خلاصه
شناسایی سایتهای انرژی بادی فراساحلی شامل تجزیه و تحلیل متغیرهای متعددی مانند سرعت باد، نزدیکی به خط ساحلی و عوامل اجتماعی و فرهنگی است. این فرآیند پیچیده تصمیم گیری اغلب شامل بسیاری از ذینفعان می شود که منجر به داده ها و اهداف متناقض می شود. تجزیه و تحلیل تصمیمی که همکاری، شفافیت، تفاهم و پایداری را ترویج می کند، کلیدی است. این مطالعه یک مدل منحصر به فرد از تعامل محیطی انسان را ارائه می دهد که دیدگاه های مختلف را آشتی می دهد و تعادل بین ماهیگیری و نیروی باد را به تصویر می کشد. با استفاده از سه مدل تصمیم گیری چند معیاره (ارزیابی محصول جمع وزنی). [WASPAS]، تکنیک برای ترتیب اولویت بر اساس شباهت به راه حل ایده آل [TOPSIS]، و فرآیند تحلیل سلسله مراتبی [AHP]ما ترکیب تصمیم را برای انتخاب مزرعه بادی تجزیه و تحلیل می کنیم و اثرات آن را بر روی شیلات با استفاده از داده های تاریخی ارزیابی می کنیم. رویکرد ما برای یک سیستم افزایش در کالیفرنیا اعمال شد و ده سناریو تصمیمگیری مناسب برای گروههای ذینفع مختلف ایجاد کرد. نتایج نشان داد که نمرات انطباق برای مناطق تماس خاص در شمال کالیفرنیا با افزایش وزن فاکتورهای شیلات کاهش یافت، و با افزایش پارامترهای شیلات، تمایل به جابجایی مناطق با امتیاز بالا به سمت جنوب وجود داشت. نتایج تجزیه و تحلیل حساسیت نشان داد که نمرات حساسیت مرتبه اول WASPAS با وزن ها در مقایسه با TOPSIS همبستگی بهتری داشت، در حالی که نمرات حساسیت مرتبه دوم به طور کلی پایین تر بود، که نشان دهنده کاهش وابستگی متقابل مدل ما است.
å¯»æ‰¾æµ·ä¸Šé£Žèƒ½ä½ ç½®éœ€è¦ åˆ†æž å¤šä¸ªå ˜é‡ , 包括风速〷 离å'Œç¤¾ä¼šæ–‡åŒ–å› ç´ ã€‚è¿™ç§ å¤ æ ‚çš„å†³ç–è¿‡ç¨‹å¾€å¾€æ¶‰å ¸å¤šåˆ©ç›Šè€…, å¯¼è‡´æ•°æ ®å'Œç›®æ ‡å˜åœ¨ç €å†²çª ã€‚å…³é”®æ˜¯èƒ½ä¿ ƒè¿›å ä½œã€ é€ æ˜Žåº¦ã€ ç †è§£å'Œå ¯æŒ ç»æ€§çš„决ç–åˆ†æž ã€‚æœ¬ç ”ç©¶æ ‡ºä¸€ä¸ªç‹¬ç‰¹çš„能å è°ƒä¸ å Œè§‚ç‚¹çš„äººåœ°å…³ç³»æ¨¡åž‹، 并å¹ä¸å¸ پوند åž‹(åŠ æ ƒç»¼å ˆäº§å“ è¯„ä¼°[WASPAS]ã€ ä¼˜åŠ£è§£è· ç¦»æ³•[TOPSIS]å'Œå±‚æ¬¡åˆ†æž æ³•[HAHP]), åˆ†æž äº†é€‰æ‹©é£Žç»µåœºçš„å†³ç–ç»„å ˆ, é€šè¿‡åŽ†å ²æ•°æ ®è¯„ä¼°åº† ¯¹æ¸”ä¸šçš„å½±å“ ã€‚è¯¥æ–¹æ³•å·²è¢«åº”ç”¨äºŽç¾Žå›½åŠ åˆ©ç¦ å°¼äºšå·žçš ç³»ç»Ÿ, ä¸ºä¸ å Œåˆ©ç›Šç¾¤ä½“å®šåˆ¶äº†۱۰个决ç–场景ã€Ç»»æžœè¡¨æ æ¸”ä¸šå› ç´ æ ƒé‡ çš„å¢žåŠ , åŠ åˆ©ç¦ å°¼äºšå·žåŒ—éƒ¨ç‰¹å®šåŒºåŸŸçš„é€‚åºææ ›éš ç €æ¸”ä¸šå ‚æ•°çš„å¢žåŠ , 高分数区域有å 'å —å ç§»çš„è¶‹åŠ¿ã€‚æ• æ„Ÿæ€§åˆ†æž è¡¨æ˜Ž، 与TOPSIS相毻, WASPASçš„ä¸€é˜¶æ• æ„Ÿæ€§å€¼ä¸Žæ ƒé‡ ¸å…³æ€§æ›´é«˜، äºŒé˜¶æ• æ„Ÿæ€§å€¼æ›´ä½Ž، è¿™è¡¨æ˜Žäº†æ¨¡åž‹ä¾ è-µ §çš”é™ ä½Žã€,
فرآیند شناسایی مکانهایی که با استفاده از آن از انرژی باد فراساحلی استفاده میشود، شامل تجزیه و تحلیل متغیرهای متعددی مانند سرعت باد، نزدیکی به خط ساحلی و عوامل اجتماعی فرهنگی است. این فرآیند پیچیده تصمیم گیری اغلب شامل بسیاری از سهامداران می شود که می تواند منجر به داده ها و اهداف متناقض شود. تجزیه و تحلیل تصمیمی که همکاری، شفافیت، تفاهم و پایداری را تقویت می کند بسیار مهم است. این مطالعه یک مدل منحصر به فرد از تعامل انسان و محیط را معرفی می کند که دیدگاه های مختلف را با هم تطبیق می دهد و تعادل بین ماهیگیری و انرژی باد را به تصویر می کشد. با استفاده از سه مدل تصمیم گیری چند معیاره (ارزیابی حاصل ضرب جمع وزنی [WASPAS]، تکنیک ترتیب اولویت بر اساس شباهت با راه حل ایده آل [TOPSIS] و فرآیند تحلیل سلسله مراتبی [AHP]، ما ترکیبی از تصمیمات را برای انتخاب مکان مزارع بادی و ارزیابی اثرات بر شیلات با استفاده از داده های تاریخی تجزیه و تحلیل می کنیم. رویکرد ما برای یک سیستم رخنمون در کالیفرنیا اعمال شد که ده سناریو تصمیمگیری را ایجاد کرد که برای گروههای مختلف ذینفعان طراحی شده بود. نتایج نشان داد که نمرات سازگاری برای مناطق خاص در کالیفرنیای شمالی با افزایش وزن عوامل ماهیگیری کاهش یافت و روندی مشاهده شد که در آن مناطق با نمرات بالا با افزایش پارامترهای ماهیگیری به سمت جنوب جابجا شدند. نتایج تجزیه و تحلیل حساسیت نشان داد که نمرات حساسیت مرتبه اول WASPAS با وزن ها در مقایسه با TOPSIS همبستگی بهتری داشت، در حالی که نمرات حساسیت مرتبه دوم به طور کلی کمتر بود، که نشان دهنده کاهش وابستگی متقابل مدل ما است.
å…³é”®è¯ :
انرژی باد فراساحلی یکی از بزرگترین منابع انرژی تجدیدپذیر بالقوه در ایالات متحده است. توسعه ظرفیت تولید باد در دریا یکی از گام های اساسی برای کاهش گرمایش جهانی است (مکونن و گورسفسکی) نقل قول۲۰۱۵). دولت بایدن هریس در فوریه ۲۰۲۲ برنامههای خود را برای تولید ۳۰ گیگاوات انرژی از باد دریایی تا سال ۲۰۳۰ در سطح ملی اعلام کرد (کاخ سفید نقل قول۲۰۲۲). در همان زمان، کالیفرنیا اهداف تهاجمی کربن زدایی، از جمله استانداردهای جاه طلبانه مجموعه انرژی های تجدیدپذیر و هدف تولید برق ۱۰۰ درصد بدون کربن تا سال ۲۰۴۵ را تعیین کرده است. در سال ۲۰۲۱، فرماندار کالیفرنیا، گاوین نیوسام، لایحه ای را امضا کرد که بر اساس آن یک طرح توسعه انرژی بادی فراساحلی را الزامی می کند. آب های فدرال از کمیسیون انرژی کالیفرنیا (گارنر و مارون نقل قول۲۰۲۲). کمیسیون انرژی موظف شد حداکثر ظرفیت ممکن را برای توربینهای بادی شناور فراساحلی تا ۱ ژوئن ۲۰۲۲ ایجاد کند. اپراتور شبکه کالیفرنیا در حال حاضر با چالشهای “منحنی اردک” دست و پنجه نرم میکند، به این معنی که تقاضا در صبح و عصر به اوج خود میرسد در حالی که عرضه به اوج میرسد. در ظهر، نیاز به تولید برق غیرخورشیدی (یا ذخیرهسازی برق)، مانند باد فراساحلی، برای پاسخگویی به اوج تقاضای برق عصرگاهی.
یکی از مشکلات مهم در توسعه فراساحلی، شناسایی مکانهای مناسب برای مزارع انرژی بادی است (مکونن و گورسفسکی). نقل قول۲۰۱۵). تعیین مکانهای مزرعه بادی فرآیندی چالش برانگیز، پیچیده و طولانی است که نیازمند ارزیابی معیارهای مختلف مانند باد و شرایط ژئوفیزیکی و اثرات زیستمحیطی است (تگو، پولاتیدیس و هارالامبوپولوس). نقل قول۲۰۱۰; گراسی، چوکانی و ابهری نقل قول۲۰۱۲). تحقیقات در شرق ایالات متحده اهمیت مشارکت ذینفعان را در تمام مراحل توسعه مزرعه بادی فراساحلی به نفع افزایش عدالت رویه و “زنجیره ای از اعتماد” بین ذینفعان و توسعه دهندگان نشان داده است (دوایر و بیدول). نقل قول۲۰۱۹; فرگوسن و همکاران نقل قول۲۰۲۱; گونیو و همکاران نقل قول۲۰۲۱). مزارع بادی فراساحلی می توانند اثرات منفی قابل توجهی بر اکوسیستم های اقیانوسی داشته باشند (والبرگ و وستربرگ نقل قول۲۰۰۵; تامسن و همکاران نقل قول۲۰۰۶; مونی، اندرسون و استنلی نقل قول۲۰۲۰). برای مثال، مونی، اندرسون و استنلی (نقل قول۲۰۲۰با استفاده از مدلسازی فیزیکی، تأثیرات کل طول عمر توربینهای بادی بر روی زیستگاههای گونههای دریایی را مورد بحث قرار دادند. هاگت و همکاران (نقل قول۲۰۲۰) خاطرنشان کرد: نظرات نمایندگان صنعت ماهیگیری باید در تعیین مکان های نیروگاه بادی فراساحلی به شدت مورد توجه قرار گیرد. با این حال، بسیاری از محققان مسائل مربوط به دیدگاه های اجتماعی و سیاسی را مورد بحث قرار دادند. آنها ادعا کردند که یک پلت فرم اطلاعات جامع برای تجسم همه متغیرها در اتخاذ چنین تصمیمات پیچیده در هنگام ساختن یک مزرعه بادی فراساحلی مورد نیاز است. مطالعات متعدد نشان دادهاند که ایجاد زیرساختهای انرژی بادی دریایی میتواند به روشهای پیچیده با شیلات تعامل داشته باشد. برخی از فعل و انفعالات ممکن است منفی باشند، اما برخی دیگر به طور بالقوه می توانند به اکوسیستم کمک کنند، مانند ایجاد زیستگاه های جدید برای حیات دریایی. با این حال، نیاز مبرمی برای بهبود گفتوگو و همکاری بین بخشهای شیلات و انرژی وجود دارد، که عمدتاً به دلیل فقدان بسترهای اطلاعاتی فعلی است که میتواند فرآیندهای تصمیمگیری مشارکتی مؤثر را تقویت کند.
تصمیم گیری چند معیاره (MCDM) برای مسائل انتخاب سایت انرژی های تجدیدپذیر استفاده شده است که نامزدها را از مکان های مختلف بر اساس معیارهای متعدد ارزیابی می کند (شائو و همکاران نقل قول۲۰۲۰). رایج ترین معیارها شامل (۱) مناطق ذخیره طبیعی یا دریایی، (۲) مناطق نظامی، (۳) فاصله از ساحل، و (۴) سرعت باد (مکونن و گورسفسکی) است. نقل قول۲۰۱۵، فطانت و خراسانی نژاد نقل قول۲۰۱۵; Y.Wu و همکاران نقل قول۲۰۱۶; چاواچی، فلیکس کوریگ و اردلین نقل قول۲۰۱۷، مهدی و بهاج نقل قول۲۰۱۸; B.Wu و همکاران نقل قول۲۰۱۸; X.-Y. ژانگ و همکاران نقل قول۲۰۱۸; راسل، بینگامن و گارسیا نقل قول۲۰۲۱). مولفه سوم را می توان از منظر هزینه ساخت توضیح داد: هر چه به خط ساحلی نزدیکتر باشد، بازده خط انتقال بالاتر است و هزینه های حمل و نقل در طول ساخت و هزینه های نگهداری در مراحل عملیاتی کمتر می شود. از جنبه راندمان انتقال بالا، مزارع بادی عمدتاً نزدیک به خط ساحلی قرار دارند. در عین حال، این مناطق معمولاً با توزیع متراکم پایگاههای نظامی و ذخایر طبیعی مرتبط هستند. بنابراین، اهداف تصمیمگیری درگیری مرتبط با توسعه انرژی بادی دریایی از منظرهای مختلفی مانند حفظ خدمات نظامی، حفظ اکوسیستمهای ماهیگیری و دریایی، و به حداکثر رساندن سبد ساخت و ساز انرژی بادی دریایی میآید.
در تجزیه و تحلیل MCDM، توسعه یک روش وزن دهی نقش مهمی ایفا می کند. چندین روش وزن دهی معمولاً در MCDM استفاده شده است، از جمله فرآیند تحلیل سلسله مراتبی (AHP؛ Chaouachi، Felix Covrig و Ardelean). نقل قول۲۰۱۷، مهدی و بهاج نقل قول۲۰۱۸; B.Wu و همکاران نقل قول۲۰۱۸ارزیابی محصول جمعآوریشده وزنی (WASPAS؛ Zavadskas و همکاران. نقل قول۲۰۱۲; مکونن و گورسفسکی نقل قول۲۰۱۵; چاواچی، فلیکس کوریگ و اردلین نقل قول۲۰۱۷و تکنیک برای ترتیب اولویت بر اساس شباهت به راه حل ایده آل (TOPSIS؛ Z. Zhang و همکاران. نقل قول۲۰۱۸). بسیاری از مطالعات قبلی در انتخاب سایت انرژی باد فراساحلی از الگوریتمهای MCDM فازی استفاده کردند، مانند AHP فازی مورد استفاده در سانچز-لوزانو، گارکا-کاسکولس و لاماتا.نقل قول۲۰۱۶) برای مقابله با یک مشکل رایج: چگونه می توان یک راه حل تصمیم گیری ارائه داد که برای همه طرفین قابل قبول باشد، زمانی که نظرات و اولویت ها در هنگام انتخاب بهترین مکان برای کاشت یک مزرعه بادی خشکی تضاد دارند.
با این حال، در مورد توانایی استفاده از MCDM برای مدیریت فرآیندهای تصمیمگیری مشارکتی (یا مشارکتی) در حوزه کاربرد انرژی بادی دریایی، شکافهای تحقیقاتی هنوز وجود دارد. اول، شناسایی و تعیین کمیت معیارها و وزندهیها، که به میزان آگاهی تصمیمگیرندگان در مورد منطقه و ترجیحات خود بستگی دارد، چالش برانگیز است. دوم، بیشتر سیستمهای پشتیبانی تصمیم فضایی بر مناطقی متمرکز شدهاند که تنها متغیرها و قوانین تصمیمگیری محدودی دارند، که نمیتوانند در مواردی که اهداف تصمیم متضاد وجود دارد، استفاده شوند. به عنوان مثال، مدیران انرژی صنعت ممکن است متغیر سرعت باد را به عنوان مهمترین متغیر در تصمیمگیری مکان یک مزرعه بادی در نظر بگیرند، و مدیران آژانسهای محیطزیست نیز ممکن است در مورد فاصله تا مناطق ذخیرهشده طبیعی فکر کنند. در نهایت، موانعی برای اشتراک دانش و ارتباط بین تصمیم گیرندگان مختلف وجود دارد. تصمیمگیری در مسائل انتخاب سایت انرژی فراساحلی مستلزم همکاری گروهی از ذینفعان، از جمله کارشناسان حوزه، مهندسان، توسعهدهندگان سیستم، مدیران صنایع شیلات و انرژی و کاربران برنامه است. بنابراین، روشهای پیشرفتهتر برای جمعآوری، ادغام، تفسیر و تجسم متغیرهای تصمیم از طرفهای مختلف مورد علاقه برای مدیریت انرژی و شیلات پایدار حیاتی هستند.
در این مقاله پژوهشی قصد داریم به بررسی سوالات تحقیق زیر بپردازیم:
-
آیا بین تلاشهای ماهیگیری مورد انتظار، صیدهای جانبی، گونههای حفاظتشده و فعالیتهای انسانی مانند توسعه انرژی در دریا تداخل یا تضاد وجود دارد و آیا تصمیمهای مدیریتی میتواند آنها را کاهش دهد؟
-
آیا میتوانیم راهحلهای فضایی برای ایجاد تعادل بین اهداف کمیسیون انرژی و پایداری شیلات و حفاظت از اکوسیستمها پیدا کنیم؟
در این مقاله، ما یک سیستم اطلاعاتی پشتیبانی تصمیم مشارکتی را با استفاده از مدلهای MCDM و تکنیکهای تجسم پیشرفته برای نشان دادن مبادلات بین مدیریت شیلات و توسعه انرژی بادی دریایی توسعه دادیم. این سیستم اطلاعات تصمیم، تصمیم گیرندگان مختلف، مانند مدیران صنایع انرژی ماهیگیری و فراساحلی، سیاست گذاران، محققان و افسران آژانس حفاظت از محیط زیست را قادر می سازد تا هنگام توسعه یک مزرعه بادی دریایی جدید، تصمیمات آگاهانه از خطر اتخاذ کنند.
تئوری پس زمینه
این بخش پیشینه و نظریه های مورد استفاده برای پیاده سازی سیستم اطلاعات پشتیبانی تصمیم را معرفی می کند. در این برنامه، ما به تصمیم گیرندگان کمک می کنیم تا با در نظر گرفتن تأثیرات بر شیلات و اکوسیستم های دریایی، مکان های مناسب برای ساخت زیرساخت های انرژی بادی دریایی را پیدا کنند. تئوری MCDM تمام معیارهای تصمیم گیری را برای تشکیل یک امتیاز ارزیابی کلی برای مشکلات انتخاب مکان باد دریایی ترکیب می کند.
تجزیه و تحلیل تصمیم چند معیاره
تجزیه و تحلیل تصمیم چند معیاره (MCDA) یک چارچوب تصمیم گیری ریاضی است که بسیاری از معیارهای تصمیم را برای رسیدن به یک یا چند هدف که از تصمیم گیری پشتیبانی می کنند ترکیب می کند (شائو و همکاران نقل قول۲۰۲۰). در روش جمع وزنی (WSM)، با توجه به مجموعه ای از گزینه های m که به عنوان نشان داده می شود A1, A2, A3, …, Am، و مجموعه ای از n معیارهای تصمیم گیری، به عنوان C1، C2، C3، …، Cn، فرض بر این است که یک تصمیم گیرنده باید مقدار وزن را تعیین کند (برای من = ۱،۲،۳، …، متر و j = ۱، ۲، ۳، …، n) از هر جایگزین بر حسب هر معیار (Fishburn نقل قول۱۹۶۷). برای هر ردیف از مجموعه داده ها با مقادیر به همراه ماتریس وزن معیارها تعریف می شوند (وزن عملکرد نسبی معیارهای تصمیم گیری). معمولاً این وزنها به یک عدد نرمال میشوند و گزینههای جایگزین رتبهبندی میشوند. اگر وجود دارد متر جایگزین ها و n معیارها، امتیاز با استفاده از WSM برای منجایگزین تصمیم را می توان به عنوان نشان داد معادلهمعادله ۱(۱) (1) (Fishburn نقل قول۱۹۶۷; تاکار نقل قول۲۰۲۱)، جایی که وزن برای jمعیارها در منجایگزین تصمیم. مقدار داده است jستون هفتم (ویژگی)؛ و امتیاز WSM برای منجایگزین تصمیم.(۱) (1)
روش محصول وزنی (WPM) مشابه WSM است. تفاوت اصلی این است که به جای جمع در مدل، ضرب وجود دارد. هر جایگزین با ضرب تعدادی نسبت، یکی برای هر معیار، با بقیه مقایسه می شود. هر نسبت به توان معادل وزن نسبی معیار مربوطه (تریانتافیلو و مان) افزایش می یابد. نقل قول۱۹۸۹). در WPM، تحت شرایط مشکل یکسان، امتیاز برای منجایگزین تصمیم را می توان به صورت بیان کرد معادلهمعادله ۲(۲) (2) ، جایی که نشان دهنده وزن برای jمعیارها در منجایگزین تصمیم. نشان دهنده مقدار داده از jستون هفتم (ویژگی)؛ و نشان دهنده امتیاز WPM برای منجایگزین تصمیم (Thakkar نقل قول۲۰۲۱).(۲) (2)
WSM و WPM به طور گسترده در فرآیندهای MCDM استفاده می شوند، اما هر کدام دارای محدودیت هایی هستند. نقطه ضعف اصلی WSM فرض معیارهای افزایشی آن است، با نادیده گرفتن برهمکنش های بالقوه، در حالی که WPM معیارها را چند برابر فرض می کند، که ممکن است تعاملات را نادیده بگیرد و نتایج را با مقادیر صفر تحریف کند. روش WASPAS به دنبال متعادل کردن نقاط قوت و ضعف این مدلها با ارائه میانگین وزنی از هر دو رویکرد، ارائه نتایج تصمیمگیری جامعتر و انعطافپذیرتر است (Zavadskas et al. نقل قول۲۰۱۲). WASPAS به دلیل توانایی آن در افزایش دقت رتبه بندی به انواع روش های موجود ترجیح داده می شود. WASPAS منجر به بالاترین دقت تخمین برای بهینه سازی تابع کل وزنی می شود. این دو روش معروف WSM و WPM را ترکیب می کند تا روشی با دقت بیشتر از دو روش اصلی را با بهینه سازی تجمیع در حال انجام ارائه دهد (Thakkar نقل قول۲۰۲۱). WASPAS از a استفاده می کند مقدار برای هماهنگ کردن سهم خروجی دو مدل، که معمولاً ۰٫۵ از ۱ پیشفرض است. یعنی دریافت یکسان از خروجی های WSM و WPM. مقدار امتیاز وزنی محاسبه شده با استفاده از روش WASPAS را می توان به صورت بیان کرد معادلهمعادله ۳(۳) (3) ، جایی که نشان دهنده وزن برای jمعیارها در منجایگزین تصمیم. نشان دهنده مقدار داده از jستون هفتم (ویژگی)؛ و نشان دهنده امتیاز WASPAS برای منجایگزین تصمیم (Thakkar نقل قول۲۰۲۱).(۳) (3)
در این پروژه، گزینههای تصمیمگیری به مجموعهای از ترکیبات وزنی مربوط به معیارها اشاره دارد. این معیارها بیانگر چهار عامل محیطی، از جمله سرعت باد در ۹۰ متر، به همراه آمار مربوط به فرود ماهیگیری برای سال های ۲۰۱۹ تا ۲۰۲۱، در مجموع هفت معیار تصمیم گیری است. اینها برای سنجش امکان سنجی ساخت یک توربین بادی در مکان های خاص استفاده می شوند. روش WASPAS به عنوان الگوریتم اولیه برای ارزیابی مناسب بودن مکانهای متنوع در منطقه مورد مطالعه عمل میکند. یک نوآوری کلیدی این تحقیق شامل ادغام دو الگوریتم اضافی AHP و TOPSIS در کنار روش WASPAS در ایجاد سیستم پشتیبانی تصمیم مشارکتی مبتنی بر وب است. این به کاربران اجازه میدهد تا امتیازات تطبیقی را برای ترکیبهای وزنی که با ترجیحات آنها هماهنگ هستند محاسبه کنند. ما این دو الگوریتم و نقشهای مربوط به آنها را در چارچوب مدلسازی خود در بخشهای بعدی بررسی میکنیم.
فرآیند تحلیل سلسله مراتبی
علاوه بر مدل WASPAS (شرح داده شده در بخش آخر)، AHP به عنوان روش وزن دهی دیگر برای ساخت مدل MCDM استفاده شد. AHP در زمینه های مختلفی مانند برنامه ریزی، انتخاب بهترین جایگزین و تخصیص منابع (Vaidya و Kumar) استفاده شده است. نقل قول۲۰۰۶; چاواچی، فلیکس کوریگ و اردلین نقل قول۲۰۱۷، مهدی و بهاج نقل قول۲۰۱۸; وو و همکاران نقل قول۲۰۱۸). AHP شامل تجزیه یک مسئله تصمیم گیری به سلسله مراتبی از معیارها و گزینه ها است. سلسله مراتب شامل یک هدف در بالا و به دنبال آن مجموعه ای از معیارها است که به دستیابی به هدف کمک می کند. این معیارها بیشتر به زیر معیارها تقسیم می شوند و یک ساختار سلسله مراتبی را تشکیل می دهند. هنگامی که سلسله مراتب ایجاد شد، مقایسه های زوجی بین عناصر هر سطح انجام می شود (ساعتی نقل قول۱۹۷۷). در تجزیه و تحلیل AHP، کاربران یک ماتریس وزن دهی زوجی ایجاد می کنند، که در آن هر عنصر اهمیت نسبی یک معیار را در مقایسه با معیار دیگر در طول فرآیند تصمیم گیری نشان می دهد. بردار وزنی بردار ویژگی ماتریس است که با حداکثر مقدار ویژگی غیر صفر مطابقت دارد.
-
ساخت ماتریس وزن دهی زوجی. ماتریس وزن های زوجی AHP در نشان داده شده است .
-
بردار ویژگی(۴) (4)
-
عادی سازی(۵) (5)
-
بررسی سازگاری.
فرض بر این است که ماتریس وزن دهی زوج ایده آل یک ماتریس توافقی باشد، اما محدودیت ها برای کاربرد عملی سخت هستند. بنابراین، برای اطمینان از اینکه خطا در محدوده قابل قبول است، شاخص اجماع (CI) و شاخص اتفاق نظر تصادفی (RI) معرفی شدند. CI سازگاری مقایسههای زوجی را اندازهگیری میکند. به صورت محاسبه می شود (λ – n)/(n âˆ' ۱)، جایی که من” حداکثر مقدار ویژه ماتریس مقایسه زوجی است و n تعداد معیارها است، همانطور که در نشان داده شده است معادلهمعادله ۶(۶) (۶) ، جایی که مقدار ویژگی و شماره سفارش است(۶) (۶)
RI برای اندازه گیری سازگاری ماتریس های قضاوت استفاده می شود. این ماتریس از بسیاری از ماتریسهای پر شده بهصورت تصادفی به دست میآید که هم اندازه ماتریس قضاوتی هستند که ما بررسی میکنیم. مقادیر RI ثابت هستند و مطابق با اندازه ماتریس تغییر می کنند، همانطور که در نشان داده شده است (ساعتی نقل قول۱۹۸۸).
نسبت اجماع (CR) به عنوان معیاری عمل میکند که نشان میدهد چقدر قضاوتها نسبت به نمونههای بزرگی از قضاوتهای کاملا تصادفی مطابقت دارند، همانطور که در نشان داده شده است. معادلهمعادله ۷(۷) (۷) . به شرطی که CR در محدوده قابل قبولی قرار گیرد (کمتر از ۰٫۱)، ماتریس وزن وارد شده توسط کاربر می تواند به عنوان ورودی در مدل تصمیم گنجانده شود. متعاقباً، نمرات تناسب خروجی به روز و تجسم خواهد شد.(۷) (۷)
روش AHP، با ماتریس وزنهای مقایسه زوجی، بهعنوان یک رویکرد مستقیم و کاربر محور برای بهدستآوردن وزنها، مؤثرتر از استفاده از آرایهای از وزنهای مطلق است. در این پروژه از AHP به عنوان روش دیگری برای تعیین وزن معیارهای ارزیابی برای این کاربرد استفاده شد.
تکنیک برای ترتیب اولویت بر اساس شباهت به راه حل ایده آل
TOPSIS یک روش MCDM است که برای ارزیابی و رتبه بندی گزینه ها بر اساس نزدیکی آنها به یک راه حل ایده آل استفاده می شود (Uzun et al. نقل قول۲۰۲۱). روش کاربرد TOPSIS در این مطالعه شامل مراحل زیر می باشد.
-
ماتریس نرمال شده را بسازید. اجازه دهید ماتریس ایکس ماتریس نمونه داده های اولیه را نشان می دهد. ماتریکس ز همانطور که در نشان داده شده است، ماتریس داده نرمال شده را نشان می دهد معادلهمعادله ۸(۸) (۸) .(۸) (۸)
-
راه حل های ایده آل مثبت و منفی (PIS و NIS) را شناسایی کنید. از بین همه نمونه ها، بهترین و بدترین سناریو را برای هر ویژگی انتخاب کنید تا بهترین و بدترین بردارها را تشکیل دهید. اینجا، (بردار خروجی PIS) و (بردار خروجی NIS) در شناسایی می شوند معادلهمعادله ۹(۹) (9) ، جایی که PIS معیارهای سود را به حداکثر می رساند و معیارهای هزینه را به حداقل می رساند، در حالی که NIS معیارهای هزینه را به حداکثر می رساند و معیارهای سود را به حداقل می رساند.(۹) (9)
-
فاصله اقلیدسی تا PIS و NIS را محاسبه کنید معادلهمعادله ۱۰(۱۰) (10) .(10) (10)
-
نزدیک بودن نمونه ها و بهترین و بدترین موارد را ارزیابی کنید. نزدیکی هر نمونه و بهترین و بدترین موارد در محاسبه می شود معادلهمعادله ۱۱(۱۱) (۱۱) :(۱۱) (۱۱)
گزینه های جایگزین بر اساس نزدیکی نسبی آنها رتبه بندی می شوند. جایگزین با بالاترین مقدار نزدیکی نسبی مطلوب ترین انتخاب در نظر گرفته می شود. بزرگتر یعنی هر نمونه به بهترین حالت نزدیکتر است. روش TOPSIS درک خوبی از اینکه چگونه ویژگیهای یک مدل با یک راهحل ایدهآل مطابقت دارد، همانطور که توسط مجموعه خاصی از وزنها و مجموعه دادههای فراگیر تعیین میشود، تسهیل میکند. استحکام، اعتبار، و شهودی ذاتی آن، آن را به ابزاری مطلوب برای ارزیابی و اعتبارسنجی پسهک، بهویژه پس از انتخاب وزنها تبدیل میکند. در محدوده پروژه فعلی ما، TOPSIS دو مورد استفاده میشود: اول، به عنوان یک معیار ارزیابی برای ارزیابی کارایی ترکیبهای وزنی که از طریق یک تمرین متعادلسازی منافع چند ذینفع مربوط به هر گزینه تصمیمگیری میشود. دوم، به عنوان یک الگوریتم پشتیبان تصمیم ذاتی در برنامه وب، موازی با نقش روش های WASPAS و AHP.
تجزیه و تحلیل میزان حساسیت
تحلیل حساسیت به فرآیند بررسی تاثیر تغییرات در وزن معیارها یا ارزیابی های جایگزین بر نتیجه کلی تصمیم اشاره دارد. این یک تکنیک ارزشمند برای ارزیابی استحکام و ثبات فرآیند تصمیم گیری است (سالتلی و همکاران نقل قول۲۰۰۴; Z. Zhang و همکاران. نقل قول۲۰۱۸). یک مقدار عددی اغلب نشان دهنده حساسیت هر ورودی به نام شاخص حساسیت (Iwanaga، Usher، و Herman) است. نقل قول۲۰۲۲): (۱) شاخص های مرتبه اول سهم واریانس خروجی را تنها با یک ورودی مدل اندازه گیری می کنند. (۲) شاخص های مرتبه دوم سهم واریانس خروجی ناشی از تعامل بین دو ورودی مدل را اندازه گیری می کنند. و (۳) شاخص مرتبه کل سهم واریانس خروجی ناشی از ورودی مدل را اندازهگیری میکند، که شامل اثرات مرتبه اول آن (ورودی به تنهایی متغیر است) و تمام تعاملات مرتبه بالاتر (هرمن و آشر) نقل قول۲۰۱۷). در عمل، شاخص کل مرتبه معمولاً هنگام کشف اثرات هر معیار تصمیم گیری بر خروجی های مدل سازی تصمیم استفاده می شود. شاخص های مرتبه دوم هنگام بحث در مورد همبستگی بین معیارهای تصمیم گیری مختلف در مسائل MCDM استفاده می شود.
در این پروژه، ما تجزیه و تحلیل حساسیت را برای این سه مدل MCDM به کار بردیم تا به درک اینکه نتایج تصمیمگیری تا چه اندازه نسبت به تغییرات وزن معیارها یا ارزیابیهای جایگزین حساس هستند، کمک میکنیم. از طریق تجزیه و تحلیل حساسیت، میتوانیم تأثیرگذارترین معیار (همانطور که توسط شاخص SA مرتبه اول پیشنهاد میشود) و جفت معیار (همانطور که توسط شاخص SA مرتبه دوم نشان داده شده است) را تحت تأثیر ترکیبهای وزنی خاص برای هر جایگزین تصمیم شناسایی کنیم.
روش شناسی
منابع اطلاعات
عوامل زیر برای مدل سازی مبادلات بین شیلات و توسعه انرژی بادی دریایی در نظر گرفته شده است تا از کارایی و قانونی بودن انتخاب مکان و ساخت اطمینان حاصل شود: (۱) سرعت باد در ارتفاع ۹۰ متر، (۲) فاصله تا خطوط ساحلی، (۳) فاصله تا پایگاههای نظامی، و (۴) مناطق حفاظتشده طبیعی (فتانت و خراسانینژاد). نقل قول۲۰۱۵; مکونن و گورسفسکی نقل قول۲۰۱۵; چاواچی، فلیکس کوریگ و اردلین نقل قول۲۰۱۷، مهدی و بهاج نقل قول۲۰۱۸; Y.Wu و همکاران نقل قول۲۰۱۶; B.Wu و همکاران نقل قول۲۰۱۸; X. Zhang و همکاران. نقل قول۲۰۱۸). این پروژه بر اساس پروژه اقتصاد آبی مبتنی بر شتاب دهنده شبکه همگرایی با بودجه بنیاد ملی علوم توسعه یافته است، جایی که تیم ما شانزده مصاحبه با مدیران شیلات، سیاست گذاران و دانشمندان در مورد استراتژی های مدیریت ماهیگیری پایدار انجام داده است. بسیاری از شرکت کنندگان در مصاحبه به نگرانی های مربوط به تأثیرات ساخت انرژی بادی دریایی بر اکوسیستم های دریایی و تولید شیلات اشاره کرده اند. علاوه بر متغیرهای ذکر شده قبلی، ما دادههای آمار فرود ماهیگیری جمعآوریشده از سال ۲۰۱۹ تا ۲۰۲۱ را در مدل تصمیمگیری (دپارتمان ماهی و حیات وحش کالیفرنیا) وارد کردیم. نقل قول۲۰۲۲). ما میانگین سالانه سرعت باد دریایی را برای سواحل اقیانوس آرام (کالیفرنیا، اورگان و واشنگتن) در ارتفاع ۹۰ متری از آزمایشگاه ملی انرژی های تجدیدپذیر (AWS Truepower/NREL) جمع آوری کردیم. نقل قول۲۰۱۱) و نقشه خط ساحلی و پایگاه های نظامی از پایگاه های داده عمومی منتشر شده توسط پایگاه های داده اطلس حمل و نقل ملی ۲۰۱۴ (NTAD2014) و سازمان زمین شناسی ایالات متحده.
منطقه مطالعه
منطقه مورد مطالعه ما در کالیفرنیا است، جایی که باد دریایی شناور به عنوان یک منبع امیدوارکننده برای تولید انرژی تجدیدپذیر برای ایالت در حال ظهور است. توسعه انرژی بادی دریایی شناور در کالیفرنیا، سبد انرژی این ایالت را متنوع می کند و فرصتی برای مشاغل با درآمد خوب و مزایای اقتصادی در سراسر ایالت فراهم می کند (کمیسیون انرژی کالیفرنیا). نقل قول۲۰۱۹). در ۱۸ اوت ۲۰۱۶، دفتر فدرال مدیریت انرژی اقیانوس (BOEM) در پاسخ به یک درخواست اجاره ناخواسته، درخواستی برای علاقه به باد فراساحلی کالیفرنیا منتشر کرد. دو سال بعد، BOEM فراخوانی برای اطلاعات و نامزدهای شرکت های علاقه مند به اجاره های تجاری انرژی بادی در مناطق پیشنهادی مرکزی و شمالی کالیفرنیا (BOEM) منتشر کرد. نقل قول۲۰۱۸). علاوه بر این، BOEM به دنبال ورودی عمومی در مورد پتانسیل توسعه انرژی بادی در مناطق تماس بود. در ۲۵ مه ۲۰۲۱، وزارتخانه های کشور و دفاع و ایالت کالیفرنیا موافقت خود را برای پیشبرد مناطقی برای توسعه انرژی بادی در سواحل شمالی و مرکزی کالیفرنیا اعلام کردند و مسیری رو به جلو برای منطقه تماس هومبولت و مناطق داخل و مجاور ایجاد کرد. به منطقه تماس Morro Bay. BOEM فراخوان اطلاعات و نامزدی در شرق و غرب Morro Bay را منتشر کرد. ثبت فدرال، که یک دوره نظر عمومی چهل و پنج و یک روزه را آغاز کرد. BOEM نامزدهای صنعت و نظرات عمومی را تا ۱۳ سپتامبر ۲۰۲۱ پذیرفت. منطقه ماهیگیری ساحلی در منطقه اقیانوس آرام کالیفرنیا به ۶۱۵ بخش مساوی تقسیم شد که هر بخش تقریباً ۵۵۰ × ‰ کیلومتر بود.۲. این بعد منطقه خاص از میانگین سه منطقه تماس پیشنهادی از سال ۲۰۱۸ (BOEM نقل قول۲۰۱۸). در نتیجه، هر چند ضلعی می تواند نماد یک منطقه تماس آینده نگر باشد.
هدف این مطالعه ارزیابی سازگاری مناطق تاسیس شده انرژی بادی فراساحلی با در نظر گرفتن عوامل متعدد ژئوفیزیکی، محیطی و مدیریت شیلات است. بیش از ۸۰۰۰ ترکیب وزن تصادفی با استفاده از WASPAS به عنوان الگوریتم وزنی اولیه تولید و پردازش شد. این رویکرد محاسبه رتبهبندی امتیازات را برای سه منطقه تماس تعیینشده تحت ترکیبهای وزنی متنوع تسهیل میکند. پس از آن، نمرات مربوط به چند ضلعی در این مناطق فراخوانی به ترتیب نزولی سازماندهی شدند. تجزیه و تحلیل ترکیبات وزن منجر به نمرات بالاتر در چند ضلعی مربوطه سپس انجام شد. این ارزیابی کمک کرد تا مشخص شود که کدام پارامترها دارای انحراف بیشتری هستند و از این رو کدام گروه های ذینفع با چنین ترکیبات وزنی به طور برجسته نشان داده می شوند. هدف این بود که میزان منافع همه طرفها را در فرآیند تصمیمگیری در مورد حوزههای تماس داده شده استنتاج کنیم. نتایج این بخش در بخش نتایج بیشتر توضیح داده شده است.
آزمایش
مطالعه پیشنهادی هفت معیار ارزیابی را در دو طبقه بندی مجزا دسته بندی می کند. دسته ۱ (C1) پارامترهایی مانند سرعت باد در ارتفاع ۹۰ متری، فاصله از خط ساحلی، نزدیکی به تاسیسات نظامی و فاصله از ذخایر طبیعی دریایی را در بر می گیرد. این پارامترها در درجه اول منافع مقامات برنامه ریزی انرژی را برآورده می کنند که هدف آنها افزایش کارایی عملیاتی توربین های بادی و کاهش هزینه های مربوط به ساخت و ساز و بهره برداری است. دسته ۲ (C2) شامل پارامترهایی مانند آمار ماهیگیری از سال ۲۰۱۹ تا ۲۰۲۱ است که عمدتاً مورد توجه مدیران شرکت ها و محققان تحقیقاتی است. هدف اصلی این تحقیق مدلسازی و تجسم مبادلات بین ماهیگیری و مزارع بادی فراساحلی برای کمک به فرآیند تصمیمگیری در ساخت یک سایت بادی دریایی جدید است. یک ماتریس وزن شبیه سازی شده برای مدل MCDM را نشان می دهد. این مطالعه پنج مجموعه مجزا را ساخت (L1â €L5با مجموع ده استراتژی جایگزین (L1_aâ €L5_b) هر کدام مجموعه ای از استراتژی های تصمیم گیری را به نمایش بگذارند. هر مجموعه نسبتهای وزنی منحصربهفردی را نشان میدهد، که نشاندهنده تخصیص وزنهای متنوع برای دو نوع پارامتر است، با هر جایگزین در مجموعه، توزیع وزن متمایز را بین پارامترهای درون یک دسته نشان میدهد. برای ارائه یک مثال گویا، گزینه های تصمیم گیری L1_a و L4_b دارای تخصیص وزنی متفاوت L1_a وزن های ۹۰ و ۱۰ درصدی را به دسته ها نسبت می دهد C1 و C2به ترتیب، حفظ توزیع وزن یکنواخت در گروه های پارامتر مربوطه. متقابلا، L4_b وزن های ۶۰ و ۴۰ درصدی را به دسته ها اختصاص می دهد C1 و C2به ترتیب با توزیع وزنی (۷:۷:۳:۳) در محدوده پارامترهای C1 و (۱:۲:۳) در داخل پارامترهای C2.
ورودی کاربر را از طریق WASPAS شبیه سازی می کند L1_a جایگزین مشخص شده در . منطقه ماهیگیری ساحلی در منطقه اقیانوس آرام کالیفرنیا به ۶۱۵ بخش مساوی تقسیم شد که هر بخش تقریباً ۵۵۰ ½ کیلومتر بود.۲. این بعد منطقه خاص از میانگین سه منطقه تماس پیشنهادی از سال ۲۰۱۸ (BOEM نقل قول۲۰۱۸). در نتیجه، هر چند ضلعی می تواند نماد یک منطقه تماس آینده نگر باشد. عادی سازی وزن ها تضمین می کند که مجموع آنها برابر با یک باشد، با نمرات حاصل در سمت راست نشان دهنده مناسب بودن هر چند ضلعی برای ساخت توربین بادی دریایی است. پس از ارسال، نقشه بهروزرسانی میشود تا نواحی آسیبپذیر ناشی از معیارها و وزنهای انتخاب شده توسط کاربر از طریق الگوریتمهای MCDA انتخاب شده را نشان دهد. به همین ترتیب، و تجسم ورودی های کاربر مشابه برای L4_b جایگزین با استفاده از AHP و L5_b جایگزین از طریق TOPSIS، به ترتیب. وزن وارد می شود تحت عادی سازی قرار می گیرند؛ با این حال، این فرآیند برای ورودی های رابط کاربری اجباری نیست. روش وزن دهی SWING (Zilinskas نقل قول۲۰۰۱، پاتل، واشی و بات نقل قول۲۰۱۷) در این آزمایش استفاده شد. این به کاربران اجازه میدهد تا وزنهایی را از ۰ (کمترین ترجیح) تا ۱۰۰ (بیشترین ارجحیت) اختصاص دهند، که وزندهی شهودیتری را برای معیارهای مختلف تسهیل میکند. در نتیجه، نمرات تناسب خروجی در مقیاس ۰ تا ۱ نرمال می شوند.
نتایج
با تولید چندین (بیش از ۸۰۰۰) ترکیب وزن تصادفی، ما یک مطالعه کمی کیفی ترکیبی از مناطق متعدد، از جمله مناطق تماس موجود انجام دادیم. ما در میان تمام ترکیبات وزنی به عنوان ورودی دریافتیم، تمرکز بالاتر بر معیارهای غیر ماهیگیری (به عنوان مثال، سرعت باد، و غیره) بسیار مثبت با نمره مناسب بالاتر برای منطقه تماس کالیفرنیای شمالی موجود در نزدیکی Eureka همبستگی دارد. از نظر کمی، برای قرار دادن منطقه فراخوانی اورکا در ۵ درصد بالای امتیاز مناسب، استراتژی وزن دهی نیاز به مقیاس بندی مجموع وزن غیر ماهیگیری تا تقریباً سه برابر مجموع وزن های ماهیگیری دارد، همانطور که در نشان داده شده است. . همانطور که در نشان داده شده است، اگر وزن معیارهای شیلات افزایش یابد، مناطقی با امتیاز مناسب تر را می توان یافت . این یافتهها نشان میدهد که فرآیند تصمیمگیری برای منطقه تماس در نزدیکی Eureka به اندازه کافی در تأثیرات بالقوه بر شیلات پس از ساخت مزرعه بادی فاکتور ندارد. همچنین اشاره میشود که با افزایش توجه به شیلات، مناطق اضافی در مجاورت برای مکانهای سایت نیروگاه بادی مناسبتر میشوند.
تصمیمات انتخاب سایت انرژی بادی اغلب بر اساس محدودیت های متعدد گرفته می شود. برای مثال، دست اندرکاران صنعت، کارایی نیروگاه بادی و مقرون به صرفه بودن را در اولویت قرار می دهند. به این ترتیب، مکانهای ترجیحی آنهایی هستند که حداقل میانگین سرعت باد ۷ دارند m/s در ارتفاع ۹۰ متری و فاصله ایمن از مناطق نظامی و خطوط ساحلی. در مقابل، جوامع ماهیگیری مناطق غنی از تنوع زیستی دریایی و صیدهای پرمحصول را ترجیح می دهند و تأکید زیادی بر تأثیر ساخت مزرعه بادی بر روی زیستگاه های حیات وحش محلی دارند. این دوگانگی چالشی را برای مدلهای سنتی پشتیبانی تصمیمگیری برای یافتن راهحل متعادل ایجاد میکند. در نتیجه، ما رویکرد MCDM را در پنج سناریو اعمال کردهایم که هر کدام معیار متفاوتی از تمرکز را منعکس میکنند. نمرات مناسب بودن برای این سناریوها در نشان داده شده است . ما همچنین یک برنامه GIScience مبتنی بر وب طراحی کردهایم، ابزاری تعاملی که کاربران را قادر میسازد تا وزنهای خود را با استفاده از طیف وسیعی از تکنیکهای چند معیاره تنظیم کنند. مناطق برجسته شده در نشان دهنده مکان های بالقوه برای ساخت سکوهای جدید انرژی دریایی است. این برنامه به کاربران اجازه میدهد چندین منطقه ماهیگیری را انتخاب کنند و وزنهایی را به معیارهای مختلف اختصاص دهند تا امتیاز مناسب بودن مکان برای ساخت مزرعه بادی را مشخص کنند. همانطور که در ، شدت سایه چند ضلعی نمره مناسب بودن را نشان می دهد و سایه های تیره تر نشان دهنده امتیاز بالاتر است. از چپ به راست، این نتایج به ترتیب با استفاده از روشهای WASPAS، AHP و TOPSIS محاسبه شدند. نتایج گرافیکی نشان داده شده در به دو صورت قابل تحلیل است. اول، ما یک ارزیابی طولی از پنج گروه متفاوت تصمیم گیری داریم، (L1، L2، L3، L4، و L5). در این زمینه، وزن ها از a متفاوت است C1:C2 نسبت ۹۰:۱۰ به نسبت متعادل تر ۵۰:۵۰٫ تجسم نشان میدهد که مناطقی با امتیازهای مناسبتر معمولاً از شمال به جنوب منتقل میشوند. دوم، یک مقایسه درون گروهی از گزینه های تصمیم وجود دارد (تعیین شده به عنوان Lx_a و Lx_b). در مقایسه با مجموعه وزنی درون گروهی توزیع شده یکنواخت (Lx_a، مجموعه وزن دهی غیریکنواخت درون گروهی (Lx_b) نشان می دهد که نتایج نمرات مناسب بودن بیشتر از نظر جغرافیایی متمرکز است.
بحث
ذینفعان در بخش شیلات نگرانی های قابل توجهی را در مورد پیامدهای بالقوه برای ماهیگیری و اکوسیستم هنگام ساخت سکوهای انرژی فراساحلی گسترده ابراز کرده اند. نیاز مبرمی برای ایجاد یک پلتفرم پشتیبانی تصمیم گیری جامع وجود دارد. این پلت فرم باید تمام اطلاعات مورد نیاز را برای بخشهای شیلات و انرژی در خود جای دهد تا به تصمیمگیری آگاهانه در مورد ساخت زیرساختهای انرژی بادی دریایی کمک کند و همزمان اثرات زیستمحیطی را به حداقل برساند. در این مطالعه، مدلی با استفاده از الگوریتمهای MCDA معرفی میشود. این مدل طیف وسیعی از دادههای جغرافیایی حیاتی را به همراه آمار شیلات برای محاسبه امتیازهای مناسب برای مناطق مجزا، مانند مکانهای سایت باد در دریا، ادغام و ترکیب میکند و خروجی مدل را تشکیل میدهد. مدل توسعهیافته چندین کاربرد مرتبط را به همراه دارد:
-
این کار نشان میدهد که منطقه تماس موجود در مجاورت Eureka در طی فرآیند تصمیمگیری در نظر گرفتن اثرات نامطلوب بالقوه بر روی شیلات شکست خورده است.
-
مجموعههای ترکیبی وزنی متنوعی بهعنوان توصیهها ارائه شد که نشاندهنده انتخابهای تصمیمگیری برای تمرکز سهامداران مختلف است. در هر توصیه، حوزههایی که بالاترین امتیاز را کسب میکردند برجسته شدند.
-
یک پلت فرم پشتیبانی تصمیم فضایی مشترک ساخته شد. این پلتفرم کاربران را قادر میسازد تا ترکیبات وزنی را با انعطافپذیری بیشتری پیکربندی کنند، در نتیجه فرآیند تصمیمگیری را ارتقا میدهد که منافع را برای همه طرفهای ذینفع بهینه میکند.
در این بخش، روشها و نتیجهگیریهایی که قبلا ذکر شد، عمدتاً با استفاده از تحلیل حساسیت (Simanaviciene و Ustinovichius) اعتبار و ارزیابی میشوند. نقل قول۲۰۱۰).
برای نشان دادن اینکه چگونه معیارهای مختلف بر خروجیهای مدل تصمیمگیری تأثیر میگذارند، ما یک تحلیل حساسیت تمام مدلهای MCDM را با استفاده از کتابخانه Python SALib (Herman and Usher) انجام دادیم. نقل قول۲۰۱۷; ایواناگا، آشر و هرمان نقل قول۲۰۲۲). روش AHP به ویژه برای گرفتن ورودی های کاربر و تبدیل آنها به ترکیبی از وزن ها مناسب است. ما یک ارزیابی آماری از نتایج هر دو تجزیه و تحلیل حساسیت مرتبه اول و دوم را اجرا کردیم. این تجزیه و تحلیل ها با استفاده از دو مدل الگوریتمی MCDA، یعنی WASPAS و TOPSIS به دست آمد. در تحلیل حساسیت، شاخص حساسیت مرتبه اول (S1 مقدار) تأثیر یک معیار فردی را بر نتیجه نهایی، با در نظر گرفتن داده ها و مدل، کمی می کند. به این ترتیب، S1 مقدار در یک مدل MCDA به طور کلی یک همبستگی مثبت قوی با مقدار وزن متناظر آن نشان می دهد. همبستگی بین S1 مقادیر و مقادیر وزن مربوطه آنها تحت مدل های WASPAS و TOPSIS در نشان داده شده است. . نمایش های گرافیکی نشان می دهد که هر دو مقدار S1 یک همبستگی مثبت تقریبا خطی با مقادیر وزن دارند. با این حال، روش WASPAS یک تناسب خطی برتر را بین آنها ارائه می دهد S1 مقادیر و وزن ها در مقایسه با روش TOPSIS. این نشان می دهد که تأثیر یک معیار به طور کلی در مدل TOPSIS پراکنده تر است.
در تحلیل حساسیت، اگرچه شاخص حساسیت مرتبه اول (S1) تأثیر معیارهای فردی را بر نتیجه، شاخص حساسیت مرتبه دوم (S2) تأثیر ترکیبی جفت معیارها را می سنجد. برای تجسم اینها S2 مقادیر برای دو الگوریتم به کار گرفته شده، ما دو ماتریس مثلثی بالایی می سازیم، همانطور که توسط نقشه حرارتی در نشان داده شده است. . قابل توجه، همه S2 مقادیر کمتر از ۱۰ است۳، نشان دهنده وابستگی متقابل ناچیز بین معیارها است. همگن بودن این مقادیر بیشتر بر عدم وجود افزونگی داده ها و وابستگی متقابل معیارها در فرآیندهای انتخاب و رگرسیون ما تأکید می کند. در آینده، شاخصهای بیشتری از جمله دمای آب دریا، عمق کف دریا و دادههای حرکت زیستگاه، میتوانند در این مدل MCDM پیشنهادی برای دستیابی به سازگاری برای گروههای مختلف ذینفعان ترکیب شوند. انعطاف پذیری و قابل حمل بودن این اپلیکیشن، آن را با سایر مناطق جغرافیایی سازگار می کند.
نتیجه
در این مطالعه، ما یک چارچوب پشتیبانی تصمیم فضایی مبتنی بر وب را پیادهسازی کردیم که سه نوع مدل MCDA (WASPAS، AHP و TOPSIS) و شاخصهای مختلف مهم در تصمیمگیری در مورد انتخاب سایت انرژی بادی دریایی و آمار فرود ماهیگیری (کالیفرنیا) را ادغام کرد. اداره ماهی و حیات وحش نقل قول۲۰۲۲) برای ایجاد یک فرآیند تصمیم گیری فضایی کارآمدتر. سه مزیت اصلی این MCDM وجود دارد. اول، این چارچوب پیشنهادی، تجزیه و تحلیل دادههای فضایی چند متغیره را قادر میسازد که به وسیله آن انواع مختلفی از مجموعه دادهها را میتوان در یک پلت فرم تصمیمگیری مکانی ترکیب کرد. دوم، اهداف تصمیم گیری متناقض مسائل رایج در انتخاب سایت نیروگاه انرژی بادی دریایی هستند. در این مقاله، علاوه بر مدل تصمیم گیری پایه چند معیاره (WSM)، دو نوع مدل MCDM (AHP و TOPSIS) اتخاذ شد که در آن معیارهای تصمیم گیری غیرمستقیم می توانند برای برآورده کردن چندین هدف و کمک به مشکلات تصمیم گیری پیچیده ترکیب شوند. سوم، این برنامه از تصمیم گیری مشترک با توسعه یک رابط کاربری تعاملی پشتیبانی می کند که کاربران می توانند برای معیارهای مختلف وزن تعیین کنند تا به یک هدف مشترک در مدیریت انرژی و شیلات برسند. این ابزار یک پل ارتباطی بین تصمیم گیرندگان و دست اندرکاران در زمینه های شیلات و انرژی باد فراهم می کند تا به آنها کمک کند تا استراتژی های مدیریت پایدارتری توسعه دهند.
بیانیه افشا
هیچ تضاد منافع احتمالی توسط نویسندگان گزارش نشده است.
اطلاعات تکمیلی
یادداشت هایی در مورد مشارکت کنندگان
آهنگ ژنلی
ZHENLEI SONG یک دستیار پژوهشی فارغ التحصیل در گروه جغرافیا، دانشگاه A&M تگزاس، ایستگاه کالج، TX 77843 است. ایمیل: songzl8_950606@tamu.edu. علایق تحقیقاتی او شامل مدلسازی مکانی برای پشتیبانی تصمیمگیری و زیرساختهای سایبری مکانی است.
پیرز چپمن
PIERS CHAPMAN استاد بازنشسته در گروه اقیانوس شناسی، دانشگاه A&M تگزاس، ایستگاه کالج، TX 77843 است. ایمیل: piers.chapman@tamu.edu. علایق تحقیقاتی او شامل چرخه مواد مغذی در مناطق ساحلی، اقیانوس شناسی بالا آمدن و سایر مناطق کم اکسیژن و آلودگی نفتی دریایی است.
جیان تائو
JIAN TAO استادیار دانشکده اجرا، تجسم و هنرهای زیبا، دانشگاه A&M تگزاس، ایستگاه کالج، TX 77843 است. ایمیل: jtao@tamu.edu. او وابسته به مؤسسه علوم داده تگزاس A&M، دپارتمان مهندسی برق و کامپیوتر، دپارتمان مهندسی هسته ای و دپارتمان فناوری مهندسی چند رشته ای در دانشگاه A&M تگزاس است. علایق تحقیقاتی او شامل فیزیک محاسباتی، محاسبات با کارایی بالا، برنامه نویسی موازی، الگوریتم های عددی، چارچوب محاسباتی، تجزیه و تحلیل داده ها، یادگیری ماشین و مدیریت گردش کار است.
پینگ چانگ
پینگ چانگ استاد گروه اقیانوس شناسی، دانشگاه A&M تگزاس، ایستگاه کالج، TX 77843 است. ایمیل: ping@tamu.edu. زمینه های تحقیقاتی او شامل پویایی آب و هوا و پیش بینی آب و هوا و همچنین مدل سازی آب و هوای جهانی و منطقه ای است.
هویلین گائو
HUILIN GAO استاد گروه مهندسی عمران و محیط زیست، دانشگاه A&M تگزاس، ایستگاه کالج، TX 77843 است. ایمیل: hgao@tamu.edu. علایق تحقیقاتی او شامل آب و هواشناسی، هیدروکلیماتولوژی، مدلسازی هیدرولوژیکی، سنجش از دور ماهواره ای، تغییرات آب و هوا و مدیریت منابع آب است.
هونگگائو لیو
HONGGAO LIU مدیر اجرایی محاسبات تحقیقاتی با عملکرد بالا، دانشگاه A&M تگزاس، ایستگاه کالج، TX 77843 است. ایمیل: honggao@tamu.edu. او همچنین به عنوان دانشکده فارغ التحصیل به گروه جغرافیا وابسته است. رشته های تحقیقاتی او شامل مهندسی شیمی، دینامیک سیالات محاسباتی، محاسبات با کارایی بالا، شبیه سازی و مدل سازی عددی، علوم محاسباتی و داده، هوش مصنوعی و یادگیری ماشین و زیرساخت سایبری است.
کریستین برانستروم
کریستین برانستروم استاد گروه جغرافیا، دانشگاه تگزاس A&M، ایستگاه کالج، TX 77843 است. ایمیل: cbrannst@geog.tamu.edu. علایق تحقیقاتی او شامل جنبه های اجتماعی و سیاسی انرژی های تجدیدپذیر و سوخت های فسیلی غیر متعارف در تگزاس است.
ژه ژانگ
ZHE ZHANG استادیار گروه جغرافیا و گروه مهندسی برق و کامپیوتر، دانشگاه A&M تگزاس، ایستگاه کالج، TX 77843 است. ایمیل: zhezhang@tamu.edu. علایق تحقیقاتی او شامل علم GIS و در درون آن، تمرکز بر زیرساخت سایبری، تصمیمگیری فضایی مبتنی بر دانش، مدلسازی عدم قطعیت فضایی، هوش مصنوعی زمینفضایی انسان محور، و حس اجتماعی است.
منابع
- AWS Truepower/NREL. 2011. میانگین سالانه سرعت باد دریایی (m/s) در ارتفاع ۹۰ متری، سواحل اقیانوس آرام ایالات متحده دسترسی به ۲۴ فوریه ۲۰۲۲٫ https://databasin.org/datasets/6481496a7b0241569855485ebb26ae33/.
- دفتر مدیریت انرژی اقیانوس (BOEM). 2018. درخواست علاقه به باد فراساحلی کالیفرنیا. https://www.boem.gov/Request-for-Interest-in-California-Offshore-Wind.
- اداره ماهی و حیات وحش کالیفرنیا. ۲۰۲۲٫ فرود تجاری نهایی کالیفرنیا. مجموعه داده ها https://wildlife.ca.gov/Fishing/Commercial/Landings#260042586-2019.
- کمیسیون انرژی کالیفرنیا ۲۰۱۹٫ انرژی های تجدیدپذیر دریایی. بازدید در ۲۰ دسامبر ۲۰۲۲٫ https://www.energy.ca.gov/programs-and-topics/topics/renewable-energy/offshore-renewable-energy.
- Chaouachi، A.، C. Felix Covrig، و M. Ardelean. 2017. انتخاب چند معیاره مزارع بادی فراساحلی: مطالعه موردی برای کشورهای بالتیک. سیاست انرژی ۱۰۳ (آوریل): ۱۷۹ – ۹۲٫ doi: 10.1016/j.enpol.2017.01.018.
- دوایر، جی. و دی. بیدول. ۲۰۱۹٫ زنجیره های اعتماد: عدالت انرژی، مشارکت عمومی و اولین مزرعه بادی فراساحلی در ایالات متحده. تحقیقات انرژی و علوم اجتماعی ۴۷ (ژانویه): ۱۶۶ – ۷۶٫ doi: 10.1016/j.erss.2018.08.019.
- فرگوسن، MD، D. Evensen، LA Ferguson، D. Bidwell، J. Firestone، TL Dooley، و CR Mitchell. 2021. آبهای ناشناخته: بررسی تأثیرات تفریحات ساحلی، رفتارهای مقابله ای، و نگرش ها نسبت به توسعه انرژی بادی فراساحلی در ایالات متحده. تحقیقات انرژی و علوم اجتماعی ۷۵ (ممکن است): ۱۰۲۰۲۹٫ doi: 10.1016/j.erss.2021.102029.
- فطانت، ع.، و ای. خراسانی نژاد. ۲۰۱۵٫ یک رویکرد MCDM ترکیبی جدید برای انتخاب سایت مزرعه بادی فراساحلی: مطالعه موردی ایران. مدیریت اقیانوس و سواحل ۱۰۹ (ژوئن): ۱۷ – ۲۸٫ doi: 10.1016/j.ocecoaman.2015.02.005.
- Fishburn, PC 1967. نامه به ویراستار – ابزارهای افزودنی با مجموعه محصولات ناقص: کاربرد در اولویت ها و تکالیف. تحقیق در عملیات ۱۵ (۳): ۵۳۷ – ۴۲٫ دو: ۱۰٫۱۲۸۷/opre.15.3.537.
- گارنر، کی، و دی. مارون. ۲۰۲۲٫ کمیسیون انرژی کالیفرنیا گزارش نقطه عطف انرژی باد فراساحلی را منتشر می کند و حداکثر ظرفیت قابل اجرا و اهداف برنامه ریزی مگاواتی را برای سال های ۲۰۳۰ و ۲۰۴۵ تعیین می کند. وبلاگ حقوقی املاک، کاربری زمین و محیط زیست، ۱۵ اوت. https://www.realestatelanduseandenvironmentallaw.com/california-energy-commission-releases-milestone-offshore-wind-energy-report-sets-maximum-feasible-capacity-and-megawatt-planning-goals-for-2030-and- 2045.html.
- Gonyo، SB، CS Fleming، A. Freitag، و TL Goedeke. 2021. ادراک ساکنان از توسعه انرژی بادی فراساحلی محلی: تلاشهای مدلسازی برای بهبود فرآیندهای مشارکتی. سیاست انرژی ۱۴۹ (فوریه):۱۱۲۰۶۸٫ doi: 10.1016/j.enpol.2020.112068.
- گراسی، س.، ن. چوکانی و ر.س ابهری. ۲۰۱۲٫ ارزیابی فنی و اقتصادی در مقیاس بزرگ پتانسیل انرژی باد با ابزار GIS: مطالعه موردی آیووا. سیاست انرژی ۴۵ (ژوئن): ۷۳ تا ۸۵٫ doi: 10.1016/j.enpol.2012.01.061.
- هاگت، سی، تی تن برینک، آ. راسل، ام. روچ، جی. فایرستون، تی. دالتون، و بی. مک کی. ۲۰۲۰٫ پروژه های بادی دریایی و شیلات: درگیری و تعامل در بریتانیا و ایالات متحده. اقیانوس شناسی ۳۳ (۴): ۳۸ تا ۴۷٫ doi: 10.5670/oceanog.2020.404.
- هرمان، جی، و دبلیو آشر. ۲۰۱۷٫ SALib: یک کتابخانه پایتون منبع باز برای تجزیه و تحلیل حساسیت. مجله نرم افزار منبع باز ۲ (۹): ۹۷٫ doi: 10.21105/joss.00097.
- Iwanaga، T.، W. Usher، و J. Herman. 2022. به سوی SALib 2.0: پیشرفت دسترسی و تفسیرپذیری تجزیه و تحلیل های حساسیت جهانی. مدل سازی سیستم های اجتماعی-محیطی ۴ (ممکن است): ۱۸۱۵۵٫ doi: 10.18174/sesmo.18155.
- مهدی، م و ع. بهج. ۲۰۱۸٫ تجزیه و تحلیل تصمیم گیری چند معیاره برای پتانسیل انرژی بادی دریایی در مصر. انرژی تجدید پذیر ۱۱۸ (آوریل): ۲۷۸ تا ۸۹٫ doi: 10.1016/j.renene.2017.11.021.
- Mekonnen، AD، و PV Gorsevski. 2015. GIS مشارکتی مبتنی بر وب (PGIS) برای مناسب بودن مزرعه بادی فراساحلی در دریاچه ایری، اوهایو. بررسی انرژی های تجدیدپذیر و پایدار ۴۱ (ژانویه): ۱۶۲ – ۷۷٫ doi: 10.1016/j.rser.2014.08.030.
- Mooney، A.، M. Andersson و J. Stanley. 2020. اثرات صوتی انرژی بادی دریایی بر منابع شیلات: یک منبع در حال تکامل و اثرات متفاوت در طول عمر یک مزرعه بادی. اقیانوس شناسی ۳۳ (۴): ۸۲ تا ۹۵٫ doi: 10.5670/oceanog.2020.408.
- پاتل، ام.، ام. واشی و بی. بات. ۲۰۱۷٫ تکنیک تصمیم گیری چند معیاره SMART برای استفاده در فعالیت های برنامه ریزی. مجموعه مقالات افق های جدید در مهندسی عمران، ۱-۶ (NHCE-2017).
- راسل، ا.، اس. بینگامن، و اچ.-ام. گارسیا ۲۰۲۱٫ نخ سوزن متحرک: ابعاد فضایی مشخص کننده محرک های سیاست باد فراساحلی ایالات متحده. سیاست انرژی ۱۵۷ (اکتبر):۱۱۲۵۱۶٫ doi: 10.1016/j.enpol.2021.112516.
- Saaty, TL 1977. یک روش مقیاس بندی برای اولویت ها در ساختارهای سلسله مراتبی. مجله روانشناسی ریاضی ۱۵ (۳): ۲۳۴ تا ۸۱٫ doi: 10.1016/0022-2496(77)90033-5.
- Saaty, TL 1988. فرآیند تحلیل سلسله مراتبی چیست؟ مدل های ریاضی برای پشتیبانی تصمیم ۱۵ (۳): ۱۰۹ – ۲۱٫ doi: 10.1007/978-3-642-83555-1_5.
- Saltelli، A.، S. Tarantola، F. Campolongo، و M. Ratto. 2004. تجزیه و تحلیل حساسیت در عمل: راهنمای ارزیابی مدل های علمی. سیدنی، استرالیا: کتابهای الکترونیکی Halsted Press.
- Sánchez-Lozano، JM، MS GarcÃa-Cascales، و MT Lamata. 2016. انتخاب سایت مزرعه بادی خشکی مبتنی بر GIS با استفاده از روش های تصمیم گیری چند معیاره فازی. ارزیابی مورد جنوب شرقی اسپانیا. انرژی کاربردی ۱۷۱ (ژوئن): ۸۶ – ۱۰۲٫ doi: 10.1016/j.apenergy.2016.03.030.
- Shao، M.، Z. Han، J. Sun، C. Xiao، S. Zhang و Y. Zhao. 2020. بررسی برنامه های تصمیم گیری چند معیاره برای انتخاب سایت انرژی های تجدیدپذیر. انرژی تجدید پذیر ۱۵۷ (سپتامبر): ۳۷۷ – ۴۰۳٫ doi: 10.1016/j.renene.2020.04.137.
- Simanaviciene، R.، و L. Ustinovichius. 2010. تحلیل حساسیت برای روش های تصمیم گیری چند معیاره: TOPSIS و SAW. Procedia – علوم اجتماعی و رفتاری ۲ (۶): ۷۷۴۳ – ۴۴٫ doi: 10.1016/j.sbspro.2010.05.207.
- Tegou، L.-I.، H. Polatidis، و DA Haralambopoulos. 1389. چارچوب مدیریت زیست محیطی برای مکان یابی مزرعه بادی: روش شناسی و مطالعه موردی. مجله مدیریت محیط زیست ۹۱ (۱۱): ۲۱۳۴ – ۴۷٫ doi: 10.1016/j.jenvman.2010.05.010.
- تاکار، JJ 2021. ارزیابی محصول جمعآوریشده وزنی (WASPAS). در تصمیم گیری چند معیاره: مطالعات سیستم ها، تصمیم گیری و کنترل، جلد ۳۳۶، ۲۵۳ تا ۷۹٫ سنگاپور: Springer International. doi: 10.1007/978-981-33-4745-8_15.
- تامسن، F.، K. Lüdemann، R. Kafemann، و W. Piper. 2006. اثرات صدای مزرعه بادی دریایی بر پستانداران و ماهیان دریایی. Biola، از طرف COWRIE Ltd 62 (ژوئیه): ۱ تا ۶۲٫
- Triantaphyllou، E.، و SH Mann. 1989. بررسی اثربخشی روش های تصمیم گیری چند بعدی: پارادوکس تصمیم گیری. سیستم های پشتیبانی تصمیم ۵ (۳): ۳۰۳ – ۱۲٫ doi: 10.1016/0167-9236(89)90037-7.
- Triantaphyllou، E.، و E. Triantaphyllou. 2000. روش های تصمیم گیری چند معیاره. در روش های تصمیم گیری چند معیاره: مطالعه تطبیقی. بهینه سازی کاربردی، ۴۴٫ Boston, MA: Springer.
- Uzun، B.، M. Taiwo، A. Syidanova، و DU Ozsahin. 2021. تکنیک برای ترتیب اولویت بر اساس شباهت به راه حل ایده آل (TOPSIS). که در کاربرد تحلیل تصمیم گیری چند معیاره در مهندسی محیط زیست و عمران، ویرایش DU Ozsahin، H. GökçekuÅŸ، B. Uzun، و J. LaMoreaux، ۲۵ تا ۳۰٫ چم، سوئیس: Springer Nature. doi: 10.1007/978-3-030-64765-0_4.
- Vaidya، OS، و S. Kumar. 2006. فرآیند تحلیل سلسله مراتبی: مروری بر کاربردها. مجله اروپایی تحقیقات عملیاتی ۱۶۹ (۱): ۱ – ۲۹٫ دو: ۱۰٫۱۰۱۶/j.ejor.2004.04.028.
- والبرگ، ام. و اچ. وستربرگ. ۲۰۰۵٫ شنیدن ماهی ها و واکنش آنها به صداهای مزارع بادی دور از ساحل. سری پیشرفت اکولوژی دریایی ۲۸۸:۲۹۵-۳۰۹٫ doi: 10.3354/meps288295.
- کاخ سفید. ۲۰۲۲٫ برگه اطلاعات: بایدن – دولت هریس اقدامات جدیدی را برای گسترش انرژی بادی فراساحلی ایالات متحده اعلام می کند. ۱۵ سپتامبر. https://www.whitehouse.gov/briefing-room/statements-releases/2022/09/15/fact-sheet-biden-harris-administration-announces-new-actions-to-expand-us-offshore-wind- انرژی/.
- وو، بی، تی. لئونگ ییپ، ال. زی و ی. وانگ. ۲۰۱۸٫ یک رویکرد مبتنی بر MADM فازی برای انتخاب مکان مزرعه بادی فراساحلی در آبراه های شلوغ در چین. مهندسی اقیانوس ۱۶۸ (خیرنوامبر): ۱۲۱ – ۳۲٫ doi: 10.1016/j.oceaneng.2018.08.065.
- وو، ی.، جی. ژانگ، جی. یوان، اس. گنگ و اچ. ژانگ. ۲۰۱۶٫ مطالعه چارچوب تصمیم گیری انتخاب سایت نیروگاه بادی دریایی بر اساس ELECTRE-III تحت محیط فازی شهودی: موردی از چین. تبدیل و مدیریت انرژی ۱۱۳ (آوریل): ۶۶ تا ۸۱٫ doi: 10.1016/j.enconman.2016.01.020.
- Zavadskas، EK، Z. Turskis، J. Antucheviciene، و A. ZakareviÄ ius. 2012. بهینه سازی ارزیابی محصول جمع وزنی. Elektronika ir Elektrotechnika 122 (6): 3 – 6. دو: ۱۰٫۵۷۵۵/j01.eee.122.6.1810.
- ژانگ، X.-Y.، X.-K. وانگ، S.-M. یو، جی.-کیو. وانگ و T.-L. وانگ ۲۰۱۸٫ انتخاب مکان نیروگاه بادی دریایی با چارچوب تصمیم گیری اجماع با استفاده از مدل سازی فازی تصویری. مجله تولید پاکتر ۲۰۲ (نوامبر): ۹۸۰ تا ۹۲٫ doi: 10.1016/j.jclepro.2018.08.172.
- Zhang، Z.، H. Hu، D. Yin، S. Kashem، R. Li، H. Cai، D. Perkins، و S. Wang. 2018. یک سیستم پشتیبانی تصمیم فضایی چند معیاره با قابلیت CyberGIS: مطالعه موردی در مدیریت اضطراری سیل. مجله بین المللی زمین دیجیتال ۱۲ (۱۱): ۱۳۶۴ – ۸۱٫ doi: 10.1080/17538947.2018.1543363.
- Zilinskas، A. 2001. بررسی تصمیم گیری های سخت با ابزار تصمیم گیری. رابط ها ۳۱:۱۲۷ – ۲۹٫