ارزیابی ریسک کمبود آب با استفاده از مدل برنامه‌ریزی تصادفی دومرحله‌ای تعاملی (مطالعه موردی: محدوده مطالعاتی مرند)

نوع مقاله : مقالات پژوهشی

نویسندگان

1 دانشگاه تبریز - گروه اقتصاد کشاورزی

2 دانشجوی دکتری اقتصاد کشاورزی- دانشگاه تبریز

چکیده

همگام با افزایش جمعیت کره زمین و توسعه اقتصادی، مسئله آب و مشکل کم­آبی در سال‌­های اخیر یکی از چالشی­ترین موضوعاتی است که به جهت درجه اهمیت و جایگاه اقتصادی آن بخش‌های متعددی را درگیر خود کرده­است و بیش از پیش مورد توجه دولت­ها و سازمان­های تحقیقاتی بین‌المللی قرار گرفته­است. این امر بر لزوم تخصیص بهینه این منابع برای ایجاد تعادل در توسعه اقتصادی-اجتماعی و صرفه­جویی در مصرف آب تأکید می­کند. بنابراین در این مطالعه ابتدا یک مدل برنامه­ریزی تصادفی دومرحله­ای تعاملی برای تخصیص منابع آب کشاورزی توسعه داده شده و سپس با استفاده از نتایج این مدل به ارزیابی ریسک کمبود آب تحت شرایط عدم­قطعیت پرداخته شد. چارچوب توسعه­یافته می­تواند انواع گزینه­های تصمیم­گیری را برای تجزیه و تحلیل مصالحه بین منافع سیستم و ریسک­های مربوطه فراهم­کند. علاوه­براین، ارزیابی ریسک کمبود آب به تصمیم­گیرندگان کمک می­کند تا شرایط ریسک کمبود آب در حالت­های مختلف را در نظر بگیرند و بر اساس آن اقدامات مناسب در مدیریت مصرف و عرضه آب صورت پذیرد. این چارچوب برای بهینه­سازی منابع آب کشاورزی محدوده مطالعاتی مرند واقع در حوزه آبریز رودخانه ارس که کل سطح شهرستان مرند (واقع در استان آذربایجان شرقی) را در بر می­گیرد، برای افق زمانی 1400-1399 اعمال شده­است. مقایسه نتایج بهینه تخصیص و شرایط واقعی (موجود) مصرف آب کشاورزی، نشان می­دهد تخصیص منابع آب با استفاده از مدل توسعه داده شده، موجب کاهش کمبود آب و تخصیص بیشتر و در عین حال کاراتر منابع آب در محدوده مطالعاتی شده و سود خالص سیستم را نیز افزایش می­دهد. نتایج حاصل از ارزیابی ریسک کمبود آب در محدوده مطالعاتی مرند نشان می­­دهد که مطابق با طبقه­بندی ریسک در این مطالعه، ریسک کمبود آب در این محدوده مطالعاتی در سطح بالا قرار دارد که بیانگر سطح ریسک جدی و بحرانی است. لذا در صورت ادامه روند فعلی تخصیص و بهره­برداری منابع آب، با توجه به تغییرات اقلیمی، افزایش جمعیت و تغییر میزان احتمال آب دردسترس در سال­های آینده، این سطوح ممکن است تغییر وضعیت داده و به سطح ریسک خیلی بالا (غیرقابل تحمل) نیز برسد که ادامه این روند کلیه سرمایه­گذاری‌ها و مبانی اقتصادی این محدوده مطالعاتی را تهدید می­کند. در مجموع نتایج حاصل از این مطالعه نشان می­دهد که وضع موجود بهره‌برداری در این محدوده در شرایط نامناسبی قرار دارد و در صورت ادامه روش­های مدیریتی فعلی، منجر به افزایش بیش از حد بهره­برداری از منابع آب به خصوص آب زیرزمینی خواهد ­شد که این امر افزایش بیلان منفی آبخوان را به دنبال خواهد­داشت. بنابراین پیشنهاد می­شود در سیاستگذاری­ها و مدیریت منابع آب، روش­های علمی جدید جایگزین روش­های مدیریتی ناکارا و کم بازده شوند. استفاده از تکنولوژی­های صرفه­جویانه در مصرف آب و همچنین تغییر الگوی کشت به سمت کاشت گیاهان مقاوم به کم آبی در برخی مناطق، از دیگر اقدامات موثر در مدیریت ریسک  منابع آب در محدوده مطالعاتی به شمار می­روند.

کلیدواژه‌ها

موضوعات


1- Askew A.J. 1974. Chance-constrained dynamic programming and the optimization of water resource systems. Water Resources Research 10(6): 1099–1106.
2- Bohle C., Maturana S., and Vera J. 2010. A robust optimization approach to wine grape harvesting scheduling. European Journal of Operational Research 200(1): 245–252.
3- Chen C., Huang G.H., Li Y.P., and Zhou Y. 2013. A robust risk analysis method of water resources allocation under uncertainty. Stochastic Environmental Research and Risk Assessment 27(3): 713–723.
4- Chung G., Lansey K., and Bayraksan G. 2009. Reliable water supply system design under uncertainty. Environmental Modelling and Software 24(4): 449–462.
5- Dai Z.Y., and Li Y.P. 2013. A multistage irrigation water allocation model for agricultural land-use planning under uncertainty. Agricultural Water Management 129: 69–79.
6- Gu W.Q., Shao D.G., and Jiang Y.F. 2012. Risk evaluation of water shortage in source area of middle route project for South-to North water transfer in China. Water Resources Management 26(12): 3479–3493.
7- Guo P., Huang G.H., He L., and Zhu H. 2009. Interval-parameter two-stage stochastic semi-infinite programming: application to water resources management under uncertainty. Water Resources Management 23(5): 1001–1023.
8- Haiyan W. 2002. Assessment and prediction of overall environmental quality of Zhuzhou City, Hunan Province, China. Journal of Environmental Management 66(3): 329-340.
9- Hashimoto T., Stedinger J.R., and Loucks D.P. 1982. Reliability, resiliency and vulnerability criteria for water resources system performance evaluation. Water Resources Research 18(1): 14–20.
10- He L., Huang G.H., and Lu H.W. 2008. A simulation-based fuzzy chance-constrained programming model for optimal groundwater remediation under uncertainty. Advances in Water Resources 31(12): 1622–1635.
11- Homayounifar M., and Rastgaripour F. 2010. Water allocation of Latian dam between agricultural products under uncertainty. Journal of Agricultural Economics and Development 24(2): 259-267. (In Persian with English abstract)
12- Huang G.H. 1996. IPWM: An Interval Parameter Water Quality Management Model. Engineering Optimization 26: 79-103.
13- Huang, G.H., Loucks, D.P., 2000. An inexact two-stage stochastic programming model for water resources management under uncertainty. Civil Engineering Systems 17(2): 95–118.
14- International Water Management Institute. 2000. World water supply and demand. International Water Management Institute, Colombo, Sri Lanka.
15- Kataoka S. 1963. A stochastic programming model. Econometrica 31(1): 181-196.
16- Li M., and Guo P. 2015. A coupled random-fuzzy two-stage programming model for crop area optimization—a case study of the middle Heihe River basin, China. Agricultural Water Management 155: 53–66.
17- Li Q. Q., Li, Y. P., Huang G. H., and Wang C.X. 2018. Risk aversion-based interval stochastic programming approach for agricultural water management under uncertainty. Stochastic Environmental Research and Risk Assessment 32(3): 715-732.
18- Li W., Wang B., Xie Y.L., Huang G.H., and Liu L. 2015. An inexact mixed risk-aversion two-stage stochastic programming model for water resources management under uncertainty. Environmental Science and Pollution Research 22(4): 2964–2975.
19- Li Y.P., Liu J., and Huang G.H. 2014. A hybrid fuzzy-stochastic programming method for water trading within an agricultural system. Agricultural Systems 123: 71–83.
20- Lu X., Li L.Y., Lei K., Wang L., Zhai Y., and Zhai M. 2010. Water quality assessment of Wei River, China using fuzzy synthetic evaluation. Environmental Earth Sciences 60(8): 1693-1699.
21- Maqsood I., and Huang G.H. 2003. A two-stage interval-stochastic programming model for waste management under uncertainty. Journal of the Air & Waste Management Association 53(5): 540–552.
22- Maqsood I., Huang G.H., and Yeomans J.S. 2005. An interval-parameter fuzzy two-stage stochastic program for water resources management under uncertainty. European Journal of Operational Research 167(1): 208-225.
23- Mardani M., Abdeshahi A., and Shirzadi Laskookalayeh S. 2020. Determining the Optimal Cropping Pattern with Emphasis on Proper Use of Sustainable Agricultural Disruptive Inputs: Application of Robust Multi-Objective Linear Fractional Programming. Journal of Agricultural Science and Sustainable Production 30(1): 241-256.
24- Mardani M., Ziaei S., and Nikouei A. 2018. Optimal cropping pattern modifications with the aim of environmental-economic decision making under uncertainty. International Journal of Agricultural Management and Development 8(3): 365-375.
25- Nafarzadegan A.R., Vagharfard H., Nikoo M.R., and Nohegar A. 2017. Application of interactive interval linear programming for optimal water and crop area allocation considering virtual water content and socio-economic factors (Case study: Dorudzan-Korbal Plain). Iranian Journal of Ecohydrology 4(2): 601-613. (In Persian with English abstract)
26- Onkal-Engin G., Demir I., and Hiz H. 2004. Assessment of urban air quality in Istanbul using fuzzy synthetic evaluation. Atmospheric Environment 38(23): 3809-3815.
27- Regulwar D.G., and Gurav J.B. 2011. Irrigation planning under uncertainty-a multi objective fuzzy linear programming approach. Water Resources Management 25(5): 1387–1416.
28- Ruan B.Q., Han Y.P., Wang H., and Jiang R.F. 2005. Fuzzy comprehensive assessment of water shortage risk. Journal of Hydraulic Engineering 36(8): 906–912.
29- Sabuhi Sabouni M., and Mardani M. 2013. Application of robust optimization approach for agricultural water resource management under uncertainty. Journal of Irrigation and Drainage Engineering 139(7): 571-581.
30- Sabuhi Sabuni M., Rastegari F., and Kahkha A. 2009. Optimal allocation of Torogh dam water between agricultural and urban sectors by an interval parameter fuzzy two stages stochastic programming under uncertainty. Economics and Agriculture Journal 3(1): 33-55. (In Persian with English abstract)
31- Safavi H.R., and Golmohammadi M.H. 2016. Evaluating the water resource systems performance using fuzzy reliability, resilience and vulnerability. Iran-Water Resources Research 12(1): 68-83. (In Persian with English abstract)
32- Singh A. 2015. Land and water management planning for increasing farm income in irrigated dry areas. Land Use Policy 42: 224–250.
33- Tabriz Regional Water Organization, Department of Equipment and Development of Agricultural Irrigation Networks. (2019). Selected Water Resources Data, Unpublished result. Tabriz, Iran.
34- Wang Y.Y., Huang G.H., Wang S., Li W., and Guan P.B. 2016. A risk-based interactive multi-stage stochastic programming approach for water resources planning under dual uncertainties. Advances in Water Resources 94: 217-230.
35- Yang L., Li A., and Bai H. 2011. Using Fuzzy Theory and Principal Component Analysis for Water Shortage Risk Assessment in Beijing, China. Energy Procedia 11: 2085-2092.
36- Zhang C., Yue Q., and Guo P. 2019. A Nonlinear Inexact Two-Stage Management Model for Agricultural Water Allocation under Uncertainty Based on the Heihe River Water Diversion Plan. International Journal of Environmental Research and Public Health 16(11): 1884.
37- Zhang N., Li Y.P., Huang W.W., and Liu J. 2014. An Inexact two-stage water quality management model for supporting sustainable development in a rural system. Journal of Environmental Informatics 24(1): 52-64.
CAPTCHA Image