Применение многообъективной оптимизации в моделях экологического планирования

Введение в многоцелевую оптимизацию при экологическом планировании

Экологическое планирование работает на пересечении конкурирующих приоритетов: экономическое развитие, социальное равенство и экологическая целостность. По мере усиления человеческого давления на природные системы планировщики должны ориентироваться во все более сложных компромиссах, где выигрыш в одном измерении часто обходится в другом. Обычные методы однообъективной оптимизации, которые ищут единственный лучший ответ, плохо подходят для этих дилемм, потому что они игнорируют неотъемлемые конфликты между целями. Многообъективная оптимизация (MOO) обеспечивает строгую математическую основу для решения такой сложности, создавая спектр компромиссных решений, а не один оптимум. В этой статье исследуются теоретические основы, практические приложения и возникающие проблемы использования MOO в моделях экологического планирования, с акцентом на землепользование, водные ресурсы, возобновляемые источники энергии и контроль загрязнения.

Основы многообъективной оптимизации

Определение проблемы: противоречивые цели

В МОО проблема определяется множеством объективных функций, которые обычно находятся в конфликте. Например, максимизация экономической отдачи от леса может конфликтовать с максимизацией сохранения биоразнообразия. Каждая цель является функцией переменных решений (например, проценты распределения земель, пределы выбросов, графики высвобождения резервуаров). Цель состоит не в том, чтобы найти единый глобальный оптимум, который редко существует, но определить набор решений, которые не доминируют : говорят, что решение доминирует над другим, если оно, по крайней мере, так же хорошо во всех целях и строго лучше по крайней мере в одном. Сбор всех не доминируемых решений называется фронтом Парето или границей Парето.

Парето Фронт: Карта компромиссов

Фронт Парето является центральной концепцией в МОО. Он представляет все возможные компромиссы, которые не могут быть улучшены в одной цели без ухудшения другой. Затем лица, принимающие решения, могут изучить этот фронт и выбрать решение, которое наилучшим образом соответствует их приоритетам, будь то жертвование некоторым экономическим продуктом для достижения более чистой реки или наоборот. Инструменты визуализации, такие как параллельные координационные участки и участки рассеяния, помогают заинтересованным сторонам интуитивно понять компромиссы. Например, в проблеме планирования водораздела с целями минимизации затрат и максимизации качества воды фронт Парето показывает, сколько дополнительных инвестиций необходимо для каждого постепенного улучшения сокращения загрязняющих веществ.

Алгоритмы формирования фронта Парето

Исторически к MOO подходили с помощью методов взвешенной суммы или ε-ограничения, которые преобразуют несколько целей в однообъективные проблемы. Эти подходы, однако, могут пропустить вогнутые области фронта Парето и требуют повторной настройки. Современные эволюционные алгоритмы доминируют в поле, потому что они могут обрабатывать нелинейности, разрывы и большие пространства поиска. Наиболее широко используется Недоминируемый сортирующий генетический алгоритм II (NSGA-II) , который использует быструю недоминируемую сортировку и расстояние скученности для поддержания разнообразия. Другие известные алгоритмы включают Многообъективную оптимизацию тепла частиц (MOPSO) , Силовой эволюционный алгоритм Парето 2 (FLT:5] и Ссылочный точечный NSGA-II (R-NSGA-II) Для артикуля

Ключевые области применения в экологическом планировании

Планирование и сохранение землепользования

Планирование землепользования, возможно, является наиболее зрелым применением МОО в управлении окружающей средой. Планировщики должны сбалансировать расширение городов, сельскохозяйственное производство, развитие инфраструктуры и защиту экосистем. Типичная модель МОО может включать такие цели, как максимизация чистой приведенной стоимости освоения земель, минимизация фрагментации среды обитания и максимизация поглощения углерода. Переменные решения включают категории зонирования, плотность зданий и зоны восстановления. Знаковое исследование в журнале экологического менеджмента Примененный NSGA-II к водосбору площадью 500 км2 в Швеции, производя фронты Парето, которые показали, что сокращение экономической отдачи на 10% может удвоить площадь охраняемых водно-болотных угодий. Такие количественные данные позволяют заинтересованным сторонам делать обоснованные компромиссы.

MOO также интегрируется с ландшафтными показателями, такими как эффективный размер сетки или фрактальное измерение , чтобы количественно оценить пространственные модели. Рассматривая их как цели, планировщики могут избежать эффекта «шаблона» рассеянных заповедных участков, которые предлагают небольшую экологическую выгоду. Недавние работы сочетают MOO с моделями изменения землепользования на основе клеточных автоматов для изучения будущих сценариев в условиях изменения климата и роста населения, обеспечивая динамические фронты Парето, которые развиваются с течением времени.

Управление водными ресурсами

Водные ресурсы представляют собой классические многоцелевые задачи: распределение воды между сельскохозяйственными, промышленными, муниципальными и экологическими видами использования при сохранении качества воды и минимизации затрат. Модели MOO в этой области обычно включают гидрологическое моделирование, статистические модели потоков и экономическую оценку. Например, структура RiverSim использует MOPSO для оптимизации выбросов водохранилищ для трех целей: борьба с наводнениями, выработка гидроэнергии и поддержание экологического потока. Результаты из бассейна реки Колорадо показали, что поддержание минимального экологического потока сократило выработку гидроэнергии всего на 5%, что противоречит общему мнению о серьезном компромиссе.

Управление подземными водами также выигрывает от MOO. Загрязненный водоносный горизонт часто включает в себя противоречивые цели: минимизация затрат на очистку, максимизация удаления загрязняющей массы и минимизация окончательной концентрации загрязняющих веществ. Исследования использовали NSGA-II в сочетании с моделью потока грунтовых вод и транспорта (например, MODFLOW и MT3DMS) для создания фронтов Парето, которые помогают агентствам решать, насколько агрессивно сделать систему насоса и очистки. Один анализ участка хлорированного растворителя в Калифорнии показал, что для достижения скорости удаления на 99% требуется на 40% больше насосных скважин, чем удаление на 80%, иллюстрируя нелинейную взаимосвязь затрат и выгод.

Обстановка для возобновляемой энергии

Глобальный переход на возобновляемую энергию требует тщательного размещения ветровых электростанций, солнечных батарей и гидроэнергетических объектов для балансировки производства энергии с экологическими и социальными последствиями. MOO используется для оптимизации выбора участка на основе нескольких критериев: максимизация годового выхода энергии, минимизация риска столкновения птиц и летучих мышей, минимизация визуального воздействия и минимизация конфликта землепользования. В исследовании, опубликованном в , были применены рамки MOO для наземного ветрового сидения в Ирландии, используя ГИС-слои для скорости ветра, охраняемых районов и близости к жилым помещениям. Полученный фронт Парето показал, что снижение выработки энергии на 10% может снизить риск столкновения птиц более чем на 60%.

Планирование солнечной энергии часто включает в себя конкуренцию землепользования. В засушливых регионах крупномасштабные солнечные фермы могут посягать на нетронутые пустынные экосистемы. Модели МОО помогают идентифицировать участки, которые обеспечивают высокую инсоляцию, избегая чувствительных мест обитания. Например, исследователи в пустыне Мохаве использовали MOPSO с целью максимизации выработки солнечной электроэнергии и минимизации числа находящихся под угрозой исчезновения нор пустынной черепахи, создавая набор вариантов, которые можно было бы обсудить с землеустроителями.

Контроль загрязнения и управление качеством воздуха

Сокращение загрязнения воздуха и воды требует балансирования сокращения выбросов (или очистки сточных вод) с затратами. MOO часто применяется к разработке стратегий борьбы с загрязнением, таких как выбор наилучших доступных технологий контроля для электростанций или распределение сокращений нагрузки между точечными и неточечными источниками. Классической проблемой является контроль загрязнения с наименьшими затратами по данному стандарту качества воды. MOO расширяет это, рассматривая несколько показателей качества воды одновременно (например, растворенный кислород, общий фосфор, мутность) в качестве отдельных целей, наряду со стоимостью.

В области управления качеством воздуха исследование в Атмосферная среда использовало NSGA-II для оптимизации сокращения выбросов из промышленных стеков, транспортных средств и источников в дельте Жемчужной реки, с целью минимизации воздействия PM2.5 на население, минимизации затрат на меры контроля и минимизации потерь промышленного производства. Фронт Парето позволил регулирующим органам увидеть, что умеренное улучшение воздействия может быть достигнуто при низких затратах, но дальнейшие выгоды стали экспоненциально более дорогими. Эти выводы имеют решающее значение для разработки политики в условиях бюджетных ограничений.

Интеграция MOO с вовлечением заинтересованных сторон

Экологическое планирование по своей сути является совместным, вовлекая различные заинтересованные стороны с различными ценностями и допусками к риску. MOO может быть интегрирована в структурированные процессы принятия решений, такие как Multi-Criteria Decision Analysis (MCDA) или Deliberative Multi-Attribute Utility . После создания фронта Парето заинтересованные стороны могут исследовать компромиссы интерактивно с использованием инструментов визуализации. Некоторые платформы, такие как Diviz или EMO-Web, позволяют в режиме реального времени регулировать веса предпочтений, чтобы увидеть, какое решение будет выбрано. Эта прозрачность способствует доверию и помогает разрешать конфликты.

Однако необработанные фронты Парето могут затмить неспециалистов. Сокращение фронта до управляемого числа репрезентативных решений — например, с помощью методов кластеризации или опорных точек — может сделать результаты осуществимыми. Например, в ходе лесопланирования в Финляндии фронт Парето из 500 решений был сокращен до 6 планов кандидатов с использованием k-средств кластеризации по объективным значениям. Эти шесть планов были затем представлены местным жителям на публичных слушаниях, что привело к консенсусу по гибридному подходу, который сочетал выборочную вырубку с строгими природоохранными зонами.

Преимущества многообъективной оптимизации экологического планирования

  • Комплексное решение для освоения космоса.] MOO раскрывает весь спектр возможных компромиссов, а не только один оптимум. Это помогает избежать скрытой неэффективности, когда небольшая жертва в одной цели приносит большие выгоды в другой.
  • Прозрачность и обороноспособность.] Фронт Парето делает присущие компромиссы явными, позволяя планировщикам оправдывать решения, основанные на количественных доказательствах, а не на интуиции. Это особенно важно, когда решения подвергаются судебному преследованию или общественному контролю.
  • Освобождение диалога с заинтересованными сторонами. Визуализация компромиссов дает заинтересованным сторонам общий язык для обсуждения приоритетов. Она смещает акцент с состязательных позиций («мы хотим максимального роста») на конструктивное исследование («от чего мы готовы отказаться для достижения этого роста?»).
  • Усиление устойчивости. Четко рассматривая экологические и социальные цели наряду с экономическими, MOO предотвращает общую ловушку оптимизации только одного показателя, такого как ВВП, за счет долгосрочного здоровья окружающей среды.
  • Включение неопределенности. Многие алгоритмы MOO могут быть расширены для решения стохастических целей или критериев надежности, создавая фронты, которые устойчивы к изменениям климата, цен или населения.

Проблемы и ограничения на практике

Вычислительная сложность

Реальные модели окружающей среды могут быть вычислительно интенсивными, требующими часов или дней для одного моделирования. Запуск эволюционного алгоритма с сотнями или тысячами оценок функций может стать запретительным. Суррогатные методы моделирования, такие как Кригинг или нейронные сети , могут создавать быстрые приближения исходной модели, но они вводят ошибку приближения. В последние годы байесовская оптимизация и параллельные вычисления частично смягчили это узкое место, но это остается барьером для крупномасштабных пространственно явных моделей.

Качество и доступность данных

Экологическое планирование опирается на различные источники данных (спутниковые изображения, данные переписи, гидрологические записи), часто с непоследовательным пространственным и временным разрешением. Отсутствие или шумные данные могут привести к тому, что алгоритмы MOO генерируют фронты Парето, которые вводят в заблуждение или неполны. Хуже того, сами объективные функции могут быть плохо определены, если экологические показатели (например, экосистемные услуги) трудно монетизировать или измерить напрямую. Планировщики должны инвестировать в надежную предварительную обработку данных и анализ чувствительности, чтобы гарантировать, что результаты заслуживают доверия.

Элицитация предпочтений и когнитивная нагрузка

После того, как фронт Парето будет создан, лицо, принимающее решение, должно выбрать точку. Если фронт имеет много целей (например, 5 или более), визуализация и сравнение компромиссов становится умственно обременительным. Люди склонны фокусироваться на нескольких целях за раз, потенциально упуская из виду важные взаимозависимости. Такие методы, как ], показывает путь ценности и , анализ основных компонентов могут помочь, но уменьшение размерности также теряет информацию. Новое решение заключается в использовании интерактивной эволюционной оптимизации, где предпочтения лица, принимающего решение, включены во время поиска (например, NSGA-III), но это требует удобного технического интерфейса.

Консенсус заинтересованных сторон и институциональные барьеры

Даже когда МУО предоставляет четкий набор вариантов, достижение соглашения между заинтересованными сторонами с диаметрально противоположными интересами (например, горнодобывающие компании против природоохранных групп) может быть чрезвычайно трудным. Процесс МУО может выявить непримиримые различия, требующие посредничества или иерархического принятия решений. Кроме того, многие агентства по экологическому планированию привыкли к традиционному анализу затрат и выгод или детерминированной оптимизации, и принятие МУ может потребовать значительных институциональных изменений, обучения и политической воли.

Тематическое исследование: Комплексное планирование речного бассейна в дельте Меконга

Чтобы проиллюстрировать реальное воздействие МОО, рассмотрим трансграничные проблемы управления водными ресурсами в дельте Меконга. Дельта поддерживает 60 миллионов человек, половину производства риса во Вьетнаме и глобально значимое биоразнообразие. Планировщики должны распределять воду между гидроэнергетикой, сельским хозяйством, рыболовством и водно-болотными угодьями, осложненными плотинами вверх по течению и изменением климата. В исследовании, опубликованном в исследовании водных ресурсов, использующем NSGA-II в сочетании с гидрологической моделью (SWAT) и экономической моделью. Три цели были: максимизация эффективности использования сельскохозяйственной воды (экономическая выгода), максимизация вылова рыбы (жизнеспособность) и максимизация площади водно-болотных угодий (биоразнообразие).

Получившийся в результате фронт Парето выявил сильный компромисс между эффективностью использования воды и уловом рыбы, но удивительную синергию между уловом рыбы и водно-болотными угодьями, когда потоки оставались в пределах естественных сезонных моделей. Визуализируя эти отношения, вьетнамские и камбоджийские заинтересованные стороны смогли договориться о режиме сезонного потока, который увеличил улов рыбы на 15%, сократив сельскохозяйственную продукцию всего на 3%. Без МУО скрытая синергия могла бы быть упущена, что привело бы к более состязательным переговорам. Этот случай подчеркивает, как МУО может превратить конфликт в совместное открытие.

Будущие направления и новые тенденции

Интеграция с машинным обучением и большими данными

Экологическое планирование все больше богато данными, с дистанционным зондированием, датчиками IoT и гражданской наукой, генерирующей потоки наблюдений в режиме реального времени. Машинное обучение может помочь MOO двумя способами: во-первых, путем создания более быстрых суррогатных моделей сложных симуляций (как отмечалось выше), и во-вторых, путем добычи исторических данных для выявления целей или ограничений, которые планировщики могли бы не учитывать. Например, агенты обучения подкрепления могут быть обучены приближению фронтов Парето в динамических средах, таких как адаптивное управление водными ресурсами в изменяющихся климатических условиях.

Многоцелевая оптимизация (более 4 целей)

Поскольку экологические проблемы требуют рассмотрения 6, 10 или даже 20 целей (например, множественные экосистемные услуги, показатели справедливости, пороги риска), классические алгоритмы на основе Парето становятся менее эффективными, потому что почти каждое решение становится не доминируемым. Ссылочные алгоритмы на основе точек, такие как NSA-III и MOEA / D , обрабатывают многие цели, используя набор хорошо распределенных эталонных направлений. Эти методы активно разрабатываются для моделей комплексной оценки, которые объединяют цели климата, экономики и биоразнообразия.

Интеграция с географическими информационными системами (ГИС)

Пространственная оптимизация является естественным подходом для MOO, и современные ГИС-платформы, такие как ArcGIS Pro и QGIS, теперь включают модули для многообъективного распределения земель (например, инструмент планирования сохранения Маркса). Сочетание пространственных данных с MOO позволяет планировщикам учитывать связь, ограничения смежности и пространственно меняющиеся затраты и выгоды. Библиотеки с открытым исходным кодом, такие как pymoo (Python) все чаще связаны со сценариями геообработки, что делает MOO доступным для неспециалистов-планировщиков.

Участливая и совместная оптимизация

Следующим шагом является внедрение MOO непосредственно в процессы участия, такие как гражданские жюри или онлайн-платформы для обсуждения. Такие инструменты, как PolicyCompass и WaterPath , позволяют участникам настраивать ползунки, представляющие их предпочтения, и видеть полученные решения на фронте Парето в режиме реального времени. Это не только повышает легитимность окончательного решения, но и информирует заинтересованные стороны о характере компромиссов, способствуя более информированному общественному дискурсу по экологическим вопросам.

Заключение

Многообъективная оптимизация превратилась из академического любопытства в практический инструмент для решения самых трудноразрешимых задач экологического планирования. Систематическое отображение компромиссов между экономическими, социальными и экологическими целями позволяет лицам, принимающим решения, делать явные, прозрачные и оправданные выборы. Его применение в землепользовании, управлении водными ресурсами, размещении энергии и контроле загрязнения продемонстрировало явные преимущества: лучшие результаты, снижение конфликтов и повышение устойчивости. Однако успешное развертывание MOO требует тщательного внимания к вычислительным ограничениям, качеству данных и взаимодействию с заинтересованными сторонами. По мере того, как алгоритмы становятся более сложными и интеграция с ГИС и машинным обучением созревает, MOO, вероятно, станет стандартным компонентом инструментария экологического планировщика. Путь вперед заключается в разработке интуитивных интерфейсов, решении высокоразмерных целей и внедрении оптимизации в рамки совместного управления. В эпоху ускорения экологических изменений многообъективная оптимизация предлагает не просто метод, но и мышление: тот, который охватывает сложность, признает компромиссы и ищет решения, которые уравновешивают несколько ценностей, а не максимизируют одну.

Для дальнейшего чтения см. основополагающую работу Deb et al. по NSGA-II (]IEEE Transactions on Evolutionary Computation, 2002), обзор MOO для водных ресурсов Reed et al. (]Water Resources Research, 2013), а также приложение к планированию землепользования Stewart et al. (]Environmental Modelling & Software, 2010. Обзор библиотек программного обеспечения для MOO доступен на pymoo и веб-сайте UNEP, который предоставляет контекст для глобальных целей экологического планирования.