伊朗虹鳟鱼养殖场能源效率提升与环境影响比较研究：基于生命周期评估和数据分析

农业中的人工智能2（2019）13提高伊朗虹鳟鱼的能源效率和环境影响BehzadElhami，Saeid Shahvarooghi Farahani，Afshin Marzban胡齐斯坦大学农业科学与自然资源学院农业机械与机械化工程系，伊朗a r t i c l e i n f o文章历史记录：收到2019年4月23日2019年5月23日收到修订版2019年6月11日接受在线预订2019年6月20日保留字：生命周期评估数据分析虹鳟鱼a b s t r a c t将生命周期评价（LCA）与其他管理工具相结合，可以帮助生产单位提高经济生产率和环境保护水平。为了提高虹鳟鱼养殖场的能源利用效率，降低虹鳟鱼养殖场的环境负荷，采用LCA和DEA相结合的方法，对伊朗恰哈玛哈尔省和巴赫蒂亚里省的Ardal和Lordegan地区虹鳟鱼养殖场进行了研究所需数据通过面对面问卷的方式收集自阿尔达尔地区的60个虹鳟养殖场和洛德根地区的38个虹鳟养殖场在Ardal地区，总能量输入、虹鳟鱼产量和能量比（ER）分别估计为60，483.50 MJ/t、281.78吨/ha和0.40，而在Lordegan地区，这些估计值分别为77，183.63 MJ/ha、210.50kg/ha和0.33。LCA的结果表明，虹鳟鱼生产在Ardal地区有较低的环境负担比Lordegan地区的所有影响类别。因此，Ardal和Lordegan地区的环境排放最终得分（EEFS）分别为1638.88和3484.31 ppt吨。归一化结果还表明，在两个区域的所有影响类别中，海洋水生生态毒性（MAE）的值最高。DEA结果表明，在Ardal和Lordegan地区，在不降低产量的情况下，分别可以节省总能量的29.28%和9.59%在Ardal（24.74%）和Lordegan（9.12%）地区，节能潜力最大的是饲料LCA与DEA结合的结果还表明，与Lordegan地区相比，Ardal地区的环境影响减少潜力更大相应地，Ardal和Lordegan地区的EEFS值分别降低了27.34%和8.85%总体而言，与Lordegan地区相比，Ardal地区的虹鳟鱼生产具有更高的能源效率，更低的环境© 2019作者由爱思唯尔公司制作和主持我代表科爱通信公司，公司这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍在全球范围内，水产养殖是一项重要的经济活动，在改善伊朗等发展中国家的喂养和经济发展方面发挥作用（Cacho，1990年）。在水生动物中，鱼类提供的蛋白质约占动物总蛋白质的20%，具有高质量的蛋白质，缩略语：AC，酸化; AD，非生物耗竭; CRS，规模收益恒定; DEA，数据包络分析; DMU，决策单位; EEFS，环境排放最终得分; ER，能量比率; EP，富营养化潜力; EPr，能源生产率;ESTR，节能目标比率; FAE，淡水水生生态毒性; FAO，粮食及农业组织; FU，功能单位;GHG，温室气体; GW，全球变暖; HT，人体毒性; ISO，国际标准化组织; LCA，生命周期评估;LCI，生命周期清单; LCIA，生命周期影响评估; MAE，海洋水生生物生态毒性; OLD，臭氧层消耗; PhO，光化学氧化; PTE，纯技术效率; SE，比能; SEf，规模效率; TE，陆地生态毒性;TEf，技术效率; VRS，可变规模收益。*通讯作者。电子邮件地址：elhami. ut.ac.ir（B. Elhami）。脂肪以及大量的维生素和矿物质（Bureau等人，2002年）。根据联合国粮农组织（FAO）的报告（2018年），二零一六年渔业及水产养殖总渔业和水产养殖的份额分别约为47%（8000万吨）和53%（9100万吨）此外，粮农组织（2018年）报告称，伊朗是最大的鳟鱼鱼类生产国，生产了167，830吨虹鳟鱼（Onchorhynchus mykiss）。在伊朗，大约40% 的 虹 鳟 鱼 产 自 Chaharmahal 和 Bakhtiari （ 22 ， 803 吨 ） ，Lorestan（22 ，106 吨）和Kohgiluyeh-o-Boyer-Ahmad（19 ，500吨）省（匿名，2018）。捕鱼的限制和缺乏获得某些潜在水资源的途径导致水产养殖中现有资源的最大利用（Aubin等人，2006年）。然而，不可再生资源的更高利用率可能会降低能源效率并导致进一步的环境问题。任何管理和降低化肥、农机、人工、水、电等投入品能耗以提高能源效率的措施，都是最简单、最有效的节能措施之一。https://doi.org/10.1016/j.aiia.2019.06.0022589-7217/©2019作者。产品离子和托管由爱思唯尔B.V. 我代表科爱通信公司，公司这是一篇CC BY-NC-ND许可证下的开放获取文章（http：creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表农业中的人工智能期刊主页：http://www.keaipublishing.com/en/j ournals/artificial-intelligence-in-agriculture/14B. Elhami等人 /农业人工智能2（2019）13 - 27最具成本效益的方法来防止气候变化。此外，通过节能提高能源效率将导致生产成本的降低，这对消费者来说非常重要。出于这些原因，提高能源效率已被纳入生产战略（Schnapp，2012年）。能源效率的提高可以通过使用数据包络分析（DEA）等方法来实现。 第一个DEA模型是由Charnes等人提出的。（1978年）。 DEA是一种非参数方法，通常用于基于决策单元（DMU）估计能源效率和环境问题（Zhou et al.，2008年）。该方法是一种数据驱动的前沿分析技术，其将位于观测值之上的分段线性表面视为有效前沿（Adler等人， 2002年）。与参数方法不同，DEA不需要将输入与输出相关联的函数（Seiford和Thrall，1990）。DEA算法与遗传算法等进化算法有很大的区别 DEA方法不能计算全局最优值。 在DEA方法中，最优值是根据所考虑的生产单元确定的，这样就不计算全局最优值。换句话说，DEA研究的 目 的 是 选 择 与 考 虑 中 的 所 有 DMU 相 比 最 有 效 的 DMU（Shamshirband等人， 2015年）的报告。然而，遗传算法并不能保证总是得到最优的结果.另一方面，环境问题可以通过生命周期评价（LCA）方法进行评价LCA是一种标准的、有组织的、全面的方法，用于评估产品或过程在其整个生命周期中对环境的影响（ISO 14040 ，2006;ShahvarooghiFarahani和Asoodar，2017）。最近，LCA已经成为评估温室气体（GHG）排放和农业系统的广泛环境影响的常用工具（Goglio等人，2015年）的报告。因此，LCA和DEA的结合，称为LCA+DEA方法，已经被引入作为一种有价值的方法，它避免了与标准偏差有关的问题（Iribarin等人， 2010年）。近年来，在农业系统中，不同的研究方法都采用了LCA+DEA方法来优化农业系统的投入，以在不降低产出的情况例如，Mohseni et al. （2018）在伊朗阿拉克县进行了一项研究，其中58个葡萄生产商采用LCA + DEA方法进行了分析。他们报告说，在环境影响类别中观察到的减少幅度为0.25%至18% Mohammadi等人（2013）使用LCA和DEA相结合来评估伊朗94个大豆生产商的生态效率。结果表明，LCA+ DEA方法将全球变暖平均降低Nabavi-Pelesaraei等人（2017）使用LCA+ DEA方法进行了一项研究，以评估240个水稻农场的运营效率水平他们指出，只有农民根据LCA+ DEA推荐的98个有效边界值进行操作，全球变暖才能减少24%为了实现可持续发展目标，提高能源效率和减少生产系统的环境影响是必要的，LCA和DEA的联合应用可能 是 评 估 生 产 系 统 和 提 供 减 少 能 源 消 耗 建 议 的 明 智 选 择（Khoshnevisan等人，2015年）的报告。在本研究中，LCA被用来作为一种工具，分析环境负担和DEA允许优化的投入，从而降低环境负担。虽然，文献中有几项研究调查了养鱼场的环境影响（Aubin等人（2006年）; Bozoglu和Ceyhan（2009年）; Ayer和Tyedmers（2009年 ） ; Aubin 等 人 （ 2006 年 ） ） 。 （ 2009 ） ; Vázquez-Rowe 等 人（2011）; Samuel-Fitwi等人（2013）; EfoleEwoukem等人（2012）;Chen et al. （2015）; Medeiros等人（2017）在表1中显示了这些研究的总结，但没有表1以往研究的总结参考研究国家鱼类研究夏季能源LCA LCA+DEA05TheDog（ 2009）土耳其虹鳟鱼（Oncorhynchus mykiss）目前的能量平衡，能量转换效率，土耳其黑海鳟鱼生产的农场级效率√× ×Aubin等人（2006年）法国大菱鲆（Scophthalmusmaximus）以法国布列塔尼内陆大菱鲆养殖场为例，研究了水循环系统对环境的影响×√×Ayer&03 TheDog（2009）加拿大鲑鱼养殖系统生命周期评估（LCA）量化和比较在传统的海洋网围栏系统中养殖鲑鱼的潜在环境影响×√×Aubin等人（二零零九年）法国-希腊在法国的淡水水道中的虹鳟鱼（Oncorhynchus mykiss），在希腊的海水网箱中的鲈鱼（Dicentrarchus labrax），以及在内陆再循环系统中的大菱鲆（Scophtalmus maximusLCA方法非常适合于评估鱼类生产系统的环境影响：法国的虹鳟鱼，希腊的鲈鱼和法国的大菱鲆。这三个农场系统的两个主要特点是：饲料使用和能源使用。×√×Samuel-Fitwi等. （二零一三年）EfoleEwoukem等人（2012年）Chen等人（2015年）采用生命周期评价法（LCA）对德国虹鳟鱼（Oncorhynchus mykiss）进行分析研究了虹鳟鱼粗放养殖、集约养殖和循环水养殖对环境的影响。喀麦隆罗非鱼（Oreochromis niloticus）该研究分析了四个综合养鱼的农场在喀麦隆西部高地的两个地区，在其他农业生产中采用了一种新的方法，即在法国虹鳟鱼（Oncorhynchus mykiss）描述了一个系统，根据鳟鱼养殖场分类，通过生命周期评估和技术经济指标计算环境影响。×√××√××√×V. Mederios巴西鱼tambaqui（巨盖鱼）和亚马逊河亚马逊沼虾（Macrobrachium amazonicum）应用生命周期评价法对巴西两种杂食性原生物种：淡水鱼和亚马逊河对虾的环境影响进行了评价和比较×√×Vázquez-Rowe等人（2011年）西班牙沿海鱼类LCA与DEA相结合评价西班牙沿海鱼类生产×√ √当前研究伊朗虹鳟鱼（Oncorhynchus mykiss）结合LCA和数据包络分析（DEA）为提高虹鳟鱼养殖场的能量利用率，减轻环境负担，对虹鳟鱼养殖场进行了试验研究。√ √ √B. Elhami等人 /农业人工智能2（2019）13 - 27151/4。！ðÞ第二图1.一、伊朗恰哈马哈尔省和巴赫蒂亚里省的地理位置（匿名，2017）。运用LCA与DEA相结合的方法，对鳟鱼养殖场提高投入能量，从而降低环境影响进行了研究。另一方面，考虑到Chaharmahal和Bakhtiari省在伊朗鳟鱼生产中排名第一，进行本研究似乎是必要的。本研究的主要目标如下：(1) 鳟鱼生产的能流分析(2) 鳟鱼生产环境影响的生命周期评价与分析(3) 基于DEA的鳟鱼养殖场能量效率评价及能量不足原因分析(4) 提出了基于DEA方法引入的有效单元的鳟鱼养殖场能耗降低的改进模式(5) 通过改进能源消费模式降低环境费用的LCA+ DEA耦合方法2. 材料和方法2.1. 研究地点和数据收集据估算，恰哈马哈尔省和巴赫蒂亚里省的面积为16, 421 km2，占伊朗总面积的1% 该省海拔2153米，位于北纬31° 9′至32° 38 ′，东经49°30′至51° 26′，拥有伊朗最大的水资源份额（约10%）（图1）。1）（匿名，2016）。查哈马哈和巴赫蒂亚里省拥有404个鳟鱼养殖场，被称为世界上最重要的虹鳟鱼生产地区之一位于Chaharmahal和Bakhtiari省的Ardal和Lordegan地区分别有113个和72个鳟鱼养殖场，是该省鳟鱼养殖场中份额最高的（占该省鳟鱼养殖总量的45%）（匿名，2017）。考虑到Ardal和Lordegan地区的鳟鱼养殖场数量，使用简单随机抽样，并使用Cochran公式（Eq.（1））（Cochran，1977）。Z2pqnd2111Z2pq−1其中N是每个地区的鳟鱼养殖场数量（Ardal地区113个鳟鱼养殖场，Lordegan地区72个鳟鱼养殖场），Z是可靠性系数（1.96，表示95%可靠性），p是群体中形容词成功的可能性（等于0.5），q是群体中形容词失败的可能性（等于0.5），d是平均群体的允许误差（值为0.05），n代表每个地区的样本量表2问卷样本的简要摘要问卷编号：....日期：....池塘总面积（公顷）：.生产时间（天）：.各阶段运输的类型、重量和距离（tkm）固定劳动力人数：....可变劳动力数量：.各时期用水量（m3）饲料消耗种类及量（kg）水泵及曝气系统总耗电量（千瓦时）天然气总消耗量（m3）鱼苗数量及总重量（kg）柴油总消耗量（L）鳟鱼总重量（kg）：16B. Elhami等人 /农业人工智能2（2019）13 - 27.Σ.Σ表3研究区域鳟鱼养殖场的平均投入量和产量投入产出（单位）能量当量（兆焦耳单位-1）平均消耗（吨单位-1）洛尔代根·阿尔达尔引用- 投入1.鱼苗（公斤）20.557.7870.30（Askari Sari和Mohammadi，2015年）2.电力（kwh）11.93888.211014.96（Mousavi-Avval等人，2011年a）3.柴油（升）47.819.5857.76（Elhami等人，（2016年）4.水（立方米）1.028.8229.72（Fathollahi等人， 2018年）5.天然气（立方米）49.527.5426.23（Khoshnevisan等人，2014年a）6.运输机械（tkm）1.610.037.23（Kitani，1999年）7. 人工（h）1.96201.55193.21（Fathollahi等人， 2018年）8.饲料（kg）8.1. 鱼粉15.4954.241744.3（Hossain等人，一九九七年）8.2. 鱼油18.32763.391067.93（Hossain等人，一九九七年）8.3.小麦面筋13272.64213.58（Kitani，1999年）8.4.玉米蛋白14.7218.41177.99（Houshyar等人，2012年）8.5.菜籽粕25163.58106.79（Mousavi-Avval等人，2011年a）8.6. 豆粕25190.84142.39（Mousavi-Avval等人，（2011年b）8.7.豆粉14.9109.0571.19（Koocheki等人，（2011年）8.8.甜高粱1.254.5235.59（Kitani，1999年）- 产量虹鳟鱼（吨公顷-1）20.5281.78210.507（Askari Sari和Mohammadi，2015年）根据Cochran公式，Ardal和Lordegan地区的样本量分别计算为60个和38个农场。因此，分别从Ardal和Lordegan地区随机选择了60个和38个鳟鱼养殖场所需数据以一吨虹鳟鱼为研究对象，采用面对面问卷调查的方法收集这种方法是由面试官亲自向回答者提问此外，发现此工具有助于收集上下文输出能量是通过将输入和输出的量乘以它们的能量当量来计算的根据输入能量、产量和输出能量，使用以下等式计算能量指数（Elhami等人，2016; Fathollahi等人， 2018年）：你就不能把它放出来吗。MJha−1洞察力，特别是当关键组织代表访谈对象（如农民联盟、地方当局和社区团体）。所需数据包括鱼苗，电力，柴油，天然能量比率我不知道。MJha−1煤气、水、鱼饲料（鱼粉、鱼油、谷朊粉、玉米蛋白、菜籽粕、豆粕、甜高粱、豆粉）、人工、能源生产率鳟鱼产量吨ha−1−1ð3Þ运输表2提供了问卷样本的简要摘要。2.2. 能量平衡评价比能量我不知道。MJ哈Σ输入能量MJ ha−1−1ð4Þ为了分析生产系统的能流，优化能耗，首先需要计算系统的然后，能量当量用于将所有输入和输出转换为它们的能量当量（Mousavi-Avval等人，2011年a）。表3显示了两个研究区域消耗的投入（每吨鳟鱼）和产量的平均值。输入和你要把它扔了。杜恩哈Σ能量指数有助于根据总能量输入和产量（或能量输出）评估系统的状态然而，它不能帮助找出该系统将如何改进。例如，系统的能量比（ER）可以提高2倍以上的产量和1.5倍以上的能量输入。尽管有更多的急诊室，更多的能量目标和范围DEA清单分析影响评估解释传统框架新框架图二、 关于DEA技术的LCA框架（实际上，LCA的清单和影响，由DEA解释）（改编自Khoshnevisan等人。（2015））。2ÞB. Elhami等人 /农业人工智能2（2019）13 - 2717系统边界后台进程前台进程池塘栅能源生产池塘作业原料过程能耗鳟鱼基础设施建设能源载体排放运输图3. 虹鳟鱼养殖场的系统边界。投入将降低可持续性。因此，似乎有必要使用其他科学方法（如DEA）来评估系统的效率和可持续性（Houshyar等人， 2012年）。2.3. 生命周期评价LCA方法遵循ISO 14040（2006）和ISO 14044（2006）提供的说明。生命周期评价允许识别与产品的生产、运输、利用和处置相关的所有能源投入、自然资源和环境负担（Guinée等人，2011年）。 LCA研究包括四个主要阶段，包括目标和范围的定义（系统边界，功能单元，最终产品和假设），清单分析，影响评估和解释（图1）。2）。LCA和DEA的不同阶段的组合在下面的章节中解释2.3.1. 目标和范围定义一般来说，在生命周期评价研究中，明确的研究目标表达了研究是如何进行的。LCA必须根据所需的应用进行定义（ISO 14040，2006）。本研究的目的是评估鳟鱼养殖场的实际和改善的环境影响。在研究范围定义中，应明确定义功能单元（FU）和系统边界。 在该研究中，FU被定义为生产过程的简要描述（Rebitzer等人， 2004）被认为是一吨生产的鳟鱼。生命周期评估是一种其仅考虑生产系统的一部分并且基于系统边界报告结果（Khoshnevisan等人， 2013年）。 这项研究的重点是从摇篮（生产的投入）到池塘门（鳟鱼生产）的阶段（图）。 3）。2.3.2. 生命周期清单LCI是对投入（能源和材料）和产出（产品和对水、土壤和空气的排放）的详细汇编使用面对面调查问卷收集与前台系统（鳟鱼养殖实践）相关的数据 （表3 ），并 从Ecoinvent 数据库 和以前的研究 （表4）（EPA，1998; Nemecek和Kagi，2007; Mousavi-Avval等人，2017;Bureau等人，2002年）。为计算输入物的排放量，将输入物和输出物的数量输入SimaPro软件。Ecoinvent数据库包括不同产品的不同生产阶段的排放量（进入水、空气和土壤），并为世界上大多数国家定义该数 据 库 也 可 用 于 伊朗的LCA 研 究 （ Khoshnevisan 等 人 ， 2014 a;Mousavi-Avval等人， 2017年）。水泵和曝气系统采用电气。考虑到伊朗98%的电力由天然气（94.4%）和水力发电（4.9%）以及其他能源资源产生有限且可变的电量（匿名者，2012年），假设所有电量均由天然气和水力发电产生天然气发电和水库水力发电的清单数据取自Ecoinvent数据库。天然气表4基于Ecoinvent（Nemecek和Kagi，2007年）、人力（Mousavi-Avval等人， 2017）和基于EPA（1998）的天然气。直接排放柴油燃料的排放系数（kg MJ−1）天然气的排放系数（kg MJ−1）人类劳动的排放系数（千克人-h-1）1. 二氧化碳7.45E-023.87E-027.00E-012. 二氧化硫2.41E-051.93E-07–3.Methane3.08E-067.4E-07–4.一氧化二氮2.86E-067.11E-07–5.Ammonia4.77E-07––6. 烃7.85E-08––7.氮氧化物1.06E-03––8.一氧化碳1.50E-04––9. 微粒（b2.5μ m）1.07E-042.45E-06–18B. Elhami等人 /农业人工智能2（2019）13 - 27图四、给出了6个决策单元的2输入1输出DEA有效前沿的一种方案.被用作供暖系统的燃料。柴油燃料燃烧、天然气燃烧和劳动活动中排放的二氧化碳被视为直接排放物，其排放系数见表4。与鱼类通过使用营养平衡模型（Cho和Kaushik，1990）估计生长该方法已被修改并验证用于虹鳟鱼建模（Bureau等人，2002），并且它以前被用于建立虹鳟鱼的排放清单（Papatryphon等人，2004年）。氮，磷和固体排放量的基础上提供给鳟鱼的营养物质的量和鱼的增重同化量之间的差异根据营养素的消化率、鱼体组成和所提供饲料的未摄入部分（根据专家意见估计为5%）计算排放的氮和磷的固体和溶解部分每吨鳟鱼的营养素释放和理论需氧量（使用蛋白质、碳水化合物、脂质、灰分和纤维排放的化学需氧量计算）显示在结果的部分2.3.3. 生命周期影响评估（LCIA）如果不对排放进行分类，就不可能评估和比较每个输入的排放。LCI的结果是根据不同的环境影响类别进行分类（ISO14040，2006）。对环境影响类别的界定有不同的方法在本研究中，考虑将CML 2基线2000用于分类。基于CML2基线2000的10个影响类别包括非生物消耗（AD）、酸化 （ AC ） 、 全 球 变 暖 （ GW ） 、 富 营 养 化 （ EU ） 、 臭 氧 层 消 耗（OLD）、人类毒性（HT）、淡水水生生态毒性（FAE）、海洋水生生态毒性（MAE）、陆地生态毒性（TE）和光化学氧化（PhO）。（匿名，2003年）。这些类别有不同的单位，不可能相互比较因此，使用归一化来使类别无量纲化（Mousavi-Avval等人，2017年）。为此，使用具有归一化系数2.3.4. 结果解读在解释阶段，从LCA的前几个阶段获得的结果进行解释。归一化和加权是用于解决单位不相容性和简化结果解释标准化有助于更好地了解影响类别对全球环境影响的贡献。因此，为了建立标准化和加权之间的关系，引入了环境排放最终评分（EEFS），如下等式：5（Brentrup等人，（2004年）：EEFS¼XNi×Wi±5mm其中，Ni代表每个类别的归一化量，Wi是每个类别的归一化量的权重。加权系数取自Simapro软件V.8.0.3。2.4. 数据包络分析根据表3，两个地区鳟鱼养殖场的投入和产出量彼此不同，并且观察到高标准差。这说明LCA和DEA相结合的方法在改善投入、提高能源效率和减少环境影响方面具有很大通常，DEA是一种数据挖掘方法，用于估计投入的生产率并根据其性能对生产单元进行排序在DEA中，每个生产单元都被称为决策单元。表5基于VRS模型的鳟鱼养殖场实际、改进和节省的能源使用（%）项目实际能量平均值改进能量平均值ESTR（%）*ESTR®节能目标比率实际能量值−改进的能量值实际能量值。阿尔达尔洛尔代根阿尔达尔洛尔代根阿尔达尔洛尔代根A.输入能量（MJ ton−1）60,483.5077,183.6342,769.7169,777.6929.289.591. 炒1184.591,441.23894.761,194.1524.4617.142. 电力10,596.4712,108.55,598.541,145.3147.167.953.柴油燃料936.182,761.4527.032174.4243.7021.254. 水8.9930.326.1324.4431.7819.375.天然气1,363.511,298.77819.811,145.3139.8713.396. 运输16.0511.5710.449.9534.9213.977.人类劳动395.04378.70309.99350.0321.527.578. 饲料45,982.6059,177.0334,602.9553,754.4724.749.128.1. 鱼粉14,695.4026,886.2011,058.6124,410.65––8.2. 鱼油13,985.401,9564.610,524.3517,779.08––8.3.小麦面筋3,544.332,776.642667.192,523.23––8.4.玉米蛋白3,206.262,616.442412.782,377.61––8.5.菜籽粕4,089.622,669.843077.532,426.18––8.6. 豆粕4,771.223,559.793590.453,234.91––8.7.豆粉1624.941060.811222.80964.00––8.8.甜高粱65.4342.7149.2438.81––B.输出能量（MJha−1）5,776,149.84,315,399.1–C.能量指标1.能源生产率（吨MJ-1）19.72E-06E-0623.38 E-06 18.20E-06 18.56 10.612. 比能量（兆焦耳吨-1）5,0721.7160,749.664，2769.71 5，4920.59 −15.67 −9.59B. Elhami等人 /农业人工智能2（2019）13 - 2719¼þ我的祖国X¼1/1联系我们Sr¼单位（DMU）。每个决策单元与生产前沿面之间的距离是指该决策单元中存在提高能源效率的可能性。在图4中，A、B和C被示出为有效边界，而D、E、F及其组合是无效的（Stokes等人， 2007年）的报告。在DEA模型中，一个无效的决策单元可以通过减少输入的数量而不减少输出（基于输入的模型），或者通过增加输出的数量而输入的数量保持不变（基于输出的模型）（Mousavi-Avval等人，2011年a）。考虑到鳟鱼生产者对投入的控制以及影响产量的各种因素，本研究选择了基于投入的模型基于固定规模收益（CRS）和可变规模收益（VRS）模型的DEA，用技术效率（TEf）、纯技术效率（PTE）和规模效率（SEf）表示2.4.1. 技术效率技术效率（TEf）被定义为加权输出之和与加权输入之和之间的比率，如（六）、TEf的值在零和一之间变化，其中其中，θ是TEf，i表示第i个DMU（它将在等式中固定）（6）当j在等式中增加时，（八））。上述模型被称为CRS模型，它是一个线性规划模型 。 该 模 型 假 设 生 产 单 位 的 规 模 和 效 率 之 间 没 有 显 著 的 关 系（Avkiran，2001）。因此，在将投入转化为产出方面，大单位被认为与小单位一样有效2.4.2. 纯粹的技术效率当使用由Banker引入的可变规模收益（VRS ）模型时，Charnes&Cooper被认为是PTE来对DMU进行评分和排序（Banker等人， 1984年）。换句话说，PTE是TEf，它受规模效率变化的影响。PTE在相同的环境和地理条件下比较有效和无效的决策单元，这是它与TEf相比的优势（Barnes，2006）。 该模型基于以下等式计算（Mohammadi等人，2013年）：最大值zuyj−uj 90受制于：值1表示DMU是位于生产前沿的最佳执行者，并且没有改进的潜力。TEf值小于1意味着DMU是无效的（Mousavi-vX i1; −vXuY−u0e≤0v≥ 0;u≥ 0且u0是无符号约束的ð10ÞAvval等人，2011年b）。u1y1ju2y2j...∑s1urkyrk∑i¼1ð6Þ其中z和u0是标量，符号自由u和字母xi和yj表示第j个DMU的输入和其中k是在j= 1，2，...，n的集合中被评估的DMUCharnes，CooperRhodes介绍了一个线性规划（方程。（7）解Eq。（6）（Charnes等人，1978年）：n2.4.3. 规模效率鳟鱼养殖场规模小和投入品使用不当是造成决策单元效率低下的主要原因CRS模型计算TEf和SEf，VRS模型只考虑PTE。在本研究中，首先，分别计算CRS和VRS模型的TEf和PTE值然后，使用以下等式计算SEf（Chauhan等人，（2006年）：最大限度地提高工作效率r1SEfTEPTEð11Þ受制于：Σu y此外，PTE是期望效率，SEf是实际效率与期望效率之间的比率TEf是SEf两者的组合r1rk rk∑mvikxik≤1;j< $1;的PTE。简而言之，可以说，SEf是效率与CRS和VRS模型。80706050403020100图五、在所研究区域的总能源投入中投入的份额。阿尔达尔·洛德根百分比（%）20B. Elhami等人 /农业人工智能2（2019）13 - 27302520SEF15名PTE10TE50效率0.8-0.99 0.6-0.79 0.4-0.59 0.2-0.39 0-0.19效率得分（十进制）图第六章 根据Ardal地区的效率评分，鳟鱼养殖场的分布。为了发现最有效的决策单元，它们应该根据它们的重要性排序的基础上的有效边界。基准点排序法是DEA研究中最常用的方法每个有效决策单元在软件给定的参考集合中被观察到的次数显示了有效决策单元与无效决策单元的相似在所指集合中更频繁出现的有效DMU被认为是优越的，并且实现了更高的排名（Khoshnevisan等人，2014年b）。2.5. LCA+ DEA在这项研究中，目的是提高投入，以节省能源资源和减少环境负担的鳟鱼养殖场没有显着减少产量。为了实现这一目标，首先，将数据存储到Excel电子表格中。EMS V1.3软件用于计算每个输入的改进潜力因此，计算每个DMU的PTE，并根据等式对所有DMU进行基准测试（九）、 利用SimaPro软件，根据实际数据和数据包络分析（DEA）修正后的数据，对鳟鱼养殖场的环境负荷进行了评价（见图1）。 2）。最后，根据实际数据和经DEA修正后的数据，确定有效和无效决策单元，计算出两个地区的投入能量和环境负担3. 结果和讨论3.1. 投入产出能量分析在鳟鱼养殖场有必要了解生产过程中每个因素的重要性及其对产量的影响 尽管有许多不可预测的自然和气候因素影响生产过程和产量，但生产者可以控制投入的数量等因素，并根据其对性能的影响来决定投入的数量。表5列出了在8至10个月的养殖期内生产一吨鳟鱼所需的平均输入能量。应当指出，这些农场的面积不到一公顷，农场面积之间的差异似乎可以忽略不计。因此，决定考虑将一吨作为FU进行计算。根据表5，Ardal和Lordegan地区的总能量输入分别为60，438.50兆焦耳吨-1和77，183.63兆焦耳吨 -1。在之前的一项研究中，Bozoglu和Ceyhan（2009年）报告说，每立方米的总能源消耗为46.57兆焦耳在土耳其的鳟鱼农场。为了从能量效率的角度比较两个区域，使用了能量指数Ardal地区的ER和EPr计算为0.40和19.72E-06吨MJ-1，而在Lordegan地区，30252015SEfPte10TE50效率0.8-0.99 0.6-0.79 0.4-0.59 0.2-0.39 0-0.19效率得分（十进制）图第七章 根据Lordegan地区的效率评分，鳟鱼养殖场的分布。鳟鱼养殖场鳟鱼养殖场B. Elhami等人 /农业人工智能2（2019）13 - 2721表6研究区域鳟鱼养殖场效率项目的平均值CRS模型中的14个有效决策单元在VRS模型中是有效的，这就是TE和SEf中有效决策单元数量相同的原因它技术项目效率纯技术效率规模效率应该指出，TEf和PTE之间的13个DMU差异可归因于不适当的生产规模。此外，值得一提的是，46个决策单元的TEf分数和33个决策单元的PTE分数在0.4至0.99的范围内。根据图7，Lordegan地区38个DMU中有28个PTE评分为1分，12个DMU的TEf和SEf评分均为满分。 26个和10个DMU的TEf和PTE的有效性评分分别在0.4 - 0.99范围内。应该注意的是，完整的PTE评分并不能保证完整的TEf评分。决策单元TEf、PTE和SEf的平均值和标准差ER和EPR是在0时获得。33和16。40E-06tonMJ-1 ，re-1.这些指标表明，阿尔达尔地区的能源消费更有效。阿尔达尔地区的SE为50，721.48兆焦耳吨−1，而洛德根地区的SE为60，749.57兆焦耳吨−1。根据结果，很明显，洛代根地区需要更多的关注，以提高鳟鱼生产所饲料消耗量和所占比例是造成两个研究区域能量消耗结果差异的主要原因在Ardal和Lordegan地区生产1吨鳟鱼，分别消耗2727和3560公斤饲料。图图5显示了在所研究的区域中，能源投入占总能源投入的份额。两个地区的饲料占总能量投入的74%左右两个地区的饲料均由鱼粉、鱼油、菜籽粕、谷朊粉、豆粕、玉米蛋白、甜高粱和豆粉组成。鱼粉和鱼油作为动物源在两个地区的饲料原料中所占比例最高，分别为Ardal地区的63%和Lordegan地区的79%因此，有必要进一步研究以实现蛋白质替代来源的使用，以取代标准的基于鱼粉的饲料。这与Bozoglu和Ceyhan（2009年）的结果一致，他们报告称鳟鱼养殖场的能源预算主要取决于消耗的饲料份额此外，电力在这两个地区的总能源投入中占第二这两个地区鳟鱼养殖场的高用电比例可能是由于通风系统不足、电泵磨损以及生产者缺乏对所需水量和水量的认识。因此，建议对磨损和陈旧的曝气系统和电泵进行检查和检验。3.2. 改善能源投入的DEA方法在DEA中，决策单元的有效性或无效性取决于与其他决策单元相比的产出与投入之间的比率如图所示。 6、在Ardal地区60个DMU中，有27个被VRS模型识别为有效（PTE值为1）。此外，基于CRS模型，60个决策单元中有14个被认为是有效的，TEf和SEf为1。所有（鳟鱼养殖场）在这两个地区的情况见表6。Ardal地区DMU的PTE、TEf和SEf的平均得分分别为0.86、0.59和0.66在洛代根地区，DMU的PTE、TEf和SEf的平均得分分别为0.98、0.69和0.70。如表6所示，计算了TEf、PTE和SEfTEf的标准差高于PTE，这表明鳟鱼生产者对适当的养殖方法和最佳投入量的换句话说，这表明育种者使用的能量投入超过了最佳量或在不适当的时间内使用。Ardal和Lordegan地区的SEf得分分别为0.66和0.70，表明Ardal和Lordegan地区的无效决策单元可以通过遵循导致最佳规模效率的建议来提高其效率，分别达到24%和20%Abedi等人（2011）进行了一项研究，以优化伊朗法尔斯省鳟鱼养殖场的效率，并报告TE、PTE和SEf的平均值分别为0.93、0.97和0.95。最佳条件下所需的能量输入、每种输入的节能百分比、最佳条件下的能量指数以及能量指数的变化百分比如表5所示。从表4中可以看出，Ardal和Lordegan地区在最佳条件下所需的总能量输入分别为42，769.71 MJ ton−1 （ 节 能 29.28% ） 和 69 ， 777.69 MJ ton−1 （ 节 能9.59%）结果表明，阿尔达尔地区的DMU对洛代根地区具有较高的节能潜力。 在Ardal地区，电力（