به کارگیری الگوریتم ژنتیک در تعیین الگوی بهینه بهره برداری اراضی زراعی همسو با کشاورزی پایدار: مطالعه موردی گهرباران ساری
محورهای موضوعی : فصلنامه علمی -پژوهشی تحقیقات اقتصاد کشاورزیخدیجه عبدی رکنی 1 , سید علی حسینی یکانی 2 , سمانه عابدی 3 , فاطمه کشیری کلائی 4
1 - دانش آموخته کارشناسی ارشد در رشته اقتصاد کشاورزی، دانشگاه علوم کشاورزی و منابع طبیعی ساری
2 - دانشیار گروه اقتصاد کشاورزی، دانشگاه علوم کشاورزی و منابع طبیعی ساری
3 - استادیار گروه اقتصاد کشاورزی، دانشگاه علوم کشاورزی و منابع طبیعی ساری.
4 - دانشجوی دکتری اقتصاد کشاورزی- دانشگاه علوم کشاورزی و منابع طبیعی ساری
کلید واژه: الگوریتم ژنتیک, الگوی کشت, کشاورزی پایدار, برنامهریزی غیرخطی, گهرباران ساری,
چکیده مقاله :
مقدمه و هدف: کشاورزی به عنوان یکی از محورهای اساسی رشد و توسعه، نقش مهمی در توسعه اقتصادی کشورها دارد. بر همین اساس بهینهسازی الگوی کشت محصولات زراعی، یک راهکار مناسب جهت توسعه بخش کشاورزی است. به همین جهت در این مطالعه، الگوی کشت بهینه در منطقه گهرباران شهرستان ساری در قالب برنامهریزی ریاضی چندهدفه پایدار شامل هدف بیشترین بازدهی ناخالص و تولید محصولات، کمترین ریسک و کمترین مصرف کود، با استفاده از مدل برنامهریزی غیرخطی معمولی و الگوریتم ژنتیک تعیین و با یکدیگر مقایسه شده است.
مواد و روشها: دادههای این مطالعه از راه تکمیل پرسشنامه و مصاحبه حضوری با 250 کشاورز منطقه گهرباران ساری در سال زراعی 1394-1393 گردآوری شده است.
یافتهها: مقایسه نتایج این مطالعه نشان دادند که الگوی بهینه الگوریتم ژنتیک غیرخطی نسبت به مدل غیرخطی معمولی برتری دارد. چرا که سود الگوریتم ژنتیک نسبت به برنامهریزی غیرخطی معمولی حدود 2/0 درصد افزایش داشته و ریسک حدود 6 درصد کم شده است. همچنین، مقدار تولید در الگوریتم ژنتیک حدود 18 درصد افزایش و مصرف کود شیمیایی 7 درصد کاهش را نسبت به برنامهریزی غیرخطی معمولی نشان میدهد.
بحث و نتیجهگیری: با توجه به اینکه استفاده از الگوی کشت پیشنهادی الگوریتم ژنتیک موجب دستیابی بهتری به اهداف بهرهبرداران نسبت به الگوی برنامهریزی غیرخطی معمولی میشود، لذا تشویق و حمایت دولت از کشاورزان در زمینه بکارگیری نتایج چنین الگوهایی میتواند موجب ارتقاء بهرهوری اراضی زراعی شود.
Introduction:Agriculture as one of the basic pillars of development, has an important role in economic development. Accordingly, using cropping pattern optimization is a proper way for agricultural development. Therefore, in the present study, optimal cropping pattern in Goharbaran region of Sari city has been evaluated in terms of multi-objective planning has been done using non-linear programming and genetic algorithm and finally compared each other.
Materials and Methods:Required data for this study has been collected with interview 250 of farmers during the 2014-2015.
Findings:Comparison The results of this study showed that the optimal pattern of non-linear genetic algorithm is superior compared to ordinary non-linear programming model. Because increasing the profit of the genetic algorithm is about 0.2% higher than normal nonlinear planning, while reduced risk the by about 6 percent. Also, the amount of production increases by about 18 percent in the genetic algorithm and the consumption of chemical fertilizer is 7 percent lower than normal nonlinear programming. Based on the results, all four sustainable farming objectives in the framework of multi-objective model in the model obtained from the genetic model have a superiority to the typical nonlinear planning model.
Conclusion:Since the proposed cropping pattern of genetic algorithm causes to increase farmers' gross margin compared to the ordinary nonlinear programming, therefore, the government's encouragement and support is mandatory of the farmers in applying the results of such models.
1. Barzgari M, Hajiabadi M, and Ghezel Soflu A. Optimization of urban water distribution network using genetic algorithm (Case study of Salami city). National Conference on Civil Engineering and Needs-Based Research. 2015; 1-11.
https://civilica.com/doc/461182/
2. Rezaee Z, Dourandish A, Nobahar A. Determination of Cultivation pattern Under Three strategies of economic, social, environmental with application of genetic algorithms: (Case Study of Mashhad). Biennial Conference of Agricultural Economics. 2012; 1607- 1615. https://www.wwjournal.ir/article_2464.html
3. Kohansal MR, Firooz Zarea A, Determining optimal cultivation model corresponding with organic agriculture Application of Multiple-objective Linear Fuzzy Fractional Programming (Case study: North Khorasan province). Agricultural Economics and Development. 2008; 16(62):1-32.
https://www.sid.ir/en/Journal/ViewPaper.aspx?ID=135355
4. Bagherian A, Saleh I, Paykani Gh, Optimization of Cultivation pattern in Kazeroun region using of linear programming. Sixth Iranian Agricultural Economics Conference. 2007; November 8 and 9. . https://civilica.com/doc/46812/
5. Gopi A, Venkata S, Kandukuri N. Land allocation strategies through genetic algorithm approach–A case study. Global journal of research in engineering. Global Journal of Research in Engineering. 2011; ,11(4): 6-14.
https://www.semanticscholar.org/paper/LAND-ALLOCATION-STRATEGIES-THROUGH-GENETIC-CASE-Annepu-Subbaiah/d1453686c2679db8f338348f92fca302a4583014#citing-papers
6. Shabani M, Honar T. Determination of optimal cropping pattern in irrigation canals using IPM model. Water and Soil Journal. 2008; 22(2): 95-106. https://www.sid.ir/en/journal/ViewPaper.aspx?ID=141462
7. Kiafar H, Sadradini AA. Optimal water allocation for Sufi-Chay Irrigation and Drainage network in East Azarbaijan province of Iran using genetic algorithm. Fourth Conference on Water Resources Management. 2011; 5: 52-61.
https://www.sid.ir/en/journal/ViewPaper.aspx?id=387490
8. Zraatkish Y. Water Economical Valuation in Agriculture with Environmental Approach.
Agricultural Economic and Development. 2016; 47-2(1): 269-295.
https://sustainagriculture.tabrizu.ac.ir/article_12312.html
9. Raju K S, & Kumar D.N. Irrigation planning using genetic algorithms. Water Resour Manage. 2004; 18(2): 163-176. https://doi.org/10.1023/B:WARM.0000024738.72486.b
10. Dutta S, Sahoo B, Mishra R, & Acharya S.. Fuzzy stochastic genetic algorithm forobtaining optimum crops pattern and water balance in a farm. Water
Resources Management. 2016; 30:4097–4123.
https://doi.org/10.1007/s11269-016-1406-7
11. Godarzi A. Optimization of water absorption cycle and solar bromide lithium using genetic algorithm. 2009.
http://library.sharif.ir/parvan/search/
12. Cochran CB. Sampeling Techniques, John Wiley, New York. 1977.
https://www.wiley.com/en-us/Sampling+Techniques%2C+3rd+Edition-p-9780471162407
_||_