GAIN–P : a new strategy to increase furrow irrigation efficiency

The new methodology GAIN–P combines Genetic Algorithms, Artificial INtelligence techniques and rigorous Process modeling for substantially improving irrigation efficiency. The new strategy simultaneously identifies optimal values of both scheduling and irrigation parameters for an entire growing season and can be applied to irrigation systems with adequate or deficit water supply. In this contribution, GAIN-P is applied to furrow irrigation tackling the more difficult subject of the more effective deficit irrigation. A physically–based hydrodynamic irrigation model is iteratively coupled with a 2D subsurface flow model for generating a database containing all realistically feasible scenarios of water application in furrow irrigation. It is used for training a problem-adapted artificial neural network based on self-organized maps, which in turn portrays the inverse solution of the hydrodynamic furrow irrigation model and thus enormously speeds up the overall performance of the complete optimization tool. Global optimization with a genetic algorithm finds the schedule with maximum crop yield for the given water volume. The impact of different irrigation schedules on crop yield is calculated by the coupled furrow irrigation model which also simulates soil evaporation, precipitation, and root water uptake by the plants over the whole growing season, as well as crop growth and yield. First results with the new optimization strategy show that GAIN–P has a high potential to increase irrigation efficiency. تتكون المنهجية الجديدة GAIN-P من خوارزمية الجينات و تقنية الذكاء الصناعي، إضافة إلى نمذجة العمليات الصارمة التي تحسن بشكل كبير كفاءة الري. تحدد الإستراتيجية الجديدة المثلى للجدولة و لمحددات الري خلال موسم الري. و يمكن تطبيق هذه المنهجية لنظام ري ذي مصدر مائي وفير أو شحيح. و في هذا الإطار قمنا بتطبيق هذا الأسلوب للري بالأخاديد الذي يعد من المواضيع الصعبة مقارنة بنظام نقصان الري الأكثر كفاءة. و قد استخدمنا أنموذجا هيدروديناميكي للري مقرونا بأنموذج جريان تحت سطحي (2D)، و ذلك للحصول على قاعدة بيانات تحوي كافة الطرق الممكنة لتطبيق المياه في الري الأخدودي. كما استخدمناه لتدريب الشبكة العصبية الصناعية لمواءمة المعضلة، و ذلك بالاعتماد على خريطة الترتيب الذاتي الذي يمثل – بدوره – الحل العكسي للنموذج الهيدروديناميكي للري الأخدودي، و هذا بدوره أيضا يسرع بدرجة كبيرة الأداء الكلي لكافة أدوات المفاضلة. و قد توصلنا باستخدام المفاضلة الكلية مقرونة بخوارزمية الجينات إلى أكبر محصول باستخدام حجم ثابت من مياه الري. فقمنا بحساب أثر جدولة الري على المحصول، و ذلك باستخدام أنموذج الأخا