陳冬洋,陳彩虹,常雙雙
(中南林業(yè)科技大學(xué),湖南 長(zhǎng)沙 410004)
基于移動(dòng)窗口法與ANN模型的澄邁林場(chǎng)森林景觀研究
陳冬洋,陳彩虹,常雙雙
(中南林業(yè)科技大學(xué),湖南 長(zhǎng)沙 410004)
利用ARCGIS和Fragstats軟件,基于移動(dòng)窗口法和ANN模型,對(duì)澄邁林場(chǎng)森林景觀進(jìn)行研究分析模擬。結(jié)果表明:適宜的景觀分析粒度為60 m柵格,最佳樣方尺度為540 m;人工神經(jīng)網(wǎng)絡(luò)模型適合森林景觀模擬研究,收斂效果理想。將ANN模型分析與移動(dòng)窗口法結(jié)合,精確研究分析森林景觀格局,為林場(chǎng)景觀格局量化分析提供參考,為林場(chǎng)經(jīng)營(yíng)管理提供科學(xué)合理指導(dǎo)。
森林景觀模擬;景觀指數(shù);移動(dòng)窗口法;粒度效應(yīng);ANN模型;
生態(tài)環(huán)境是人類(lèi)賴(lài)以生存的基礎(chǔ),其質(zhì)量關(guān)系到人類(lèi)社會(huì)可持續(xù)發(fā)展。景觀格局由社會(huì)經(jīng)濟(jì)發(fā)展與生態(tài)環(huán)境相互作用形成,同時(shí)也是各種生態(tài)過(guò)程作用的結(jié)果。景觀要素斑塊在景觀鑲嵌體中的視覺(jué)邊線就是顆粒的粗細(xì)程度。粗粒景觀在較大尺度上有較高的異質(zhì)性,細(xì)粒景觀在較小尺度上異質(zhì)性較高。目前國(guó)內(nèi)外學(xué)者基于景觀粒度的景觀格局研究,主要針對(duì)山地[1]、濕地[2]等的生態(tài)斑塊粒度效應(yīng)和粒度變化對(duì)景觀格局的影響研究。國(guó)外著名學(xué)者Whittaker提出的移動(dòng)窗口法[3],是在固定窗口內(nèi)計(jì)算選取景觀指標(biāo),生成相應(yīng)柵格數(shù)據(jù)圖像,研究分析景觀格局空間變化,使景觀空間變化信息定量精確化。目前國(guó)內(nèi)外學(xué)者基于移動(dòng)窗口法的景觀格局研究比較少,主要針對(duì)干旱河谷[4]、山地丘陵[5]等特質(zhì)景觀空間梯度變化和景觀異質(zhì)性分析。
人工神經(jīng)網(wǎng)絡(luò)(ANN)模型[6]是結(jié)構(gòu)簡(jiǎn)單、訓(xùn)練過(guò)程簡(jiǎn)單和應(yīng)用廣泛的神經(jīng)網(wǎng)絡(luò)算法,優(yōu)勢(shì)在于使用線性學(xué)習(xí)算法來(lái)完成以前的非線性學(xué)習(xí)算法,同時(shí)保持高精度、最佳逼近以及全局最優(yōu)的特點(diǎn),且具有自適應(yīng),學(xué)習(xí)和高速尋找最優(yōu)解的優(yōu)點(diǎn)。目前基于ANN模型的景觀格局研究,國(guó)內(nèi)外學(xué)者主要針對(duì)島嶼[7]、城市邊緣區(qū)域[8]等的網(wǎng)絡(luò)模型構(gòu)建和景觀模擬。本研究以海南省澄邁縣澄邁林場(chǎng)為研究區(qū)域,將移動(dòng)窗口法與ANN模型有機(jī)結(jié)合進(jìn)行景觀格局分析,先利用柵格數(shù)據(jù)空間粒度變化,確定適宜粒度大小,再基于移動(dòng)窗口法,分析得出適宜分析尺度[9]。運(yùn)用ANN模型分析,利用泛化力、自適應(yīng)、高速尋找最優(yōu)解的特性,對(duì)澄邁林場(chǎng)的森林景觀結(jié)構(gòu)變化的驅(qū)動(dòng)機(jī)制進(jìn)行研究,為澄邁林場(chǎng)的可持續(xù)發(fā)展提供指導(dǎo)。
澄邁林場(chǎng)位于海南省澄邁縣東南,距離縣城7 km,林場(chǎng)主要地貌類(lèi)型是低山丘陵和緩坡,氣候類(lèi)型是熱帶季風(fēng),年均氣溫23.8 ℃,年均日照時(shí)數(shù)2 059 h,年均降雨量1 750 mm,且熱雨同季,終年基本無(wú)霜。鐵質(zhì)磚紅壤是林場(chǎng)內(nèi)主要土壤類(lèi)型,其他類(lèi)型主要有質(zhì)磚紅壤和沙壤土等。主要營(yíng)造人工林,主要樹(shù)種桉樹(shù)、松樹(shù)、馬占相思等。林場(chǎng)總面積4 200 hm2,其中有林面積2 533 hm2,林木蓄積量1.9×105m3。
主要選取為2010年澄邁林場(chǎng)二類(lèi)調(diào)查小班數(shù)據(jù),澄邁縣行政邊界數(shù)據(jù)、1:20萬(wàn)DEM數(shù)字高程模型、澄邁林場(chǎng)森林資源分布圖、海南省國(guó)營(yíng)澄邁林場(chǎng)改革實(shí)施方案,澄邁林場(chǎng)森林經(jīng)營(yíng)方案,衛(wèi)星遙感影像圖等。以國(guó)土資源部2007年公布的《土地利用現(xiàn)狀分類(lèi)》(GB/T 21010-2007)分類(lèi)標(biāo)準(zhǔn)為參考,根據(jù)林場(chǎng)景觀格局研究分析的實(shí)際情況,將其景觀類(lèi)型劃分為6種,有林地、灌木林地、耕地、水域、建設(shè)用地以及未利用地(見(jiàn)圖1、表1)。利用ARCGIS10.0對(duì)矢量小班數(shù)據(jù)進(jìn)行融合調(diào)整,將融合后的矢量數(shù)據(jù)轉(zhuǎn)換為不同粒度的GRID數(shù)據(jù)。再將得到的不同粒度柵格數(shù)據(jù)帶入Fragstats4.2進(jìn)行相關(guān)景觀指數(shù)計(jì)算,分析得出適宜粒度與尺度。將合適尺度下的景觀指數(shù)導(dǎo)入NeuroShell 2,用ANN模型進(jìn)行森林景觀結(jié)構(gòu)變化和模擬研究。
景觀指數(shù)類(lèi)型主要有3種水平,主要是斑塊尺度(patch)水平、斑塊類(lèi)型尺度(class)水平、景觀尺度(landscape)水平。本研究基于景觀水平進(jìn)行研究,根據(jù)研究需要主要選取斑塊個(gè)數(shù)(NP),斑塊密度(PD)、最大斑塊指數(shù)(LPI)、平均分維數(shù)(FRAC_MN)、分離度(DIVISION)、景觀多樣性指數(shù)(SHDI)6個(gè)指標(biāo)進(jìn)行研究分析;人工神經(jīng)網(wǎng)絡(luò)模型分析過(guò)程中,綜合考慮分析數(shù)據(jù)收斂速度和泛化能力等方面,主要選取蔓延度指數(shù)(CONTAG)、聚集度指數(shù)(AI)、分離度(DIVISION)和景觀多樣性指數(shù)(SHDI)4個(gè)景觀指數(shù)。以上選取的景觀指標(biāo)反映了林場(chǎng)景觀類(lèi)型的集聚程度、延展趨勢(shì)、景觀構(gòu)成、景觀組分等空間變化特征。
圖1 澄邁林場(chǎng)景觀類(lèi)型Fig. 1 Landscape type of Chengmai Forest Farm
表1 澄邁林場(chǎng)森林景觀類(lèi)型特征Table 1 Landscape characteristics of Chengmai Forest Farm
景觀格局分析評(píng)價(jià)常用的方法是景觀指數(shù)粒度效應(yīng)分析和面積信息守恒評(píng)價(jià)法[10],分別針對(duì)景觀空間粒度變化定性分析和面積信息精度分析定量評(píng)價(jià)。依據(jù)景觀指數(shù)粒度效應(yīng)折線選取適宜粒度域是景觀指數(shù)粒度效應(yīng)分析方法的核心。景觀粒度大小為效應(yīng)折線橫軸,相應(yīng)粒度的景觀指數(shù)值為縱軸。
式(1)和(2)中:Li是面積損失的相對(duì)值;Ai是某類(lèi)型景觀粒度化后的面積;Abi表示該類(lèi)型在粒度化前的面積;Si表示區(qū)域景觀類(lèi)型面積變化指數(shù);n表示區(qū)域景觀類(lèi)型數(shù)目。Si越大,表明區(qū)域內(nèi)各景觀類(lèi)型面積變化越大,粒度化后各景觀類(lèi)型面積精度越差;反之,粒度化后各景觀類(lèi)型面積精度越高。
構(gòu)建神經(jīng)網(wǎng)絡(luò)模型軟件眾多,本研究選取由美國(guó)軟件公司開(kāi)發(fā)的NeuroShell2軟件設(shè)計(jì)ANN模型[13]。利用NeuroShell2軟件的Advanced Neural Networks模塊建立一個(gè)改進(jìn)型3層BP神經(jīng)網(wǎng)絡(luò),其中輸入層包含2個(gè)節(jié)點(diǎn)(輸入變量),隱含層由 “0.618法”確定神經(jīng)網(wǎng)絡(luò)隱含層神經(jīng)元個(gè)數(shù)12個(gè)節(jié)點(diǎn),輸出層4個(gè)節(jié)點(diǎn)[14]。
在景觀類(lèi)型分類(lèi)基礎(chǔ)上,利用Arcgis10.0的空間分析模塊中的創(chuàng)建漁網(wǎng)工具均勻布設(shè)網(wǎng)格,交叉切割適宜粒度的影像數(shù)據(jù),剔除邊緣的、不可靠的數(shù)據(jù),選取有代表性、均勻分布的145個(gè)樣本數(shù)據(jù),作為BP神經(jīng)網(wǎng)絡(luò)模型的輸入矩陣。選取其中124個(gè)樣方作為訓(xùn)練數(shù)據(jù),剩余的21個(gè)用于網(wǎng)絡(luò)模型訓(xùn)練效果檢驗(yàn)。利用ARCGIS10.0將樣方數(shù)據(jù)轉(zhuǎn)換成柵格數(shù)據(jù),并導(dǎo)入軟件Fragstats4.2計(jì)算景觀水平上相關(guān)景觀指數(shù),獲得網(wǎng)絡(luò)訓(xùn)練測(cè)試的輸入矩陣數(shù)據(jù)。
森林景觀格局研究需要綜合考慮各項(xiàng)因素,因此選取每個(gè)樣方斑塊面積(TA)、最大斑塊指數(shù)(LPI)2個(gè)景觀指標(biāo)作為輸入變量,蔓延度指數(shù)(CONTAG)、聚集度指數(shù)(AI)、分離度(DIVISION)、景觀多樣性指數(shù)(SHDI)4個(gè)景觀指標(biāo)作為輸出變量。由于原始模型輸入矩陣數(shù)據(jù)的量綱不同和指標(biāo)指數(shù)量級(jí)存在明顯差異,同時(shí)考慮到BP模型傳遞函數(shù)特點(diǎn)和數(shù)據(jù)收斂速度,對(duì)訓(xùn)練數(shù)據(jù)進(jìn)行歸一化無(wú)量綱處理[15]。標(biāo)準(zhǔn)化采用如下形式:
式(3)中,xij輸入矩陣的原始數(shù)據(jù);x′ij歸一化處理后的數(shù)據(jù);i,j分別為樣方號(hào),變量號(hào);xmin,xmax列數(shù)據(jù)中的最小值和最大值。本文獲得輸入和輸出變量后,對(duì)其進(jìn)行無(wú)量綱處理,使數(shù)據(jù)處于區(qū)間[0,1]之間。
綜合考慮小班類(lèi)型和計(jì)算機(jī)數(shù)據(jù)運(yùn)算量,本文在景觀格局適宜粒度選取過(guò)程中,利用ArcMap10.0軟件的數(shù)據(jù)轉(zhuǎn)換模塊,將矢量小班數(shù)據(jù)轉(zhuǎn)換為不同粒度的柵格數(shù)據(jù),選取最小景觀轉(zhuǎn)換粒度為20 m,最大粒度為320 m,以20 m為轉(zhuǎn)換粒度間隔,獲得16幅不同粒度級(jí)別的景觀類(lèi)型柵格數(shù)據(jù)。利用Fragstats 4.2軟件,采用標(biāo)準(zhǔn)法計(jì)算不同粒度景觀指數(shù),進(jìn)行景觀指數(shù)粒度效應(yīng)分析,以確定研究區(qū)適宜分析粒度。
由圖2可知,隨著景觀分析粒度的不斷增加,各景觀指數(shù)折線呈現(xiàn)各異變化趨勢(shì),斑塊個(gè)數(shù)、平均分維數(shù)、斑塊密度指數(shù)折線整體呈現(xiàn)出下降趨勢(shì),最大斑塊數(shù)、分離度、景觀多樣性指數(shù)整體趨勢(shì)不明顯,但6個(gè)指數(shù)折線中出現(xiàn)明顯粒度轉(zhuǎn)折點(diǎn)。由于矢量小班數(shù)據(jù)粒度化過(guò)程中,數(shù)據(jù)邊界、相鄰斑塊屬性以及相關(guān)特性發(fā)生改變,導(dǎo)致景觀指數(shù)出現(xiàn)各異變化趨勢(shì)。根據(jù)折線拐點(diǎn)分布情況和不同粒度下各景觀指數(shù)變化趨勢(shì),選定適宜尺度域40~80 m 和220~260 m。此柵格粒度域內(nèi),景觀指數(shù)變化能夠有效反映研究區(qū)域內(nèi)森林景觀的景觀格局變化程度和趨勢(shì)。
在馱子往三輪車(chē)上裝家當(dāng)時(shí),有人看見(jiàn)周小羽去了村口的那棵老樟樹(shù)下,有人說(shuō),周小羽一直在望著村口的方向,脖子是伸了又伸,伸了又伸。過(guò)了半天以后,周小羽才回到了村子里。
根據(jù)面積信息守恒評(píng)價(jià)法計(jì)算得知圖3,在森林景觀適宜分析粒度域40~80 m之間,當(dāng)景觀柵格粒度小于等于60 m時(shí),面積精度損失指數(shù)稍微下降,由0.092降至0.082;粒度大于60 m時(shí),損失指數(shù)驟然上升到0.16。220~260 m粒度范圍內(nèi),粒度240 m時(shí)面積精度損失指數(shù)達(dá)到最大,達(dá)到0.71,此粒度范圍內(nèi)不宜作為景觀格局分析。
綜合不同粒度景觀指數(shù)效應(yīng)分析和面積信息損失評(píng)價(jià)結(jié)果表明:研究區(qū)適宜景觀格局分析粒度60 m,既保證研究區(qū)景觀信息準(zhǔn)確性,又提升計(jì)算機(jī)有效工作量。
圖2 澄邁林場(chǎng)森林景觀指數(shù)隨粒度的變化Fig.2 Changes of landscape indexes with grain sizes variances in Chengmai Forest Farm
圖3 不同粒度尺寸下林場(chǎng)景觀類(lèi)型面積精度變化Fig.3 Changes of land area accuracy with different grid sizes of Chengmai Forest Farm
本研究以60 m分析粒度為基礎(chǔ),采用其奇數(shù)倍作為移動(dòng)窗口分析尺度,避免破碎像元帶來(lái)的數(shù)據(jù)處理冗余與誤差,由此得出8個(gè)移動(dòng)窗口半徑分別為 60、180、300、420、540、660、880、900 m。為了避免移動(dòng)窗口的邊緣效應(yīng),從研究區(qū)左上角開(kāi)始移動(dòng),每次向右移動(dòng)1個(gè)柵格,計(jì)算單位窗格內(nèi)所選取的景觀指數(shù)值,再將指數(shù)值賦給該窗格的中心柵格,最終計(jì)算計(jì)算得出相關(guān)景觀指數(shù)柵格圖。避免人為布點(diǎn)對(duì)景觀指標(biāo)值提取的影響,利用GIS軟件的空間分析工具,隨機(jī)在研究區(qū)內(nèi)布設(shè)40個(gè)樣點(diǎn),并在景觀指數(shù)柵格圖內(nèi)提取相應(yīng)的景觀指數(shù)值,用以分析研究窗口幅度變化對(duì)景觀指數(shù)變化趨勢(shì)的影響。
利用空間分析工具,分別提取6項(xiàng)景觀水平指數(shù)值到40個(gè)樣點(diǎn),對(duì)林場(chǎng)內(nèi)40個(gè)樣點(diǎn)的景觀指數(shù)變化幅度進(jìn)行分析。從圖4可以看出,當(dāng)移動(dòng)窗口寬度增大時(shí),分離度、斑塊密度2項(xiàng)景觀指數(shù)曲線出現(xiàn)劇烈波動(dòng),其余4項(xiàng)值數(shù)變化趨于平穩(wěn)。綜合考慮6項(xiàng)景觀指數(shù)曲線變化趨勢(shì),選定540 m窗口尺度為比較合適的分析尺度,選擇的景觀指數(shù)能夠形成較為平滑的可視化效果。
圖4 不同幅度下樣點(diǎn)景觀指數(shù)變化Fig.4 Changes of landscape indexes with different spatial extents
本研究利用NeuroShell 2神經(jīng)網(wǎng)絡(luò)分析軟件,采用改進(jìn)型BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行模擬訓(xùn)練,神經(jīng)網(wǎng)絡(luò)模型初始化權(quán)值設(shè)為0.3,學(xué)習(xí)率設(shè)定為0.05,動(dòng)量因子為0.1。BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練誤差經(jīng)過(guò)劇烈震蕩之后逐步穩(wěn)定下來(lái),在學(xué)習(xí)26 206步之后訓(xùn)練終止,最后的平均訓(xùn)練誤差為0.008 188,最小訓(xùn)練誤差為0.005 161,最后的測(cè)試平均誤差0.022 852,最小測(cè)試誤差為0.012 419,誤差水平達(dá)到最小。將訓(xùn)練完成的數(shù)據(jù)導(dǎo)出,對(duì)4項(xiàng)原始輸入數(shù)據(jù)和對(duì)應(yīng)的BP神經(jīng)網(wǎng)絡(luò)模擬值進(jìn)行對(duì)比分析,獲得變化曲線圖。
圖5顯示BP神經(jīng)網(wǎng)絡(luò)模型對(duì)4項(xiàng)景觀指數(shù)(蔓延度指數(shù)、聚集度指數(shù)、分離度和景觀多樣性指數(shù))的模型模擬值與實(shí)測(cè)值(目標(biāo)值)之間的擬合程度。研究結(jié)果表明,改進(jìn)型3層BP人工神經(jīng)網(wǎng)絡(luò)模型模擬4項(xiàng)景觀指數(shù)驅(qū)動(dòng)力因子變化趨勢(shì)效果較好,124個(gè)訓(xùn)練樣方數(shù)據(jù)的景觀指數(shù)模擬值與實(shí)測(cè)值(目標(biāo)值)擬合程度比較高,且對(duì)區(qū)域內(nèi)各景觀指標(biāo)的變化規(guī)律模擬較好。
圖6可知,改進(jìn)型BP神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練完畢,各項(xiàng)誤差達(dá)到訓(xùn)練要求,需要檢驗(yàn)?zāi)P偷目尚哦?。利用剩余?1個(gè)樣方數(shù)據(jù)檢驗(yàn)?zāi)P停m然4項(xiàng)景觀指標(biāo)模擬值和實(shí)際值(目標(biāo)值)之間局部偏差較大,但基本準(zhǔn)確反映出各指標(biāo)值變化趨勢(shì)和輸入因子對(duì)區(qū)域森林景觀格局產(chǎn)生的影響。
通過(guò)基于移動(dòng)窗口法分析和ANN模型模擬研究,得出以下結(jié)論:
(1)基于粒度化柵格數(shù)據(jù)分析研究,得出澄邁林場(chǎng)景觀格局研究的適宜粒度為60 m;基于移動(dòng)窗口法數(shù)據(jù)處理分析研究,得出適宜分析窗口尺度為540 m;綜合考慮景觀粒度效應(yīng)分析折線趨勢(shì)和面積信息守恒變化曲線評(píng)價(jià)結(jié)果,同時(shí)考慮數(shù)據(jù)處理速度,選定60 m柵格粒度大小,540 m的窗口尺寸為BP神經(jīng)網(wǎng)絡(luò)模型研究分析的基礎(chǔ)數(shù)據(jù)。
圖5 BP神經(jīng)人工網(wǎng)絡(luò)模型訓(xùn)練結(jié)果Fig.5 Training results of BP arti fi cial neural network
圖6 BP人工神經(jīng)網(wǎng)絡(luò)模型檢驗(yàn)結(jié)果Fig.6 Testing results of BP arti fi cial neural network
(2)將輸入和輸出數(shù)據(jù)進(jìn)行歸一化處理,導(dǎo)入BP神經(jīng)網(wǎng)絡(luò)模型模擬分析,124個(gè)訓(xùn)練樣方的模擬值和目標(biāo)值擬合程度非常高,BP神經(jīng)網(wǎng)絡(luò)模型較好的模擬研究區(qū)景觀格局特征,
(3)檢驗(yàn)BP神經(jīng)網(wǎng)絡(luò)模型的21個(gè)樣方檢驗(yàn)結(jié)果平均誤差為0.005 8,基本準(zhǔn)確反映出輸入因子對(duì)研究區(qū)森林景觀格局產(chǎn)生的影響,模型總體檢驗(yàn)結(jié)果達(dá)到研究要求。4項(xiàng)景觀指數(shù)的精確度均達(dá)到80%以上,可信度高。
(4)移動(dòng)窗口法和ANN模型相結(jié)合,更加精確研究分析澄邁林場(chǎng)景觀格局特征。但尚存一些問(wèn)題:
①本論文主要森林景觀格局研究主要是基于水平尺度上分析,垂直尺度因素對(duì)區(qū)域景觀格局影響有待進(jìn)一步研究。
②在適宜分析粒度和尺度選取過(guò)程中,主要基于離散數(shù)據(jù),選取出適宜分析粒度和尺度范圍,為更加精確選取分析粒度和尺度,適宜尺度選取方法應(yīng)向數(shù)據(jù)擬合突破。
③適宜尺度選取過(guò)程中選取景觀指標(biāo)與ANN模型分析過(guò)程選取指標(biāo)不一致,中間產(chǎn)生的誤差和影響需要進(jìn)一步研究分析。
[1]張玲玲,趙永華,殷 莎,等.基于移動(dòng)窗口法的岷江干旱河谷景觀格局梯度分析[J].生態(tài)學(xué)報(bào), 2014, 34(12):3276-3284.
[2]吳 末,許麗萍,張 敏,等.生態(tài)斑塊粒度效應(yīng)研究[J].地理與地理信息科學(xué), 2014, 30(5):88-91.
[3]李棟科,丁圣顏,梁國(guó)付,等.基于移動(dòng)窗口法的豫西山地丘陵地區(qū)景觀異質(zhì)性分析[J].生態(tài)學(xué)報(bào), 2014, 34(12):3414-3424.
[4]周亞?wèn)|,周兆德.基于GIS與Fragstats的海南島森林景觀格局研究[J].中南林業(yè)科技大學(xué)學(xué)報(bào),2015,35(5):78-83.
[5]張琳琳,孔繁花,尹海偉,等.基于景觀空間指標(biāo)與移動(dòng)窗口的濟(jì)南城市空間格局變化[J].生態(tài)學(xué)雜志, 2010, 29(8):1591-1598.
[6]Yingni Jiang. Computation of monthly mean daily global solar radiation in China using artificial neural networks and comparison with other empirical models[J]. Energy. 2009, 34 (9):1276-1283.
[7]鄭新奇.景觀格局空間分析技術(shù)及其應(yīng)用[M].第一版.北京:科學(xué)出版社, 2010.
[8]陸 超,齊 偉,李 樂(lè),等.二維與三維景觀格局指數(shù)在山區(qū)縣域景觀格局分析中的應(yīng)用[J].應(yīng)用生態(tài)學(xué)報(bào), 2012, 23(5):1351-1357.
[9]孫 華,陳振雄,林 輝,等,莫登奎.基于ANN模型的森林景觀研究[J].林業(yè)資源管理, 2007,8(4):97-104.
[10]劉 昕,國(guó)慶喜.基于移動(dòng)窗口法的中國(guó)東北地區(qū)景觀格局[J].應(yīng)用生態(tài)學(xué)報(bào), 2009, 20(6):1415-1422.
[11]徐芝英,胡云峰,劉 越,等.空間尺度轉(zhuǎn)換數(shù)據(jù)精度評(píng)價(jià)的準(zhǔn)則和方法[J].地理科學(xué)進(jìn)展, 2012, 31(12):1574-1582.
[12]張玲玲,史云飛,劉玉華.空間粒度變化對(duì)沂蒙山景觀格局指數(shù)的影響[J].生態(tài)學(xué)雜志, 2013, 32(2):459-464.
[13]Yang Wang, Shuangcheng Li. Simulating multiple class urban land-use/cover changes by RBFN-based CA model[J]. Computers& Geosciences. 2011, 37 (2):111-121.
[14]張利權(quán).上海市景觀格局的人工神經(jīng)網(wǎng)絡(luò)(ANN)模型[J].生態(tài)學(xué)報(bào), 2005, 25(5):958-964.
[15]曾明宇,陳振雄,劉庭威.基于ANN的森林蓄積遙感估測(cè)研究[J].中南林業(yè)調(diào)查規(guī)劃, 2010, 29(3):36-39.
Forest landscape study for Chengmai Forest Farm, Hainan province based on moving window method and ANN model
CHEN Dong-yang, CHEN Cai-hong, CHANG Shuang-shuang
(Central South University of Forestry and Technology, Changsha 410004, Hunan, China)
Using ARCGIS and Fragstats software, based on the moving window method and ANN model, the forest landscape of Chengmai Forest Farm in Hainan province was simulated. The results show that the appropriate landscape analysis granularity is 60 meters (landscape grid), the optimal quadrat scale (shrub) is 540 meters; arti fi cial neural network model have the ideal convergence effect and is suitable for forest landscape simulation. The combination of ANN model and moving window method, can accurately analyzed forest landscape pattern, thus providing a reference for quantitative analysis of forest landscape pattern and more scienti fi c and rational guidance for management of forest farm.
forest landscape simulation; landscape indexes; moving window method; grain effect; ANN model;; Chengmai County,Hainan Province
S718.5 文獻(xiàn)標(biāo)志碼:A 文章編號(hào):1673-923X(2015)12-0095-07
2015-01-17
湖南省軟科學(xué)重點(diǎn)項(xiàng)目(2013ZK2031);國(guó)家林業(yè)公益性行業(yè)項(xiàng)目(201004032);海南省林業(yè)廳重點(diǎn)科研項(xiàng)目(201108478)
陳冬洋,碩士研究生
陳彩虹,教授,博士;E-mail:chencaihong056@163.com
陳冬洋,陳彩虹,常雙雙. 基于移動(dòng)窗口法與ANN模型的澄邁林場(chǎng)森林景觀研究[J].中南林業(yè)科技大學(xué)學(xué)報(bào),2015,35(12): 95-101.
[本文編校:文鳳鳴]
中南林業(yè)科技大學(xué)學(xué)報(bào)2015年12期