張美美，張榮群，張曉東，楊建宇

（中國農業(yè)大學 信息與電氣工程學院，北京100083）

0 引 言

濕地的時空動態(tài)發(fā)展過程比其最終形成的空間格局更為重要［1］。只有清楚的了解濕地的發(fā)展過程，才能夠對其演化機制進行深層次的剖析，獲取濕地的變化規(guī)律［2］。傳統(tǒng)的地理對象模擬和預測模型，如經典的土地利用覆被變化模型、土地利用競爭模型等，主要解決了空間變量隨時間變化與地理現象間的因果關系［3－4］，沒有考慮地理現象在空間上的相互作用與相互依存問題；在地理空間格局變化規(guī)律的表達上，雖然提出了空間轉移矩陣［5－6］，但這僅解決了研究區(qū)濕地各類型變化的總量問題，研究結果只說明一個研究區(qū)的整體變化特征和規(guī)律，無法給出具體點位上的變化情況。元胞自動機是一時間、空間和狀態(tài)都離散的動力系統(tǒng)，其狀態(tài)的轉換規(guī)則在時間和空間上都是局部的［7－8］，充分考慮了鄰域間的相互作用，可以很好地解決地理現象在空間上的相互作用問題。元胞自動機模型中最核心的部分是轉換規(guī)則的定義［9］。在實際的應用中，轉換規(guī)則的定義涉及到很多的變量、參數的確定，用戶難以選擇，因此研究提出基于神經網絡的元胞自動機模型（artificial neural network－cellular automata，ANN－CA）對濕地景觀演變過程進行模擬，有效地簡化了轉換規(guī)則的定義，得到較符合實際的演變規(guī)律，提高了模擬的準確性。本文以銀川平原濕地的研究為例，探討基于元胞自動機的濕地景觀變化時空動態(tài)模擬模型的構建方法，模擬結果能夠較為準確地預測未來濕地類型的空間分布，為濕地的保護規(guī)劃提供決策支持。

1 研究方法

1.1 研究區(qū)概況

銀川平原位于寧夏境內賀蘭山與鄂爾多斯高原之間，由黃河長期淤積及準平原演化而成，東經105°51′～106°54′，北緯37°36′～39°14′，海拔1100～1200m。地處中溫帶干旱區(qū)，氣候干旱少雨，年均降水量為185mm，多集中在6月～9月份，年蒸發(fā)量為1825mm，約為降雨量的10倍。銀川平原日照充足，年均日照時數3000小時左右，氣溫日較差大，平均達13℃，有利于作物的生長發(fā)育和營養(yǎng)物質積累。干旱少雨，黃河年均過境水量300余億立方米，光、熱、水、土等農業(yè)自然資源配合較好，為發(fā)展農林牧業(yè)提供極有利條件。該地區(qū)生物資源豐富多樣，擁有典型的濕地生態(tài)旅游景觀和豐富的濕地動植物資源。

1.2 方 法

組成元胞自動機的基本要素有元胞、狀態(tài)、鄰域和轉換規(guī)則［10］。表達式為

式中：——在元胞i在t＋1時刻的狀態(tài)，——在元胞i在t時刻的狀態(tài)，——t時刻元胞i的鄰域狀態(tài)集合，f——轉換規(guī)則。元胞自動機的基本原理是元胞i在t＋1時刻的狀態(tài)是其t時刻狀態(tài)和領域狀態(tài)的函數［11］。本文結合濕地自身的演化規(guī)律建立了銀川平原濕地景觀變化的元胞自動機模型。技術路線如圖1所示。

模型中的元胞狀態(tài)定義為濕地的類型，依次為：河流濕地、湖泊濕地、坑塘濕地、水稻田濕地、建設用地（包括居民點和道路）以及黃河河漫灘和其他地類。采用的元胞空間是二維的，形狀是四邊形，元胞大小設為60m×60 m。鄰域采用常見的8個鄰居的Moore模型。

轉換規(guī)則是CA模型的核心。隨著模型的擴展，模型結構的定義、眾多參數的確定變得更難，這在一定程度上限制了模型的推廣。濕地的發(fā)展和轉化的規(guī)律十分復雜，是非線性過程［12］，神經網絡具有自組織、自學習、聯想以及記憶的優(yōu)勢［13］，能夠有效的簡化模型結構，這樣可以從數據本身出發(fā)，用戶不用自己定義轉化規(guī)則，可以自動獲取和校驗模型中各空間變量的作用參數，從而挖掘出更加符合實際的轉換規(guī)則，同時避免人為的主觀干預，特別適合模擬復雜的非線性系統(tǒng)。因此采用神經網絡的轉換規(guī)則更適合本研究。

圖1 技術路線

1.3 ANN－CA模型結構

本研究采用的ANN－CA模型由訓練模塊和預測模塊組成，他們共用同一個神經網絡。訓練模塊利用訓練數據得到模型的參數，預測模塊用訓練好的模型進行預測模擬。在此模型中，各個空間變量的處理、分析以及模擬結果的顯示均在ArcGIS中進行，ANN只負責提供元胞類型間的轉換規(guī)則。

神經網絡的設計采用面向對象建模的思路，利用Matlab2011a開發(fā)。本文采用經典的BP算法，網絡結構分為三層：第一層為數據輸入層，共23個神經元，分別對應影響濕地變化的各變量；第二層為隱含層，根據Kolmogorov定理，對于3層的非線性神經網絡，其隱含層的神經元個數至少為輸入層的2／3［14］，本文設計的神經元為非線性的，經過多次反復實驗后，認為隱含層神經元為16個時，訓練效果較好。因此設定隱含層的神經元數目為16，采用tansig激勵函數；第三層為輸出層，由7個神經元組成，分別對應7類濕地類型的轉換概率，采用logsig激勵函數。

2 銀川平原濕地的動態(tài)模擬

2.1 數據準備和ANN－CA模型的輸入變量

本研究所采用的數據主要有1991年8月的Landsat－5 TM和2006年8月的中巴資源衛(wèi)星CBERS－02CCD影像，1∶10萬中國地形圖，銀川平原土地利用現狀圖，統(tǒng)計資料為研究區(qū)相關的自然和經濟等年鑒資料。對遙感影像進行前期處理后，配合目視解譯得到濕地分類圖，驗證解譯精度達到了85%以上。

GIS可以很方便地對模型所需要的各種空間變量進行處理，得到所需數據。大量濕地驅動因素的研究表明，濕地景觀類型的演變通常取決于一些相關的距離變量，包括各元胞離最近道路的距離，離最近居名點的距離、窗口中鄰近現有類型的其他濕地類型元胞的數量、單元的社會因素及自然屬性等［15］。在此模型中，輸入層的23個神經元對應于影響濕地景觀變化的23個驅動力因子。這些驅動力因子的獲取方法及原始數據范圍見表1。

表1 ANN－CA模型的輸入變量

所有數據轉化成UTM投影，WGS84坐標系，第48帶，并統(tǒng)一生成60mASCII＿GRID格式的數據。為了避免各空間變量的量綱不統(tǒng)一而可能產生的誤差，最后要將所有的數據進行歸一化處理，使其范圍在［0，1］之間。歸一化公式如下

2.2 ANN－CA模型的輸出變量

本文主要研究銀川平原5類主要的濕地類型和2種土地利用類型的變化情況，濕地作為土壤的狀態(tài)描述，在特定的時刻某種類型的元胞只能轉化成別的濕地類型或者保持不變。因此本研究使用元胞的轉移概率作為模型的輸出變量，并將轉移概率最大的濕地類型確定為當前元胞轉換的類型。

2.3 ANN－CA模型訓練、驗證和預測過程

為了實現濕地演化的模擬和預測，我們在此建立了元胞自動機的訓練、驗證和預測數據庫，將1991年濕地空間變量作為訓練數據庫、驗證數據庫。由于空間變量的數據量較大，為保證數據訓練的合理性及模擬的順利進行，本研究采用隨機抽取樣本的方法，從研究區(qū)的元胞數據庫共計216 5216個元胞中各隨機抽取了30000個元胞數據作為模型的訓練數據庫和驗證數據庫。將1991年濕地空間變量的全部數據作為ANN－CA模型的預測數據庫。另外，在BP神經網絡中對元胞的濕地類型采用編碼的表示方法。用0和1組合的七位數來表示，各個數字分別代表河流、湖泊、坑塘、水稻田、建設用地、黃河河漫灘和其他地類共7種類型，由于某一時刻元胞的狀態(tài)是唯一的，所以編碼中有且僅有一位是1，即如果某元胞為河流濕地，則表示為1000000，若是湖泊濕地，則為0100000。

運行模型時，首先將訓練數據輸入BP神經網絡自動獲得模型參數，然后輸入驗證數據進行驗證，如果驗證精度滿足要求，則利用該神經網絡對2006年的濕地分布進行預測。如果不滿足要求，則需重新訓練，直到精度達到要求為止。最后將1991年的全部預測數據輸入訓練好的神經網絡，模擬得到2006年銀川平原濕地景觀類型的空間分布。

3 模擬結果與分析

用訓練好的ANN－CA模型對未來銀川平原濕地景觀變化進行預測模擬，模擬結果如圖2所示。另外，對于模型精度的驗證評價，目前還沒有統(tǒng)一的或者很有效的方法，通常采用逐點對比和整體對比的方法，本文采用逐點比較的方法。圖2（a）為2006年銀川平原濕地景觀分類圖，圖2（b）為以1991年該地區(qū)的濕地景觀類型數據為初始值，運用模型模擬的2006年濕地景觀類型圖。圖2（b）與（a）通過逐點法對比得到模擬精度為74.16%，整體的模擬效果較好。

通過對1991年的濕地類型，模擬的2006年的濕地類型，以及實際的2006年濕地類型（實際濕地分類圖通過2006年遙感影像監(jiān)督分類與非監(jiān)督分類結合獲取）各類像元數的統(tǒng)計對比，分析之間的差別，可以從多方面更加有效地驗證模型的精度。各濕地類型網格個數見表2。

圖2 2006年的濕地分類圖和模擬

表2 濕地景觀類型網格模擬對比

表3給出了模擬的性能參數，其中水稻田，坑塘，建設用地的模擬準確率較高，而河流和黃河河漫灘的模擬準確率相對低些，但也達到了65%以上。這種差異表明，模擬準確率與不同狀態(tài)元胞變化的頻率有一定關系，即狀態(tài)變化越頻繁的元胞，模擬的準確率相對越低，反之則越高。

對比1991年、2006年及模擬的2006年濕地類型面積分布情況如表4，可以看出，1991年到2006年期間，濕地總面積呈增加趨勢，15年間整個銀川平原濕地面積共增加了278.7804km2。在所研究的5個濕地類型中，河流濕地的面積持續(xù)減少，從153.8604km2減少到了70.4736km2，共減少了83.3868km2。湖泊濕地和黃河河漫灘的面積變化比較平緩，湖泊濕地從1991年的98.9136km2到2006年的38.7072km2，黃河河漫灘從6.9804km2減少到2.8080 km2。水稻田濕地和坑塘濕地一直呈增長趨勢，水稻田濕地從300.0564km2增長到637.2648km2，共增加了337.2084 km2?？犹翝竦貏t由100.8792km2增長到了190.2168 km2，總共增加了89.3376km2。模擬的濕地空間分布與實際變化情況基本一致。

表3 BP網絡性能參數

表4 不同時期銀川平原濕地類型面積分布情況

進一步分析我們可以發(fā)現，河流濕地、湖泊濕地、黃河河漫灘濕地等天然濕地的面積不斷減少，尤以河流濕地面積的減少最為顯著；而人工濕地如水稻田濕地和坑塘濕地則呈迅速增加的趨勢，說明人為因素對濕地的結構數量影響較大。通過不同濕地類型的面積分布特征來看，該模擬結果反映出的元胞狀態(tài)的轉變規(guī)律，即濕地不同類型元胞之間的轉變，與實際2006年銀川平原濕地類型的分布特征基本吻合，可以說，CA與ANN相結合的濕地景觀變化模擬具有一定的客觀性和現實可行性。

4 結束語

就目前的研究來看，ANN－CA模型通常應用于簡單的土地利用變化模擬，如：城市與非城市土地類型之間的轉化情況，而很少用于濕地等復雜的土壤狀態(tài)演變研究。濕地景觀的演變是一個非線性復雜的過程，其空間地物的相互作用關系對濕地的形成有很大影響，而傳統(tǒng)的土地利用模擬模型并未考慮到此因素。本文采用元胞自動機和GIS相結合的方法對濕地演變進行時空動態(tài)模擬和預測，同時利用BP神經網絡挖掘出濕地類型間的轉換規(guī)則，是濕地預測和模擬研究的新方法。它不僅較為準確的模擬出濕地的預測結果，還充分考慮了元胞地理空間的相互作用關系，進一步提高了模擬的精度。研究為合理利用濕地資源提供了參考，對今后政府部門的決策與規(guī)劃具有重大意義。

［1］LI Xia，LIU Xiaoping，HE Jinqiang，et al.A geographical simulation and optimization system based on coupling strategies［J］.Acta Geographica Sinica，2009，64（8）：1009－1018（in Chinese）.［黎夏，劉小平，何晉強，等.基于耦合的地理模擬優(yōu)化系統(tǒng)［J］.地理學報，2009，64（8）：1009－1018.］

［2］YU Huan，HE Zhengwei，ZHANG Shuqing，et al.Spatial－temporal evolution simulation of wetland landscape in SanJiang plain using automaton［J］.Geography and Geo－Information Science，2010，26（4）：90－94（in Chinese）.［于歡，何政偉，張樹清，等.基于元胞自動機的三江平原濕地景觀時空演化模擬研究［J］.地理與地理信息科學，2010，26（4）：90－94.］

［3］WANG Xiuchun，HUANG Qiuhao，CAI Yunlong.Simulation of land use change a GIS－based stochastic model：a case study in Shiqian county，Guizhou province［J］.Resources Science，2008，30（4）：604－608（in Chinese）.［王秀春，黃秋昊，蔡運龍.貴州省石阡縣土地利用變化格局模擬［J］.資源科學，2008，30（4）：604－608.］

［4］ZHANG Yongmin.Some issues in modelling land use and cover change［J］.Journal of Arid Land Resources and Environment，2009，23（10）：53－58（in Chinese）.［張永民.土地利用／覆被變化模型研究面臨的幾個問題［J］.干旱區(qū)資源與環(huán)境，2009，23（10）：53－58.］

［5］WANG Xiuni，ZHANG Rongqun，ZHOU De，et al.Forecast of soil salinization change trend based on Markov chain［J］.Transactions of the CSAE，2010，26（Supp.2）：202－206（in Chinese）.［王秀妮，張榮群，周德，等.基于 Mar－kov鏈的土壤鹽漬化動態(tài)變化預測［J］.農業(yè)工程學報，2010，26（Supp.2）：202－206.］

［6］YUAN Hui，ZHANG Rong－qun.Changes in wetland landscape patterns on Yinchuan plain，China［J］.International Journal of Sustainability and World Ecology，2010，17（3）：236－243.

［7］Almeida C M，Gleriani J M，Castejon E F，et al.Using neural networks and cellular automata for modeling intra－urban land use dynamics［J］.International Journal of Geographical Information Science，2008，22（9）：943－963.

［8］Al－kheder S，WANG J，SHAN J.Fuzzy inference guided cellular automata urban－growth modelling using multi－temporal satellite images［J］.Geographical Information Science，2008，22（11－12）：1271－1293.

［9］LI Xia，YE Jia’an，LI Xiaoping，et al.Geographical simulation systems：Cellular automata and the multi－agent［M］.Beijing：Science Press，2007：51－62（in Chinese）.［黎夏，葉嘉安，李小平，等.地理模擬系統(tǒng)：元胞自動機與多智能體［M］.北京：科學出版社，2007：51－62.］

［10］CAO Min，SHI Zhaoliang.Transition rule for GANN－CA［J］.Bulletin of Surveying and Mapping，2010，3：24－28（in Chinese）.［曹敏，史照良.基于遺傳神經網絡獲取元胞自動機的轉換規(guī)則［J］.測繪通報，2010，3：24－28.］

［11］MENG Junxian，ZHOU Shuqiu，RAO Min.Study on occupant evacuation simulation based on cellular automata［J］.Computer Engineering and Design，2009，30（1）：241－246（in Chinese）.［孟俊仙，周淑秋，饒敏.基于元胞自動機的人員疏散仿真研究［J］.計算機工程與設計，2009，30（1）：241－246.］

［12］ZHANG Rong－qun，YUAN Hui，SONG Nai－ping，et al.Study on wetland change detection and underlying causes analysis in Yinchuan plain，China［J］.Journal of Food，Agriculture ＆ Environment，2010，8（2）：132－134.

［13］SU Wei，LIU Jingshuang，LI Fang.Application of BP neural network to prediction of carrying capacity of water resources［J］.Water Resources and Hydropower Engineering，2007，38（11）：1－4（in Chinese）.［蘇偉，劉景雙，李方.BP神經網絡在水資源承載能力預測中的應用［J］.水利水電技術，2007，38（11）：1－4.］

［14］ZHAO Jing，CHEN Huagen，XU Huiping.Simulation of land use evolution based on cellular automata and artificial neural network［J］.Journal of TongJi University（Natural Science），2007，35（8）：1128－1132（in Chinese）.［趙晶，陳華根，許惠平.元胞自動機與神經網絡相結合的土地演變模擬［J］.同濟大學學報（自然科學版），2007，35（8）：1128－1132.］

［15］HU Maogui，FU Xiaoyang，ZHANG Shuqing，et al.Landcover simulation and forecast of Melmeg wetland using cellular automata［J］.Resources Science，2007，29（2）：142－148（in Chinese）.［胡茂桂，傅曉陽，張樹清，等.基于元胞自動機的莫莫格濕地土地覆被預測模擬［J］.資源科學，2007，29（2）：142－148.］