خلاصه

:

تعیین حدود زمین های کشاورزی پایه دائمی اساساً یک مسئله بهینه سازی چند هدفه است. روش‌های سنتی مرزبندی نمی‌توانند به طور همزمان الزامات کیفیت زمین زیر کشت و چیدمان فضایی زمین‌های کشاورزی پایه دائمی را در نظر بگیرند و نمی‌توانند رابطه بین کشاورزی و توسعه شهری را متعادل کنند. این مقاله یک مدل تعیین حدود زمین‌های کشاورزی پایه دائمی چند هدفه را بر اساس یک الگوریتم بهینه‌سازی ازدحام ذرات ایمنی پیشنهاد می‌کند. قوانین کلی برای ترسیم زمین‌های کشاورزی پایه دائمی در مدل تعریف شده است و اهداف و محدودیت‌های ترسیم به طور رسمی بیان شده‌اند. این مدل مفاهیم سیستم ایمنی را برای تکمیل نظریه موجود معرفی کرد. این مقاله روش های کدگذاری و مقداردهی اولیه را برای الگوریتم شرح می دهد، مکانیسم به‌روزرسانی مکان و سرعت ذرات و طراحی عملکرد تناسب اندام. ما شهرستان Xun، استان هنان را به عنوان منطقه تحقیقاتی انتخاب کردیم و آزمایش‌های کنترلی را که با اهداف مختلف همسو بودند و عملکرد سه مدل بهینه‌سازی ازدحام ذرات (PSO)، الگوریتم ایمنی مصنوعی (AIA) و AIA بهبود یافته را مقایسه کردیم. -PSO در حل مسائل چندهدفه. آزمایش‌ها امکان‌سنجی مدل را ثابت کردند. از اثرات نامطلوب عوامل ذهنی اجتناب کرد و عقلانیت علمی نتایج ترسیم زمین های کشاورزی پایه دائمی را ارتقا داد. به عنوان منطقه تحقیقاتی و راه اندازی آزمایش های کنترلی که با اهداف مختلف همسو بودند و عملکرد سه مدل بهینه سازی ازدحام ذرات (PSO)، الگوریتم ایمنی مصنوعی (AIA) و AIA-PSO بهبود یافته را در حل مسائل چند هدفه مقایسه کردند. . آزمایش‌ها امکان‌سنجی مدل را ثابت کردند. از اثرات نامطلوب عوامل ذهنی اجتناب کرد و عقلانیت علمی نتایج ترسیم زمین های کشاورزی پایه دائمی را ارتقا داد. به عنوان منطقه تحقیقاتی و راه اندازی آزمایش های کنترلی که با اهداف مختلف همسو بودند و عملکرد سه مدل بهینه سازی ازدحام ذرات (PSO)، الگوریتم ایمنی مصنوعی (AIA) و AIA-PSO بهبود یافته را در حل مسائل چند هدفه مقایسه کردند. . آزمایش‌ها امکان‌سنجی مدل را ثابت کردند. از اثرات نامطلوب عوامل ذهنی اجتناب کرد و عقلانیت علمی نتایج ترسیم زمین های کشاورزی پایه دائمی را ارتقا داد.

 

1. معرفی

در طول 60 سال گذشته، جهان به سرعت در حال شهرنشینی بوده است. از دهه 1960، هر چه توسعه اقتصادی و روند شتابان شهرنشینی در یک منطقه سریعتر بود، کاهش زمین های زیر کشت در منطقه جدی تر بود [ 1 ، 2 ، 3 ، 4 ، 5 ]. به طور خاص، برخی از کشورهای در حال توسعه با مشکلات رشد جمعیت، افزایش تقاضای غذا و تولید محدود کشاورزی مواجه هستند [ 6]. چین به عنوان یک کشور در حال توسعه با شهرنشینی و صنعتی شدن شتابان در سال های اخیر، توسعه سریعی را در حوزه ساخت و ساز شهری تجربه کرده است و از دست دادن زمین های زیر کشت نیز سال به سال افزایش یافته است. امروزه شرایط اساسی ملی چین جمعیت زیاد، سرانه پایین منابع زمین زیر کشت و ذخایر ناکافی منابع زمین زیر کشت است. برای تضمین امنیت غذایی و ارتقای توسعه کشاورزی مدرن، چین همیشه اهمیت زیادی به حفاظت از زمین های کشاورزی داده و از مدت ها قبل برنامه ریزی برای نیازهای اولیه زمین های کشاورزی را آغاز کرده است. با توجه به الزامات طرح کلی برای مساحت اراضی ملی و نیازهای جمعیت، اقتصاد و جامعه، درصد معینی از اراضی زراعی مرغوب در اراضی زیرکشت به عنوان منطقه حفاظتی اساسی اراضی کشاورزی پهنه بندی می شود. نزدیک به 40 سال است که موضوع حفاظت از زمین های زراعی همواره از اهمیت بالایی برخوردار بوده است. قانون جدید مدیریت زمین، زمین‌های کشاورزی پایه را به زمین‌های کشاورزی پایه دائمی ارتقا می‌دهد.7 ]. در مقایسه با زمین‌های کشاورزی پایه، زمین‌های کشاورزی پایه دائمی جایگاه برجسته‌تر، حفاظت‌های سخت‌گیرانه‌تر، الگوی فضایی پایدارتر و جایگاه و نقش مهم‌تری در تثبیت تولید مواد غذایی دارند. قانون جدید تضمین می کند که تا سال 2020، حفاظت اولیه از زمین های کشاورزی چین به شیوه ای نسبتاً کامل، قدرتمند، مؤثر و منظم برای حفاظت از امنیت غذایی در چین شکل خواهد گرفت [ 8 ].
در حال حاضر برای حل مشکل از دست دادن زمین های زیر کشت، کشورهای جهان تحقیقات مرتبطی را انجام داده اند. مازوچی و همکاران [ 9 ] از شاخص حساسیت زمین کشاورزی (SIAL) برای درک رابطه بین برنامه ریزی شهری و زمین کشاورزی استفاده کرد و خطرات بالقوه تغییر از زمین زیر کشت به زمین ساخت و ساز را تحلیل کرد. از طریق مطالعات موردی، ابزار نشان داد که عوامل خارجی غیر مرتبط با فعالیت‌های کشاورزی، محرک‌های اصلی این تغییر بودند. ترس و همکاران [ 10] محرک های اصلی رها شدن زمین های کشاورزی را در 27 کشور عضو اتحادیه اروپا مورد مطالعه و ارزیابی قرار داد. از طریق تجزیه و تحلیل، این محرک‌ها عمدتاً شامل پایداری و دوام کمتر مزرعه، اندازه مزرعه کوچک‌تر و زمینه منطقه‌ای منفی بودند. در کره جنوبی، ایالات متحده، هند و چین، برخی از محققان [ 11 ، 12 ، 13 ، 14 ، 15 ، 16 ] از طریق تحقیقات تأیید کرده اند که شهرنشینی سریع، تبدیل زمین های کشاورزی به زمین های غیر کشاورزی را تسریع کرده است و باعث افزایش از دست دادن زمین های زراعی
با توجه به ترسیم زمین‌های کشاورزی پایه دائمی، محققان کشورهای مختلف مطالعات زیادی انجام داده‌اند و به طور همزمان درک خود را از زمین‌های کشاورزی پایه عمیق‌تر کرده‌اند. به طور کلی، فرآیند تحدید حدود باید وضعیت کاربری زمین و محدودیت های موجود زمین را در نظر بگیرد. علاوه بر این، باید تلاش شود تا حفاظت از زمین های کشاورزی پایه دائمی به زمین هایی با زیرساخت کامل و شرایط منابع طبیعی خوب اختصاص یابد. زمین های زیر کشت که از نظر فضایی متمرکز است و به راحتی توسط توسعه شهری یا صنعتی اشغال نمی شود، می تواند مزایای جامع حفاظت از زمین های زراعی را به حداکثر برساند. بنابراین، این می تواند به عنوان یک مسئله بهینه سازی فضایی چند هدفه در نظر گرفته شود. بر اساس تحقیقات موجود، روش های تعیین حدود زمین های کشاورزی پایه دائمی را می توان به سه دسته تقسیم کرد. در دسته اول، زمین‌های کشاورزی پایه دائمی عمدتاً از طریق تخصیص شاخص‌های اداری مشخص می‌شوند که فقط نیاز به برآورده کردن الزامات کمیت سهمیه دارند. اگرچه برخی از دستورالعمل‌های ساده در قوانین ارائه شده است، اما به دلیل فقدان استانداردهای کمی و یک چارچوب علمی مؤثر، معمولاً تخصیص‌ها به شیوه‌ای معمولی انجام می‌شود.17 ]. دسته دوم سیستم های ارزیابی علمی و روش های تحلیل مدل را معرفی می کند. یانگ و همکاران [ 18 ] شاخص‌هایی را از شرایط مکان، مکان‌های حمل‌ونقل، تولیدات کشاورزی و مورفولوژی فضایی انتخاب کردند، یک سیستم ارزیابی چندعاملی جامع ایجاد کردند و زمین‌های کشاورزی پایه دائمی را بر اساس اصل امتیاز جامع بهینه ترسیم کردند. لیو و همکاران [ 19 ] از یک شبکه فرآیند تحلیل سلسله مراتبی (AHP) همراه با تجزیه و تحلیل خودهمبستگی فضایی محلی زمین‌های کشاورزی پایه برای تعیین وزن‌های شاخص استفاده کرد. ژانگ و همکاران [ 20 ] توابع تحلیل فضایی ArcGIS و ارزیابی زمین و روش ارزیابی سایت (LESA) بهبود یافته را ترکیب کرد. چنگ و همکاران [ 21] از پردازش تصویر مورفولوژیکی ریاضی و فناوری تجزیه و تحلیل GIS برای ایجاد یک سیستم شاخص ارزیابی و توسعه یک مدل تجزیه و تحلیل برای الگوهای فضایی مورفولوژی زمین‌های کشاورزی استفاده کرد. بیشتر ملاحظات جامع بر اساس شرایط طبیعی [ 20 ، 22 ]، منافع اقتصادی [ 23 ] و سطوح بهره برداری [ 20 ، 24 ] بوده است.] زمین زیر کشت. روش های فوق تا حدودی سختی و علمی بودن ترسیم زمین های کشاورزی پایه دائمی را بهبود بخشیده است. با این حال، انتخاب بیشتر شاخص‌ها و وزن‌دهی شاخص‌ها هنوز دارای درجه خاصی از ذهنیت هستند و وابستگی آنها به سیستم نشانگر برای حل یک مسئله بهینه‌سازی چند هدفه بسیار قوی است. روش سوم از الگوریتم های هوش مصنوعی استفاده می کند که در سال های اخیر ظهور کرده اند. لیو و همکاران [ 25 ] سنجش از دور، GIS و سیستم‌های ایمنی مصنوعی (AIS) را ترکیب کرد و تغییراتی در الگوریتم‌های هوش مصنوعی سنتی برای تقسیم مناطق حفاظت‌شده زمین‌های کشاورزی تحت محدودیت‌های مکانی ایجاد کرد. زنگ و همکاران [ 26] یک سیستم مدل تصمیم را از طریق تکنیک ترجیح سفارش با شباهت به روش راه حل ایده آل (TOPSIS) و عوامل محدودیت ایجاد کرد و زمین های کشاورزی را با توجه به نزدیکی زمین زیر کشت به راه حل ایده آل طبقه بندی کرد. ما و همکاران [ 27 ] مناطق حفاظت شده را از طریق الگوریتم بسط بذر جستجو کرد و از شبکه های عصبی انسانی برای پیش بینی فشار حفاظتی زمین های کشاورزی اساسی استفاده کرد. این تلاش‌ها جهت‌گیری‌های جدیدی را برای تعیین زمین‌های کشاورزی پایه دائمی فراهم کردند.
در سال‌های اخیر، الگوریتم‌های هوش مصنوعی مزایای زیادی در حل مسائل برنامه‌ریزی فضایی چندهدفه داشته‌اند و در مسائلی مانند تخصیص منابع زمین [ 28 ، 29 ، 30 ، 31 ، 32 ، 33 ]، بهینه‌سازی الگوی فضایی [ 34 ] با موفقیت به کار گرفته شده‌اند. ، 35 ، 36 ، 37 ، 38 ، 39 ، 40 ]، انتخاب فضا [ 41 ، 42 ، 43 ]، و پهنه بندی کاربری زمین [ 44 ، 45 ، 46، 47 ]. در میان الگوریتم‌های هوش مصنوعی، بهینه‌سازی ازدحام ذرات (PSO) یک الگوریتم هوش ازدحامی است که از فعالیت‌های جستجوی غذا الهام گرفته شده است. به عنوان یک الگوریتم تکاملی، PSO دارای مزایای توانایی بهتر در حل مسائل پیچیده، سرعت همگرایی بیشتر و بعد مشکل کمتر است. برای مسائل بهینه سازی فضایی با ابعاد بالا بسیار مناسب است، سرعت همگرایی بالایی دارد و می تواند مسائل بهینه سازی چند هدفه را در چندین زمینه حل کند. با این حال، الگوریتم ازدحام ذرات دارای معایب همگرایی زودرس و امکان فرورفتن در بهینه محلی یک الگوریتم پایه PSO در هنگام حل مسئله بهینه سازی فضایی است [ 48 ].]. الگوریتم ایمنی مصنوعی (AIA) فرآیند ایمنی بیولوژیکی را شبیه‌سازی می‌کند و می‌تواند تنوع افراد را تضمین کند، به بهبود توانایی همگرایی جهانی الگوریتم ازدحام ذرات کمک کند و از سقوط ذرات به راه‌حل بهینه محلی جلوگیری کند.
بنابراین، یک الگوریتم بهینه‌سازی ازدحام ذرات بهبود یافته برای حل مسئله بهینه‌سازی چند هدفه تعیین حدود زمین‌های کشاورزی پایه دائمی پیشنهاد شده‌است. شهرستان Xun، یک پایگاه عمده تولید غلات در استان هنان، به عنوان منطقه مورد مطالعه برای این مطالعه انتخاب شد. بخش 2 منطقه مورد مطالعه و جمع آوری و پردازش داده ها را معرفی می کند. بخش 3 روش شناسی یک مدل بهینه سازی چند هدفه تعیین حدود زمین های کشاورزی پایه دائمی بر اساس الگوریتم ترکیبی PSO را شرح می دهد. قوانین کلی و عملکرد هدف تعیین زمین‌های کشاورزی پایه دائمی، و همچنین نمایش رسمی محدودیت‌ها را تعریف می‌کند، و بهبود الگوریتم PSO را هنگامی که با الگوریتم ایمنی مصنوعی ترکیب می‌شود، مورد بحث قرار می‌دهد. در بخش 4ما کارآزمایی‌های کنترل‌شده‌ای را توصیف می‌کنیم که بر اهداف فرعی مختلف تأکید می‌کردند و عملکرد سه مدل (PSO، AIA، و AIA-PSO بهبود یافته) را در حل مشکل ترسیم زمین‌های کشاورزی پایه دائمی مقایسه می‌کنیم. در نهایت، بخش 5 مقاله را به پایان می رساند.

2. داده ها

2.1. مروری بر منطقه مطالعه

برای تأیید امکان‌سنجی مدل، شهرستان Xun را به عنوان منطقه تحقیقاتی انتخاب کردیم. منطقه مورد مطالعه (35°26′00″ ~ 35°50′42″ شمالی، 114°14′52″ ~ 114°45′12″ شرقی) در شمال استان هنان و شرق شهر هبی واقع شده و دارای مساحت 954.98 است. کیلومتر 2 ( شکل 1 ). موقعیت جغرافیایی شهرستان سون در شکل 1 نشان داده شده است. این شهرستان دارای 9 شهرستان، 476 دهستان و 78711.18 هکتار اراضی کشاورزی است که 70994.60 هکتار آن زمین زراعی است. توپوگرافی کلی شهرستان نسبتاً مسطح است – بیشتر مناطق دشت هستند و تپه ها و دره هایی در غرب وجود دارد. شهرستان سون دارای یک پارک صنعتی کشاورزی مدرن در سطح استانی با تولید غلات سالانه بیش از 1 میلیون تن است. از زمان های قدیم گفته شده است که “برداشت لی یانگ می تواند از همه مراقبت کند”.

2.2. پردازش داده ها

هدف از تحدید حدود زمین های کشاورزی پایه دائمی، انتخاب زمین های زراعی با کیفیت خاک بالا برای تسهیل کشاورزی و اطمینان از اینکه منطقه حفاظت شده و به راحتی توسط گسترش شهری اشغال نمی شود، است. عوامل اصلی تأثیرگذار شامل شرایط زیرساخت، شرایط مزرعه، حاصلخیزی خاک و شرایط مکان است. این مطالعه به داده هایی نیاز داشت که شامل کیفیت زمین زراعی، شرایط کاربری اراضی، توپوگرافی، اقلیم، حفاظت از آب و شرایط حمل و نقل و غیره است که در جدول 1 نشان داده شده است.. برای اطمینان از سازگاری داده ها، سیستم مختصات هر لایه در منطقه مورد مطالعه با استفاده از ArcGIS 10.2 در CGCS2000_3_Degree_GK_Zone_38 پیش بینی شد. داده‌های برداری به داده‌های شطرنجی تبدیل شدند و مقادیر متناظر عوامل تأثیرگذار مختلف سلول شطرنجی یکسان به‌دست آمد. برای اطمینان از اینکه اندازه واحد شبکه متوسط ​​است، 100متر×100 متربه عنوان حداقل واحد شبکه استفاده شد. تعداد کل واحدهای شبکه در منطقه مورد مطالعه 98360 واحد بود که تعداد واحدهای زمین زیر کشت 73122 واحد بود. سپس، سلول‌های شطرنجی برای اضافه کردن فیلدها برای ذخیره داده‌های مربوطه و امکان نگاشت عددی کدگذاری شدند. داده های مکانی عوامل تاثیر اصلی در شکل 2 نشان داده شده است.

3. روش شناسی

3.1. مدل بهینه سازی چندهدفه تعیین حدود زمین های کشاورزی پایه پایه

3.1.1. توابع هدف

ترسیم زمین های کشاورزی پایه دائمی بر اساس مواهب طبیعی محلی بود و با محدودیت های منطقه، محیط کشاورزی و شرایط سایت ترکیب شد تا انتخاب واحدهای زمین زیر کشت را بهینه کند. برای دستیابی به ترسیم نهایی منطقه حفاظت از زمین های کشاورزی پایه دائمی که می تواند به اهداف کیفیت بهتر اراضی زراعی و زیرساخت کامل، متمرکز و مستمر و عدم اشغال آسان دست یابد، این مطالعه سیستم هدف را برای زمین های کشاورزی پایه دائمی تعیین کرد. مدل ترسیم به عنوان سه هدف فرعی زیر: هدف تناسب زمین، هدف تداوم زمین و هدف پایداری زمین.
هدف تناسب زمین:
کیفیت زمین زیر کشت، ترکیبی از عواملی چون شرایط طبیعی، عوامل اقتصادی و امکانات حفاظت از آب زمین زیر کشت است و یکی از استانداردهای مرجع مهم برای ترسیم زمین‌های کشاورزی پایه دائمی است.
این مقاله به الزامات مندرج در «آیین‌نامه درجه‌بندی کیفیت زمین کشاورزی (GB/T 28407-2012)» اشاره می‌کند («آیین‌نامه درجه‌بندی کیفیت زمین کشاورزی (GB/T 28407-2012)» توسط شرکت چین منتشر شد و توانبخشی در سال 2014 ( https://lcrc.org.cn/tdzzgz/bzhjs/gjbz/201412/t20141204_27731.html).) و “کیفیت زمین زیر کشت در استان هنان در به روز رسانی سالانه ارزیابی مواد آموزشی کار” که توسط اداره منابع طبیعی استان هنان ارائه شده است و بر اساس “گزارش تحلیل کیفیت زمین زیر کشت شهرستان سون در سال 2018” که توسط اداره منابع طبیعی شهرستان Xun ارائه شده است. شاخص کاربری اراضی زیر کشت استان هنان به 19 درجه تقسیم شد که درجه 1 بالاترین درجه بود. کاربری مربوطه شهرستان سون 5، 6، 7 و 8 بود. برای راحتی محاسبه، یکسان سازی کاربری اراضی زیر کشت در محدوده [0،1] ترسیم شد تا به دست آید. ستومنتیمنjهمانطور که در جدول 2 نشان داده شده است. بر اساس این مقدار و متغیر تصمیم rمنjاز سلول شبکه انتخاب شده، تناسب کلی را می توان محاسبه کرد. از آنجایی که این مدل از داده‌های مکانی شبکه استفاده می‌کرد، دو احتمال برای وضعیت تصمیم‌گیری هر واحد شبکه زمین وجود داشت. rمنj=1نشان داد که سلول شبکه انتخاب شده است. اگر سلول انتخاب نشده بود، rمنj=0. بنابراین، تنها لازم بود واحدی که متغیر تصمیم در آن 1 بود محاسبه شود. استفاده از fسبرای نشان دادن هدف تناسب زمین را می توان به عنوان فرمول (1) توصیف کرد.

fس=∑من=0متر∑j=0nrمنj⋅ستومنتیمنj
در فرمول، مترتعداد کل ردیف های شبکه است، nتعداد کل ستون های شبکه است و منو jمقادیر سطر و ستون هستند. هدف از هدف تناسب زمین، به حداکثر رساندن ارزش است fستا حد امکان. واحدهای اراضی زیر کشت با شرایط بهتر از جنبه های مختلف در منطقه مورد مطالعه به مناطق حفاظتی اراضی کشاورزی پایه طبقه بندی شدند.
هدف تداوم زمین:
تداوم فضایی به نزدیکی مکان‌های مکانی واحدهای مختلف زمین کشاورزی انتخاب شده برای زمین‌های کشاورزی اساسی در همان منطقه اشاره دارد. زمین های کشاورزی اولیه پراکنده بر کارایی زمین کشاورزی در کشت، کوددهی و حمل و نقل تأثیر می گذارد، هزینه های نیروی کار را افزایش می دهد و برای تولید مواد غذایی مضر است. علاوه بر این، زمین های همجوار به زیرساخت ها و سایر خدمات کمتری برای تسهیل مدیریت نیاز دارند.
برای جلوگیری از تکه تکه شدن الگوی کلی زمین‌های کشاورزی پایه، این مطالعه میزان استفاده مداوم از زمین‌های کشاورزی پایه را با فرمول (2) محاسبه کرد. در فرمول، Lستومترمجموع محیط زمین کشاورزی پایه دائمی مشخص شده است. هنگامی که مساحت تعریف شده دایره ای باشد، زمین کشاورزی پایه دائمی متمرکزترین و حداقل محیط است Lمترمنnقابل محاسبه است. برعکس، اگر واحدهای انتخاب شده از هم دور باشند، محیط بزرگترین است و این مقدار است Lمترآایکس. fلمی تواند میزان تمرکز زمین در منطقه مورد مطالعه را نشان دهد. هر چه تفاوت بین آنها بیشتر باشد Lمترآایکسو Lستومتراست، هر چه مجموع محیطی زمین کشاورزی پایه دائمی کوچکتر و بزرگتر باشد fلاست، تداوم اراضی کشاورزی اساسی انتخاب شده بیشتر است.

fل=Lمترآایکس–LستومترLمترآایکس–Lمترمنn
هدف پایداری زمین:
پایداری زمین را می توان به این صورت درک کرد که زمین در مدت زمان معینی تصرف یا تصرف نمی شود. در سال‌های اخیر تعداد زیادی از مردم و منابع به شهرها و شهرک‌ها سرازیر شده‌اند که منجر به گسترش سریع شهرها و شهرک‌ها به مناطق اطراف شده است که بر پایداری زمین‌های کشاورزی اطراف تأثیر منفی می‌گذارد. زمین های زیر کشت نزدیک مرکز شهر و جاده های اصلی حمل و نقل به دلیل هزینه های کم توسعه و حمل و نقل راحت تحت فشار اشغال بیشتری قرار دارند. با این حال، حفاظت از زمین های زیر کشت نباید توسعه اقتصاد محلی را محدود کند. در فرآیند ترسیم، این به عنوان یک عامل منفی برای بهبود پایداری زمین‌های کشاورزی پایه دائمی استفاده شد.
همانطور که در فرمول (3)، پتانسیل توسعه زمین هر واحد در شبکه به فاصله اقلیدسی بین واحد شبکه و نزدیکترین جاده، راه آهن، بزرگراه و مرکز شهر بستگی دارد که در فرمول به صورت زیر بیان می شود. Dآرoآدسمنj، Dآرآمنلwآyسمنj، DEایکسپrهسسwآyمنj، و DDمنستیrمنجتیمنj، به ترتیب. اوزان مربوطه α1، α2، α3، و α4به ترتیب راضی کردن α1+α2+α3+α4=1و عادی سازی کنید دمنjبه Dمنj، که برای محاسبات بعدی مانند فرمول (4) مناسب است. این مطالعه 0.3، 0.1، 0.1 و 0.5 را به α1، α2، α3، و α4به ترتیب، با توجه به سطوح جاده، اثرات و امکانات اشغال [ 49 ].

دمنj=α1⋅Dآرoآدسمنj+α2⋅Dآرآمنلwآyسمنj+α3⋅DEایکسپrهسسwآyمنj+α4⋅DDمنستیrمنجتیمنj
Dمنj=دمنj–دمترمنnدمترآایکس–دمترمنn

که در آن حداکثر و حداقل مقدار آن است دمنjمی توانند برسند دمترآایکسو دمترمنn، به ترتیب. هر چه مقادیر بزرگتر باشد Dآرoآدسمنj، Dآرآمنلwآyسمنj، DEایکسپrهسسwآyمنj، و Dتیownمنjدر فرمول (4) قرار دارند، هر چه واحد از شهرها و مراکز حمل و نقل مجاور دورتر باشد و مقدار مربوطه بزرگتر باشد. Dمنjکه نشان می دهد واحد زمین پایدارتر و مناسب تر برای طبقه بندی به عنوان زمین های کشاورزی پایه دائمی است. مجموع حاصلضرب از Dمنjو متغیر تصمیم rمنjمی تواند نشان دهنده ثبات زمین باشد fwهمانطور که در فرمول (5) نشان داده شده است:

fw=∑من=0متر∑j=0nrمنj⋅Dمنj
به طور خلاصه، واضح است که ترسیم زمین‌های کشاورزی پایه دائمی یک مسئله بهینه‌سازی چند هدفه است. برای سه هدف فرعی فوق، مدل یک روش وزن دهی خطی را برای پردازش تابع هدف انتخاب می کند f(ایکس)همانطور که در فرمول (6) نشان داده شده است. حداکثر{}به حداکثر مقدار تابع وزن دهی خطی در پرانتز اشاره دارد.

f(ایکس)=مآایکس{ρ1⋅fس+ρ2⋅fل+ρ3⋅fw}ρ1+ρ2+ρ3=1

3.1.2. شرایط محدودیت

1. محدودیت در کل مساحت زمین زیر کشت انتخابی
هدف حفاظت از زمین های کشاورزی پایه دائمی ارائه شده به شهرستان سون توسط طرح بهره برداری عمومی از زمین و فضا در شهرستان هبی 60246.67 هکتار با نرخ حفاظتی 84.86 درصد بود. آrهآاسهلهجتیهدکل مساحت زمین کشاورزی انتخاب شده در شهرستان Xun را نشان می دهد که باید فرمول (7) را برآورده کند ممنjمساحت هر واحد زمین است.

آrهآاسهلهجتیهد=∑من=0متر∑j=0nrمنj⋅ممنj≥60246.67
2. محدودیت های کاربری زمین
با توجه به قوانین تاریخی تبدیل کاربری، تبدیل زمین های ساخت و ساز شهری به زمین کشاورزی دشوار است و نمی توان از آن به عنوان یک زمین کشاورزی پایه دائمی جایگزین استفاده کرد. برای این مدل، واحدهای فضایی زمین ساخت و ساز شهری از قبل حذف شدند و در محاسبه مدل دخالتی نداشتند.
3. محدودیت در شرایط توپوگرافی
بر اساس «تبصره تقویت و ارتقای حفاظت از زمین‌های کشاورزی پایه دائمی» وزارت منابع طبیعی، زمانی که شیب زمین زیر کشت ≥25درجه، شیب بسیار تند است که استفاده از چنین زمین های زیر کشت را بسیار محدود می کند. لازم است به تدریج زمین های کشاورزی با شیب تند به جنگل و چمن بازگردانده شود. برای این نوع زمین، مدل آن را به عنوان علامت گذاری می کند جoدهمنj=0.9، با مقدار شیب متوسط ​​واحد نشان داده شده توسط اسلoپهمنjهمانطور که در فرمول (8) نشان داده شده است:

سیoدهمنj=اسلoپهمنj>25?0.9:سیoدهمنj
4. محدودیت های مرزی شهری
اولویت‌بندی زمین‌های زیر کشت واجد شرایط در مرزهای شهرها و شهرک‌ها به زمین‌های کشاورزی پایه دائمی می‌تواند به شهرها کمک کند تا طرح فضایی خود را منطقی کنند، شهرنشینی را به شیوه‌ای منظم ترویج کنند و منابع زمین را ذخیره کنند و در عین حال امکان استفاده کامل از کارکردهای چندگانه زمین‌های کشاورزی اساسی برای حفاظت از اکولوژی طبیعی را فراهم کنند. بهینه سازی ساختار فضایی، کاهش آلودگی شهری و زیباسازی محیط شهری. ما با استفاده از Dآرoآدسمنjبرای نشان دادن فاصله از واحد زمین تا نزدیکترین جاده و Dتیownمنjبرای نشان دادن فاصله بین واحد و نزدیکترین مرکز شهر. در محاسبه Dآرoآدسمنjو Dتیownمنjبرای هر واحد زمین و وزن مجموع، مانند فرمول (9)، هر چه مقدار کمتر باشد، احتمال اینکه واحد زمین مربوطه به عنوان زمین کشاورزی پایه دائمی طبقه بندی شود، بیشتر می شود. با توجه به احتمالات و اثرات توسعه زمین ساختمانی، 0.3 و 0.7 را به σ1و σ2به ترتیب [ 49 ].

تیمنj=σ1⋅Dآرoآدمنj+σ2⋅Dتیownمنjσ1+σ2=1

3.2. طراحی مدل AIA-PSO

3.2.1. رمزگذاری ذرات و مقداردهی اولیه

هر ذره در PSO یک راه حل کاندید برای مشکل ترسیم زمین های کشاورزی پایه دائمی در نظر گرفته می شود. ذره موقعیت و سرعت خود را به طور مداوم با توجه به بهترین موقعیت ذره ای که از آن عبور می کند و بهترین موقعیت جهانی تجربه شده توسط کل گروه هدایت می کند. برای تسهیل تعیین و مکان به روز شده متغیرهای تصمیم گیری بعدی ذره، به ترتیب از کدگذاری باینری و کدگذاری اعداد واقعی استفاده شد.
تنها دو مقدار ممکن برای هر واحد کاندید در داده های شطرنجی وجود داشت. کدگذاری باینری برای مشخص کردن اینکه سلول شبکه به عنوان زمین کشاورزی پایه دائمی انتخاب شده است یا خیر استفاده شد. همانطور که در شکل 3 نشان داده شده است. اگر سلول در محاسبه نقش نداشته باشد، به عنوان “تهی” علامت گذاری می شود (که با N در شکل 3 نشان داده شده است). برای موقعیت و سرعت ذرات، روش رمزگذاری ذرات در شکل 3 ب نشان داده شده است. علاوه بر این، این مدل ساختار ذره‌ای را تعریف می‌کند که نه تنها شامل اطلاعات مربوط به طرح ترسیم، بلکه اطلاعاتی در مورد تناسب ذره، موقعیت فعلی ذره، بهترین موقعیت فردی و بهترین موقعیت جهانی است، همانطور که در شکل 3 ج نشان داده شده است.
هنگامی که ذرات اولیه شدند، اگر ذرات به طور کاملاً تصادفی تولید شوند، برخی از واحدهای زمین محدود شده را می توان در زمین های کشاورزی پایه دائمی انتخاب کرد. بنابراین، در طول فرآیند اولیه سازی، لازم بود محدودیت شرایط محدودیت معرفی شده در نظر گرفته شود و از یک حالت تصادفی با یک محدودیت برای مقداردهی اولیه ذرات استفاده شود.
در بخش 3.2 ، زمانی که شیب واحد بیشتر از 25درجه، ما با استفاده از کدمنj=0.9برای علامت گذاری واحد زمین محدود. وقتی ذره شروع به مقداردهی اولیه می کند، مقدار متغیر تصمیم rمنjبر اساس تعیین می شود کدمنj. اول، رندنت()برای تولید از تابع تصادفی استفاده شد توس، که یک عدد تصادفی بین 0 و 1 است. اگر توس=1، تصادفی توسدوباره به همین روش تولید شد. اگر تود>سیoدهمنj، rمنj=1، در غیر این صورت، rمنj=0. اگر توس=0، سپس rمنj=0. با این روش تولید اعداد تصادفی، احتمال تود>سیoدهمنjبسیار اندک بود و احتمال انتخاب واحد به زمین کشاورزی پایه دائمی بر این اساس کاهش می یابد.

3.2.2. به روز رسانی موقعیت ذرات و سرعت

در طول فرآیند جستجو، ذرات به طور مداوم سرعت و موقعیت خود را مطابق با راه حل بهینه فردی و راه حل بهینه جهانی به روز می کنند. v(تی)نشان دهنده سرعت ذره در تکرار t ام است و ایکس(تی)نشان دهنده موقعیت ذره در تکرار t است. فرمول به روز شده در فرمول (10) بیان شده است. در فرمول، ω(تی)وزن اینرسی دینامیکی است، β1و β2ثابت های شتاب هستند، یعنی عوامل یادگیری فردی و عوامل یادگیری اجتماعی ذرات، آ1و آ2اعداد تصادفی مستقل بین [0،1] و هستند پمنj(تی)و پgj(تی)راه حل های بهینه فردی و راه حل بهینه جهانی ذرات هستند.

{υمنj(تی+1)=ω(تی)υمنj(تی)+β1آ1(پمنj(تی)–ایکسمنj(تی))+β2آ2(پgj(تی)–ایکسمنj(تی))ایکسمنj(تی+1)=ایکسمنj(تی)+vمنj(تی+1)ω(تی)=ωمترآایکس–تیمنتیهrnتومتر⋅(ωمترآایکس–ωمترمنn)

جایی که ωمترآایکسمقدار حداکثر وزن تنظیم شده است ω(تی)، ωمترمنnحداقل مقدار وزن تنظیم شده است، منتیهrnتومترحداکثر تعداد تکرار است، تیتعداد فعلی تکرارها است و آنها به طور مشترک ω (t) را تعیین می کنند. به طور کلی، ω(تی)به صورت خطی و تدریجی تغییر می کند. به این ترتیب توانایی جستجوی جهانی الگوریتم در مراحل اولیه تکرار تقویت شد و توانایی جستجوی محلی در مراحل بعدی بیشتر متمرکز شد. با افزایش تعداد تکرارها، ω(تی)به تدریج کاهش می یابد و تأثیر سرعت تکرار قبلی بر سرعت فعلی کمتر می شود.

با توجه به روش های مختلف کدگذاری مدل برای موقعیت ذرات و متغیرهای تصمیم، نمی توان ذره به روز شده را 0 یا 1 تضمین کرد، بنابراین لازم بود مکانیسم به روز رسانی موقعیت بهبود یابد. بنابراین، تابع فازی اسمنgمترoمند(ایکس)معرفی شد. از آنجایی که ارزش ایکسمنj0 یا 1 با سرعت، تابع فازی تعیین می شود اسمنgمترoمند(ایکس)همانطور که در فرمول (11) نشان داده شده است، و فرمول به روز رسانی موقعیت به فرمول (12) تغییر یافت:

اسمنgمترoمند(vمنj)=11+هایکسپ(vمنj)
ایکسمنj(تی+1)={0، ε≥اسمنgمترoمند(vمنj(تی+1))1، oتیساعتهrwمنسه

جایی که εیک عدد تصادفی بین 0 و 1 است. طبق فرمول بالا، محدوده مقدار از ایکسمنj(تی+1)کنترل می شود {0،1}. در الگوریتم باینری، vمنjرا می توان به عنوان احتمال در نظر گرفت. اگر مقدار احتمال اسمنgمترoمند(vمنj)1 است، مقدار احتمال 1–اسمنgمترoمند(vمنj)0 است. تغییر احتمال ذرات را می توان به صورت فرمول (13) بیان کرد:

ρ=اسمنgمترoمند(vمنj)(1–اسمنgمترoمند(vمنj))
برای هر ذره در مدل، vمترآایکسبه عنوان حداکثر سرعت برای جلوگیری از پرواز ذرات به خارج از منطقه جستجو تعیین شد، که همچنین در محدوده احتمال مجاز الگوریتم نمایش باینری قرار داشت. با محاسبه، چه زمانی vمترآایکس>10، اسمنgمترoمند(vمترآایکس)<4.53×10–5، سپس به روز رسانی موقعیت الگوریتم بی معنی بود. از طریق محاسبه اسمنgمترoمند(vمنj)، برای اطمینان از اینکه می توان موقعیت ذرات را تغییر داد، vمترآایکسدر این زمان روی 6 تنظیم شده است، 0.0025<اسمنgمترoمند(vمنj)<0.9975.

3.2.3. بهبود PSO با الگوریتم ایمنی مصنوعی

ذرات به طور تصادفی موقعیت‌های اولیه و سرعت‌های اولیه را در طول فرآیند اولیه‌سازی اختصاص می‌دهند و به طور مداوم موقعیت‌های بهینه فردی و موقعیت‌های بهینه جهانی خود را در طول فرآیند جستجو به روز می‌کنند. این منجر به تمایل ذرات به یکسان می شود که تنوع را کاهش می دهد و آنها در یک راه حل بهینه محلی قرار می گیرند. الگوریتم ایمنی مصنوعی یک الگوریتم جستجوی هوشمند است که از سیستم ایمنی بیولوژیکی الهام گرفته شده است [ 50 ]]. بزرگترین ویژگی آن این است که توانایی جستجوی جهانی قوی دارد و می تواند تنوع آنتی بادی ها را حفظ کند، مفاهیم سیستم ایمنی را در بهینه سازی ازدحام ذرات معرفی کند و با استفاده از مکانیسم تولید و نگهداری متنوع سیستم ایمنی برای غلبه بر مشکل همگرایی زودرس بهینه سازی ازدحام ذرات. . در دوره ایمن سازی، انتخاب آنتی بادی های موثر به میل ترکیبی بین آنتی بادی و آنتی ژن بستگی دارد. از طریق مکانیسم «بقای مناسب‌ترین»، آنتی‌بادی‌هایی با میل ترکیبی بالا در جمعیت کلون‌شده در تولید مثل و جهش شرکت می‌کنند، در حالی که آنتی‌بادی‌های با میل ترکیبی پایین مهار می‌شوند و با هر تکرار به تدریج دور ریخته می‌شوند. بر اساس این اصل ایمنی، احتمالمنبرای نشان دادن احتمال انتخاب ذره i استفاده شد و فرمول به شرح زیر است:

پroبآبمنلمنتیyمن=∑j=1ن+ن0|f(ایکسمن)–f(ایکسj)|∑من=1ن+ن0∑j=1ن+ن0|f(ایکسمن)–f(ایکسj)|من،j=1،2،⋯،ن+ن0

جایی که نتعداد ذرات تولید شده توسط الگوریتم ازدحام ذرات است و ن0تعداد ذرات جدید تولید شده به طور تصادفی است.

برای اطمینان از تنوع ذرات و تولید آنتی بادی‌های جدید، این مدل عملیات متقاطع ایمنی را روی دو آنتی‌بادی انجام داد و بهترین استراتژی‌های حفظ را برای به دست آوردن آنتی‌بادی‌های بهتر ترکیب کرد. همانطور که در شکل 4 نشان داده شده است ، دو آنتی بادی والد در جمعیت ذرات انتخاب شده اند: ذره A (P (A) در شکل 4 ) و ذره B (P (B) در شکل 4 ). از آنجایی که این یک عملیات جایگزینی یک منطقه خاص بین دو ذره است، همان ناحیه به طور تصادفی در دو ذره انتخاب می شود و برای به دست آوردن ذرات جدید جایگزینی متقابل انجام می شود. پ“(آ)و پ“(ب). مقادیر تناسب آنتی بادی والد و آنتی بادی کودک به طور جداگانه محاسبه می شود. اگر ارزش تناسب آنتی بادی کودک هیبرید شده بیشتر از آنتی بادی والد مربوطه باشد، آنتی بادی والد مربوطه با آنتی بادی کودک جایگزین می شود. در غیر این صورت آپدیت نمی شود.
به روز رسانی ذرات در الگوریتم ازدحام ذرات تا حد زیادی به راه حل بهینه فردی و راه حل بهینه جهانی تجربه شده توسط ذره بستگی دارد، اما دقت این جستجوی یک طرفه ایده آل نیست. برای اینکه ذرات به طور جامع تری برای راه حل های بهینه جستجو کنند، ما تصمیم گرفتیم که فرمول به روز رسانی سرعت ذرات را مطابق با راه حل بهینه انفرادی اول بهبود دهیم. نبذرات با بهترین ارزش تناسب در جمعیت، مانند فرمول (15)، که به طور موثر دقت جستجوی الگوریتم را بهبود بخشید.

υمنj(تی+1)=ω(تی)υمنj(تی)+∑من=1نبβ1آ1(پمنj(تی)–ایکسمنj(تی))+β2آ2(پgj(تی)–ایکسمنj(تی))

3.2.4. طراحی عملکرد تناسب اندام

PSO از تابع تناسب برای قضاوت در مورد خوب یا بد بودن یک ذره استفاده می کند. مقدار برازش بالاتر نشان می دهد که ذره به راه حل بهینه نزدیکتر است. تحت محدودیت‌های مختلف، برای حل مسئله بهینه‌سازی چند هدفه تعیین حدود زمین‌های کشاورزی پایه دائمی، نه تنها سه تابع برای اهداف فرعی تناسب زمین، تداوم زمین و پایداری زمین باید با هم ترکیب شوند، بلکه محدودیت‌هایی مانند وسعت منطقه حفاظت شده و محدوده شهرها و شهرک ها باید در نظر گرفته شود. بنابراین، این مدل از متداول‌ترین توابع جریمه خارجی برای مقابله با محدودیت‌های ترسیم زمین کشاورزی پایه دائمی استفاده می‌کند که به بخشی از تابع هدف تبدیل می‌شود که به یک مسئله بهینه‌سازی نامحدود تبدیل می‌شود.

φ(ایکس)=f(ایکس)±[∑من=1پγمنجیمن(ایکس)+∑j=پ+1qجjاچj(ایکس)]
در فرمول (16)، γمنو جjضرایب جریمه مثبت هستند و جیمن(ایکس)و اچj(ایکس)توابع قید نابرابری هستند gمن(ایکس)و محدودیت برابری ساعتj(ایکس)، به ترتیب. بطور کلی، δو γدر فرمول مقادیر 1 یا 2 را بگیرید.

جیمن(ایکس)=مترآایکس[0،gمن(ایکس)]δاچj(ایکس)=|ساعتj(ایکس)|γ

3.2.5. جریان مدل AIA-PSO

بر اساس ایده‌های فوق و ساخت تابع هدف زمین کشاورزی پایه دائمی و سیستم شرایط محدودیت همراه با معرفی مفاهیم ایمنی مصنوعی و الگوریتم ازدحام ذرات برای بهبود سرعت ذرات و استراتژی به‌روزرسانی مکان هنگام حل مرزبندی زمین‌های کشاورزی پایه دائمی. مشکل، فلوچارت کلی در شکل 5 نشان داده شده است .

4. تجزیه و تحلیل نتایج مشخص کردن زمین های کشاورزی پایه دائمی

4.1. تنظیم پارامترهای مدل PSO

پارامترهای مدل ترسیم زمین‌های کشاورزی پایه دائمی مبتنی بر الگوریتم ازدحام ذرات عمدتاً شامل اندازه ذرات است. ن، حداکثر تکرار منتیهrnتومتر، وزن اینرسی ω، ثابت های شتاب ج1و ج2، اعداد تصادفی r1و r1و حداکثر سرعت ذرات vمترآایکس. در این میان وزن اینرسی ωبه حداکثر مقدار آن بستگی دارد ωمترآایکس، حداقل مقدار ωمترمنnو حداکثر تعداد تکرارها، منتیهrnتومتر. ما به مقادیر پارامتر معمولی PSO پیشنهاد شده توسط کارلایل و دوزیر [ 51 ] برای تنظیم پارامترهای اصلی این مدل اشاره کردیم. تنظیمات خاص در جدول 3 نشان داده شده است.
برای حذف زمین هایی که از قبل برای زمین های کشاورزی اولیه مناسب نبودند و بهبود کارایی محاسبه مدل، سلول های شبکه را به شش دسته طبقه بندی کردیم: زمین های زیر کشت، سایر زمین های کشاورزی، زمین های بلااستفاده، زمین های ساخت و ساز شهری و روستایی، زمین های حمل و نقل و مناطق آبی در طی فرآیند اولیه سازی مدل، زمین ساخت و ساز و واحدهای زمینی که شرایط اولیه سایت را نداشتند، پیش پردازش شدند. این واحدهای زمینی در طول عملیات مدل در نظر گرفته نشدند.

4.2. مقایسه طرح های مختلف

این مدل باید از سه جنبه تناسب زمین، تداوم و پایداری به طور جامع در نظر گرفته شود. ضرایب وزنی مربوط به توابع فرعی از قبل تعیین شده بود. برای بررسی تفاوت در تأثیر طرح‌های وزن‌دهی مختلف بر نتایج ترسیم مناطق حفاظت از زمین‌های کشاورزی پایه دائمی، این مقاله سه مجموعه از طرح‌های بهینه‌سازی را بر اساس سه عملکرد فرعی تنظیم کرد: طرح‌های تضمین کیفیت (نسبت وزن 8:1:1). طرح‌های بهینه‌سازی فضایی (نسبت وزن 1:8:1)، طرح‌های پایداری چیدمان (نسبت وزن 1:1:8)، و همچنین مجموعه‌های متعدد آزمایش‌های کنترلی.
1. تجزیه و تحلیل مقایسه ای با طرح های تضمین کیفیت
از آنجایی که طرح مقایسه تضمین کیفیت بر بهینه‌سازی کیفیت زمین زیر کشت متمرکز بود، طرح A وزن هدف تناسب زمین را 0.8 تعیین می‌کند و دو تابع هدف دیگر وزنی برابر با 0.1 داشتند. از آنجایی که زمین کشاورزی پایه دائمی باید زمین کشاورزی باکیفیت باشد، و بنابراین تناسب وزن نمی تواند 0 باشد، طرح D تنظیم شد تا فقط مناسب بودن زمین را در موارد شدید در نظر بگیرد و وزن آن 1.00 تعیین شد. در طرح‌های E و F، هدف تداوم زمین و هدف پایداری زمین ارزش‌های وزن بیشتری داشتند. در مقایسه با طرح A، نسبت طرح‌های E و F 2:1:1 تنظیم شد. طرح H سه هدف را متعادل کرد و فاکتورهای وزنی را با نسبت تقریباً 1:1:1 تعیین کرد. طرح های توزیع وزن فوق در جدول 4 نشان داده شده استو نتایج تجربی مقادیر تابع هدف هر تابع فرعی در جدول 5 نشان داده شده است.
از طرح D می توان دریافت که وقتی فقط هدف تناسب زمین در نظر گرفته شده است، fسبه حداکثر مقدار 39353.9 رسید، اما شاخص تداوم و پایداری زمین پایین بود. در مقایسه طرح A با طرح‌های D، E و H، با افزایش وزن‌های تداوم و پایداری، مقادیر تابع متناظر آنها به ترتیب تا 14.88% و 7.06% افزایش یافت. در عین حال، مقادیر تناسب تا 11.09 درصد کاهش یافت و سطح متوسط ​​از 6.17 به 6.52 کاهش یافت. اهداف تناسب زمین، ذرات را به سمت انتخاب واحدهای زمین با درجه بالاتر سوق می دهد، اما این واحدهای زمین لزوماً پیوسته نبودند. اما برخی از اراضی زیر کشت با عیار بالاتر به جاده‌های شهری نزدیک‌تر بودند، بنابراین با تغییر نسبت وزنی، شاخص تناسب به تدریج کاهش یافت و تداوم و پایداری بر این اساس بهبود یافت.
2. تحلیل مقایسه ای طرح های بهینه سازی فضایی
در طرح‌های مقایسه بهینه‌سازی فضایی، تمرکز بر درجه تداوم زمین زیر کشت بود، بنابراین طرح B وزن پیوستگی زمین را 0.8 و دو وزن تابع هدف دیگر را 0.1 تعیین کرد. در طرح F، بر اساس تاکید بر تداوم، وزن تناسب زمین و پایداری زمین برای تحلیل تاثیر تغییر وزن بر شاخص تداوم افزایش یافت. طرح وزن دهی فوق در جدول 6 نشان داده شده است و نتیجه اجرای هر تابع هدف فرعی در جدول 7 نشان داده شده است .
طرح B طرح بهینه سازی فضایی مجموعه در این مطالعه بود و شاخص تداوم زمین به 0.9646 رسید. در مقایسه طرح B با طرح‌های F و H، با افزایش وزن تناسب و پایداری، مقادیر تابع هدف مربوطه به ترتیب تا 3.43% و 6.31% افزایش یافت و تداوم زمین تا 5.64% کاهش یافت. هدف پیوسته ذرات را به سمت منطقه با فضای متمرکز هدایت می کند، اما به ناچار در زمین هایی با کیفیت زمین کشت ضعیف یا فعالیت ناحیه شهری مجاور سقوط می کند که منجر به کاهش هدف تناسب زمین و پایداری زمین زیر کشت می شود. همانطور که در شکل 6 نشان داده شده است، یک منطقه معمولی در منطقه مورد مطالعه برای مشاهده و تجزیه و تحلیل انتخاب شد. با افزایش تدریجی وزن هدف پیوسته، این ناحیه نیز اثر پیوسته متمرکز آشکارتری ایجاد کرد.
3. تجزیه و تحلیل مقایسه ای از طرح های ثبات طرح
طرح مقایسه پایداری چیدمان عمدتاً تجزیه و تحلیل می‌کند که آیا زمین زیر کشت در منطقه حفاظتی زمین کشاورزی پایه دائمی می‌تواند برای مدت طولانی بدون اشغال ثابت بماند. بنابراین، در طرح C، پارامتر پایداری زمین ρ3روی 0.8 تنظیم شد و دو وزن تابع هدف باقی مانده نیز روی 0.1 تنظیم شد. طرح های G و H با طرح C برای تجزیه و تحلیل اثرات تغییرات در تناسب زمین و وزن تداوم بر پایداری مقایسه شدند. بر اساس تأکید بر ضریب پایداری، وزن دو مورد اول برای تحلیل تأثیر آنها افزایش یافت. طرح های وزن دهی در جدول 8 نشان داده شده است و نتایج اجرای مقادیر هدف هر تابع هدف فرعی در جدول 9 نشان داده شده است.
طرح C بهترین طرح پایداری چیدمان مجموعه در این مقاله بود و شاخص پایداری برای دوره مورد مطالعه به 49230.57 رسید. با مقایسه طرح C با طرح‌های G و H، با افزایش وزن تناسب و تداوم، مقادیر متناظر آنها به ترتیب 71/4 و 02/10 درصد افزایش می‌یابد و پایداری تا 9 درصد کاهش می‌یابد. هدف پایداری ذرات را از مناطق دارای حمل و نقل توسعه یافته و شهرها و شهرک های پرجمعیت هدایت می کند و در نتیجه از امکان تصرف زمین های زیر کشت جلوگیری می کند، اما این مناطق ممکن است با دو هدف دیگر در تضاد باشند. افزایش وزن پایداری ذرات را از شهرها و جاده ها دور می کند، اما این با محدودیت های مرزی شهر در تضاد است و این دو یکدیگر را محدود می کنند.
دو گروه از مناطق معمولی در منطقه مورد مطالعه انتخاب شدند: حاشیه شهر و حاشیه جاده اصلی ترافیک. در این میان، مناطقی که با رنگ صورتی مشخص شده اند، مناطق شهری هستند، و مناطقی که با خاکستری تیره مشخص شده اند، مناطق جاده هستند (نشان داده شده در شکل 7). از نتایج طرح D (با وزن پایداری 0)، طرح H (با وزن پایداری 0.33)، طرح G (با وزن پایداری 0.5) و طرح C (با وزن پایداری 0.8) مشاهده می شود که وقتی مقادیر وزن پایداری کوچک باشد، حرکت ذره بیشتر به کیفیت زمین بستگی دارد. در عین حال، به دلیل محدودیت محدوده شهری، زمین های کشاورزی منتخب بیشتر در اطراف شهرها و جاده ها جمع شدند. با افزایش تدریجی وزن پایداری، محدوده انتخابی به تدریج از شهرک ها و جاده ها دور می شود که این امر باعث دور شدن از ترافیک شهری و کاهش احتمال تجاوز می شود.
به طور خلاصه، تفاوت در مقادیر تابع هدف تولید شده توسط ترکیبات وزنی مختلف آشکارتر بود. آزمایش نشان داد که سه تابع فرعی مدل متقابلاً محدود شده‌اند. تصمیم گیرندگان می توانند ضرایب تخصیص را با توجه به نیاز به دستیابی به نتیجه مناسب برای یک تصمیم خاص وزن کنند.

4.3. تجزیه و تحلیل تاثیر بهبود بر مدل

برای تجزیه و تحلیل تاثیر معرفی مفاهیم سیستم ایمنی بر روی مدل و مقایسه کارایی بهینه‌سازی ازدحام ذرات (PSO)، الگوریتم ایمنی مصنوعی (AIA) و بهینه‌سازی ازدحام ذرات ایمنی (AIA-PSO) در حل بهینه‌سازی چند هدفه مشکلات، این مطالعه آزمایش‌هایی را از جنبه‌های توانایی هم‌گرایی مدل، توانایی بهینه‌سازی و توانایی تثبیت انجام داد.
1. قابلیت همگرایی مدل
برای مقایسه کارایی سه مدل در حل مشکل ترسیم زمین‌های کشاورزی پایه دائمی، نتایج تجربی با استفاده از مقادیر آزمون چندگانه مقایسه شد. از آنجایی که طرح H یک راه حل متعادل از سه تابع فرعی بود، ما از این طرح برای آزمایش ها استفاده کردیم. در عین حال، با توجه به اینکه نتایج از تصادفی مشخصی برخوردار بودند، سه مدل هر کدام 100 بار اجرا شدند و میانگین تعداد تکرارها و میانگین زمان همگرایی مطابق جدول 10 محاسبه و منحنی همگرایی مربوطه رسم شد. همانطور که در شکل 8 نشان داده شده است.
همانطور که از نمودار و جدول مشاهده می شود، مدل AIA-PSO به کمترین تعداد تکرار نیاز داشت، اما محاسبه زمان بیشتری را برد. از نظر سرعت همگرایی، AIA به بیشترین تکرار نیاز داشت، در حالی که AIA-PSO به طور متوسط ​​کمترین تعداد تکرار را داشت. این نشان داد که PSO سرعت بهینه سازی سریع تری نسبت به AIA دارد. معرفی مفاهیم سیستم ایمنی، سرعت بهینه سازی مدل AIA-PSO را بیشتر بهبود بخشید. از منظر زمان اجرا، زمان اجرای مورد نیاز AIA-PSO بسیار بیشتر از دو مدل دیگر بود. این به این دلیل بود که فرآیند ایمنی AIA را در طول فرآیند اجرا افزایش داد و مکان‌یابی ذرات و مکانیسم به‌روزرسانی سرعت را بهبود بخشید، که پیچیدگی محاسبات را تا حد زیادی افزایش داد و در نتیجه زمان بیشتری را صرف کرد. به طور کلی،
2. قابلیت بهینه سازی مدل
برای مقایسه قابلیت‌های بهینه‌سازی سه مدل برای سه هدف فرعی هنگام حل مسئله بهینه‌سازی چندهدفه، آزمایش‌های زیر در این مطالعه انجام شد: طرح H همچنان استفاده می‌شد و سه مدل برای حل سه تابع فرعی 100 بار استفاده شد. و نتایج مقدار بهینه ثبت و میانگین گیری شد، همانطور که در جدول 11 نشان داده شده است.
از طریق مقایسه مقادیر میانگین در جدول می توان دریافت که برای سه تابع فرعی، توانایی بهینه سازی AIA بهتر از PSO بوده و مدل AIA-PSO نیز پس از معرفی تا حدی بهبود یافته است. مفاهیم سیستم ایمنی به ویژه تحت دو هدف فرعی پایداری و پایداری، توانایی بهینه‌سازی AIA-PSO از مدل‌های PSO و AIA بیشتر شد و توانایی حل به طور قابل توجهی بهبود یافت. در مقایسه با مدل PSO، میانگین مقادیر تابع هدف محاسبه شده توسط AIA-PSO به ترتیب 3.36٪، 5.04٪ و 4.68٪ افزایش یافت.
3. پایداری مدل
برای تجزیه و تحلیل پایداری سه مدل، همچنان طرح H را انتخاب کردیم، سه مدل را هر کدام 100 بار اجرا کردیم، جواب بهینه سه تابع فرعی را در سه مدل محاسبه کردیم و منحنی نتیجه را همانطور که در شکل 9 نشان داده شده است رسم کردیم . همانطور که در جدول 12 نشان داده شده است، سپس میانگین و انحراف معیار محاسبه شد .
با توجه به نتایج محاسباتی بالا، در مقایسه با مقدار متوسط، سه مقدار تابع فرعی مدل AIA-PSO بالاتر از PSO بود که نشان می‌دهد افزودن مفاهیم سیستم ایمنی توانایی جستجوی جهانی الگوریتم اصلی را تقویت می‌کند. ، و توانایی بهینه سازی بهتر بود. با این حال، از انحرافات استاندارد می توان دریافت که انحرافات AIA و AIA-PSO بالاتر از PSO هستند، که نشان می دهد دو مدل نوسان بیشتری دارند و الگوریتم کمتر از PSO پایدار است. از منحنی نتیجه ترسیم شده در شکل 9ما می‌توانیم به وضوح ببینیم که توانایی تثبیت مدل AIA-PSO در حل مشکلات ترسیم زمین‌های کشاورزی اساسی نسبت به PSO مؤثرتر بود، اما مؤثرتر از AIA بود. افزودن عملیات ایمنی مشکل سقوط PSO را در یک راه حل بهینه محلی بهبود بخشید اما پایداری مدل را کاهش داد. اگرچه توانایی بهینه‌سازی AIA بالاتر از PSO بود، اما پایداری مدل نیز یک شاخص مهم است که نمی‌توان آن را هنگام حل مسائل چند هدفه نادیده گرفت. مدل AIA-PSO پایداری PSO و توانایی جستجوی جهانی AIA را ترکیب کرده و می‌تواند نتایج محاسباتی رضایت‌بخش‌تری به دست آورد.

4.4. تجزیه و تحلیل الگوی زمین های کشاورزی پایه دائمی در شهرستان سون

در ترکیب با نیازهای جامع مدل، طرح H فوق الذکر را برای تعیین حدود زمین کشاورزی پایه دائمی در شهرستان Xun انتخاب کردیم. با توجه به نتایج آزمایش، مساحت زمین‌های کشاورزی پایه دائمی انتخابی هر شهرستان و درجه مربوط به آن شمارش و ثبت شد. شکل 10 نتایج ترسیم زمین های کشاورزی پایه دائمی در شهرستان Xun را نشان می دهد. نتایج مرزبندی زمین های کشاورزی پایه دائمی در شهرستان سون در جدول 13 نشان داده شده است.
به دلیل تصادفی بودن الگوریتم ازدحام ذرات در جستجوی فضای راه حل، توزیع ذرات از نظر فضایی پراکنده تر می شود. پس از معرفی شرایط محدودیت که اهداف تداوم و پایداری را در نظر می‌گیرند، اگرچه طرح ترسیم نهایی آزمایش هنوز دارای برخی مناطق فضایی رضایت‌بخش نبود، تداوم کلی قبلاً رضایت‌بخش بود. از نظر تضمین کیفیت، با توجه به هدایت تابع هدف تناسب زمین، زمین‌های کشاورزی پایه دائمی ترسیم‌شده رویکرد خاصی به زمین‌های کشاورزی سطح بالاتر داشتند. تقریباً تمام زمین های زیر کشت سطح پنج و زمین های زیر کشت سطح شش به عنوان زمین های کشاورزی پایه دائمی طبقه بندی شدند. از نظر تداوم فضایی، غلظت زمین و زمین های پیوسته در اطراف شهرهای مجاور و جاده های ترافیکی نزدیک در منطقه مورد مطالعه ضعیف بود. زمین های زیر کشت در این مناطق عمدتاً تکه تکه و منفصل است، بنابراین در زمره زمین های کشاورزی پایه دائمی قرار نگرفت. از نظر پایداری الگوی فضایی، هدف پایداری زمین با محدودیت‌های کاربری در تعارض است.بخش 3.2 . زمین های زیر کشت اطراف شهرها با جاده های متراکم در کنترل گسترش بیشتر شهرنشینی تا حدودی نقش داشت و مناطق باقی مانده از مرکز شهر و جاده های اطراف دوری می کردند. نتایج تجربی نه تنها کیفیت زمین زیر کشت را تضمین کرد، بلکه وسعت مستمر و پایداری طولانی مدت زمین زیر کشت را نیز تضمین کرد.
از داده‌ها می‌توان دریافت که شهر شانتانگ، شهر تونزی و شهر شینژن بیشترین سطح زیر کشت را داشتند که برای زمین‌های کشاورزی پایه دائمی انتخاب شده‌اند. سطح زیر کشت انتخابی این سه شهر بیش از 8000 هکتار بوده است. این سه شهر همگی دارای توپوگرافی مسطح بودند و زمین های زیر کشت به هم پیوسته بودند. با این حال، مشکلاتی از نظر امکانات آبیاری ناکافی و ازدحام ترافیک وجود داشت. علاوه بر این، در برخی از مناطق شهر شانتانگ و شهر شینژن، زمین زیر کشت فاصله کشت زیادی داشت و کیفیت زمین زیر کشت پایین بود. امکانات آبیاری در شهر ویکسیان نیز کم بود و حفاظت از زمین های زیر کشت ضعیف بود. شهر Chengguan مقر دولت شهرستان Xun است و توسط شهر Liyang احاطه شده است. این مرکز سیاسی و هسته اقتصادی شهرستان است. ورود جمعیت زیاد و رشد سریع اقتصادی منجر به گسترش سریع شهر چنگ گوان و جاده های پیچیده شده است، بنابراین هیچ زمین زیر کشت به عنوان زمین کشاورزی پایه دائمی انتخاب نشد. نتایج نشان داد که مساحت تعیین‌شده در شهرستان سون برای زمین‌های کشاورزی پایه دائمی 60265.27 هکتار بود که هدف حفاظتی 60246.67 هکتار را برآورده کرد. این زمین دارای میانگین عیار 6.32 و ضریب حفاظتی 84.89 درصد بوده که 18.6 هکتار بیشتر از پیش بینی شده است.
مدل تعیین حدود زمین‌های کشاورزی پایه دائمی بر اساس الگوریتم بهینه‌سازی ازدحام ذرات ترکیبی، شرایط زمین، الگوهای فضایی، پتانسیل توسعه و سایر عوامل را به همراه محدودیت‌هایی مانند مساحت، کاربری و زمین به طور جامع در نظر گرفت، به طوری که نتایج ترسیم شد. قادر به برآوردن الزامات کیفیت مطلوب زمین های کشاورزی است. این مدل ویژگی‌های یک الگوی فضایی متمرکز و پیوسته را تضمین می‌کند و ثبات طولانی‌مدت مناطق حفاظت از زمین‌های کشاورزی اساسی را بهبود می‌بخشد و به طور موثر امنیت غذایی منطقه‌ای را تضمین می‌کند.

5. نتیجه گیری ها

زمین های کشاورزی پایه دائمی تضمین اساسی امنیت غذایی چین و بخش مهمی از اقدامات امنیتی استراتژیک چین است. ترسیم زمین های کشاورزی پایه دائمی اساساً یک مسئله بهینه سازی فضایی چند هدفه است. در این تحقیق بر اساس سه هدف فرعی تناسب زمین، تداوم زمین و پایداری زمین و با استفاده از بهینه سازی ازدحام ذرات، الگوریتم ایمنی مصنوعی معرفی شد و عملیات ایمنی به جریان الگوریتم اضافه شد. یک مدل ترسیم زمین کشاورزی پایه دائمی بر اساس یک الگوریتم بهینه‌سازی ازدحام ذرات ترکیبی ساخته شد و مدل با شهرستان Xun استان هنان به‌عنوان منطقه تحقیقاتی تأیید شد.
  • نتایج تحلیل تطبیقی ​​تجربی نشان داد که بین تناسب زمین، تداوم زمین و پایداری زمین تضاد وجود دارد. بهبود ارزش هر یک از تابع های فرعی به قیمت دو مقدار فرعی دیگر بود. اوزان مربوطه ρ1، ρ2، و ρ3با توجه به اهداف تصمیم گیری خاص برای به دست آوردن یک طرح ترسیم رضایت بخش تر تخصیص داده شدند.
  • با افزایش وزن ها ρ2و ρ3مطابق با تداوم و پایداری در آزمایش، هدف قوام ذرات را برای یافتن منطقه ای که غلظت فضایی در آن تشکیل شده بود هدایت کرد و به تدریج اثر غلظت آشکارتری ایجاد کرد. هدف پایداری باعث شد که منطقه انتخاب شده به تدریج از شهرک ها و جاده ها از حاشیه شهر دور شود و با توجه به گسترش مجدد شهرک، امکان تصرف زمین کاهش یابد.
  • الگوریتم PSO دارای توانایی جستجوی فضایی قوی و توانایی بهینه‌سازی جهانی برای حل مسائل چند هدفه است. همراه با قابلیت‌های پردازش فضایی GIS، که مداخله دستی را کاهش می‌دهد و کارایی کار را بهبود می‌بخشد، عملکرد قوی دارد و تضمین مطلوبی برای نتایج و کیفیت مرزبندی زمین‌های کشاورزی پایه دائمی را فراهم می‌کند.
  • قابلیت جستجوی جهانی الگوریتم ایمنی مصنوعی برای جبران کاستی‌های بهینه‌سازی ازدحام ذرات، که به راحتی در یک راه‌حل بهینه محلی قرار می‌گیرد، استفاده شد. یک الگوریتم بهینه‌سازی ازدحام ذرات ترکیبی برای بهبود کارایی مدل ساخته شد. در مقایسه با مدل اصلی، تعداد تکرارها 34.2٪ کاهش یافت و توانایی بهینه سازی سه تابع فرعی 3.36٪، 5.04٪ و 4.68٪ افزایش یافت. با این حال، AIA-PSO بهبود یافته 2.4 برابر PSO زمان اجرا داشت و دارای نوسانات زیادی بود.

مشارکت های نویسنده

مفهوم سازی، HW و WL. مدیریت داده، WL; تجزیه و تحلیل رسمی، WL و KN. روش شناسی، HW، WL و WH. آزمایش و تجزیه و تحلیل نتایج، HW و WL. تجسم، WL و WH. نوشتن – پیش نویس اصلی، HW و WL. نوشتن – بررسی و ویرایش، HW، WH و KN همه نویسندگان نسخه منتشر شده نسخه خطی را خوانده اند و با آن موافقت کرده اند.

منابع مالی

این پروژه توسط بنیاد ملی علوم طبیعی چین با شماره کمک مالی 41601418، صندوق باز آزمایشگاه کلیدی پایش و شبیه‌سازی منابع زمین شهری، وزارت منابع طبیعی، شماره گرنت (KF-2019-04-038) پشتیبانی شد. این تحقیق همچنین توسط پروژه های کلیدی علمی و فناوری در استان هنان، شماره گرنت (172102210539) تامین شد.

تضاد علاقه

نویسندگان اعلام می‌کنند که هیچ تضاد منافعی در مورد انتشار این مقاله وجود ندارد.

منابع

  1. شان، ال. آن، تی. یو، دبلیو. وو، دبلیو. استراتژی‌هایی برای مدیریت ریسک در درگیری‌های شهری و روستایی: دو مطالعه موردی خرید زمین در شهرنشینی چین. Habitat Int. 2017 ، 59 ، 90-100. [ Google Scholar ] [ CrossRef ]
  2. پیانا، پ. فاچینی، اف. لوینو، اف. Piliaga، G. تحقیقات چشم انداز ژئومورفولوژیکی و مدیریت سیل در یک حوضه به شدت اصلاح شده تیرنی. پایداری 2019 ، 11 ، 4594. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  3. پالیاگا، جی. لوینو، اف. تورکونی، ال. Marincioni، F. قرار گرفتن در معرض خطرات ژئو هیدرولوژیکی منطقه شهری جنوا، ایتالیا: تجزیه و تحلیل چند زمانی جریان Bisagno. پایداری 2020 ، 12 ، 1114. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  4. ویسیانی، دی. دل اولمو، ال. گابلینی، آ. Gigante، D.; Lastrucci، L. پویایی چشم انداز مراتع کوهستانی مدیترانه بیش از 60 سال و مفاهیم برای حفاظت از زیستگاه. مطالعه موردی در شمال آپنین (ایتالیا). Landsc. Res. 2018 ، 43 ، 952-964. [ Google Scholar ] [ CrossRef ]
  5. Antrop, M. تغییر منظر و فرآیند شهرنشینی در اروپا. Landsc. طرح شهری 2004 ، 67 ، 9-26. [ Google Scholar ] [ CrossRef ]
  6. رولی، ام سی; Odorico، PD تخصیص مواد غذایی از طریق تصاحب زمین در مقیاس بزرگ. محیط زیست Res. Lett. 2014 , 9 , 064030. [ Google Scholar ] [ CrossRef ]
  7. نیو، س. Fang، B. سیستم حفاظت از زمین کشت شده در چین از سال 1949 تا 2019: تکامل تاریخی، اکتشاف منشأ واقعی و بهینه‌سازی مسیر. علوم زمین چین 2019 ، 33 ، 1-12. (به زبان چینی) [ Google Scholar ]
  8. وزارت منابع طبیعی جمهوری خلق چین. اطلاعیه در مورد اجرای کامل حفاظت ویژه برای زمین های کشاورزی پایه دائمی . 2018. در دسترس آنلاین: https://f.mnr.gov.cn/201803/t20180323_1766137.html (در 23 مارس 2018 قابل دسترسی است).
  9. مازوکی، سی. سالی، جی. Corsi، S. تبدیل کاربری زمین در مناطق شهری و پایداری کشاورزی: ​​شاخص حساسیت زمین کشاورزی (SIAL)، ابزاری برای تجزیه و تحلیل سرزمینی. سیاست کاربری زمین 2013 ، 35 ، 155-162. [ Google Scholar ] [ CrossRef ]
  10. Terres، JM; Scacchiafichi، LN; وانیا، ا. عمبر، م. آنگویانو، ای. باکول، ا. کاپولا، آ. گوچت، ا. Källström، HN; پوینترو، پی. و همکاران رها شدن زمین‌های کشاورزی در اروپا: شناسایی محرک‌ها و شاخص‌ها و توسعه یک شاخص ترکیبی از خطر. سیاست کاربری زمین 2015 ، 49 ، 20-34. [ Google Scholar ] [ CrossRef ]
  11. کیم، دی.-اس. میزونو، ک. Kobayashi, S. تجزیه و تحلیل ویژگی های شهرنشینی باعث از دست دادن زمین های کشاورزی در یک منطقه با رشد سریع با استفاده از GIS و RS. محیط آب برنج. 2003 ، 1 ، 189-199. [ Google Scholar ] [ CrossRef ]
  12. زبیر، OA; جی، دبلیو. فستوس، O. گسترش شهری و از دست دادن دشت‌ها و زمین‌های کشاورزی: ​​تحلیلی مبتنی بر سنجش از دور ماهواره‌ای در مقیاس زیرحوضه. پایداری 2019 ، 4673. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  13. فضل، S. گسترش شهری و از دست دادن زمین کشاورزی – یک مطالعه مبتنی بر GIS در شهر ساهارانپور، هند. محیط زیست شهری. 2000 ، 12 ، 133-149. [ Google Scholar ] [ CrossRef ]
  14. آهنگ، دبلیو. پیجانوفسکی، ق.م. طیبی، ع. گسترش شهری و مصرف آن از زمین های کشاورزی با کیفیت بالا در پکن، چین. Ecol. اندیک. 2015 ، 54 ، 60-70. [ Google Scholar ] [ CrossRef ]
  15. آنتروپ، ام. تغییر الگوها در حومه شهرنشین اروپای غربی. Landsc. Ecol. 2000 ، 15 ، 257-270. [ Google Scholar ] [ CrossRef ]
  16. Acquaotta، F. فاچینی، اف. سیمونا، اف. Paliaga, G. افزایش سیل ناگهانی در منطقه شهری جنوا: ترکیبی از تغییرات آب و هوایی و مصرف خاک؟ هواشناسی اتمس. فیزیک 2019 ، 131 ، 1099-1110. [ Google Scholar ] [ CrossRef ]
  17. لی، ایکس. بله، الف. پهنه بندی زمین برای حفاظت کشاورزی با ادغام سنجش از دور، GIS و اتوماتای ​​سلولی. فتوگرام مهندس Remote Sens. 2001 ، 67 , 471-477. [ Google Scholar ]
  18. یانگ، ایکس. جین، ایکس. جیا، پی. Ren, J. روش تعیین و نمایش زمین‌های کشاورزی پایه دائمی در سطح شهرستان از نظر ادغام چند برنامه‌ریزی. ترانس. چانه. Soc. کشاورزی مهندس 2019 ، 35 ، 250–259. (به زبان چینی) [ Google Scholar ]
  19. لیو، ی. لیو، سی. او، ز. ترسیم زمین کشاورزی پایه بر اساس تحلیل خودهمبستگی فضایی محلی کیفیت زمین کشت در مقیاس پیکسل. ترانس. چانه. Soc. کشاورزی ماخ 2019 ، 50 ، 260–268، 319. (به زبان چینی) [ Google Scholar ]
  20. ژانگ، ی. یان، اچ. ژائو، ایکس. Sun، S. مرزبندی زمین های کشاورزی اصلی دائمی در مناطق تپه ای در حاشیه شهر در شبه جزیره: موردی از شهر هایانگ در استان شاندونگ. چانه. جی اکو-کشاورزی. 2018 ، 26 ، 1080-1088. (به زبان چینی) [ Google Scholar ]
  21. چنگ، کیو. جیانگ، پی. کای، ال. شان، جی. ژانگ، ی. وانگ، ال. لی، ام. لی، اف. تبر، ز. دونگ، سی. ترسیم منطقه حفاظت از زمین های کشاورزی پایه دائمی در اطراف مرکز شهر: مطالعه موردی شهر چانگژو، چین. سیاست کاربری زمین 2017 ، 60 ، 73-89. [ Google Scholar ]
  22. بیان، ز. لیو، ال. وانگ، کیو. کیان، ف. کانگ، م. یانگ، ز. Zhu, R. مرزبندی زمین های کشاورزی اولیه دائمی در حاشیه های شهری بر اساس سیستم LESA. منبع. علمی 2015 ، 37 ، 2172-2178. (به زبان چینی) [ Google Scholar ]
  23. رن، ی. سان، ج. لیو، ی. Pan, Y. روش ترسیم زمین های کشاورزی پایه دائمی در مقیاس شهرستان. ترانس. چانه. Soc. کشاورزی ماخ 2017 ، 48 ، 135-141. (به زبان چینی) [ Google Scholar ]
  24. هو، اف. Ke، X. چای، م. یو، ی. Xie، X. Ma، Y. تعیین مرز رشد شهری با ایجاد تعادل در گسترش شهری و حفاظت از زمین های کشاورزی پایه دائمی: مطالعه موردی ووهان. Geogr. Geo-Inf. علمی 2019 ، 35 ، 72-77. (به زبان چینی) [ Google Scholar ]
  25. لیو، ایکس. لی، ایکس. تان، ز. چن، ی. منطقه‌بندی حفاظت از زمین‌های کشاورزی تحت محدودیت‌های فضایی با ادغام سنجش از دور، GIS و سیستم‌های ایمنی مصنوعی. بین المللی جی. جئوگر. Inf. علمی 2011 ، 25 ، 1829-1848. [ Google Scholar ] [ CrossRef ]
  26. زنگ، جی. شائو، جی. وی، سی. Xie، D. تعیین حدود زمین‌های کشاورزی پایه دائمی در مناطق کوهستانی و تپه‌ای در جنوب غربی چین بر اساس مدل تصمیم‌گیری چندهدفه. ترانس. چانه. Soc. کشاورزی مهندس 2014 ، 30 ، 263-274. (به زبان چینی) [ Google Scholar ]
  27. ما، س. وو، ک. لائو، سی. Zhong، W. استقرار و استفاده از سیستم iZone برای شناسایی هوشمندانه مناطق حفاظت شده از زمین های کشاورزی اولیه دائمی. ترانس. چانه. Soc. کشاورزی مهندس 2017 ، 33 ، 276-282. (به زبان چینی) [ Google Scholar ]
  28. Eldrandaly، K. یک سیستم پشتیبانی تصمیم گیری فضایی مبتنی بر GEP برای تخصیص کاربری زمین در چند سایت. Appl. محاسبات نرم. J. 2010 , 10 , 694-702. [ Google Scholar ] [ CrossRef ]
  29. وانگ، دی. لی، اف. Chen, D. تحقیق در مورد تخصیص بهینه کاربری زمین بر اساس الگوریتم ازدحام بهینه و چند ذره پارتو. منبع. محیط زیست حوضه یانگ تسه 2019 ، 28 ، 2019–2029. (به زبان چینی) [ Google Scholar ]
  30. مائو، ی. لیو، ی. وانگ، اچ. تانگ، دبلیو. یک مدل سازماندهی مجدد فضایی-سرزمینی سکونتگاه های روستایی بر اساس نظریه گراف و بهینه سازی ژنتیکی. پایداری 2017 ، 9 ، 1370. [ Google Scholar ] [ CrossRef ][ Green Version ]
  31. هائو، ال. سو، ایکس. سینگ، معاون; Ayantobo، OO بهینه سازی فضایی استفاده از زمین کشاورزی بر اساس روش متقابل آنتروپی. Entropy 2017 ، 19 ، 592. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  32. ژو، دبلیو. مینگ، دی. Lv، X.; ژو، ک. بائو، اچ. Hong, Z. SO-CNN بر اساس تقسیم بندی دقیق منطقه عملکردی شهری با تصویر سنجش از دور VHR. از راه دور. حس محیط. 2020 ، 236 ، 111458. [ Google Scholar ] [ CrossRef ]
  33. بهرام، س. سعدی، م.م. بیسواجیت، پ. علمری، تخصیص آب آبیاری AM در سطح مزرعه بر اساس داده‌های مربوط به کشت زمانی با استفاده از الگوریتم‌های بهینه‌سازی فراابتکاری. جی هیدرول. مهندس 2019 ، 11 ، 2611. [ Google Scholar ]
  34. وو، تی. آهنگ، ال. لیانگ، ک. مطالعه در مورد بهینه‌سازی چیدمان تسهیلات خدمات عمومی اضطراری بر اساس الگوریتم SA – پناهگاه اضطراری منطقه شانگهای Changning به عنوان مثال. ریاضی. تمرین کنید. نظریه 2018 ، 48 ، 32-40. (به زبان چینی) [ Google Scholar ]
  35. وی، ی. چن، ی. تانگ، ایکس. Ou, X. تحقیق در مورد بهینه سازی الگوی فضایی نقاط مسکونی روستایی بر اساس الگوریتم بهینه سازی ازدحام ذرات بهبود یافته. Geogr. Geo-Inf. علمی 2014 ، 30 ، 72-76. (به زبان چینی) [ Google Scholar ]
  36. لیو، ی. تانگ، دبلیو. او، جی. لیو، ی. آی، تی. لیو، دی. یک مدل بهینه‌سازی فضایی کاربری زمین بر اساس بهینه‌سازی ژنتیکی و نظریه بازی. محاسبه کنید. محیط زیست سیستم شهری 2015 ، 49 ، 1-14. [ Google Scholar ] [ CrossRef ]
  37. پارت، پ. بابن، ک. دیپک، اس. بهینه سازی چیدمان زمین بر اساس نظریه بازی شهرها با استفاده از الگوریتم ژنتیک. بین المللی جی. مناگ. علمی مهندس مدیریت 2019 ، 14 ، 155-168. [ Google Scholar ]
  38. ما، س. لیو، اف. مک.؛ Ouyang، X. ادغام رگرسیون لجستیک با بهینه‌سازی کلنی مورچه‌ها برای مدل‌سازی رشد هوشمند شهری. جلو. علوم زمین 2020 ، 14 ، 77-89. [ Google Scholar ] [ CrossRef ]
  39. ما، س. لی، ایکس. Cai, Y. تعیین مرزهای رشد شهری با مدل بهینه‌سازی کلونی مورچه‌ها. محاسبه کنید. محیط زیست سیستم شهری 2017 ، 62 ، 146-155. [ Google Scholar ] [ CrossRef ]
  40. هو، جی. هو، بی. Sun، S. بهینه‌سازی فضایی تسهیلات توسعه کم‌تاثیر بر اساس مدل p-Median و بهینه‌سازی کلنی مورچه‌ها. جی هیدرول. مهندس 2019 ، 24 ، 04019055. [ Google Scholar ] [ CrossRef ]
  41. تائو، ز. چنگ، ی. Dai, T. Rosenberg, MW بهینه‌سازی فضایی مکان‌های مراکز مراقبت مسکونی در پکن، چین: حداکثر برابری در دسترسی. Prog. Geogr. 2015 ، 13 ، 33. [ Google Scholar ]
  42. وانگ، اچ. Zhu, F. مدل انتخاب مکان پروژه های یکپارچه سازی زمین بر اساس PSO بهینه سازی چند هدفه. ترانس. چانه. Soc. کشاورزی مهندس 2015 ، 31 ، 255-263. (به زبان چینی) [ Google Scholar ]
  43. ژائو، ی. ژانگ، ایکس. کانگ، تی. الگوریتم کلونی مورچه بر اساس درخت چند طرفه برای مکان بهینه سایت. Acta. Geogr. Sinica 2011 ، 66 ، 279-286. [ Google Scholar ]
  44. لی، اف. گونگ، ی. کای، ال. Sun, C. تخصیص کاربری پایدار زمین: مدل و کاربرد بهینه سازی ازدحام ذرات چند هدفه در چانگژو، چین. ج. طرح شهری. توسعه دهنده 2018 ، 144 ، 2074–2081. [ Google Scholar ] [ CrossRef ]
  45. زهره، م. سعدی، م.م. مجید، ح. تخصیص کاربری های شهری با الگوریتم بهینه سازی ازدحام ذرات چند هدفه. بین المللی جی. جئوگر. Inf. علمی 2013 ، 27 ، 542-566. [ Google Scholar ]
  46. تئودور، اس جی. Ron, G. الگوریتم برنامه ریزی کاربری زمین مبتنی بر GIS چند هدفه. محاسبه کنید. محیط زیست سیستم شهری 2014 ، 46 ، 25-34. [ Google Scholar ]
  47. جوناس، اس. کالیانموی، دی. اریک، جی. Sander, K. استفاده از بهینه سازی چند هدفه برای ایمن سازی خاک های حاصلخیز در سراسر شهرداری ها. Appl. Geogr. 2018 ، 97 ، 75-84. [ Google Scholar ]
  48. لیو، ی. وانگ، اچ. جی، ی. جی، ی.ال. لیو، ZQ; ژائو، X. پهنه‌بندی کاربری زمین در سطح شهرستان بر اساس الگوریتم بهینه‌سازی ازدحام ذرات چند هدفه: مطالعه موردی از Yicheng، چین. بین المللی J.Environ. Res. بهداشت عمومی 2012 ، 9 ، 2801-2826. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  49. سو، آر. کائو، ی. تجزیه و تحلیل روش ها در مورد تغییرات کاربری زمین کشت شده در چین – بر اساس رانندگی و شبیه سازی. چانه. جی. آگریک. منبع. Reg. طرح. 2019 ، 40 ، 96-105. (به زبان چینی) [ Google Scholar ]
  50. شیائو، آر. چن، تی. روابط هوش ازدحامی و سیستم ایمنی مصنوعی. بین المللی J. محاسبات الهام گرفته از زیستی. 2013 ، 5 ، 35-51. [ Google Scholar ] [ CrossRef ]
  51. کارلایل، ای. Dozier, G. PSO خارج از قفسه. در مجموعه مقالات کارگاه بهینه سازی ازدحام ذرات، دانشکده مهندسی و فناوری پردو، ایندیاناپولیس، IN، ایالات متحده آمریکا، 1 ژانویه 2001; صص 1-6. [ Google Scholar ]
Ijgi 09 00243 g001 550
شکل 1. موقعیت جغرافیایی و وضعیت بهره برداری اصلی شهرستان سون.
Ijgi 09 00243 g002 550
شکل 2. داده های مکانی عوامل مؤثر اصلی در شهرستان سون: ( الف ) غلظت مزارع، ( ب ) شیب مزرعه، ( ج ) محتوای نیتروژن، ( د ) محتوای پتاسیم موجود، ( ه ) جنگل خالص و جنگل سرپناه، ( و ) کیفیت تاسیسات آبیاری، ( ز ) فاصله خاک ورزی، و ( ح ) دسترسی به جاده.
Ijgi 09 00243 g003 550
شکل 3. استراتژی کدگذاری ذرات: ( الف ) سلول های شبکه ای قبل از رمزگذاری ذرات وضعیت می شوند. ( ب ) وضعیت سلول های شبکه پس از رمزگذاری ذرات. ( ج ) ساختار ذرات.
Ijgi 09 00243 g004 550
شکل 4. عملیات متقاطع ایمنی ذرات.
Ijgi 09 00243 g005 550
شکل 5. نمودار جریان مدل.
Ijgi 09 00243 g006 550
شکل 6. تغییرات در الگوی فضایی مناطق معمولی تحت تاثیر وزن های پیوسته.
Ijgi 09 00243 g007 550
شکل 7. تغییرات در الگوهای فضایی مناطق معمولی در نتیجه وزن های پایداری.
Ijgi 09 00243 g008 550
شکل 8. نمودارهای همگرایی سه مدل تحت طرح H.
Ijgi 09 00243 g009 550
شکل 9. نمودار مقادیر تابع فرعی برای 100 اجرا از سه مدل.
Ijgi 09 00243 g010 550
شکل 10. نقشه منطقه حفاظت از زمین های کشاورزی پایه دائمی در شهرستان Xun.

دسته‌بندی نشده

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید