Reevaluating FMOLP Decision Variable Coefficients Using the SWAT Results for the Optimization of Sustainable Agricultural Land Use in Small Watershed
Notice bibliographique
Résumé
The inappropriate use of agricultural land has caused several environmental and socio-economic problems. Fuzzy multiple objectives linear programming (FMOLP) is a mathematical technique that can be effective in land use planning. It requires decision variable coefficients (DVCs) to formulate the problem model covering all environmental and socio-economic aspects. The solution from a formulated FMOLP model provides optimal land use proportion and then the proportion is relocated t o produce the land use planning map. The map is then transferred to the soil and water assessment tools (SWAT) for assessing the impacts. The SWAT results give out a value which differs from the initial DVCs in the comparable aspects. This difference indicates that the initial DVCs were not realistic for the selected watershed and the land use planning map were not optimal. This study attempts to reevaluate DVCs in the FMOLP model by designing a method of sustainable agricultural land-use planning which makes use of the outputted results from the SWAT model. The results in terms of soil loss, crop water consumption, crop yields and net profit are simulated by SWAT and then replace to the DVC’s value. This procedure will be repeated until a small difference between SWAT results and DVC’s values are obtained. The findings of this study show that the final land use map achieves a higher target value than the map that was constructed after the initial phase of testing in all of objective. It is hoped the outcomes of this loop back process can be linked to the optimizing technique, so that environmental models can be utilized in the model output to improve optimum proportional solutions in any decision support system (DSS) for future sustainable agricultural land use planning.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».