南疆豐收灌區(qū)水資源多目標(biāo)優(yōu)化配置方案優(yōu)選

何 英，唐曉宇，彭 亮，居金浩

南疆豐收灌區(qū)水資源多目標(biāo)優(yōu)化配置方案優(yōu)選

何 英，唐曉宇，彭 亮，居金浩

（1. 新疆農(nóng)業(yè)大學(xué)水利與土木工程學(xué)院，烏魯木齊 830052；2. 新疆水利工程安全與水災(zāi)害防治重點實驗室，烏魯木齊 830052）

針對灌區(qū)水資源多目標(biāo)優(yōu)化配置模型求解算法的不確定性和最優(yōu)方案選擇問題，以新疆阿克蘇地區(qū)阿瓦提縣豐收灌區(qū)為研究對象，以灌區(qū)可持續(xù)發(fā)展為目標(biāo)，建立基于優(yōu)選算法的灌區(qū)水資源多目標(biāo)優(yōu)化配置及方案優(yōu)選模型。對比改進(jìn)的NSGA-II算法（Non-dominated Sorting Genetic Algorithm-II，帶精英策略的非支配排序遺傳算法）、NSGA-III算法（Non-dominated Sorting Genetic Algorithm-III，基于參考點的非支配排序遺傳算法）、MOEA/D算法（A Multi-Objective Evolutionary Algorithm based on Decomposition，基于分解的多目標(biāo)進(jìn)化算法），最終選取性能最好的CNSGA-III算法作為優(yōu)化算法對水資源配置模型進(jìn)行求解；建立水資源配置方案評價體系，利用熵權(quán)-TOPSIS（Technique for Order Preference by Similarity to an Ideal Solution，優(yōu)劣解距離法）綜合評價模型對符合決策制定者期望的配置方案進(jìn)行對比篩選，選出灌區(qū)水資源最佳配置方案。結(jié)果表明：優(yōu)化后的方案相較于傳統(tǒng)配置方案，在“三條紅線”用水限額下，經(jīng)濟(jì)凈效益增加1.0%，灌區(qū)總?cè)彼繙p少8.4%，碳吸收總量增加4.5%。建立的灌區(qū)水資源多目標(biāo)優(yōu)化配置及方案優(yōu)選模型可為管理者制定灌區(qū)水資源配置方案提供參考，也可適用于其他干旱灌區(qū)，有一定的理論意義。

水資源；算法；多目標(biāo)；不確定性；評價模型；灌區(qū)

0 引 言

豐收灌區(qū)作為優(yōu)質(zhì)的棉花生產(chǎn)基地，被贊為“中國長絨棉之鄉(xiāng)”。近年來，由于灌區(qū)管理者盲目追求經(jīng)濟(jì)效益，大開荒地，侵占生態(tài)用地，加之上游阿克蘇河來水量減少、為保證塔里木河輸水目標(biāo)而實施的灌區(qū)引水量減少等措施，導(dǎo)致灌區(qū)水資源極度短缺且配置不合理，生態(tài)環(huán)境越發(fā)脆弱，阻礙灌區(qū)的可持續(xù)發(fā)展[1-3]。因此，對灌區(qū)內(nèi)有限的水資源進(jìn)行優(yōu)化配置是當(dāng)前亟待解決的問題。

灌區(qū)水資源優(yōu)化配置通過調(diào)整作物種植面積、優(yōu)化種植結(jié)構(gòu)，來實現(xiàn)灌溉水資源高效利用，對協(xié)調(diào)區(qū)域作物生產(chǎn)和生態(tài)環(huán)境保護(hù)產(chǎn)生積極影響[4]。農(nóng)業(yè)水資源管理需要權(quán)衡多方利益，涉及經(jīng)濟(jì)、社會和生態(tài)環(huán)境等方面[5-6]。近年來，針對灌區(qū)水資源優(yōu)化配置問題，學(xué)者們提出了不同的優(yōu)化配置方法。陳衛(wèi)賓等[7]提出基于記憶梯度混合遺傳算法，用于解決灌區(qū)水資源優(yōu)化配置模型中目標(biāo)函數(shù)高度非線性的問題。Zhang等[8]以灌溉凈效益最大為目標(biāo)，建立了農(nóng)業(yè)水資源優(yōu)化配置模型。張展羽等[9]將多階段人工魚群算法用于求解缺水灌區(qū)的農(nóng)業(yè)水土資源優(yōu)化配置模型中。陳述等[10]利用粒子群人工蜂群混合算法對渠-塘優(yōu)化調(diào)控與田間多種作物優(yōu)化配水相結(jié)合的耦合模型求解。以上研究都只考慮單一目標(biāo)函數(shù)，屬于單目標(biāo)優(yōu)化模型，而灌區(qū)水資源配置往往受到經(jīng)濟(jì)效益、社會效益和生態(tài)效益等多因素的影響。為解決多因素影響問題，灌區(qū)水資源多目標(biāo)優(yōu)化配置模型相繼被提出。郭萍等[11]建立非線性多目標(biāo)水土資源聯(lián)合配置模型，并采用遺傳算法對其求解。Anwar等[12]以灌區(qū)單月作物產(chǎn)量最高以及農(nóng)民總體收益最大為優(yōu)化目標(biāo)，并采用多目標(biāo)遺傳算法（Multi-Objective Genetic Algorithm, MOGA）對模型進(jìn)行了求解。岳瓊等[13]以農(nóng)業(yè)灌溉凈經(jīng)濟(jì)效益最大和綠水利用占比最大為目標(biāo)，建立了模糊可信性隨機(jī)多目標(biāo)農(nóng)業(yè)水資源優(yōu)化配置模型。Chen等[14]采用協(xié)同理論建立水-能源-糧食系統(tǒng)框架，并用遺傳算法對其進(jìn)行評估。上述傳統(tǒng)水資源配置研究僅采用單一方法對目標(biāo)規(guī)劃模型求解，沒有考慮對求解方法進(jìn)行比較，且沒有對配置方案進(jìn)行優(yōu)選，可能導(dǎo)致配置方案的配水效果略差。

基于此，本文以灌區(qū)可持續(xù)發(fā)展為目標(biāo)，建立基于優(yōu)選算法的灌區(qū)水資源多目標(biāo)優(yōu)化配置及方案優(yōu)選模型（Multi-Objective Optimal Allocation Model of Water Resources in Irrigation Area Based on Algorithm Selection and Plan Optimization，MOASPO），該模型可依據(jù)不同算法對多目標(biāo)優(yōu)化模型求解性能的差異選取性能較好的算法；然后結(jié)合當(dāng)?shù)貙嶋H情況建立灌區(qū)水資源配置方案評價體系，利用熵權(quán)-TOPSIS綜合評價模型對滿足決策制定者期望的非劣解進(jìn)行篩選，選擇灌區(qū)水資源最佳配置方案。將建立的MOASPO模型應(yīng)用于水資源短缺的豐收灌區(qū)，得到灌區(qū)水資源配置方案，可為當(dāng)?shù)毓芾碚咛峁├碚撘罁?jù)和決策參考。

1 材料與方法

1.1 研究區(qū)概況

豐收灌區(qū)位于新疆阿克蘇地區(qū)阿瓦提縣的西南部（40°20′～40°38′N，80°10′～80°20′E），處于亞歐大陸腹地的塔里木盆地西北邊緣。該地區(qū)屬暖溫帶大陸性荒漠氣候，夏季炎熱，冬季寒冷，晝夜溫差較大，光照充足，降水稀少，蒸發(fā)強(qiáng)烈。年平均氣溫10.5 ℃，7月份氣溫最高，1月份最低。年平均降水量47.8 mm，主要集中在6—8月，約占全年降水量的60%。年蒸發(fā)量1 905.2 mm，遠(yuǎn)大于降水量，灌區(qū)農(nóng)業(yè)生產(chǎn)主要依靠灌溉。豐收灌區(qū)是全國著名的優(yōu)質(zhì)棉花生產(chǎn)基地，被譽(yù)為“中國長絨棉之鄉(xiāng)”。區(qū)內(nèi)主要農(nóng)作物為棉花、玉米和冬小麥，其中棉花為經(jīng)濟(jì)作物，玉米和冬小麥為糧食作物。

1.2 模型介紹

MOASPO模型用于解決灌區(qū)水資源配置模型求解算法的不確定性和最優(yōu)方案選擇問題，由水資源優(yōu)化配置和配置方案優(yōu)選2個模塊組成。模型結(jié)構(gòu)如圖1所示。

1.3 水資源多目標(biāo)優(yōu)化配置模型

1.3.1 目標(biāo)函數(shù)

灌區(qū)可持續(xù)發(fā)展是灌區(qū)水資源配置的前提，本研究以灌區(qū)經(jīng)濟(jì)凈效益最大、總?cè)彼孔钚『吞嘉湛偭孔畲鬄槟繕?biāo)函數(shù)。

1）經(jīng)濟(jì)凈效益

灌區(qū)經(jīng)濟(jì)凈效益是衡量灌區(qū)人民生活質(zhì)量的重要標(biāo)準(zhǔn)，由灌區(qū)作物的種植面積和產(chǎn)量決定，而灌區(qū)水資源的合理配置是影響作物產(chǎn)量的主要因素。為使灌區(qū)的經(jīng)濟(jì)凈效益達(dá)到最大，在非充分灌溉條件下，通過調(diào)整各作物的種植結(jié)構(gòu)和優(yōu)化其灌溉制度，使灌區(qū)的土地資源和水資源得到充分利用，優(yōu)化目標(biāo)函數(shù)可表示為

2）總?cè)彼?/p>

區(qū)域缺水量的大小或缺水程度對社會各個方面的發(fā)展有不同程度的影響，因此采用灌區(qū)總?cè)彼孔钚∽鳛槟繕?biāo)函數(shù)[15]，其表達(dá)式如下：

3）碳吸收總量

以灌區(qū)碳吸收總量最大為目標(biāo)，作物本身的固碳潛力對于區(qū)域水土保持、緩解土壤沙化等均具有重要作用[16]。根據(jù)不同種類作物的經(jīng)濟(jì)系數(shù)和碳吸收率，測算出作物生育期內(nèi)的碳吸收情況，計算得到每種作物的碳吸收總量[17]，其優(yōu)化目標(biāo)函數(shù)如下

1.3.2 約束條件

豐收灌區(qū)由阿克蘇老大河引水，根據(jù)灌區(qū)用水特點及水資源條件，用“三條紅線”作為可供水量約束；灌區(qū)耕地因管理不當(dāng)導(dǎo)致碎塊化嚴(yán)重，結(jié)合當(dāng)?shù)氐姆N植條件，用灌區(qū)土地政策作為種植面積約束；為維持社會穩(wěn)定，確保糧食安全，灌區(qū)糧食產(chǎn)量需達(dá)到全國人均產(chǎn)量。

1）地表水可供水量約束

式中為“三條紅線”約束下地表水可供水量，m3。

2）地下水可供水量約束

式中GW為“三條紅線”約束下地下水可供水量，m3。

3）土地政策約束

4）糧食產(chǎn)量約束

5）作物各生育階段需水量約束

6）“三條紅線”限額下灌區(qū)各月用水量約束

7）非負(fù)約束

1.4 基于算法優(yōu)選的模型求解

本文中的多目標(biāo)優(yōu)化模型共有3個目標(biāo)函數(shù)和7個約束條件，而傳統(tǒng)的蟻群算法、粒子群算法在處理含復(fù)雜約束的多目標(biāo)問題時，易陷入局部最優(yōu)且Pareto解收斂效果較差。為得到更加合理的全局最優(yōu)解，本研究通過對比目前在處理多目標(biāo)優(yōu)化問題性能較好的NSGA-II（Non-dominated Sorting Genetic Algorithm-II，帶精英策略的非支配排序遺傳算法）、NSGA-III（Non-dominated Sorting Genetic Algorithm-III，基于參考點的非支配排序遺傳算法、MOEA/D（A Multi-Objective Evolutionary Algorithm based on Decomposition，基于分解的多目標(biāo)進(jìn)化算法）3種算法，選取最適合本文多目標(biāo)優(yōu)化模型的求解算法。

NSGA-II算法是Deb等[18]在原NSGA算法的基礎(chǔ)上，提出的一種帶有精英策略的非支配排序遺傳算法。NSGA-III算法是Jain等[19]在2014年提出處理多個優(yōu)化目標(biāo)的進(jìn)化算法，其主要思路是在NSGA-II的基礎(chǔ)上，引入?yún)⒖键c機(jī)制，對于非支配并且接近參考點的種群個體進(jìn)行保留。MOEA/D是Zhang等[20]在2009年提出的基于分解的多目標(biāo)優(yōu)化算法，其主要思路是將1個多目標(biāo)優(yōu)化問題分解成若干個標(biāo)量優(yōu)化子問題，并同時對其進(jìn)行優(yōu)化。本研究屬于帶約束的多目標(biāo)優(yōu)化問題，而3種多目標(biāo)優(yōu)化算法都沒有處理約束的能力，因此分別對其進(jìn)行改進(jìn)，將Deb約束準(zhǔn)則引入到3種算法中，記作CNSGA-II、CNSGA-III和CMOEA/D算法。

Deb約束支配準(zhǔn)則中，根據(jù)Pareto支配、約束違反度2種信息來選擇較優(yōu)個體?；赑areto支配關(guān)系的約束處理方法：對于某個解，若其滿足約束條件，則稱該解為可行解，若不滿足，則稱之為不可行解。對于不可行解，使用約束違反值（Constraint Violation value，CV）來定量描述其違反約束條件的程度。不可行解的約束違反值計算公式[21]如下：

式中為不等式約束的個數(shù)；為等式約束的個數(shù)；（）為不等式約束；（）為等式約束。

當(dāng)（）<0時，（）= ?（），否則（）=0。當(dāng)滿足約束條件中任何條件時，即在可行域內(nèi)，CV（）=0；當(dāng)不完全滿足約束條件時，即不在可行域內(nèi)，則CV（）≠0。CV值越小，越靠近可行域。

為比較不同算法的性能，分別采用CNSGA-II、CNSGA-III、CMOEA/D算法對同一目標(biāo)函數(shù)求解，選擇超體積（Hyper Volume，HV）[22]作為評價算法性能的指標(biāo)。HV表示算法獲得非支配解集與參照點圍成的目標(biāo)空間中區(qū)域的體積，HV值越大，說明算法的綜合性能越好。其計算公式如下：

1.5 基于熵權(quán)-TOPSIS綜合評價模型的方案優(yōu)選

在多目標(biāo)優(yōu)化問題中，由于每個目標(biāo)函數(shù)達(dá)到最優(yōu)時所對應(yīng)的非劣解不同，讓決策制定者在最優(yōu)方案選取時陷入困境。本研究通過構(gòu)建熵權(quán)-TOPSIS綜合評價模型，結(jié)合當(dāng)?shù)貙嶋H情況建立評價體系，使決策制定者能在Pareto解集中選取最佳方案。

1.5.1 熵權(quán)-TOPSIS綜合評價模型

TOPSIS（Technique for Order Preference by Similarity to an Ideal Solution ）法是一種常見的基于多目標(biāo)的評價方法，在實際中得到了較為廣泛的應(yīng)用[23-24]。傳統(tǒng)的TOPSIS 法主要依賴于專家主觀意見定權(quán)，可能造成評價結(jié)果與實際情況存在一定的偏差[25]。鑒于此，本文借助熵權(quán)，對評價對象和正、負(fù)理想解的計算方法進(jìn)行了改進(jìn)，建立熵權(quán)-TOPSIS綜合評價模型，使評價結(jié)果與真實情況相契合。

具體步驟如下[23-25]：

1.5.2 評價指標(biāo)建立

灌區(qū)水資源配置是一個復(fù)雜的過程，涉及經(jīng)濟(jì)、社會和生態(tài)等多方面因素影響，要全面反映各因子對其影響是比較困難的，只能根據(jù)具體問題具體分析建立相應(yīng)的評價模型及指標(biāo)體系[26]，結(jié)合干旱地區(qū)水資源開發(fā)利用現(xiàn)狀和灌區(qū)用水特點，考慮到指標(biāo)的獨立性、易得性和資料的局限性，結(jié)合研究區(qū)特點和優(yōu)化模型計算的相應(yīng)數(shù)據(jù)，構(gòu)建灌區(qū)水資源配置方案評價指標(biāo)體系，如表1所示。

評價指標(biāo)體系最上層為目標(biāo)層，即灌區(qū)水資源配置方案；第2層為準(zhǔn)則層，包括經(jīng)濟(jì)效益、社會效益和生態(tài)效益；第3層為指標(biāo)層，由若干各有側(cè)重又相互關(guān)聯(lián)的具體指標(biāo)構(gòu)成。經(jīng)濟(jì)效益指標(biāo)主要從水資源利用程度、產(chǎn)生效益和管理水平等方面考慮，以水資源利用程度為例，地下水和地表水的開發(fā)利用程度都與水資源的可持續(xù)利用、灌區(qū)節(jié)水改造規(guī)劃有著密切的關(guān)系[27]，研究區(qū)處于水資源短缺地區(qū)，提高水資源開發(fā)利用程度，合理配置農(nóng)業(yè)用水量，對灌區(qū)的可持續(xù)發(fā)展有著積極的影響，而灌區(qū)主要經(jīng)濟(jì)收入以種植業(yè)為主，為保證當(dāng)?shù)亟?jīng)濟(jì)產(chǎn)值，提高灌區(qū)人均收入，應(yīng)考慮灌區(qū)經(jīng)濟(jì)作物的種植面積，經(jīng)濟(jì)效益子系統(tǒng)選用“農(nóng)業(yè)用水比例”、“經(jīng)濟(jì)作物占有率”2個指標(biāo)；社會效益主要從增加GDP、提高農(nóng)民收入、改善生活質(zhì)量和推進(jìn)社會文明進(jìn)步等方面考慮[28]，研究區(qū)處于經(jīng)濟(jì)發(fā)展落后地區(qū)，提高當(dāng)?shù)厝藗兘?jīng)濟(jì)收入是重中之重，而保障當(dāng)?shù)丶Z食產(chǎn)量是改善生活質(zhì)量的重要因素，社會效益子系統(tǒng)選擇“人均糧食占有量”、“人均種植業(yè)純收入”2個指標(biāo)；生態(tài)效益指標(biāo)主要從改善灌區(qū)周邊環(huán)境、水資源保護(hù)等方面考慮[29]，降低化肥使用量和提高作物碳吸收量可以緩解灌區(qū)生態(tài)環(huán)境的惡化，因此選擇“單位灌溉面積化肥使用量”、“碳吸收總量”作為灌區(qū)生態(tài)效益子系統(tǒng)的指標(biāo)。

1.6 數(shù)據(jù)來源

由《阿瓦提現(xiàn)狀調(diào)查報告》[30]可知，通過對阿瓦提縣2012—2015年地表水實際引用量的收集和分析，結(jié)合《塔里木河流域近期綜合治理五年實施方案》確定的阿瓦提縣豐收灌區(qū)地表水限額水量為1.46×108m3，根據(jù)現(xiàn)狀年調(diào)查，灌區(qū)2016年實際地表水引水量為1.65×108m3；《阿瓦提縣地下水開發(fā)建設(shè)實施方案》確定的阿瓦提縣豐收灌區(qū)地下水限額水量為0.11×108m3，根據(jù)現(xiàn)狀年調(diào)查，2016年豐收灌區(qū)地下水實際開采量為0.14×108m3。

根據(jù)《阿克蘇統(tǒng)計年鑒2016》[31]和報告[30]可知，豐收灌區(qū)內(nèi)棉花、玉米和小麥的總灌溉面積為1.80×104hm2，常住人口為31 806人，“三條紅線”約束下可用水量為15 730×104m3，綜合灌溉利用系數(shù)為0.52，當(dāng)?shù)厮畠r為0.09元/m3，經(jīng)濟(jì)凈效益為25 269×104元，碳吸收總量為11 364×104kg，作物系數(shù)參考相關(guān)文獻(xiàn)[32-34]。模型所需的作物成本效益數(shù)據(jù)、“三條紅線”約束下地表水和地下水可用水量數(shù)據(jù)，如表2和表 3所示。

表1 灌區(qū)水資源配置方案評價指標(biāo)體系

表2 灌區(qū)作物系數(shù)

注：、、分別為水分生產(chǎn)函數(shù)的二次項、一次項和常數(shù)系數(shù)項。

Note:,, andare the quadratic, first, and constant coefficient terms of the water production function, respectively.

表3 “三條紅線”約束下豐收灌區(qū)地表水和地下水可用水量

2 結(jié)果與分析

2.1 灌區(qū)水資源優(yōu)化配置算法優(yōu)選

由表4可知，對于本文所建立的多目標(biāo)優(yōu)化模型，CNSGA-III算法在HV指標(biāo)值測試結(jié)果中，平均值最大（795.21）且標(biāo)準(zhǔn)差最?。?0.36），表明CNSGA-III算法在本研究所建立的多目標(biāo)優(yōu)化模型求解中優(yōu)于其余2種算法。

表4 CNSGA-II、CNSGA-III和CMOEA/D算法的HV指標(biāo)值測試

因此，本研究選用CNSGA-III算法對優(yōu)化模型求解的Pareto解集合作為灌區(qū)水資源配置結(jié)果，其Pareto解集合分布圖如圖2所示，圖中每個點表示對應(yīng)非劣解的大小，每個非劣解都由經(jīng)濟(jì)凈效益、總?cè)彼亢吞嘉湛偭抗餐瑳Q定。

2.2 配置方案優(yōu)選

由圖2可知，算法選取的種群規(guī)模較大，計算所得的非劣解較多，結(jié)合當(dāng)?shù)貙嶋H政策，可依據(jù)決策制定者期望縮小方案選取的范圍。本研究在充分考慮當(dāng)?shù)亟?jīng)濟(jì)落后和嚴(yán)重缺水背景的前提下，選擇經(jīng)濟(jì)凈效益在2.535×108～2.565×108元、總?cè)彼?0.133×108～-0.129×108m3和碳吸收總量1.186×108～1.187×108kg的共44組非劣解作為待選方案。

采用熵權(quán)-TOPSIS綜合評價模型對44組非劣解進(jìn)行評價。評價指標(biāo)中，農(nóng)業(yè)用水比例1和單位灌溉面積化肥使用量5為逆向指標(biāo)，其他評價指標(biāo)均為正向指標(biāo)。熵權(quán)法確定的各個指標(biāo)權(quán)重分別為0.109、0.306、0.174、0.177、0.019、0.215。各方案的指標(biāo)值及最終得分如圖 3和圖4所示。

在待優(yōu)選方案中，方案43的經(jīng)濟(jì)凈效益最大，為25 636×104元，但其灌區(qū)總?cè)彼扛哌_(dá)-1 291×104m3，碳吸收總量僅有11 868×104kg；方案13的灌區(qū)總?cè)彼孔钚?1 321×104m3，然而其經(jīng)濟(jì)凈效益僅有25 385×104元，比最大經(jīng)濟(jì)凈效益低251×104元，碳吸收總量僅有11 871×104kg；方案21的碳吸收量最大為11 877×104kg，灌區(qū)總?cè)彼扛哌_(dá)-1 318×104m3，經(jīng)濟(jì)凈效益僅有25 374×104元，其經(jīng)濟(jì)凈效益比方案43低262×104元?？梢?，在方案選取中，一味追求單方效益達(dá)到最優(yōu)而忽略其他效益是不合理的。

評價模型在綜合考慮經(jīng)濟(jì)效益、社會效益和生態(tài)效益的前提下，依據(jù)每個指標(biāo)信息熵的大小，客觀、公平地選取最佳方案。由圖4可知，方案40最終得分最高，被選為灌區(qū)水資源配置的最優(yōu)方案，其經(jīng)濟(jì)凈效益為25 518×104元、灌區(qū)總?cè)彼繛?1 319×104m3、碳吸收總量為11 874×104kg。在方案40中，灌區(qū)不同作物優(yōu)化后的種植面積和配水量如表5所示，逐月配水量如表6所示。

由表5可知，優(yōu)化后，灌區(qū)水資源得到充分利用，在各月“三條紅線”用水限額下，水資源不僅在各作物間進(jìn)行合理配置，而且考慮到不同作物在不同生育階段需水量不同，使各作物關(guān)鍵生育階段需水量得到保障，相應(yīng)提高作物產(chǎn)量，使水資源的灌溉效益達(dá)到最大化；在滿足糧食產(chǎn)量的前提下，棉花種植面積相較優(yōu)化前增加900 hm2，玉米種植面積減少200 hm2，而小麥種植面積則減少700 hm2，3種作物種植面積配置比例達(dá)到較佳水平。

表5 灌區(qū)不同作物優(yōu)化后的種植面積和配水量

表6 灌區(qū)不同作物優(yōu)化后逐月配水量

優(yōu)化前，灌區(qū)的經(jīng)濟(jì)凈效益為25 269×104元，“三條紅線”約束可用水量為15 730×104m3，碳吸收總量為11 364×104kg；由優(yōu)選方案40可知，優(yōu)化后，灌區(qū)的經(jīng)濟(jì)凈效益為25 518×104元、灌區(qū)總?cè)彼繛?1 319×104m3、碳吸收總量為11 874×104kg。通過優(yōu)化計算，經(jīng)濟(jì)凈效益相較優(yōu)化前增加 1.0%，灌區(qū)總?cè)彼繙p少8.4%，碳吸收總量增加4.5%，因此灌區(qū)的水資源經(jīng)過優(yōu)化配置后，其經(jīng)濟(jì)凈效益和碳吸收總量得到提高，且能減少灌區(qū)農(nóng)業(yè)灌溉用水量。

3 討 論

傳統(tǒng)的灌區(qū)水資源多目標(biāo)優(yōu)化配置多采用單一方法對優(yōu)化模型進(jìn)行求解[11-14]，得到配置方案Pareto解集合，然后灌區(qū)管理者在眾多的Pareto解集合中根據(jù)自己的偏好選擇配水方案，傳統(tǒng)的配水方法具有強(qiáng)烈的主觀性，可能導(dǎo)致配水結(jié)果和灌區(qū)的實際發(fā)展存在沖突。本文將灌區(qū)水資源多目標(biāo)優(yōu)化配置模型與配水方案優(yōu)選模型相結(jié)合，得到的灌區(qū)水資源優(yōu)化配置方案更加合理，更符合灌區(qū)的可持續(xù)發(fā)展。在前人研究的基礎(chǔ)上[35]，將算法優(yōu)選引入灌區(qū)水資源多目標(biāo)優(yōu)化配置模型求解中，解決了使用單一算法時存在的算法性能缺陷問題。將MOASPO模型應(yīng)用于豐收灌區(qū)水資源配置中，從得到的配置結(jié)果可知，在灌區(qū)水資源不足以滿足充分灌溉時，模型在非充分灌溉的條件下，通過適當(dāng)調(diào)整灌區(qū)內(nèi)棉花、小麥和玉米的種植結(jié)構(gòu)，降低高耗水且價格低廉作物小麥的種植面積，提高相對耗水量少且經(jīng)濟(jì)效益較大作物棉花的種植面積，使各作物關(guān)鍵生育階段的需水量得到保障，在減少耗水量的同時增加作物產(chǎn)量。

MOASPO模型主要適用于干旱和半干旱區(qū)，對于水資源充沛地區(qū)，需將多目標(biāo)優(yōu)化模型中的決策變量更換，其模型的適用性需進(jìn)一步驗證。

在選擇配水方案優(yōu)選評價體系指標(biāo)時，存在數(shù)據(jù)不全和難以定量等困難，綜合前人研究成果和本研究中的可量化數(shù)據(jù)，選取6項指標(biāo)，其中“碳吸收總量”指標(biāo)為本研究中新增的生態(tài)效益子系統(tǒng)的評價指標(biāo)。在資料齊全的其他類似灌區(qū)，可結(jié)合當(dāng)前灌區(qū)的發(fā)展趨勢，補(bǔ)充相應(yīng)評價指標(biāo)的數(shù)量。隨著學(xué)科交叉的日益成熟和機(jī)器學(xué)習(xí)的快速發(fā)展，可將機(jī)器學(xué)習(xí)的研究成果引入到農(nóng)業(yè)水土資源多目標(biāo)優(yōu)化中。在未來的研究中，可將深度學(xué)習(xí)中循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network，RNN）用于預(yù)測未來農(nóng)業(yè)灌溉用水的可用水量，根據(jù)HV算法評價指標(biāo)選擇最優(yōu)進(jìn)化算法，結(jié)合當(dāng)?shù)貙嶋H情況建立合適的評價體系，選擇最優(yōu)的農(nóng)業(yè)水土資源配置方案。

4 結(jié) 論

1）針對灌區(qū)水資源多目標(biāo)優(yōu)化配置模型求解算法的不確定性和最優(yōu)方案選擇問題，構(gòu)建了基于優(yōu)選算法的灌區(qū)水資源多目標(biāo)優(yōu)化配置及方案優(yōu)選模型（MOASPO）。與傳統(tǒng)灌區(qū)水資源配置模型相比，MOASPO模型將灌區(qū)水資源多目標(biāo)配置模型和評價模型相結(jié)合，得到的最優(yōu)配水方案，可為灌區(qū)管理者提供理論依據(jù)和決策支持。

2）分別采用NSGA-II、NSGA-III、MOEA/D算法對多目標(biāo)優(yōu)化模型進(jìn)行求解，通過算法評價指標(biāo)HV，參考點設(shè)置為（-1.151×108，-0.245×106，-0.846×108），CNSGA-III算法的平均值最大為795.21，標(biāo)準(zhǔn)差最小為20.36，最終選擇CNSGA-III作為多目標(biāo)優(yōu)化模型的最優(yōu)算法。

3）將所構(gòu)建的MOASPO模型應(yīng)用于新疆阿克蘇地區(qū)阿瓦提縣豐收灌區(qū)的水資源配置，通過評價篩選，最終選取較優(yōu)方案。該方案在每月“三條紅線”用水限額下，相較于傳統(tǒng)配置模型，經(jīng)濟(jì)凈效益增加1.0%，灌區(qū)總?cè)彼繙p少8.4%，碳吸收總量增加4.5%。

[1]郭玉丹，何英，彭亮. 基于生態(tài)安全的阿瓦提灌區(qū)生態(tài)需水量研究[J].水資源與水工程學(xué)報，2019，30(1)：241-246,253. Guo Yudan, He Ying, Peng Liang. Study on ecological water demand in Awati Irrigation Area based on ecological security[J]. Journal of Water Resources and Water Engineering, 2019, 30(1): 241-246,253. (in Chinese with English abstract)

[2]何英. 干旱區(qū)典型流域水資源優(yōu)化配置研究[D]. 烏魯木齊：新疆農(nóng)業(yè)大學(xué)，2010. He Ying. Research on Optimal Allocation of Water Resources in Typical Watersheds in Arid Areas[D]. Urumqi: Xinjiang Agricultural University, 2010. (in Chinese with English abstract)

[3]戴俊生. 塔里木河流域綜合治理工程生態(tài)經(jīng)濟(jì)效益評價[D].烏魯木齊：新疆農(nóng)業(yè)大學(xué)，2015. Dai Junsheng. Evaluation of the Ecological and Economic Benefits of the Comprehensive Treatment Project of the Tarim River Basin[D]. Urumqi: Xinjiang Agricultural University, 2015. (in Chinese with English abstract)

[4]Kang S, Zhang L, Trout T. Special Issue: Improving agricultural water productivity to ensure food security under changing environments[J]. Agricultural Water Management, 2017, 179: 1-4.

[5]張利平，夏軍，胡志芳. 中國水資源狀況與水資源安全問題分析[J]. 長江流域資源與環(huán)境，2009，18(2)：116-120. Zhang Liping, Xia Jun, Hu Zhifang. Situation and problem analysis of water resource security in China[J]. Resources and Environment in the Yangtze River Basin, 2009, 18(2): 116-120. (in Chinese with English abstract)

[6]許迪，李益農(nóng)，龔時宏，等. 氣候變化對農(nóng)業(yè)水管理的影響及應(yīng)對策略研究[J]. 農(nóng)業(yè)工程學(xué)報，2019，35(14)：79-89. Xu Di, Li Yinong, Gong Shihong, et al. Impacts of climate change on agricultural water management and its coping strategies[J].Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(14): 79-89. (in Chinese with English abstract)

[7]陳衛(wèi)賓，董增川，張運鳳. 基于記憶梯度混合遺傳算法的灌區(qū)水資源優(yōu)化配置[J]. 農(nóng)業(yè)工程學(xué)報，2008，24(6)：10-13. Chen Weibin, Dong Zengchuan, Zhang Yunfeng. Optimization the allocation of irrigated areas water resources based on memory gradient hybrid genetic algorithm[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2008, 24(6): 10-13. (in Chinese with English abstract)

[8]Zhang Z, Ma H, Li Q, et al. Agricultural planting structure optimization and agricultural water resources optimal allocation of Yellow River Irrigation Area in Shandong Province[J]. Desalination and Water Treatment, 2014, 52(13): 2750-2756.

[9]張展羽，司涵，馮寶平，等. 缺水灌區(qū)農(nóng)業(yè)水土資源優(yōu)化配置模型[J]. 水利學(xué)報，2014，45(4)：403-409. Zhang Zhanyu, Si Han, Feng Baoping, et al. Optimal allocation model of agricultural water and soil resources in water-deficient irrigation areas[J]. Journal of Hydraulic Engineering, 2014, 45(4): 403-409. (in Chinese with English abstract)

[10]陳述，邵東國，李浩鑫，等. 基于粒子群人工蜂群算法的灌區(qū)渠-塘-田優(yōu)化調(diào)配耦合模型[J]. 農(nóng)業(yè)工程學(xué)報，2014，30(20)：90-97. Chen Shu, Shao Dongguo, Li Haoxin, et al. Coupling model of irrigation area canal-pond-field optimal allocation based on particle swarm artificial bee colony algorithm[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(20): 90-97. (in Chinese with English abstract)

[11]郭萍，單寶英，郭珊珊. 基于Pareto解集的多目標(biāo)農(nóng)業(yè)水土資源優(yōu)化配置模型[J]. 天津大學(xué)學(xué)報：自然科學(xué)與工程技術(shù)版，2019，52(10)：1008-1016. Guo Ping, Shan Baoying, Guo Shanshan. Multi-objective optimal allocation model of agricultural water and soil resources based on pareto sets[J]. Journal of Tianjin University (Natural Science and Engineering Technology Edition), 2019, 52(10): 1008-1016. (in Chinese with English abstract)

[12]Anwar A A, Haq Z U. Genetic algorithms for the sequential irrigation scheduling problem[J]. Irrigation Science, 2013, 31(4): 815-829.

[13]岳瓊，郭萍，唐毅寬，等.灌區(qū)廣義水資源不確定性多目標(biāo)優(yōu)化配置[J].干旱地區(qū)農(nóng)業(yè)研究，2020，38(4)：168-174,183.Yue Qiong, Guo Ping, Tang Yikuan, et al. Multi-objective optimal allocation of generalized water resources in irrigation district under uncertainty[J]. Agricultural Research in Arid Areas, 2020, 38(4): 168-174,183. (in Chinese with English abstract)

[14]Chen J, Ding T, Li M, et al. Multi-objective optimization of a regional water-energy-food system considering environmental constraints: A case study of Inner Mongolia, China[J]. International Journal of Environmental Research and Public Health, 2020, 17(18): 6834.

[15]張志軍，黃寶連. 基于水資源優(yōu)化配置的多目標(biāo)決策模型探析[J].水利規(guī)劃與設(shè)計，2011(3)：22-25. Zhang Zhijun, Huang Baolian. Multi-target decision-making model analysis based on optimal disposition of water resources[J]. Water Resources Planning and Design, 2011(3): 22-25. (in Chinese with English abstract)

[16]譚倩，緱天宇，張?zhí)镦?，? 基于魯棒規(guī)劃方法的農(nóng)業(yè)水資源多目標(biāo)優(yōu)化配置模型[J]. 水利學(xué)報，2020，51(1)：56-68. Tan Qian, Gou Tianyu, Zhang Tianyuan, et al. Multi-objective optimal allocation model of agricultural water resources based on robust planning method[J]. Journal of Hydraulic Engineering, 2020, 51(1): 56-68. (in Chinese with English abstract)

[17]韓召迎，孟亞利，徐嬌，等. 區(qū)域農(nóng)田生態(tài)系統(tǒng)碳足跡時空差異分析：以江蘇省為案例[J]. 農(nóng)業(yè)環(huán)境科學(xué)學(xué)報，2012，31(5)：1034-1041. Han Zhaoying, Meng Yali, Xu Jiao, et al. Spatial and temporal differences in carbon footprint of regional farmland ecosystems: A case study of Jiangsu Province[J]. Journal of Agricultural Environment Sciences, 2012, 31(5): 1034-1041. (in Chinese with English abstract)

[18]Deb K, Pratap A, Agarwal S, et al. A fast and elitist multiobjective genetic algorithm: NSGA-II[J]. IEEE Transactions on Evolutionary Computation, 2002, 6(2): 182-197.

[19]Jain H, Deb K. An evolutionary many-objective optimization algorithm using reference-point based non-dominated sorting approach, part II: Handling constraints and extending to an adaptive approach[J]. IEEE Transactions on Evolutionary Computation, 2014, 18(4): 602-622.

[20]Zhang Q, Li H. MOEA/D: A multi-objective evolutionary algorithm based on decomposition[J]. IEEE Transactions on Evolutionary Computation, 2007, 11(6): 712-731.

[21] Deb K. An efficient constraint handling method for genetic algorithms[J]. Computer Methods in Applied Mechanics and Engineering, 2000, 186(2/3/4): 311-338.

[22]Tian Y, Cheng R, Zhang X, et al. Diversity assessment of multi-objective evolutionary algorithms: Performance metric and benchmark problems[J]. IEEE Computational Intelligence Magazine, 2019, 14(3): 61-74.

[23]朱珠，張琳，葉曉雯，等. 基于TOPSIS方法的土地利用綜合效益評價[J]. 經(jīng)濟(jì)地理，2012，32(10)：139-144. Zhu Zhu, Zhang Lin, Ye Xiaowen, et al. Evaluation of comprehensive benefits of land use based on TOPSIS method[J]. Economic Geography, 2012, 32(10): 139-144. (in Chinese with English abstract)

[24]雷勛平，Robin Qiu，劉勇. 基于熵權(quán)TOPSIS模型的區(qū)域土地利用績效評價及障礙因子診斷[J]. 農(nóng)業(yè)工程學(xué)報，2016，32(13)：243-253. Lei Xunping, Robin Qiu, Liu Yong. Regional land use performance evaluation and barrier factor diagnosis based on entropy weight TOPSIS model[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(13): 243-253. (in Chinese with English abstract)

[25]魯春陽，文楓，楊慶媛，等. 基于改進(jìn)TOPSIS法的城市土地利用績效評價及障礙因子診斷：以重慶市為例[J]. 資源科學(xué)，2011，33(3)：535-541. Lu Chunyang, Wen Feng, Yang Qingyuan, et al. Urban land use performance evaluation and barrier factor diagnosis based on improved TOPSIS method: Taking Chongqing as an example[J]. Resources Science, 2011, 33(3): 535-541. (in Chinese with English abstract)

[26]馮峰，許士國. 灌區(qū)水資源綜合效益的改進(jìn)多級模糊優(yōu)選評價[J]. 農(nóng)業(yè)工程學(xué)報，2009，25(7)：56-61. Feng Feng, Xu Shiguo. Improved fuzzy-optimal multi-level evaluation for comprehensive benefit of water resources in irrigation area[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2009, 25(7): 56-61. (in Chinese with English abstract)

[27]張燕妮. 大型灌區(qū)水資源綜合效益評價[D]. 楊凌：西北農(nóng)林科技大學(xué)，2010. Zhang Yanni. Evaluation of Comprehensive Benefits of Water Resources in Large-scale Irrigation Area[D]. Yangling: Northwest A&F University, 2010. (in Chinese with English abstract)

[28]袁偉. 面向可持續(xù)發(fā)展的黑河流域水資源合理配置及其評價研究[D]. 杭州：浙江大學(xué)，2009.Yuan Wei. Research on the Rational Allocation and Evaluation of Water Resources in the Heihe River Basin for Sustainable Development[D]. Hangzhou:Zhejiang University, 2009. (in Chinese with English abstract)

[29]王浩，尹明萬，秦大庸，等. 水利建設(shè)邊際成本與邊際效益評價[M]. 北京：科學(xué)出版社，2004：54-60.

[30]張黎明. 阿瓦提現(xiàn)狀調(diào)查報告[R]. 新疆：新疆兵團(tuán)勘測設(shè)計院，2017.

[31]阿克蘇統(tǒng)計局. 國家統(tǒng)計局阿克蘇調(diào)查隊. 阿克蘇統(tǒng)計年鑒2010-2016[M]. 阿克蘇：阿克蘇市統(tǒng)計局，2016.

[32]胡順軍，王仰仁，康紹忠，等. 棉花水分生產(chǎn)函數(shù)Jensen模型敏感指數(shù)累積函數(shù)研究[J]. 沈陽農(nóng)業(yè)大學(xué)學(xué)報，2004，35(5/6)：423-425.Hu Shunjun, Wang Yangren, Kang Shaozhong, et al. Cumulative function of sensitive index of jensen’s crop water production model for cotton[J]. Journal of Shenyang Agricultural University, 2004, 35(5/6): 423-425. (in Chinese with English abstract)

[33]孫建光，韓桂蘭. 塔里木河流域基于作物水分生產(chǎn)函數(shù)的農(nóng)業(yè)水價需求效應(yīng)分析[J]. 水利水電科技進(jìn)展，2009，29(4)：24-26. Sun Jianguang, Han Guilan. Demand effect analysis of agricultural water price based on crop water production function in Tarim River Basin[J]. Progress in Water Resources and Hydropower Science and Technology, 2009, 29(4): 24-26.

[34]雷志棟，胡和平，楊詩秀，等. 葉爾羌河灌區(qū)冬小麥灌溉試驗與分析[J]. 灌溉排水，1999(2)：3-5.Lei Zhidong, Hu Heping, Yang Shixiu, et al. Water equilibrium model of agriculture-non-agriculture area based on soil water movement[J]. Irrigation and Drainage, 1999(2): 3-5. (in Chinese with English abstract)

[35]單寶英，郭萍，張帆，等. 基于遺傳算法與方案優(yōu)選的多目標(biāo)優(yōu)化模型求解方法[J].中國農(nóng)業(yè)大學(xué)學(xué)報，2019，24(6)：157-165. Shan Baoying, Guo Ping, Zhang Fan, et al. A multi-objective optimization model solving method based on genetic algorithm and scheme optimization[J]. Journal of China Agricultural University, 2019, 24(6): 157-165. (in Chinese with English abstract)

Optimized selection of the solution for multi-objective optimal allocation of water resources in Fengshou Irrigation Areas of South Xinjiang

He Ying, Tang Xiaoyu, Peng Liang, Ju Jinhao

(1.,,830052,;2.,830052,)

Severe global water shortages have posed a great challenge on modern agriculture as ever-increasing demand for water due to the population and economic growth. Therefore, it is necessary to scientifically allocate the limited water resources in main irrigation areas, further to improve the utilization rate of agricultural water for the local economy and ecosystem. Taking Fengshou Irrigation Area in Awati County, Aksu Prefecture, Xinjiang of China as the research area, a multi-objective optimal allocation of water resources was established to obtain an optimal selection model (Multi-Objective optimal allocation model of water resources in irrigation area based on Algorithm Selection and Plan Optimization, MOASPO). The economic, social and ecological development indicators were considered, and the evaluation system of water resource allocation scheme in Fengshou Irrigation Area was established, in order to obtain better net economic benefits in the irrigation area with smaller agricultural water consumption. Two procedures were included in the model: 1) To select the optimal solution for the multi-objective optimal allocation model of water resources in the irrigation area, where the NSGA-II, NSGA-III, and MOEA/D were utilized for each Pareto solution, and then the HV algorithm evaluation index was selected to evaluate each Pareto solution under a unified reference point, and finally to select an optimal solution. 2) To select the best allocation plan of water resources suitable for the specific irrigation area. The candidates were taken from the Pareto solution set, thereby constructing an optimal evaluation system for water resources allocation plans in irrigation areas, combining the local actual conditions from economic, social, and environmental benefits. Specifically, the subsystem of economic benefit included two indicators: “per capita net income from planting industry” and “economic crop occupancy rate”, while the subsystem of social benefit included two indicators: “per capita food occupation” and “agricultural water use ratio”. Meanwhile, the eco-environmental subsystem included two indicators: “fertilizer use per unit of irrigation area” and “total carbon absorption”. An entropy weight-TOPSIS comprehensive model was used to evaluate the options to be selected, and finally to determine the optimal allocation plan of water resources. The results show that the cotton planting area increased by 900hm2under the appropriate grain output, whereas, the planting area of maize and wheat reduced by 200 and 700 hm2, respectively, indicating an optimal proportion of crops planting area. After optimization, the net economic benefit was 255.18 million Yuan, while the total shortage of agricultural water was reduced by 13.19 million m3, and the carbon sequestration of crops was 118.74 million kg. The net economic benefit increased by 1.0%, while the total shortage of agricultural water was reduced by 8.4%, and the amount of carbon sequestered by crops increased by 4.5%, compared with the traditional allocation plan. The proposed model and optimized plan can provide a potential reference to formulate an allocation plan of water resources in the arid irrigation areas.

water resources; algorithms; multi-objective; uncertainty; evaluation model; irrigation area

何英，唐曉宇，彭亮，等. 南疆豐收灌區(qū)水資源多目標(biāo)優(yōu)化配置方案優(yōu)選[J]. 農(nóng)業(yè)工程學(xué)報，2021，37(6)：117-126.doi：10.11975/j.issn.1002-6819.2021.06.015 http://www.tcsae.org

He Ying, Tang Xiaoyu, Peng Liang, et al. Optimized selection of the solution for multi-objective optimal allocation of water resources in Fengshou Irrigation Areas of South Xinjiang[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(6): 117-126. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2021.06.015 http://www.tcsae.org

2020-09-27

2021-03-02

國家自然科學(xué)基金項目（51969029，51569031）；新疆水利科技專項資金項目（XSKJ-2020-04）

何英，博士，副教授，研究方向為干旱區(qū)水文模擬與水資源評價。Email：xjheying@126.com

10.11975/j.issn.1002-6819.2021.06.015

S274.3

A

1002-6819(2021)-06-0117-10