i作物价格(元/kg)；YCijt＝t时期j区域i作物的产量(kg/ha)； PFijt＝t时期j区域i作物所使用的肥料单价(元/kg)；MFijt＝t时期j区域i作物单位面积使用肥料量(kg/ha)；FCijt＝t时期j区域种植单位面积i作物的固定成本(元/ha)；CWijt＝t时期j 区域i作物种植过程中抽取单位水资源的耗电量(KWh/m3)；TACjt＝t时期j区域的可灌溉总面积(ha)；TWt＝t时期可灌溉的水资源总量(m3)；EPjt＝t时期j区域可用于灌溉的电力资源量 (KWh)；WPCijt＝t时期j区域i作物的需水量(m3/ha)；ηjt＝t时期j区域平均渠道灌溉系数；θjt＝t时期j区域平均田间灌溉系数；PPkt＝t时期j区域化肥含污染物z(z＝1表示氨氮；z＝2表示总磷)的百分比；时期k污染物的田间损失量；TPkt＝t时期总灌区允许排放污染k的量 (吨)；λij min＝j区域i作物的最小种植面积比例；λij max＝j区域i作物最大种植比例。
在所述步骤B中，包括以下步骤：
步骤B1、根据可灌溉水资源量的正态分布特征N～(μt,δt)，通过正态分布反函数的概念Φ-1(1-q)，引入随机分布的离散化参数p(p＝1-q且0<p≤0.20)，将步骤A中不等式A02)转化为线性约束：
步骤B2、通过弹性模糊衍生算法，引入隶属度参数β(0≤β≤1)，和一个与农业电力资源总量有关的三角模糊参数ξ＝(ξ1,ξ2,ξ3)、辅助参数
和将约束(3)的模糊不等式转化为线性不等式：
步骤B3、引入线性化后的约束条件，重构线性模型：
目标函数：系统收益最大化，包括不同作物的毛收益、化肥使用成本、作物种植固定成本以及抽水灌溉成本
约束条件为B01～B07：
B01)可灌溉耕地面积约束
B02)可灌溉水资源量约束
B03)可灌溉用电力资源约束
B04)农作物需水约束
B05)农业允许排放面源污染约束
B06)粮食安全约束
B07)技术约束
式中：i表示具体农作物类型(i＝1,2,3,…,I)，I为作物类型的总数；j表示具体区域(j＝1, 2,3,…,J)，J为区域的总数；t表示具体时期(t＝1,2,3,…,T)，T为时期的总数；p为随机分布的离散化水平参数；β为模糊分布的离散化水平参数；f＝系统利益(元)；ACijt＝t时期j区域 i作物的种植面积(ha)；SWijt＝t时期j区域i作物的配水量(m3)；PCijt＝t时期j区域i作物价格(元/kg)；YCijt＝t时期j区域i作物的产量(kg/ha)；PFijt＝t时期j区域i作物所使用的肥料单价(元/kg)；MFijt＝t时期j区域i作物单位面积使用肥料量(kg/ha)；FCijt＝t时期j区域种植单位面积i作物的固定成本(元/ha)；CWijt＝t时期j区域i作物种植过程中抽取单位水资源的耗电量(KWh/m3)；TACjt＝t时期j区域的可灌溉总面积(ha)；TWt＝t时期可灌溉的水资源总量(m3)；EPjt＝t时期j区域可用于灌溉的电力资源量(KWh)；ξ(2)为电力资源三角模糊参数中值(KWh)，
为电力资源三角模糊参数辅助变量，由三角模糊参数上下界和中值确定(KWh)；WPCijt＝t时期j区域i作物的需水量(m3/ha)；ηjt＝t时期j区域平均渠道灌溉系数；θjt＝t时期j区域平均田间灌溉系数；PPkt＝t时期j区域化肥含污染物z(z＝1表示氨氮；z＝2表示总磷)的百分比；
时期k污染物的田间损失量；TPkt＝t时期总灌区允许排放污染k的量(吨)；λij min＝j区域i作物的最小种植面积比例；λij max＝j区域i作物最大种植比例。
在所述步骤D中，包括以下步骤：
步骤D1、随机生成M个随机分布离散化水平参数p(0<p≤0.20)，和N个模糊分布离散化水平参数β(0≤β≤1)，形成M×N个情景；
步骤D2、选用编程软件计算M×N个情景下的线性子模型，得到M×N组系统收益、作物种植面积和比例，以及水资源配置模式，其中系统收益为f＝(f1,f2,f3,...,fM×N)；
作物种植面积为：
不同区域作物种植比例可由种植面积核算为
水资源配置方案为
本发明的有益效果在于：
1.充分考虑了农业管理系统中水资源和土地资源联合管理的必要性，以系统收益最大化为目标，以可灌溉土地资源量、水量、电力资源量、作物需水要求等作为约束条件，协调发展人类活动(化肥和灌溉)和生态环境(降雨)，对流域内的农业资源进行合理配置，找出最容易受不确定性影响的区域加以改进，提高有限资源的利用效率，获得使得农业活动效益最大化的决策方案。
2.考虑到气候变化的未知性与随机性，导致降水数据等存在一定的随机性，本发明将水资源量作为一个随机变量，以考虑自然过程的随机性对配置方案的影响，大幅增加了改进的实际效果。
附图说明
图1为本发明一种随机模糊分析的农业土地的优选方法实施例的流程图；
图2为本发明实施例中农业种植结构示意图；
图3为本发明实施例中水资源配置模式示意图。
具体实施方式
以下结合附图对本发明作进一步的详细说明。
如图1所示的本发明实施例，包括以下步骤：
步骤A、构建基于随机模糊分析的农业土地优化模型，充分表征农业水资源管理过程中水资源的随机不确定性和农业用电政策的模糊性；以农业系统收益最大化为目标，充分考虑了可灌溉耕地面积、可灌溉水资源量、可灌溉用电力资源、农作物需水、农业面源污染控制、粮食安全等约束，构建了基于随机模糊分析的农业土地优化模型。
步骤B、通过正态反函数和弹性模糊衍生算法，引入离散化水平参数(概率水平和模糊隶属度)，将基于随机模糊分析的农业土地优化模型等价转化为多个线性子模型。
步骤C、通过历史文献数据库获得输入数据，并应用统计方法将原始数据处理成符合所述线性子模型所需的连续统计数据；在范围内随机生成能够将随机与模糊分布离散化的参数水平。
步骤D、使用农业土地优化模型计算不同随机离散化参数和模糊离散化参数组合下的子模型。得到可供决策者参考的不同作物种植面积和比例、水资源配置等方案，从而确定出最容易受不确定性影响的作物和最不容易受不确定性影响的作物，合理调整其土地供应。
在步骤A中，构建的农业土地优化模型包括：
目标函数：系统收益最大化。包括不同作物的毛收益、化肥使用成本、作物种植固定成本 (种子、机械耕种等成本)以及抽水灌溉成本
约束条件为A01～A07：
A01)可灌溉耕地面积约束
A02)可灌溉水资源量约束
A03)可灌溉用电力资源约束
A04)农作物需水约束
A05)农业允许排放面源污染约束
A06)粮食安全约束
A07)技术约束
式中：i表示具体农作物类型(i＝1,2,3,…,I)，I为作物类型的总数；j表示具体区域(j＝1, 2,3,…,J)，J为区域的总数；t表示具体时期(t＝1,2,3,…,T)，T为时期的总数，表示T个时期；f＝系统利益(元)；ACijt＝t时期j区域i作物的种植面积(ha)；SWijt＝t时期j区域i作物的配水量(m3)；PCijt＝t时期j区域i作物价格(元/kg)；YCijt＝t时期j区域i作物的产量(kg/ha)； PFijt＝t时期j区域i作物所使用的肥料单价(元/kg)；MFijt＝t时期j区域i作物单位面积使用肥料量(kg/ha)；FCijt＝t时期j区域种植单位面积i作物的固定成本(元/ha)；CWijt＝t时期j 区域i作物种植过程中抽取单位水资源的耗电量(KWh/m3)；TACjt＝t时期j区域的可灌溉总面积(ha)；TWt＝t时期可灌溉的水资源总量(m3)；EPjt＝t时期j区域可用于灌溉的电力资源量(KWh)；WPCijt＝t时期j区域i作物的需水量(m3/ha)；ηjt＝t时期j区域平均渠道灌溉系数；θjt＝t时期j区域平均田间灌溉系数；PPkt＝t时期j区域化肥含污染物z(z＝1表示氨氮；z＝2表示总磷)的百分比；φkt＝t时期k污染物的田间损失量；TPkt＝t时期总灌区允许排放污染k的量 (吨)；λij min＝j区域i作物的最小种植面积比例；λij max＝j区域i作物最大种植比例。
在步骤B中，包括以下步骤：
步骤B1、根据可灌溉水资源量的正态分布特征N～(μt,δt)，通过正态分布反函数的概念Φ-1(1-q)，引入随机分布的离散化参数p(p＝1-q且0<p≤0.20)，将步骤A中不等式A02)转化为线性约束：
步骤B2、通过弹性模糊衍生算法，引入隶属度参数β(0≤β≤1)，和一个与农业电力资源总量有关的三角模糊参数ξ＝(ξ1,ξ2,ξ3)、辅助参数和
将约束A03)的模糊不等式转化为线性不等式：
步骤B3、引入线性化后的约束条件，重构线性模型：
目标函数：系统收益最大化，包括不同作物的毛收益、化肥使用成本、作物种植固定成本 (种子、机械耕种等成本)以及抽水灌溉成本
约束条件为B01～B07：
B01)可灌溉耕地面积约束
B02)可灌溉水资源量约束
B03)可灌溉用电力资源约束
B04)农作物需水约束
B05)农业允许排放面源污染约束
B06)粮食安全约束
B07)技术约束
式中：i表示具体农作物类型(i＝1,2,3,…,I)，I为作物类型的总数；j表示具体区域(j＝1, 2,3,…,J)，J为区域的总数；t表示具体时期(t＝1,2,3,…,T)，T为时期的总数；p为随机分布的离散化水平参数；β为模糊分布的离散化水平参数；f＝系统利益(元)；ACijt＝t时期j区域 i作物的种植面积(ha)；SWijt＝t时期j区域i作物的配水量(m3)；PCijt＝t时期j区域i作物价格(元/kg)；YCijt＝t时期j区域i作物的产量(kg/ha)；PFijt＝t时期j区域i作物所使用的肥料单价(元/kg)；MFijt＝t时期j区域i作物单位面积使用肥料量(kg/ha)；FCijt＝t时期j区域种植单位面积i作物的固定成本(元/ha)；CWijt＝t时期j区域i作物种植过程中抽取单位水资源的耗电量(KWh/m3)；TACjt＝t时期j区域的可灌溉总面积(ha)；TWt＝t时期可灌溉的水资源总量(m3)；EPjt＝t时期j区域可用于灌溉的电力资源量(KWh)；ξ(2)为电力资源三角模糊参数中值(KWh)，
为电力资源三角模糊参数辅助变量，由三角模糊参数上下界和中值确定(KWh)；WPCijt＝t时期j区域i作物的需水量(m3/ha)；ηjt＝t时期j区域平均渠道灌溉系数；θjt＝t时期j区域平均田间灌溉系数；PPkt＝t时期j区域化肥含污染物z(z＝1表示氨氮；z＝2表示总磷)的百分比；
时期k污染物的田间损失量；TPkt＝t时期总灌区允许排放污染k的量(吨)；λij min＝j区域i作物的最小种植面积比例；λij max＝j区域i作物最大种植比例。
在步骤D中，包括以下步骤：
步骤D1、随机生成M个随机分布离散化水平参数p(0<p≤0.20)，和N个模糊分布离散化水平参数β(0≤β≤1)，形成M×N个情景；
步骤D2、选用编程软件计算M×N个情景下的线性子模型，得到M×N组系统收益、作物种植面积和比例，以及水资源配置模式，其中系统收益为f＝(f1,f2,f3,...,fM×N)；
作物种植面积为：
不同区域作物种植比例可由种植面积核算为
水资源配置方案为
如图2和图3所示的本实施例中考虑的24种情景下的农作物种植结构，具体考虑了两个区域(J＝2)，四种作物类型(I＝4)，两个时期(T＝2)，其中两个区域具体为区域1和区域2，四种作物具体为棉花、谷类、蔬菜和其他，两个时期具体为1和2；实施的过程为：
步骤A)以农业系统收益最大化为目标、充分考虑了可灌溉耕地面积、可灌溉水资源量、可灌溉用电力资源、农作物需水、农业面源污染控制、粮食安全等约束，构建了基于随机模糊分析的农业土地优化模型；构件的目标函数为：
以及约束条件B01～B07。
步骤B)收集处理数据，通过查阅规划、年鉴、文献，专家咨询等方式获得输入数据，并应用内插或外插等方法将原始数据处理成符合所述模型所需的连续统计数据。如表1给出了处理好的不同区域不同农作物的单位产量毛收益、单位面积产量和单位面积需水量数据。
表1收集数据
步骤C)选取四种随机分布的离散化水平(p＝0.01、0.05、0.10和0.15)和六种模糊分布的离散化水平(β＝0、0.2、0.4、0.6、0.8和1)，共计24种情景，选择软件编程计算不同水平组合下的子模型。得到的结果包括系统收益、农业种植结构和水资源配置在内的方案。
步骤D)根据计算结果，安排各部门水资源分配计划，并且根据情景下的农业种植结构，安排生产以达到最大获益。
结果表明，在24种情景中，第19种情景(p＝0.15，β＝0)下的农业种值面积最大，在第 19种情景中：
在t＝1时期，区域1的种植面积为36.1万公顷，配置的水资源量为6273×106m3。区域2 的种植面积为39.7万公顷，配置的水资源量为5714×106m3。其中区域1的棉花：谷类：蔬菜：其他＝42.2:35.2:3.6:15.0；区域2的种植结构为棉花：谷类：蔬菜：其他＝47.3:27.1:2.7:22.9。此外，情景1-6下的作物种植面积及配水量最小，且从情景1至情景6保持不变。这主要是受到了可利用水资源的约束，导致可灌溉面积最小。区域1的灌溉面积为20.2万公顷，种植结构为棉花：谷类：蔬菜：其他＝26.4：40.5：6.4：26.7；区域2的灌溉面积为23.6万公顷，种植结构为棉花：谷类：蔬菜：其他＝39.9：17.2：4.4：38.5。此外，就灌溉面积而言，在同一区域的任何一个时期之内，浮动数据范围最大的是最容易受到影响的。例如，棉花的面积受自然和人类活动的不确定性影响最大，其在第二时期24种情景下的变化范围为6.3万公顷到13.5 万公顷，且区域2的棉花面积变化最大。具体来说，当水资源量从最低值变化到最高值时，区域2棉花的平均种植面积增加了2.5万公顷；当用电量从最低值增加到最高值时，棉花的平均种植面积增加了2.8万公顷。因此，面对变化多样的外界因素干扰时，棉花种植要首先被调整，以适应变化环境，减少因资源短缺以及人为因素造成的损失。与此相反的是，蔬菜(此时为最不容易受不确定性影响的作物)的灌溉面积受外界因素影响最小，且基本维持在1万公顷左右；这是因为蔬菜需水量相对较少，且其能够带来的系统效益高，是首选种植种类。总之，面对外界环境干扰时，要首先确保蔬菜种植的安全，及时调整棉花用地的需求与供应，当棉花(此时为最容易受不确定性影响的作物)用地供应量已为最小时，可考虑继续对谷类和其它类作物的用地调整，从而得到更加有效的适应资源短缺与人类活动影响的土地选择方案。
具体实施的结果充分反映了农业水资源管理系统中存在的不确定性，不仅提供了多种情景下的水资源分配量、农业种植面积以及比例，更直接体现了对土地合理利用的各种情况，为可持续性发展奠定了重要的作用。
Claims (4)
1.一种随机模糊分析的农业土地的优选方法，其特征在于，包括以下步骤：
步骤A、构建基于随机模糊分析的农业土地优化模型，充分表征农业水资源管理过程中水资源的随机不确定性和农业用电政策的模糊性；
步骤B、通过正态反函数和弹性模糊衍生算法，引入离散化水平参数，将基于随机模糊分析的农业土地优化模型等价转化为多个线性子模型；
步骤C、通过历史文献数据库获得输入数据，并应用统计方法将原始数据处理成符合所述线性子模型所需的连续统计数据；在范围内随机生成能够将随机与模糊分布离散化的参数水平；
步骤D、使用农业土地优化模型计算不同随机离散化参数和模糊离散化参数组合下的子模型，得到可供决策者参考的不同作物种植面积和比例、水资源配置方案，从而确定出最容易受不确定性影响的作物和最不容易受不确定性影响的作物。
2.根据权利要求1所述的一种随机模糊分析的农业土地的优选方法，其特征在于，在所述步骤A中，构建的农业土地优化模型包括：
目标函数：系统收益最大化。包括不同作物的毛收益、化肥使用成本、作物种植固定成本以及抽水灌溉成本
约束条件为A01～A07：
A01)可灌溉耕地面积约束
A02)可灌溉水资源量约束
A03)可灌溉用电力资源约束
A04)农作物需水约束
A05)农业允许排放面源污染约束
A06)粮食安全约束
A07)技术约束
式中：i表示具体农作物类型，I为作物类型的总数，i＝1,2,3,…,I；j表示具体区域，J为区域的总数，j＝1,2,3,…,J；t表示具体时期，T为时期的总数，表示T个时期，t＝1,2,3,…,T；f＝系统利益；ACijt＝t时期j区域i作物的种植面积；SWijt＝t时期j区域i作物的配水量；PCijt＝t时期j区域i作物价格；YCijt＝t时期j区域i作物的产量；PFijt＝t时期j区域i作物所使用的肥料单价；MFijt＝t时期j区域i作物单位面积使用肥料量；FCijt＝t时期j区域种植单位面积i作物的固定成本；CWijt＝t时期j区域i作物种植过程中抽取单位水资源的耗电量；TACjt＝t时期j区域的可灌溉总面积；TWt＝t时期可灌溉的水资源总量；EPjt＝t时期j区域可用于灌溉的电力资源量；WPCijt＝t时期j区域i作物的需水量；ηjt＝t时期j区域平均渠道灌溉系数；θjt＝t时期j区域平均田间灌溉系数；PPkt＝t时期j区域化肥含污染物z的百分比；时期k污染物的田间损失量；TPkt＝t时期总灌区允许排放污染k的量；λij min＝j区域i作物的最小种植面积比例；λij max＝j区域i作物最大种植比例。
3.根据权利要求1所述的一种随机模糊分析的农业土地的优选方法，其特征在于，在所述步骤B中，包括以下步骤：
步骤B1、根据可灌溉水资源量的正态分布特征N～(μt,δt)，通过正态分布反函数的概念Φ-1(1-q)，引入随机分布的离散化参数p，其中p＝1-q且0<p≤0.20；
将步骤A中不等式
转化为线性约束：
步骤B2、通过弹性模糊衍生算法，引入隶属度参数β，其中0≤β≤1；和一个与农业电力资源总量有关的三角模糊参数ξ＝(ξ1,ξ2,ξ3)、辅助参数
和
将步骤A中的不等式
转化为线性不等式：
步骤B3、引入线性化后的约束条件，重构线性模型：
目标函数：系统收益最大化，包括不同作物的毛收益、化肥使用成本、作物种植固定成本以及抽水灌溉成本
约束条件为B01～B07：
B01)可灌溉耕地面积约束
B02)可灌溉水资源量约束
B03)可灌溉用电力资源约束
B04)农作物需水约束
B05)农业允许排放面源污染约束
B06)粮食安全约束
B07)技术约束
式中：i表示具体农作物类型，I为作物类型的总数，i＝1,2,3,…,I；j表示具体区域，J为区域的总数，j＝1,2,3,…,J；t表示具体时期，T为时期的总数，表示T个时期，t＝1,2,3,…,T；p为随机分布的离散化水平参数；β为模糊分布的离散化水平参数；f＝系统利益；ACijt＝t时期j区域i作物的种植面积；SWijt＝t时期j区域i作物的配水量；PCijt＝t时期j区域i作物价格；YCijt＝t时期j区域i作物的产量；PFijt＝t时期j区域i作物所使用的肥料单价；MFijt＝t时期j区域i作物单位面积使用肥料量；FCijt＝t时期j区域种植单位面积i作物的固定成本；CWijt＝t时期j区域i作物种植过程中抽取单位水资源的耗电量；TACjt＝t时期j区域的可灌溉总面积(ha)；TWt＝t时期可灌溉的水资源总量；EPjt＝t时期j区域可用于灌溉的电力资源量；ξ(2)为电力资源三角模糊参数中值，为电力资源三角模糊参数辅助变量，由三角模糊参数上下界和中值确定；WPCijt＝t时期j区域i作物的需水量；ηjt＝t时期j区域平均渠道灌溉系数；θjt＝t时期j区域平均田间灌溉系数；PPkt＝t时期j区域化肥含污染物z的百分比；
时期k污染物的田间损失量；TPkt＝t时期总灌区允许排放污染k的量；λij min＝j区域i作物的最小种植面积比例；λij max＝j区域i作物最大种植比例。
4.根据权利要求1所述的一种随机模糊分析的农业土地的优选方法，其特征在于，在所述步骤D中，包括以下步骤：
步骤D1、随机生成M个随机分布离散化水平参数p，其中0<p≤0.20，和N个模糊分布离散化水平参数β，其中0≤β≤1，形成M×N个情景；
步骤D2、选用编程软件计算M×N个情景下的线性子模型，得到M×N组系统收益、作物种植面积和比例，以及水资源配置模式，其中系统收益为f＝(f1,f2,f3,...,fM×N)；
作物种植面积为：
不同区域作物种植比例可由种植面积核算为
水资源配置方案为
式中：i表示具体农作物类型，I为作物类型的总数，i＝1,2,3,…,I；j表示具体区域，J为区域的总数，j＝1,2,3,…,J；t表示具体时期，T为时期的总数，表示T个时期，t＝1,2,3,…,T；ACijt＝t时期j区域i作物的种植面积；SWijt＝t时期j区域i作物的配水量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910930120.4A CN110751320B (zh) | 2019-09-29 | 2019-09-29 | 一种随机模糊分析的农业土地的优选方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910930120.4A CN110751320B (zh) | 2019-09-29 | 2019-09-29 | 一种随机模糊分析的农业土地的优选方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110751320A true CN110751320A (zh) | 2020-02-04 |
| CN110751320B CN110751320B (zh) | 2022-06-14 |
Family
ID=69277244
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910930120.4A Active CN110751320B (zh) | 2019-09-29 | 2019-09-29 | 一种随机模糊分析的农业土地的优选方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110751320B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2024014649A (ja) * | 2022-07-21 | 2024-02-01 | 中国環境科学研究院 | Ｉｆｆｄｃｃｐ法に基づく流域農業非点源汚染の制御方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104715288A (zh) * | 2015-02-03 | 2015-06-17 | 华北电力大学 | 一种非线性农业非点源污染控制方法 |
| CN106096759A (zh) * | 2016-06-01 | 2016-11-09 | 中国石油天然气股份有限公司 | 一种面向油田水资源系统的不确定性优化配置方法 |
| US20180181894A1 (en) * | 2016-12-02 | 2018-06-28 | Gary Michael Schneider | System and method for developing multi-objective production plans for prouction agriculture |
| CN109858180A (zh) * | 2019-02-26 | 2019-06-07 | 中国农业大学 | 一种区域作物耗水空间格局优化设计方法 |
-
2019
- 2019-09-29 CN CN201910930120.4A patent/CN110751320B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104715288A (zh) * | 2015-02-03 | 2015-06-17 | 华北电力大学 | 一种非线性农业非点源污染控制方法 |
| CN106096759A (zh) * | 2016-06-01 | 2016-11-09 | 中国石油天然气股份有限公司 | 一种面向油田水资源系统的不确定性优化配置方法 |
| US20180181894A1 (en) * | 2016-12-02 | 2018-06-28 | Gary Michael Schneider | System and method for developing multi-objective production plans for prouction agriculture |
| CN109858180A (zh) * | 2019-02-26 | 2019-06-07 | 中国农业大学 | 一种区域作物耗水空间格局优化设计方法 |
Non-Patent Citations (1)
| Title |
|---|
| 孙博 等: "基于模糊线性规划模型的水-土-作物系统优化配置研究", 《资源科学》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2024014649A (ja) * | 2022-07-21 | 2024-02-01 | 中国環境科学研究院 | Ｉｆｆｄｃｃｐ法に基づく流域農業非点源汚染の制御方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110751320B (zh) | 2022-06-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yu et al. | Planning water-energy-food nexus system management under multi-level and uncertainty | |
| Xu et al. | A review of concepts and criteria for assessing agroecosystem health including a preliminary case study of southern Ontario | |
| Connor et al. | Irrigated agriculture and climate change: the influence of water supply variability and salinity on adaptation | |
| Li et al. | An analysis of C hina's grain production: looking back and looking forward | |
| Bernardo et al. | An irrigation model for management of limited water supplies | |
| Li et al. | Optimization of agricultural resources in water-energy-food nexus in complex environment: A perspective on multienergy coordination | |
| Ding et al. | Comparing the cost-effectiveness of water conservation policies in a depleting aquifer: A dynamic analysis of the Kansas High Plains | |
| Sørensen | Workability and machinery sizing for combine harvesting | |
| Jing et al. | Global sensitivity based prioritizing the parametric uncertainties in economic analysis when co-locating photovoltaic with agriculture and aquaculture in China | |
| CN110751320B (zh) | 一种随机模糊分析的农业土地的优选方法 | |
| CN115310713A (zh) | 一种基于双层决策系统的流域水资源利用效率优化方法 | |
| Muleta et al. | Evolutionary algorithms for multiobjective evaluation of watershed management decisions | |
| Bai et al. | Optimal planning model of the regional water saving irrigation and its application | |
| Cervera-Gascó et al. | An intelligent irrigation management model for direct injection of solar pumping systems | |
| Bou-Fakhreddine et al. | Optimal multi-crop planning implemented under deficit irrigation | |
| Valdivia et al. | Effects of alternate wetting and drying on rice farming in Bohol, Philippines | |
| Pais et al. | Cost optimization of a localized irrigation system using genetic algorithms | |
| Grové et al. | Optimising intra-seasonal irrigation water allocation: Comparison between mixed integer nonlinear programming and differential evolution | |
| Jahangirpour et al. | Cropping Pattern Optimization in the Context of Climate-Smart Agriculture: A Case Study for Doroodzan Irrigation Network-Iran | |
| Veettil et al. | Sub-vector Efficiency analysis in Chance Constrained Stochastic DEA: An application to irrigation water use in the Krishna river basin, India | |
| Ma et al. | Optimizing the external energy input into farmland ecosystems: a case study from Ningxia, China | |
| Hendricks | Estimating irrigation water demand with a multinomial logit selectivity model | |
| Bhatia et al. | Integrated Farm Model for Optimal Allocation of Resources-A Linear Programming Approach | |
| Tang et al. | Managing the water-agriculture-environment-energy nexus: Trade-offs and synergies in an arid area of Northwest China | |
| Bontemps et al. | Dynamics and uncertainty in environmental and natural resource management under scarcity: the case of irrigation |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |