Gestión de Agua para la Agricultura 179 (2017) 378-389

listas de contenidos ofrecidos en ScienceDirect

Gestión de Agua para la

Agricultura
revista Página de inicio: www.elsevier.com/locate/agwat

Un sistema de ayuda a la decisión flexible para la programación del riego en

una
distrito de riego en China
Gaiqiang Yangun,segundo , Lei Liudo , Silbido Guoun,* , Mes Liun
un
Centro para la Investigación del Agua para la Agricultura en China, la Universidad Agrícola de China, Beijing 100083, China
segundo
Instituto de Ciencias del Medio Ambiente, Universidad de Taiyuan de Ciencia y Tecnología, Taiyuan 030024, China
do
Departamento de Ingeniería Civil y Recursos Naturales, Universidad de Dalhousie, Halifax, Nueva Escocia, B3J 1Z1, Canadá

articl mi inf OA bstract

Historia del artículo: sistemas de apoyo para la programación de riego agrícola son generalmente di señados y desarrollados
Recibió 19 de noviembre de 2 015 para las regiones agrícolas mercantiles o distritos de riego. se desean programación del riego
Recibido en forma 13 de julio de herramientas de soporte de decisiones flexibles que son aplicables a diversos distritos de riego para la
2.016 revisado Accepted 14 de julio
planificación del riego agrícola sonido y la gestión. Este estudio intenta desarrollar un sistema de
2016
programación de riego de soporte de decisiones flexible (FIS-DSS) que podría ser fácilmente
Disponible en línea el 21 de julio de el
año 2016 personalizado y adaptado a diferentes distritos de riego y de los casos, y no es necesario el d esarrollo de
software de este modo repetido. La desarrollado FIS-DSS incluye una interfaz de usuario, una base de
palabras clave: conocimientos, y un motor de inferencia. A medida que el módulo de núcleo de la FIS-DSS, el motor de
Sistema de ayuda a la inferencia utiliza programas de ordenador específico fi para maniobrar la base de conocimientos, y la
decisión del agua de riego base de conocimientos se utiliza para almacenar y proporcionar datos, conocimiento, la información y las
Fuzzy programación de reglas para el motor de inferencia. A medida que el núcleo de la FIS -DSS, un modelo de programación
intervalo intervalo difusa con múltiples objetivos y limitaciones se desarrolló con ventajas en el procesamiento de
Asignación óptima
datos, modelo fl exibilidad, algoritmo de resolución alternativa y de visualización del resultado de usar.
Los usuarios del sistema pueden obtener esquemas de asignación de agua adecuados para cada cultivo en
una manera temporal y espacial mediante la modificación de las entradas del modelo y escenarios a
través de la interfaz de software. Un estudio de caso fue introducido para demostrar las funciones y
operaciones de la FIS-DSS, y la información útil tiene algoritmo de resolución alternativo y
visualización del resultado de usar. Los usuarios del sistema pueden obtener esquemas de asignación de
agua adecuados para cada cultivo en una manera temporal y espacial mediante la modificación de las
entradas del modelo y escenarios a través de la interfaz de software. Un estudio de caso fue introducido
para demostrar las funciones y operaciones de la FIS-DSS, y la información útil tiene algoritmo de
resolución alternativo y visualización del resultado de usar. Los usuarios del sistema pueden obtener
esquemas de asignación de agua adecuados para cada cultivo en una manera temporal y espacial
mediante la modificación de las entradas del modelo y escenarios a través de la interfaz de software. Un
estudio de caso fue introducido para demostrar las funciones y operaciones de la FIS-DSS, y la
información útil tiene ha generado para proporcionar una guía práctica para la asignación de agua para la
agricultura y la utilización.
© 2016 Elsevier BV Todos los derechos
reservados.

es importante para mejorar los procesos para el uso racional de los

1. Introducción
recursos hídricos, y para lograr una alta productividad por unidad de
consumo de agua (Maia et al., 2012). Aunque China tiene una gran
En las últimas dos décadas, la escasez de suministro de agua
población agrícola y una larga historia de la producción agrícola, su
se ha convertido en una preocupación creciente y grave problema
planificación del uso del agua para la irrigación distritos se basa en
para muchas provincias de China asociados a su desarrollo
experiencias mediante el uso de las áreas de cultivo
socioeconómico rápido (Zhi et al., 2016). Para la alimentación de

la creciente población de forma explosiva en la tierra, la

* Autor correspondiente.
demanda para usos domésticos de agua y la producción de
Dirección de correo electrónico: guop@cau.edu.cn (P. Guo).
alimentos ha aumentado dramáticamente, lo que elevó la
principal conflictos entre los usuarios del agua (ing compe-oad et
al., 2009). riego agrícola es uno de los principales usuarios del
agua en muchos países de todo el mundo y ahora se enfrenta a
una intensa competencia con otros usuarios de agua importantes,
como los sectores industriales. En los sistemas de riego agrícola,
 El uso de DSS para aplicaciones agrícolas está plagada de
y se estima que la cuota de riego unidad para calcular la
altos complejidades debido a las interacciones entre los diversos
cantidad total de riego. En el pasado, las herramientas de
procesos del sistema y factores tales como las condiciones
soporte de decisiones c científicamente con la integración de
meteorológicas, los tipos de pastos, aves de corral y de los
múltiples técnicas y marco económico han sido ampliamente
cultivos, y las condiciones del suelo (Tanure et al., 2013). Por
utilizados para proporcionar decisiones razonables científica
ejemplo, los principales factores que afectan el crecimiento de
y para los gerentes en diferentes campos (Karamouz et al.,
trigo incluyen factores ambientales (tales como la variabilidad
2014). Sin embargo, es muy limitado en China en el
del clima, tipo de suelo y condición del agua, N- y P-contenido
desarrollo y uso de herramientas de toma de puerto tales
en el suelo, y el fertilizante apli- cación) y los factores biológicos
SUP- para la programación del riego agrícola y de
(como fenología variedad , tiempo de plantar, riesgo de heladas,
planificación. La falta de tales sistemas de soporte de
y la infestación de malezas) (Woodruff, 1992). Para hacer frente
decisiones (DSS) ha hecho que muchas di fi cias para los
a estas complejidades, profesional DSS han desarrollado los
administradores locales en la búsqueda de alternativas
modelos de optimización como sus módulos básicos para generar
eficaces de planificación y gestión del uso del agua (Huang et
óptima
al., 2009).

http://dx.doi.org/10.1016/j.agwat.2016.07.019 0378-
3774 / © 2016 Elsevier BV Todos los derechos
reservados.
382 G. Yang et al. / Gestión de Agua para la Agricultura 179 (2017) 378-
389

turales usos del agua y la gestión de años bajo condiciones

climáticas e hidrológicas extremas y se aplicó con éxito en el
Interfaz gráfica de sudoeste de Francia en 1998 y 2000. Este ADEAUMIS incluyen
usuario
un modelo bio-decisional y una gran base de datos compuesta de
área cerrada IRRI, datos meteorológicos y las prácticas agrícolas.
breve Entrada de juego de
exposición datos modelos Nain y Singh (2016) desarrollado un DSS que se utilizó en las
regiones montañosas de la India para obtener decisiones
solución de copia de La retroalimentación apropiadas sobre la selección de cultivar, momento de la
salida seguridad de base de información siembra, el riego, la fertilización y la cosecha de los cultivos.
de datos
Una di fi cultad en el desarrollo de modelos de optimización para
la introducción de datos y informes gráfico o
el establecimiento de tabla DSS es el alto requerimiento computacional de resolver
problemas de optimización a gran escala (Galelli et al., 2010).
Recientemente, con el desa- rrollo rápido del equipo, enfoques
motor Interence numéricamente intensivos a modelado no lineal se han
convertido en viable para resolver problemas de optimización a
gran escala (Joven, 1998). Por ejemplo, la simulación de Monte
riego óptimo módulo de resolución de esquema Carlo es de tal manera a través de un bajo orden,
computacionalmente ef fi modelo ciente identi fi ed a partir del
La precipitación y la simulación de la escorrentía del modelo original grande para aplicaciones computacionalmente
módulo
intensivas (Castelletti et al., 2012). En general, simplifica ficar el
modelo de optimización es un método alternativo para evitar la
inquery La retroalimentación
información de información complejidad causada por requerimientos computacionales.
herramientas DSS también se han utilizado para aplicaciones
agrícolas en el
Base de pasado. Generalmente, DSS anterior para la programación de riego
conocimientos fueron de- sarrollados para áreas fi cas y / o cultivos particulares.
Los modelos de optimización, ya que el módulo central del DSS
diseñado, por lo general se for- mulada con tres características, lo
base de método de modelo de base de la
datos base base lógica que podría traer restricciones y limitaciones del DSS desarrollado
para casos apli- cación de otro mundo real. En primer lugar, los
objetivos o metas fi cos fueron generalmente diseñados y
formulados para los casos de estudio, que son comúnmente des-
Figura 1. El DSS-FIS - Un flexible DSS para la programación del riego. Las flechas ignated como los retornos económicos, tales como la maximización
indican la dirección de la información fl ujo.
de la producción de cultivos, maximizar el valor añadido bajo las
limitaciones de recursos de agua, y la maximización del total bene
esquemas de asignación de agua de riego para aplicaciones sistema fi t bajo disponibilidad de recursos hídricos para el riego
prácticas. Por ejemplo,Pedras y Pereira (2009), Pedras et al. limitado a diferentes áreas (Tanure et al., 2013; Guo et al., 2014; Gu
(2009) desarrollado un sistema de soporte de decisiones (DSS) et al., 2013; Li et al., 2014A). Dado que estos objetivos (metas)
para el diseño y evaluación de sistemas de micro riego y el DSS fueron pre-diseñado y fi ja en el sistema y no puede ser modi fi, esto
desarrollado se aplicó a un huerto de cítricos de Algarve podría hacer que los propios modelos inadecuados para otras
(Portugal). Leenhardt et al. (2004a, b) presentó un ADEAUMIS aplicaciones.
plataforma de simulación para mejorar la agricul- En segundo lugar, el DSS se desarrollaron generalmente para
c casos aplica- ción especí fi y áreas. Por ejemplo, un DSS
agrícola que fue desarrollado porRitaban et al. (2014) se aplicó a
la zona de Tasmania en Australia, y esto DSS incluye una
variedad de datos ambientales fi cos, tales como los factores
meteorológicos y las capacidades de agua disponibles. Un agua y
las fuentes no puntuales manage- contaminación agrícola
 G. Yang et al. / Gestión de Agua para la Agricultura 179 (2017) 378- 379
389
Agua el
desarrollo y la
restricciones de
utilización de
evapotranspiración
los recursos

Económic restricciones sobre la disponibilidad

de agua superficial
o
Los
condició restricciones de disponibilidad de
recursos
n
Ambiental aguas subterráneas
hídricos
factores óptima
Superficiales limitaciones
objetivos prioritarias agua
de
asignació restricciones de
Factores sociales equidad
n

las restricciones no
negativos
condiciones
de
crecimiento
de cultivos Figura 2. marco de modelado.
382 G. Yang et al. / Gestión de Agua para la Agricultura 179 (2017) 378-
389

Fig. 3. interface brief.

incertidumbres, los enfoques de borrosa, intervalo o la programación

ción desarrollada por DSS Li et al. (2014b) se aplicó a los distritos
estocástica pueden ser adoptados (Qin et al., 2007). Entre ellos, el
de Tongzhou y Daxing de Beijing, China. Panagopoulos et al.
enfoque de programación difusa ha sido
(2012) desarrollado un novedoso y e fi ciente DSS para reducir el
uso de agua agrícola total en la cuenca Ali Efenti de Grecia central.
Balderama (2010) desarrollado un DSS para la planificación
agrícola sostenible en Filipinas, y este sistema se centra en
aumentar la producción y conservación de los recursos en las áreas
de lluvia. Básicamente, estas previ- ous DSS se han desarrollado en
el software especí fi ca que no se pueden aplicar directamente a
otras áreas o casos.
En tercer lugar, el modelo y el DSS desarrollado solamente se
han centrado en un número limitado de cultivos específicos,
sobre todo en un solo cultivo. Por ejemplo,Chauhan et al. (2013)
desarrollado una web basada en riegos de maní DSS la
programación en el norte de Australia; Bange et al. (2004)
desarrollado un DSS para la industria del algodón en Australia;
(Bon fi l et al., 2004) desarrollado un DSS fi ed rápido y
simplificado para la calidad del grano de trigo predicción en
términos de su contenido en peso y de la proteína en las zonas
semiáridas y áridas. Estos DSS son herramientas eficaces para un
programa de riego cultivo en particular, sin embargo, no es
aplicable a otros cultivos. Desde este punto de vista, se desea
tener un flexible DSS programación de riego (FIS-DSS) que
podría adaptarse fácilmente a otros casos y áreas para su
programación de riego agrícola y la planificación, y por lo tanto,
el desarrollo de software repetida podría evitarse.
Otra di fi cultad asociado con el desarrollo de modelos de
optimización en DSS reside en la complejidad del sistema,
debido a las incertidumbres. En el pasado, la mayoría de los
modelos de optimización desarrolladas en DSS eran
deterministas sin embargo, muchos parámetros del modelo, tales
como la precipitación, difícilmente pueden ser representados
parámetros, como deterministas debido a la insu fi ciente
prácticas de monitoreo (Lu et al., 2012; Rahmani y Zarghami,
2015; Shen et al., 2015). En el campo de la agricultura de riego
programación cultural y de planificación, modelos deterministas
son a menudo insuficientes para reflejar la incertidumbre del
sistema (Li y Huang, 2007). Se sugirió que los enfoques inciertos
integrarse en un marco DSS para lo que refleja las condiciones
más complejas (Xu et al., 2012). Para hacer frente a las
 G. Yang et al. / Gestión de Agua para la Agricultura 179 (2017)
recomendación 378-de
múltiples maneras y fáciles de usar.379
en ple
ampliamente utilizado para representar 389 la información
Además, la desarrollada FIS-DSS ha precargado en su base de
flexible incierto o fl (Wang y Hwang, 2007), tales como
datos de una variedad de parámetros de crecimiento para los
precipitación en sistemas de riego agrícola. El número difuso
cultivos comúnmente cultivadas en China, así como los datos de
en el enfoque no es un valor único regular pero más bien un
precipitación para y escenarios de programación del riego y
conjunto de posibles valores que por lo general se describen
alternativas de recomendación en ple de múltiples maneras y
como funciones de pertenencia (Dubois y hanss, 2007). Por
fáciles de usar. Además, la desarrollada FIS-DSS ha precargado
lo tanto, cuando hay una falta de datos históricos disponibles
en su base de datos de una variedad de parámetros de
o falta de certeza en la evidencia, enfoque de programación
crecimiento para los cultivos comúnmente cultivadas en China,
difusa es capaz de hacer frente a estos problemas (Como'
así como los datos de precipitación para
Anuncio et al., 2014). Además, el enfoque de programación
intervalo puede representar la información y la ayuda más
inciertos los gerentes a tomar decisiones más completos (Lu
et al., 2008). Por lo tanto, el enfoque de programación difusa
y el intervalo tiene las ventajas sobre el enfoque de
programación certeza de re fl ect- ing incertidumbre del
mundo real. Se desea adoptar la programación tanto difusa y
el intervalo de diseñar el sistema.
En este trabajo, se desarrolló un DSS flexible (FIS-DSS)
para la programación de riego agrícola y la planificación, y
se ofrece con los siguientes puntos fuertes y componentes, es
decir, expansible / modi fi de conjunto de datos capaz, de
formulación modelo flexible, métodos de solución
alternativa, y de usuario múltiple -Friendly resultar
presentaciones. En el desarrollado FIS-DSS, los usuarios
podrían fácilmente modificar los datos del conjunto de datos
tales como el tipo de cultivo, medida subárea, la cantidad de
precipitación, de acuerdo con los requisitos de casos fi
específicas y diferentes distritos de riego. El sistema no se
limita a los distritos de riego fi cas y el número de cultivos
preseleccionadas. Los usuarios pueden elegir los parámetros
relacionadas con cultivos tales como los tipos de cultivo,
periodos de crecimiento, tasa de crecimiento y la duración de
la madurez, y los parámetros fi distrito específico, como el
distrito de ary obligados-, áreas cultivadas de siembra, y
condiciones del agua subterránea para diferentes distritos de
riego. La formulación de modelos de optimización también
es flexible para los usuarios cambiar fácilmente los objetivos
y limitaciones. vías de solución alternativos como el uso de
una solución integrada mo- ULE o la invocación de software
de optimización comercial están disponibles para los usuarios
a elegir. La desarrollado FIS-DSS tiene una interfaz y el
módulo para presentar los datos originales, resultados de los
modelos y escenarios de programación de riego y alternativas
de recomendación en ple múltiples maneras y fáciles de usar.
Además, la desarrollada FIS-DSS ha precargado en su base
de datos de una variedad de parámetros de crecimiento para
los cultivos comúnmente cultivadas en China, así como los
datos de precipitación para vías de solución alternativos
como el uso de una solución integrada mo- ULE o la
invocación de software de optimización comercial están
disponibles para los usuarios a elegir. La desarrollado FIS-
DSS tiene una interfaz y el módulo para presentar los datos
originales, resultados de los modelos y escenarios de
programación de riego y alternativas de recomendación en
ple múltiples maneras y fáciles de usar. Además, la
desarrollada FIS-DSS ha precargado en su base de datos de
una variedad de parámetros de crecimiento para los cultivos
comúnmente cultivadas en China, así como los datos de
precipitación para vías de solución alternativos como el uso
de una solución integrada mo- ULE o la invocación de
software de optimización comercial están disponibles para
los usuarios a elegir. La desarrollado FIS-DSS tiene una
interfaz y el módulo para presentar los datos originales,
resultados de los modelos y escenarios de programación de
riego y alternativas de recomendación en ple múltiples
maneras y fáciles de usar. Además, la desarrollada FIS-DSS
ha precargado en su base de datos de una variedad de
parámetros de crecimiento para los cultivos comúnmente
cultivadas en China, así como los datos de precipitación para
y escenarios de programación del riego y alternativas de
382 G. Yang et al. / Gestión de Agua para la Agricultura 179 (2017) 378-
389

Fig. 4. interfaz de entrada de datos.

menú desplegable
muchas regiones de China. Cuando el desarrollado FIS-DSS se
aplica a un nuevo distrito de riego, los usuarios pueden importar
directamente los datos de los cultivos y el agua para el nuevo
distrito para el cálculo de modelo y de análisis, lo que hace que
el sistema portátil y flexible.

2. La desarrollado FIS-DSS

A medida que el módulo de núcleo del sistema desarrollado,

el modelo de optimización se formuló para apoyar el cultivo de
cosechas y decisiones de programación la irrigación. Los datos
de entrada provienen principalmente de la investigación de
campo, informes gubernamentales o técnicas, y las estaciones
meteorológicas para los distritos de riego típicos. La
programación difusa y enfoques de optimización de intervalo se
utilizan para representar los parámetros inciertos.

2.1. estructura FIS-DSS

Figura 1 muestra la estructura de la desarrollado FIS-DSS.

Tiene tres componentes: la interfaz de usuario gráfico, motor de
inferencia y de base El conocimiento. La interfaz de usuario
gráfico fue diseñado con seis funciones principales, dos de los
cuales son la entrada de datos y salida de solución / resultado.
Todas las funciones pueden ser operados por los botones / del
 G. Yang et al. / Gestión de Agua para la Agricultura 179 (2017) 378- 381
y ventanas pop-up. Una función principal 389 del motor de
inferencia es proporcionar la precipitación y la escorrentía
simulada para el módulo de optimización de la programación de
la irrigación. La red neuronal de retropropagación se estableció
para describir la relación no lineal entre los factores
meteorológicos con la escorrentía de precipitación.
Históricamente se utilizaron datos de cal para establecer, formar
y verificar la red neuronal y para demostrar su eficacia en la
precipitación y la escorrentía simu- lación. Otra función
principal del motor de inferencia es elegir métodos de solución
alternativas para generar sistemas de riego óptimos. El método
de solución alternativa está diseñado para ayudar a los gerentes
generaciones eRate y evaluar soluciones alternativas y fi gura a
cabo una óptima. La solución óptima da un esquema detallado
asignación de agua para cada cultivo para diferentes zonas de
tiempo y espacio en el distrito de riego. La base de
conocimientos es un componente principal de la de- sarrollados
FIS-DSS, que contiene base de datos, la base de método, la base
de modelo y la base lógica (Li et al., 2014b).Se utiliza para
almacenar datos, el conocimiento, la información y las reglas
para proporcionar los parámetros del modelo, ecuaciones ical
mathemat-, y ejecutar el modelo de optimización. Para
configurar la base de conocimientos, información básica de la
literatura, expertos y observaciones empíricas se transforman y
representado en la base de conocimientos a través de la
adquisición de conocimientos (Cai et al., 2009; Qin et al.,
2008).
382 G. Yang et al. / Gestión de Agua para la Agricultura 179 (2017) 378-
389

Fig. 5. interfaz de modelado.

2.2. módulo de modelo de optimización basado en la Σ Σ

ICROP es ubarea iStageyo. ET
Σh
± Σ Σ ΣΣ
ICROP es ubareai Fuente iStage

incertidumbre d
SÍmi
llinois
I
- d W±
o c, ijl o
C, I ij ETcm, il W, IJ
j KL
Figura 2 presenta la optimización de modelado marco desa- MaxF ± = yo= j= l= yo= 1 j= k= l= (4)
1 1 1 1 1 1
artículo de opinión para el FIS-DSS. El modelo desarrollado Σ Σ
ICROP iSubareaiSource iStage
incluyemúltiple 4 ΣΣ W ±
yojkl
objetivos que se han de maximizar beneficios económicos por
yo= 1 j = 1 k = 1 l = 1
recursos de la unidad económica per fi to. Las variables de
decisión son capas SUP- agua para los cultivos. Las limitaciones
de modelo incluyen la evapotranspiración limitaciones,
restricciones de disponibilidad de aguas superficiales, aguas
subterráneas
restricciones de disponibilidad, las limitaciones prioritarias de las Los cuatro objetivos tienen diferentes puntos de énfasis.
aguas superficiales, las limitaciones de equidad y etc. En este Eq.(1) es maximizar los ingresos brutos económica fi nes y la Ec.
problema de optimización multi-objetivo, algunos parámetros (2) es maximizar la red económica fi nes. Estos dos objetivos se
(incluyendo el suministro de agua, la precipitación y el precio de centran en la producción de más rentabilidad económica y
mer- cado de los cultivos) son inciertos y no se pueden conocer aumentando así los ingresos brutos y netos para los agricultores.
con precisión, y la difusa y enfoques de programación de Eq.(3) es maximizar los beneficios económicos por unidad de
intervalos serán utilizados para hacer frente a sus incertidumbres. superficie de tierras de cultivo y la Ec. (4) es maximizar el ben- e
Los detalles del modelo se explicarán en el siguiente contexto. fi cios por unidad de metro cúbico económica del agua de riego
suministrada. Estos dos objetivos tratan de lograr los máximos
beneficios económicos virtud de las limitaciones de
2.2.1. funciones objetivo del sistema disponibilidad limitada de la tierra y los recursos hídricos. Para
A continuación se presentan los cuatro objetivos para los muchos distritos de riego en China con problemas de escasez de
usuarios elegir en los países desarrollados FIS-DSS. La agua, las ecuaciones.(3) y (4) deben ser considerados como los
denotación de cada símbolo en las siguientes funciones objetivo objetivos con el fin de lograr un equilibrio entre la rentabilidad y
se proporciona en elApéndice UN. los recursos económicos consumo.

Σ ICROPiSubarea iStageyo
. Σ
hIll
MaxF1 ± = Σ c, ijl inois
doC, i UNijY ±
ETcm, (1)
mi
E 2.2.2. restricciones
yo= 1 j = 1
il
Tl= 1 El modelo de optimización desarrollado incluye 5 categorías
de con-straints y restricciones no negativos. Se describen en
iStageyo
. Σh detalles
MaxF ± = ΣICROP
c, linois Il Σ Σ Σ Σd
ICROP es ubareai Fuente iStage
W ± (2) abajo.
Σ
es ubarea UN Y ijl
±
-
o
2
d C, i ij m, i W, IJK
o ETcm, il j L
yo= 1 j= l=
ET yo= 1 j= k= l=
1 1 1 1 1

(1) restricciones de evapotranspiración

Σ
ICROP e
Σ
s uba rea
d
o
 . Σh G. Yang et al. / Gestión de Agua para la Agricultura 179 (2017) 378- 381
Σ
iStageyo
ICROP ±
SÍmi
E 389
T
c
,
Σ ΣΣ Illinois
es ubareai Fuente iS

tage
i
-jl d W±
o
C, I ij ETcm, il W, IJ
j KL
MaxF3 ± =
yo= j= l= 1 yo= j= k= l=
(3) ETdo±, ijl ≥ ETdo min, il∀ yo, j, l (5)
1 1 ICROP
iSubarea 1 1 1 1

Σ Σ
UNij

yo= j=
ET±c, ijl ≤ ETcm, il∀ i, j, l (6)
1 1
 G. Yang et al. / Gestión de Agua para la Agricultura 179 (2017) 378- 383
389

Fig. 6. interfaz de visualización gráfica.

⎧ > ETcm,
Restricción (8) se refiere a suministro de agua para i cultivo
⎪ = ETcm, ijl
+ ijl Σ superficie durante la etapa de crecimiento l. Restricción(9)
. AR
il significa la cantidad ex- tracción de agua aprobado para el riego
ilSi PAG~ (WR).
⎪
⎨
iSource
ETdo±, ijl Σ ∀ i, j, l (7)
Wyo±j
1l (3) las restricciones sobre la disponibilidad del agua subterránea
⎪
⎩ = 0.1 k= 1
+ ijl + ijl de
otra
UN PA AR manera
G~
ij IJ .
KL
. =0 PAG~ ijl + Arkansasijl >
Restricción (5) Σ que el evapotranspiración excede el
. denota ± si Σ k = 2, ∀ i, j, l (10)
ET mínimo ETdo . Restricción(6) indica el evapotranspi- W
ETcm, il
min
de otra
≤ yjk WW, manera
ración no debe exceder el máximo ET (ETcm).. Restricción
Σ (7) da las
j
expresiones matemáticas para ET ETc ± cuando el agua está sobre-
suministrada desde la precipitación y la recarga de los acuíferos. Σ Σ W±
iCropiStageyo
≤W k = 2, ∀ j (11)
yjk W, j
IJ
yo= l=
(2) las limitaciones de disponibilidad de 1
KL 1
agua superficial
. . Σ Restricción (10) da la cantidad de agua subterránea disponible en
= 0si PAG~ ijl + UNRijl > ETcm, iloIllinois = 0 1, ∀ i, j, l (8) dis- . Σ
W± k trito j para el riego Wisconsin±jkl . Restricción (11) denota el
384total G. Yang et al. / Gestión de Agua para la Agricultura 179 (2017) 378-
389
= . Σ
IJK T de otra manera
L ≤Q
max, il jk cantidad de extracción de agua subterránea permitido WW, j
iCropiSubareaiStageyo
± para el riego
W
en cada subárea.
Σ Σ Σ IJKL
≤ W k = 1 (9)
yjk R
yo= j= l= (4) las limitaciones prioritarias de
1 1 1 las aguas superficiales
 G. Yang et al. / Gestión de Agua para la Agricultura 179 (2017) 378- 385
389

Fig. 7. interfaz de copia de seguridad de base de datos.

Fig. 8. interfaz de retroalimentación de

información.

. . Σ
iStageyo
= 0 si Wij1l± ≤ Q Ty =1
Wyo±j max, il jk Σ Σ
iSubareaiSubarea
iStageyo - ETdo±, |
Σ ETdo±,
kl | ij2 l
I
ll k = 2, ∀ i, j, l (12) ij1 l Σ |
≤ Qmax, jkTIllinoisde otra manerai j1 j2 l= 1 l= 1
n
o ≤ G0∀ yo (13)
i 2N2μy
Restricción (12) indica que las aguas s subterráneas de suministro o
no está permitido
cuando más agua de la superficie se
(5) restricciones de equidad
puede utilizar.
386 G. Yang et al. / Gestión de Agua para la Agricultura 179 (2017) 378-
Restricción (13) indica que las 389

tierras de cultivo se asignarán con

agua por igual, sin importar que se
encuentran cerca y lejos de las
fuentes de abastecimiento de agua.
 G. Yang et al. / Gestión de Agua para la Agricultura 179 (2017) 378- 387
389

Fig. 9. la distribución del agua de riego para tres

cultivos.

crecimiento. Si un cultivo específico no está incluido en la lista de

(6) restricciones no negativos
cultivos, los usuarios pueden cargar los datos de la incorporada en
el cultivo de la biblioteca / base de datos como se muestra en
Wyo±jkl ≥ 0∀ yo, j, k, l (14)
laFig. 4(segundo). Los usuarios
Restricción (14) indica que todas las variables de decisión son
nonneg- ativa.
En el modelo, el enfoque de programación difusa utiliza un
triángulo para hacer frente a la precipitación parámetro incierto
(Lai y Hwang, 1992). La distribución de posibilidad triangular es
una transformación legítimo de la distribución uniforme de
probabilidad (Dubois et al., 2004). Su transformada de la
probabilidad de distribución está en un intervalo acotado,
alrededor del valor medio y se distribuye como un modo
triangular. Al carecer de una gran cantidad de datos objetivos, la
distribución de posibilidad triangular
es un método disponible para hacer frente con el parámetro
incierto. Utiliza diferentes niveles de un corte para reflejar el
cambio de tendencia de las soluciones óptimas bajo diferentes
grados de incertidumbre.

2.3. operación FIS-DSS

Fig. 3 da la interfaz de inicio del desarrollado FIS-DSS. Los

usuarios pueden ver la estructura y la descripción de la FIS-DSS,
y también se proporciona el manual del usuario.
Las páginas de entrada de datos permiten a los usuarios
introducir superficie local de cultivo, las condiciones del canal,
los parámetros de crecimiento de los cultivos, y otros
parámetros, como se muestra en Fig. 4. Fig. 4(A) muestra la
página de información de crecimiento del cultivo para la
introducción de valores de los parámetros relacionados con el
388 G. Yang et al. / Gestión de Agua para la Agricultura 179 (2017) 378-
También puede dividir manualmente el389 distrito de riego estudio
sobre diferencias subregiones ent, y puede introducir los valores
de parámetros tales como el precio integral del agua,
disponibilidad de aguas subterráneas, aguas subterráneas
máximo flujo, y la superficie de siembra de cultivos para cada
sub-región. Fig. 4(C) muestra que los datos de precipitación
obtenidos por la precipitación incorporado y módulo de
simulación escorrentía. ComoFig. 4(D) muestra, los usuarios
pueden decidir en qué período de crecimiento de los cultivos
deben ser gated IRRI. Además, la interfaz puede guardar la
información actualizada en una base de datos Microsoft Access
cuando se introducen o se generan nuevos datos.
Después se introducen o actualizan todos los valores de los
parámetros, los usuarios pueden hacer clic en el botón
“Resolver” en la parte superior de la pantalla para acceder a la
página opti- mización modelo, como se muestra en Fig. 5. En
esta página, los usuarios pueden elegir libremente no sólo a uno
o más objetivos en el menú desplegable “Objetivo”, sino
también diferentes combinaciones de restricciones marcando o
no marcando la casilla al lado de cada restricción. Después se
eligen el objetivo (s) de modelo y limitaciones, los usuarios
pueden resolver el modelo usando uno de los métodos de
solución proporcionadas con el FIS DSS. Como se indicó al
principio de este trabajo, uno método de solución es a través de
la optimización de software comercial (es decir, LINGO), y el
otro es el algoritmo de solución integrada que ha sido
incorporado en el FIS-DSS. Si no se pudieron obtener
soluciones factibles, el proceso de resolución podría tomar más
tiempo y los usuarios tienen que volver a la página de entrada
de datos para asegurar que los valores de los parámetros
originales y las restricciones son todos bien de fi nido.
Cuando se obtienen las soluciones de optimización, los
usuarios pueden hacer clic en el botón “Gráfico” para entrar en
la página de presentación de resultados
 G. Yang et al. / Gestión de Agua para la Agricultura 179 (2017) 378- 389
389

Fig. 10. la distribución del agua de riego durante las etapas de crecimiento.

datos sustituibles y por lo tanto una copia de seguridad por

para generar diversos informes de gráfico, como se muestra en
adelantado es un proceso importante para la seguridad de la
Fig. 6. Los atributos de gráficos (tales como los tipos de cultivos,
información.
subáreas, las fuentes de suministro de agua, las etapas de
Además, los países desarrollados FIS-DSS proporciona una
crecimiento de cultivos) se pueden seleccionar y combinar de
función de retroalimentación en línea para recoger los comentarios y
acuerdo con las preferencias de los usuarios. Fig. 6 presenta
sugerencias de los usuarios del sistema en sus propias aplicaciones,
algunos ejemplos de gráficos, incluyendo la asignación de agua
como se muestra en Fig. 8. El sistema y
óptimo para todos los cultivos en todas las subáreas (Fig. 6a),
opti- asignación de agua mal para el algodón en todas las
subáreas (Fig. 6b), la asignación de las aguas subterráneas
óptimo para todos los cultivos en todas las subáreas (Fig. 6c), y
la asignación de agua de superficie óptima para el algodón en
todas las subáreas (Fig. 6re). Los usuarios también tienen varias
opciones para elegir los tipos de gráficos, tales como gráfico de
barras, gráfico de líneas, gráfico circular, gráfico de paso, gráfico
de barras 3D, 3D línea gráfico y el gráfico 3D paso. Todos los
datos también se pueden exportar a una tabla de forma fi l
haciendo clic en el botón “Guardar Datos”.
El desarrollada FIS-DSS también fue diseñado con un
“respaldo” ción fun-, como se muestra en Fig. 7. La página de
copia de seguridad podría salvar a la base de datos existente,
eliminar una base de datos de copia de seguridad si no es útil,
editar las observaciones de una base de datos, y también
recuperar la base de datos a partir de una base de datos guardada
anteriormente- o una copia de seguridad si se producen errores o
fallos del sistema. Al tener esta función, el sistema de seguridad
puede ser garantizada. Como muy importante tarea de
mantenimiento preventivo, es esencial hacer copias de seguridad
de la base de datos (Qian et al., 2002). Cuando una falla causada
por la pérdida de datos puede ocurrir durante la E / S y los
errores de fallo de alimentación en la base de datos actual, la
base de datos de copia de seguridad se convierte en la base de
390 G. Yang et al. / Gestión de Agua para la Agricultura 179 (2017) 378-
389
los desarrolladores de software pueden seguir mejorando y
mejorando cada módulo y lo más importante, la integridad de
todo el sistema.

3. Aplicación de FIS-DSS

Toallitas Distrito de riego localizado en el norte de China,

fue tomada como ejemplo para demostrar la viabilidad de los
países desarrollados FIS-DSS. El distrito tiene una superficie ×
de riego de 162,7 103 ha y el agua de riego se extrae de la
fuente de agua superficial y subterránea en el centro sur de la
Llanura de Hebei, China. De acuerdo con la distribución de
los canales de riego existentes, ocho subáreas están divididas.
Principales cultivos del Distrito estudio son el trigo, el maíz y
la tonelada cot-. El trigo se siembra en invierno y el maíz se
siembra en verano y que se combinan como un sistema de
doble cultivo. Algunas subáreas son restringidos de algodón
plantar debido al alto costo del agua de riego y la textura del
suelo y condiciones inadecuadas para el crecimiento de
algodón. cuota de riego se obtiene a partir de la encuesta
local (Yang et al., 2015). A través de la FIS-DSS, se obtiene un
sistema de riego óptimo.
La asignación óptima de agua para tres cultivos se muestra en
la Fig. 9. A partir de la figura, se indica que el trigo y el maíz
son los principales consumidores de agua. Debido al hecho
de que la zona de plantación de algodón es pequeña, la
cantidad total de agua consumido por el algodón es también
pequeña. Debido a la precipitación adecuada durante el
periodo de crecimiento de maíz, la cantidad de agua
necesaria para el riego de maíz es menor que el trigo. En
cuanto a la distribución del agua de riego entre los diferentes
subzonas, la subzona 3 tiene la mayor área de irrigación y por
lo tanto necesita la mayor parte de agua de riego para el trigo
y el maíz. Mientras tanto, el algodón
 G. Yang et al. / Gestión de Agua para la Agricultura 179 (2017) 378- 391
389

Fig. 11. intervalo de ET de los cultivos. Las columnas negras representan gama de ET.

modelo flexible, métodos de solución alternativas y múltiple

no necesita ninguna agua de riego, excepto subárea 4. El agua
superficial juega un papel importante en el suministro de agua
de riego para el trigo y el maíz, mientras que el suministro de
agua subterránea es considerado como un recurso suplemento
agua para regar todos los cultivos.
Tomando subárea 4 como un ejemplo, los esquemas de
asignación de agua para tres cultivos durante sus etapas de
crecimiento se ilustran en La Fig. 10.Se indica que el trigo
necesita ser regada en cada etapa de crecimiento, especialmente
en la reactivación y arranque de etapas. El maíz necesita ser
irrigado en la floración y la maduración etapas, y necesita ser
regada en su fase incipiente de algodón.
La Fig. 11 presenta los rangos de variación de ET en cada
subárea. Los valores de ET para el trigo no cambian mucho entre
las diferentes sub-áreas, y el valor medio ET para el trigo es de unos
450 mm. No amplia ET oscila para el maíz se observaron excepto
subárea 2. El valor medio ET para el maíz es de unos 380 mm.
Subzonas 2 y 5 tienen área muy pequeña de riego de maíz, por lo
que sus variaciones ET pueden ser ignorados. El promedio de los
valores de ET para el algodón es de unos 350 mm. variaciones ET
son 0 en las subáreas 1, 2 y 5 ya que no hay zona de riego de
algodón en estas subáreas.

4. conclusiones

Un sistema de ayuda a la decisión flexible para la

programación del riego agrícola y de planificación (FIS-DSS)
fue desarrollado en este estudio para apoyar el riego asignación y
gestión de los recursos hídricos agrícolas. El FIS-DSS
desarrollado se ofrece con el conjunto de datos expansible,
392 G. Yang et al. / Gestión de Agua para la Agricultura 179 (2017) 378-
pantalla de resultados. El FIS-DSS integrado 389 un sistema dinámico de
base de datos, una interfaz gráfica de usuario, un motor de inferencia,
y una base de conocimiento en un sistema general y el marco de
desarrollo de software. El modelo de optimización basado en la
incertidumbre se desarrolló como el módulo de núcleo de la FIS-DSS
para la generación de sistemas de riego óptimos, y extensos
incertidumbres asociadas con el proceso de modelado se trataron por
un enfoque de programación intervalo difuso. El desarrollada FIS-
DSS se aplicó a un estudio de caso en el mundo real y se han
obtenido resultados prometedores para una mejor distribución del
agua de riego y la gestión de toallitas Distrito de Riego. A través de la
FIS-DSS, se obtuvo un sistema de riego óptimo. El valor de ET edad
promedios para el trigo, el maíz y el algodón fueron alrededor de 450
mm, 380 mm y 350 mm respectivamente.

Expresiones de gratitud

Esta investigación fue apoyada por los Fondos Públicos de

Investigación de Proyectos de Gobierno Ministerio de Agricultura
(Nº 201203077), la Fundación Nacional de Ciencias Naturales de
China (Nº 51321001), y el proyecto de investigación financiado
por el Consejo de Becas de Shanxi de China (2014-061 ).
 G. Yang et al. / Gestión de Agua para la Agricultura 179 (2017) 378- 393
389

Apéndice A. Castelletti, A., Galelli, S., Ratto, M., Soncini-Sessa, R., Young, PC, 2012. Un
marco general para el modelado de emulación dinámica en los problemas
ambientales. Reinar. Modell. N del software 34, 5-18.
Los parámetros del modelo son: Chauhan, YS, Wright, GC, Holzworth, D., Rachaputi, RCN, Payero, JO, 2013.
AQUAMAN: un sistema de soporte de decisiones basada en web para la
programación del riego en los cacahuetes. Irrig. Sci. 31 (3), 271-283.
F1±, (RMB), total bruto bene fi cio de Dubois, D., Hanss, M., 2007. Aplicada Aritmética Difusa: Una introducción
con aplicaciones de ingeniería. Springer, Berlín.
sistema; f2 ±, (RMB), total red bene fi cio
de sistema; F3±, (RMB), red bene fi cio de Dubois, D., Foulloy, L., Mauris, G., Prade, H., 2004. transformaciones
Probabilidad-posibilidad, los conjuntos borrosos triangulares, y las
sistema por acre;
desigualdades probabilísticos. Comput fiable. 10 (4), 273-297.
F4±, (RMB), red bene fi cio de sistema por cúbico metro de
Galelli, S., Gandol fi, C., Soncini-Sessa, R., Agostani, D., 2010. La construcción de
irrigación
un metamodelo de un modelo de parámetros distribuidos distrito de riego.
agua suministrada;
Agric. Administrar el agua. 97 (2), 187-200.
yo, El índice de cultivos; Gu, JJ, Guo, P., Huang, GH, Shen, N. 2013. La optimización de la estructura industrial
j, El índice de subáreas; hacia el desarrollo sostenible en la ciudad basada en los recursos sometidos a los
k, Índice para dos recursos hídricos; l, recursos hídricos en condiciones de incertidumbre. Stoch. Reinar. Res. Riesgo A
27 (3), 659-673.
Índice para la etapa de crecimiento de la
Guo, P., Chen, X., Tong, L., Li, J., Li, M., 2014. Un modelo de optimización
cosecha yo; j1 y j2, índice para subáreas; para un sistema de riego fi cit de cultivos de bajo incertidumbre. Ing.
ICROP, el número de especies de Optimiz. 46 (1), 1-14.
cultivo; iSubarea, el número de Huang, GH, Qin, XS, Sun, W., Nie, XH, Li, YP, 2009. Un sistema de soporte de
decisiones ambientales basados en la optimización para el desarrollo sostenible
subáreas; iSource el número de fuentes en una zona rural de China. Civ. Ing. Reinar. Syst. 26 (1), 65-83.
de agua; Karamouz, M., Ahmadi, A., Yazdi, MSS, Ahmadi, B., 2014. Evaluación económica de las
iStage, el número de etapas de crecimiento de los cultivos i; estrategias de gestión de los recursos hídricos. J. Irrig. Desagüe. Ing. 140 (1),
04.013.005.
Wisconsin±jkl, (M3), agua suministro para cultivo yo en distrito j Lai, Y., Hwang, C., 1992. Un nuevo enfoque para algunos problemas de programación lineal
de agua fuente posibilistas. Syst conjunto difuso. 49 (2), 121-133.
k durante la etapa de crecimiento l; Leenhardt, D., Trouvat, JL, Gonzales, G., PERARNAUD, V., Prats, S., Bergez, JE, 2004a.
La estimación de la demanda de riego para la gestión del agua a escala regional
WW, , (M3), la cantidad de agua subterránea disponible en II. Validación de ADEAUMIS. Agric. Administrar el agua. 68 (3), 233-250.
j el distrito de j para el riego; Leenhardt, D., Trouvat, JL, Gonzales, G., PERARNAUD, V., Prats, S., Bergez, JE, 2004b.
WR, (M3), la cantidad de agua de la superficie disponible La estimación de la demanda de riego para la gestión del agua a escala regional I.
para el riego;
ADEAUMIS, una plataforma de simulación basado en el modelo bio-
PAG~ , (Mm), la precipitación de cultivo i en el distrito j decisional y la información espacial. Agric. Administrar el agua. 68 (3),
ijl durante la etapa de crecimiento l; 207-232.
Li, YP, Huang, GH, 2007. programación cuadrática estocástica multietapa inexacto
Ark , método para la planificación de sistemas de recursos hídricos en condiciones de
(Mm), otra agua estimada para cultivo i en el distrito incertidumbre. Reinar. Ing.
ansa j durante la etapa de crecimiento l; Sci. 24 (10), 1361-1378.
Li, M., Guo, P., Liu, X., Huo, GHZ, 2014A. Un sistema de toma de apoyo a las tierras de
sijl cultivo
la gestión del agua de riego y fuentes no puntuales de contaminación agrícola
Qmax, jk, (metro3/ D), máximo de flujo en el distrito de j de la
controlar. Desalin. Tratar el agua. 52 (25), 5106-5117.
fuente de agua k; Li, M., Guo, P., Yang, GQ, Fang, SQ, 2014b. IB-ICCMSP: un óptimo modelo de
aij, (Ha), área de siembra de la cosecha de i; asignación y planificación del agua de riego integrado basado en la teoría de
Ym, i, (Kg / ha), el máximo rendimiento de la cosecha de i; inventarios en condiciones de incertidumbre. Resour agua. Gestionar. 28 (1),
CC±,yo, (RMB / kg), mercado precio de cultivo yo; 241-260.
Lu, H., Huang, G., Liu, Z., Él, L., gas de efecto invernadero 2008. mitigación
CW, j, (RMB / m3), el precio integral del agua para los inducida por la programación áspera-intervalo para la gestión de residuos
agricultores locales en el distrito j; sólidos urbanos. J. Aire Residuos Administrar. 58 (12), 1546-1559.
ETdo±, ijl, (Mm), el real evapotranspiración; Lu, HW, Huang, GH, Zhang, YM, He, L., 2012. estratégico agrícola planificación
del uso de la tierra en respuesta a la variación-suministrador de agua en la
región rural de una China.
Agric. Syst. 108, 19-28.
ETcm, , (Mm), la evapotranspiración máxima obtenida bajo
Maia, J., Boteta, L., Fabiao, M., Santos, M., Calera, A., Campos, I., 2012. Sistema de
ijl las condiciones del agua no limitativo; irrigación de soporte de decisiones asistida por satélite. caso sistema de riego de
Alqueva
ETc min, il, (Mm), la evapotranspiración mínimo para la de plagas de insectos en los sistemas de algodón australianos. Comput. Electrón.
supervivencia de Agric. 43 (2), 131-147.
cultivos locales i; Bon fi l, DJ, Karnieli, A., Raz, M., Mufradi, I., Asido, S., Egozi, H., Hoffman,
A.,Schmilovitch, Z., 2004. sistema de apoyo de decisiones para la mejora de la calidad
hil, la sensibilidad del cultivo i al estrés hídrico durante el del grano de trigo en la zona mediterránea de Israel. Res Campo de la cosecha. 89 (1),
crecimiento etapa l; 153-163.
Illinois, índice adimensional para regar cultivos si i en el distrito Cai, YP, Huang, GH, Yang, ZF, Sun, W., Chen, B., 2009. La investigación de la
j desde el depósito; percepción del público hacia el desarrollo rural sostenible basado en un sistema
experto de dos niveles. Syst experto. Appl. 36 (5), 8.910-8924.
til, (D), el número de días para i cultivo durante la etapa de
crecimiento
l;
yjk, la utilización coeficiente del agua de riego en el distrito
de j fuente de agua k;
GRAMO0, el límite de alerta de coeficiente de Gini;
NORTE, el conteo de las subáreas;
μyo , (Mm), averageETdo±, ij l para cultivo yo.
1

referencias

Como Ad, R., Demirli, K., Goyal, SK, 2014. El hacer frente a las incertidumbres en
la producciónplanificación a través de la programación matemática fuzzy:
aplicación a la industria de laminación de acero. En t. J. Oper. Res. 22 (1), 1-
30.
Balderama, DE, 2010. Desarrollo de un sistema de soporte de decisiones para los
pequeñossistemas de riego de depósito en secano y de sequía zonas propensas.
Sci agua. Technol. 61 (11), 2779-2785.
Bange, MP, Deutscher, SA, Larsen, D., Linsley, D., Whiteside, S., 2004. Un
handheldsistema de soporte de decisiones para facilitar la mejora de la gestión
394 estudiar. Opciones Mediterraneennes. Serie B. Etudes G. Yang et al. / Gestión
et Recherches, de Agua para la Agricultura 179 (2017) 378-
195-201.
Nain, AS, Singh, KK, 2016. La conceptualización de 389 un marco de sistema de
soporte de decisiones para la agricultura en la región montañosa. Mausam
67 (1SI), 195-204.
Oad, R., García, L., Kinzli, K., Patterson, D., Sha fi ke, N., sistemas de soporte
de decisión para el riego de 2009. e fi ciente en el Valle del Río Grande
medio. J. Irrig. Desagüe. Ing. 135 (2), 177-185.
Panagopoulos, Y., Makropoulos, C., Mimikou, M., 2012. soporte de decisión
para la gestión del agua agrícola. Nest Global J. 14 (3), 255-263.
Pedras, CMG, Pereira, LS, 2009. El análisis multicriterio para el diseño
de sistemas de riego localizado. Aplicación y análisis de sensibilidad.
Agric. Administrar el agua. 96 (4), 702-710.
Pedras, CMG, Pereira, LS, Goncalves, JM, 2009. MIRRIG: Un sistema de
soporte de decisiones para el diseño y evaluación de sistemas de riego
localizado. Agric. Administrar el agua. 96 (4), 691-701.
Qian, C., Pan, Y., Nakagawa, T., 2002. políticas óptimas para un sistema de
base de datos con dos esquemas de copia de seguridad. Rairo-Oper Res. 36
(03), 227-235.
Qin, X., Huang, GH, Zeng, G., Chakma, A., Huang, YF, 2007. Un intervalo
de parámetros no lineal difusa modelo de optimización para la gestión de
la calidad del agua corriente en condiciones de incertidumbre. EUR. J.
Oper. Res. 180 (3), 1331-1357.
Qin, X., Huang, GH, Chakma, A., Nie, XH, Lin, QG, 2008. sistema experto
basado en MCDM A para la evaluación del impacto del cambio climático
y la adaptación de planificación-Un estudio de caso de la Cuenca de
Georgia, Canadá. Syst experto. Appl. 34 (3), 2164-2179.
Rahmani, MA, Zarghami, M., 2015. El uso del generador de tiempo
estadístico, los datos híbridos impulsados y modelos de dinámica de
sistemas para la gestión de los recursos hídricos bajo el cambio climático.
J. Environ. Informar. 25 (1), 23-35.
Ritaban, D., Ahsan, M., Jagannath, A., D'Este, C, Aruneema, D., 2014.
Desarrollo de un sistema de conocimiento del medio ambiente inteligente
para apoyar las decisiones de agricultura sostenible. Reinar. Modell. N del
software 52, 264-272.
Shen, ZY, Chen, L., Liao, P., 2015. Efecto de los errores de medición de
precipitaciones en fuentes no puntuales de contaminación modelo de
incertidumbre. J. Environ. Informar. 26 (1), 14-26.
Tanure, S., Nabinger, C., Becker, JL, 2013. Bioeconómico modelo de sistema de
soporte de decisiones para la gestión de las explotaciones: Parte I: modelado
conceptual sistémico. Agric.
Syst. 115, 104-116.
Wang, J., Hwang, W., 2007. Un enfoque conjunto difuso para la I + D selección
de la cartera utilizando un verdadero modelo de valoración de opciones.
Omega 35 (3), 247-257.
 G. Yang et al. / Gestión de Agua para la Agricultura 179 (2017) 378-
389
Woodruff, RD, 1992. 'Wheatman' un sistema de soporte de decisiones para la
gestión de trigo en Australia subtropical. Crop Sci Pasture. 43 (7), 1483-
1499.
Xu, Y., Huang, GH, Xu, TY, 2012. inexacto modelado de gestión para los sistemas de
abastecimiento de agua urbanos. J. Environ. Informar. 20 (1), 34-43.
Yang, G., Guo, P., Huo, L., Ren, C., 2015. La optimización de los recursos de
agua de riego para el distrito de riego toallitas en el norte de China. Agric.
Administrar el agua. 158, 82-98.
395
Young, P., 1998. Los datos basada en la modelización mecánica de los sistemas
ambientales, ecológicos, económicos y de ingeniería. Reinar. Modell. N del
software 13 (2), 105-122.
Zhi, Y., Yin, XA, Yang, ZF, 2016. Evaluación de los cambios de las exportaciones
de agua virtual de China en 2002 y 2007. Environ. Informar. 27 (1), 43-51.