磴口縣景觀格局AES-LPI-CA 模型演化模擬

張啟斌 岳德鵬 于 強(qiáng) 李 寧 寧立新 尹 波

(1.北京林業(yè)大學(xué)精準(zhǔn)林業(yè)北京市重點(diǎn)實(shí)驗(yàn)室， 北京 100083； 2.河南大學(xué)環(huán)境與規(guī)劃學(xué)院， 鄭州 450004)

磴口縣景觀格局AES-LPI-CA 模型演化模擬

張啟斌1岳德鵬1于 強(qiáng)1李 寧1寧立新2尹 波1

(1.北京林業(yè)大學(xué)精準(zhǔn)林業(yè)北京市重點(diǎn)實(shí)驗(yàn)室， 北京 100083； 2.河南大學(xué)環(huán)境與規(guī)劃學(xué)院， 鄭州 450004)

以內(nèi)蒙古巴彥淖爾市磴口縣為研究區(qū)，在LPI-CA-Markov模型的基礎(chǔ)上構(gòu)建AES-LPI-CA模型，利用人工內(nèi)分泌系統(tǒng)(AES)調(diào)整元胞自動(dòng)機(jī)鄰域中中心元胞的轉(zhuǎn)移概率，并基于磴口縣2000年與2007年景觀格局?jǐn)?shù)據(jù)對(duì)縣域2014年景觀格局進(jìn)行模擬，將該模型模擬結(jié)果與LPI-CA-Markov模型、CA-Markov模型的模擬結(jié)果進(jìn)行對(duì)比，結(jié)果顯示3種模型模擬結(jié)果的KIA(Kappa index of agreement,以2014年實(shí)際景觀分布為參照)依次為0.823 6、0.785 5、0.768 2，AES-LPI-CA模型顯示了較高模擬精度。

AES-LPI-CA模型; 元胞自動(dòng)機(jī); 景觀格局指數(shù); 景觀格局; 磴口縣

引言

景觀格局是指由各種原因形成的一系列大小、形狀各異，排列不同的景觀鑲嵌體在景觀空間的排列[1-2]，它決定著資源和環(huán)境的分布形式，與景觀中的多種生態(tài)過(guò)程密切相關(guān)，深刻影響著生態(tài)系統(tǒng)的穩(wěn)定性、抗干擾能力以及恢復(fù)能力[3-5]。磴口縣處于干旱區(qū)，河套平原與烏蘭布和沙漠交錯(cuò)地帶，研究當(dāng)?shù)鼐坝^格局變化，模擬其景觀格局未來(lái)的演化特征，對(duì)磴口縣乃至整個(gè)河套地區(qū)的防沙治沙與水土保持工作具有重要意義。

CA-Markov模型是近年來(lái)景觀格局變化模擬研究中應(yīng)用較多的模型之一[6-8]，為了提高模型模擬精度，眾多學(xué)者或者將元胞自動(dòng)機(jī)與其他模型結(jié)合，或者完善CA的轉(zhuǎn)換規(guī)則，MANSON[9]將多智能體與元胞自動(dòng)機(jī)結(jié)合，模擬了莫斯科地區(qū)尤卡垣半島南部的土地利用格局，何春陽(yáng)等[10]將系統(tǒng)動(dòng)力學(xué)模型與元胞自動(dòng)機(jī)結(jié)合，模擬了中國(guó)北方13省未來(lái)20年的土地利用格局，然而在當(dāng)前的研究中元胞自動(dòng)機(jī)與其他模型多為松散結(jié)合，耦合其他模型改進(jìn)元胞自動(dòng)機(jī)鄰域規(guī)則的研究相對(duì)較少[11-12]。

人工內(nèi)分泌系統(tǒng)(AES)是一種模仿人體內(nèi)分泌系統(tǒng)信息處理特性的新的智能模型和方法，具有與元胞自動(dòng)機(jī)相同的分布式與動(dòng)態(tài)調(diào)節(jié)的特點(diǎn)[13]，在機(jī)器人行為控制、情感建模、多智能體等問(wèn)題中有較多應(yīng)用[14-15]，而耦合元胞自動(dòng)機(jī)進(jìn)行景觀格局模擬的研究較少。本文利用AES對(duì)CA鄰域規(guī)則進(jìn)行改進(jìn)并在景觀轉(zhuǎn)移規(guī)則中加入對(duì)景觀格局指數(shù)的考量，構(gòu)建AES-LPI-CA模型，對(duì)磴口縣景觀格局進(jìn)行模擬，以期為磴口縣景觀變化研究提供理論與方法支持。

1 材料與方法

1.1 研究區(qū)概況

內(nèi)蒙古巴彥淖爾市磴口縣地處東經(jīng)107°05′、北緯40°13′，位于內(nèi)蒙古自治區(qū)西南部。縣域西北為狼山山脈，東部為黃河，屬典型的荒漠綠洲交錯(cuò)區(qū)，河套平原與烏蘭布和沙漠在縣域內(nèi)由東北向西南逐漸過(guò)渡，生態(tài)區(qū)位極為關(guān)鍵。地勢(shì)西北高東南低，狼山山脈以東盡是平原，海拔高度1 030～2 046 m。溫帶大陸性季風(fēng)氣候特征明顯，年平均降水量144.5 mm，年平均蒸發(fā)量2 397.6 mm，年平均風(fēng)速3 m/s，風(fēng)蝕強(qiáng)烈。水資源較為豐富，黃河流經(jīng)縣域總里程52 km，地表水域總面積24.07 km2。近年來(lái)，縣域景觀格局發(fā)生了較大變化，針對(duì)縣域景觀格局演變特點(diǎn)，研究模擬未來(lái)縣域景觀格局的方法，對(duì)制定長(zhǎng)期防沙治沙與環(huán)境保護(hù)政策有重要意義。

1.2 數(shù)據(jù)來(lái)源與處理

主要數(shù)據(jù)源為磴口縣2000、2007、2014年遙感影像，其中2000、2007年遙感影像為 Landsat 5 TM傳感器影像，2014年遙感影像為L(zhǎng)andsat 8 OLI 傳感器影像，影像采集時(shí)間均為植被特征明顯的夏季。根據(jù)《生態(tài)環(huán)境狀況評(píng)價(jià)技術(shù)規(guī)范》中的土地利用一級(jí)分類體系，結(jié)合研究區(qū)特點(diǎn)，建立了包括耕地、水域、林地、建設(shè)用地、沙地和山地6種景觀類型的景觀分類體系，遙感影像解譯借助ENVI 5.2 軟件以監(jiān)督分類-最大似然法完成。

1.3 技術(shù)路線

將AES與CA結(jié)合以調(diào)整CA鄰域中中心元胞的轉(zhuǎn)移概率，并在景觀轉(zhuǎn)移概率中加入對(duì)景觀格局指數(shù)的考量，構(gòu)建AES-LPI-CA模型，模擬磴口縣2014年景觀格局技術(shù)路線如圖1所示。

圖1 研究技術(shù)路線圖Fig.1 Research technical map

1.4 人工內(nèi)分泌調(diào)節(jié)系統(tǒng)(AES)

內(nèi)分泌腺對(duì)與各類荷爾蒙釋放數(shù)量的調(diào)節(jié)機(jī)制由FARHY[16]于2001年提出，該調(diào)節(jié)機(jī)制分為激勵(lì)函數(shù)Fup(G)和抑制函數(shù)Fdown(G)，2種調(diào)節(jié)機(jī)制都服從Hill函數(shù)規(guī)律且具有非負(fù)性和單調(diào)性，公式為

(1)

(2)

式中G——自變量T——閾值n——Hill系數(shù)

函數(shù)曲線上升或下降的斜率由n和T共同決定。該函數(shù)具備性質(zhì)

Fup=1-Fdown

(3)

(4)

0≤Fup(down)(G)≤1

(5)

假設(shè)荷爾蒙a的分泌量受荷爾蒙b調(diào)節(jié)，那么荷爾蒙a的分泌速率Sa與荷爾蒙b濃度Cb的關(guān)系滿足

Sa=αFup(down)(Cb)+Sa,basd

(6)

式中Sa,basd——荷爾蒙a原本單位時(shí)間內(nèi)釋放量,mL

α——常數(shù)項(xiàng)

以上述理論為基礎(chǔ)，在CA的鄰域規(guī)則中引入人工內(nèi)分泌調(diào)節(jié)系統(tǒng)(AES)。將鄰域內(nèi)各景觀類型視為不同種類荷爾蒙，將其在鄰域內(nèi)的面積視為當(dāng)前環(huán)境下不同荷爾蒙的濃度，中心元胞即將釋放何種荷爾蒙(也即將演化為何種景觀類型)，由不同荷爾蒙的濃度(不同景觀類型在鄰域內(nèi)所占面積)決定，計(jì)算公式為

(7)

例如在磴口縣景觀變化模擬中，當(dāng)對(duì)鄰域內(nèi)中心元胞演化為某景觀類型i的概率進(jìn)行調(diào)整時(shí)，將鄰域內(nèi)景觀類型i所占面積視為當(dāng)前荷爾蒙濃度，且中心元胞的荷爾蒙釋放受其影響，根據(jù)式(7)，實(shí)現(xiàn)對(duì)中心元胞演化為景觀類型i的概率進(jìn)行調(diào)整。

1.5 景觀格局指數(shù)

景觀格局指數(shù)(LPI)是對(duì)景觀格局特征的抽象與定量表征，對(duì)研究區(qū)的多種生態(tài)過(guò)程有重要影響[17-18]，因此將景觀格局指數(shù)與元胞自動(dòng)機(jī)結(jié)合，有助于提高景觀格局演化模擬精度。通過(guò)建立景觀格局指數(shù)與景觀格局非轉(zhuǎn)移概率(UTP)間的定量耦合關(guān)系，對(duì)研究區(qū)每一景觀類型的演化概率進(jìn)行調(diào)整，將區(qū)域景觀格局信息整合進(jìn)CA模型中[19]。

在眾多景觀格局指數(shù)中，選取類型水平的斑塊密度(PD)以及類型水平的相似性指數(shù)(LSIM)進(jìn)行研究。其中，PD表征研究范圍內(nèi)，某種景觀或土地利用類型單位面積上的斑塊密度，用以衡量景觀類型的破碎程度，在景觀類型不變的前提下，PD越高，則景觀破碎化程度越高[20]，因此該情形下的景觀斑塊將更容易演變?yōu)槠渌愋停溆?jì)算公式為

(8)

式中Pdi——第i類景觀類型的斑塊密度aij——斑塊ij的面積，km2m——斑塊總數(shù)j——斑塊編號(hào)

LSIM用以量化景觀格局的組成，其計(jì)算公式為

(9)

式中LSIMi——第i類景觀類型的斑塊相似性指數(shù),%

A——研究區(qū)域景觀總面積，km2

若某景觀類型有較高的LSIM指數(shù)則表明研究范圍內(nèi)該景觀類型占優(yōu)[21]，則其演變?yōu)槠渌坝^類型的概率較低。

2 結(jié)果與分析

2.1 景觀轉(zhuǎn)移概率分析

基于Markov無(wú)后效性理論，利用IDRISI Selva軟件中的Markov模塊，計(jì)算磴口縣2007—2014年景觀類型轉(zhuǎn)移概率矩陣，如表1所示。由分析結(jié)果可知各景觀類型中山地與沙地向其他景觀類型演變的概率較小，表明2種景觀類型在演變過(guò)程中的不確定性較小，其中山地的非轉(zhuǎn)移概率達(dá)到99.15%，這主要是由山地景觀在2000—2007年間變動(dòng)極少所致；沙地向林地演變的概率最高，達(dá)到27.36%，反映出2000—2007年間縣域防沙治沙與水土保持工作的成效。林地、耕地與水域的非轉(zhuǎn)移概率均接近50%，其中林地與水域向沙地演變的概率較大，分別為28.74%與22.61%，該結(jié)果主要受2000—2007年間較高的土地沙化風(fēng)險(xiǎn)影響。建筑用地的非轉(zhuǎn)移概率僅為28.76%，演變?yōu)榱值嘏c耕地的概率偏高，表明景觀預(yù)測(cè)結(jié)果中，建筑用地景觀將出現(xiàn)更大的不確定性，這與2000—2007年縣域土地集約利用政策的實(shí)施密切相關(guān)。

表1 磴口縣2007—2014年景觀轉(zhuǎn)移概率矩陣Tab.1 Landscape transition probability matrix form 2007 to 2014 of Dengkou County %

2.2 景觀適宜性分析

綜合考慮縣域當(dāng)前地形、水文、社會(huì)經(jīng)濟(jì)等要素，根據(jù)生態(tài)位適宜度模型，針對(duì)各要素，評(píng)價(jià)每種景觀類型在縣域空間范圍內(nèi)的開發(fā)適宜度，各景觀類型適宜度評(píng)價(jià)標(biāo)準(zhǔn)如表2所示，利用IDRISI Selva 軟件的logistic regression建模工具生成各景觀類型空間分布適宜性圖集。

表2 各景觀類型空間適宜度評(píng)價(jià)Tab.2 Spatial suitability evaluation of each land scape type

2.3 LPI與UTP耦合分析

利用Arc Map 10.2中的Fishnet 工具，按照?qǐng)D2所示方案將研究區(qū)劃分子區(qū)；利用IDRISI Selva計(jì)算每一子區(qū)內(nèi)各景觀類型的轉(zhuǎn)移概率矩陣，進(jìn)而推算子區(qū)內(nèi)每一景觀類型的非轉(zhuǎn)移概率；利用Fragstats 4.2.1計(jì)算每一子區(qū)2007年類型水平的斑塊密度與斑塊相似性指數(shù)；以各子區(qū)斑塊密度、斑塊相似性指數(shù)為自變量，以非轉(zhuǎn)移概率為因變量，擬合三者間的數(shù)量關(guān)系，擬合結(jié)果顯示LSIM與非轉(zhuǎn)移概率為正相關(guān)而PD與非轉(zhuǎn)移概率呈負(fù)相關(guān)關(guān)系，根據(jù)擬合結(jié)果重新計(jì)算各子區(qū)內(nèi)不同景觀類型的非轉(zhuǎn)移概率，結(jié)果如圖3所示。

圖2 子區(qū)劃分示意圖Fig.2 Sketch map of sub region division

圖3 磴口縣非轉(zhuǎn)移概率圖Fig.3 Non transition probability map of Dengkou County

縣域子區(qū)各景觀類型的非轉(zhuǎn)移概率受景觀轉(zhuǎn)移概率、景觀相似性指數(shù)、斑塊密度3方面影響，最大非轉(zhuǎn)移概率為71%，出現(xiàn)在山地及部分子區(qū)的沙地景觀中，最小非轉(zhuǎn)移概率為0.4%，出現(xiàn)在縣域東南26號(hào)子區(qū)的水域景觀中。從非轉(zhuǎn)移概率的空間分布來(lái)看，縣域西部山地分布范圍有最高的非轉(zhuǎn)移概率，除編號(hào)為2的子區(qū)，該區(qū)域景觀類型非轉(zhuǎn)移概率均在70%以上，這一方面是由于山地景觀本就難以發(fā)生轉(zhuǎn)移，另一方面是因?yàn)樯降鼐坝^連通性好，相似性指數(shù)高，破碎度極低?？h域中部編號(hào)為10的子區(qū)也有較高非轉(zhuǎn)移概率，其平均值為57%，子區(qū)中沙地景觀非轉(zhuǎn)移概率最高，達(dá)到71%，這主要是由于該子區(qū)內(nèi)部沙地景觀較為連續(xù)完整，相似性指數(shù)偏高而斑塊密度較小，子區(qū)中水域有最低非轉(zhuǎn)移概率，為19%，這主要是由于子區(qū)內(nèi)部沒(méi)有面積較大的完整水域，水域景觀破碎度較高所致。縣域南部編號(hào)為24、27的子區(qū)非轉(zhuǎn)移概率平均值為55%，與周邊子區(qū)相比同樣偏高，該子區(qū)中林地具有最高的非轉(zhuǎn)移概率，為61%，子區(qū)中水域景觀非轉(zhuǎn)移概率最低，為19%。總體來(lái)看，非轉(zhuǎn)移概率綜合反映了景觀格局轉(zhuǎn)移概率矩陣與景觀格局指數(shù)兩方面信息，能較好反映各子區(qū)特點(diǎn)。

2.4 基于AES-LPI-CA模型的景觀格局模擬

根據(jù)PAN等[22]的研究成果以及本研究具體情況，設(shè)置元胞自動(dòng)機(jī)鄰域大小為9×9摩爾鄰域，綜合考慮景觀類型適宜度、非轉(zhuǎn)移概率并在鄰域中增加荷爾蒙調(diào)節(jié)機(jī)制，根據(jù)以下算法遍歷每一元胞，確定其演化方向。具體算法為：①根據(jù)磴口縣景觀格局適宜性圖集，確定當(dāng)前元胞演化為每一景觀類型的概率。②根據(jù)荷爾蒙調(diào)節(jié)機(jī)制，將當(dāng)前鄰域范圍內(nèi)不同景觀類型在鄰域內(nèi)所占面積視為不同種類荷爾蒙濃度，以式(7)調(diào)整中心元胞演化為各景觀類型的概率，并結(jié)合元胞自動(dòng)機(jī)鄰域規(guī)則確定最大概率潛在景觀演化類型。③根據(jù)2.3節(jié)的分析結(jié)果確定中心元胞的非轉(zhuǎn)移概率，生成一個(gè)0～1之間的隨機(jī)數(shù)，并將其與非轉(zhuǎn)移概率進(jìn)行比較，以確定該演化是否發(fā)生。④根據(jù)2.1節(jié)中的轉(zhuǎn)移概率矩陣，確定當(dāng)前演化方向的景觀類型間所發(fā)生的轉(zhuǎn)移面積是否已經(jīng)超過(guò)轉(zhuǎn)移概率矩陣中所表征的最大值，若尚未超過(guò)，則該演化最終發(fā)生，否則不發(fā)生。⑤根據(jù)上述算法，遍歷每一元胞，完成一次迭代，根據(jù)向前預(yù)測(cè)年限確定最終迭代次數(shù)，本研究向前預(yù)測(cè)7年，因此迭代次數(shù)為7。以C#為編程語(yǔ)言實(shí)現(xiàn)模型運(yùn)行，最終結(jié)果如圖4a所示。

圖4 磴口縣景觀格局模擬圖Fig.4 Landscape pattern simulations of Dengkou County

2.5 模型模擬精度分析

將模型模擬結(jié)果與縣域2014年實(shí)際景觀格局進(jìn)行目視對(duì)比，驗(yàn)證AES-LPI-CA模型的精度與可靠性。對(duì)比可知，模型模擬結(jié)果與實(shí)際景觀分布總體趨勢(shì)相同(圖4a、4b)，其中建筑用地、山地、水體景觀有較好的模擬精度，而林地、耕地、沙地景觀目視差別相對(duì)明顯。

通過(guò)IDRISI Selva軟件中的Cross Tab模塊進(jìn)行列聯(lián)表分析，逐像元對(duì)比模型模擬結(jié)果與實(shí)際景觀類型間的差異，對(duì)模型模擬精度進(jìn)行定量分析，列聯(lián)表分析結(jié)果如表3所示，模型模擬面積、2014年實(shí)際面積、二者相對(duì)誤差、各景觀模擬KIA(Kappa index of agreement，以2014年實(shí)際景觀分布為參照)均在表中進(jìn)行了展示。結(jié)果表明，模型模擬結(jié)果與實(shí)際景觀類型接近程度較高，能較好滿足模擬精度要求，各景觀類型相對(duì)誤差的絕對(duì)值均小于8%，模擬精度較好。在各景觀類型中，山地景觀精度最高，建筑用地次之，而水體、林地、沙地景觀的精度偏低。林地、耕地、沙地、山地、水體、建筑用地景觀的KIA分別為0.561 1、0.689 3、0.721 8、0.994 8、0.662 2、0.729 8。在各景觀模擬結(jié)果中，山地景觀的模擬精度達(dá)到最高，其KIA為0.994 8，這主要是由縣域山地景觀分布范圍相對(duì)確定、規(guī)則設(shè)置簡(jiǎn)單明確所致。

表3 AES-LPI-CA模型模擬精度評(píng)價(jià)Tab.3 Simulation accuracy evaluation of AES-LPI-CA

為進(jìn)一步驗(yàn)證模型精度，分別利用CA-Markov模型，LPI-CA-Markov模型對(duì)磴口縣2014年景觀格局進(jìn)行模擬預(yù)測(cè)，結(jié)果如圖4c和圖4d所示，對(duì)2種模型的模擬結(jié)果分別進(jìn)行列聯(lián)表分析，得出各景觀類型與總體KIA，并與AES-LPI-CA模型模擬精度進(jìn)行比較，不同景觀類型對(duì)比結(jié)果如圖5所示。

圖5 3種模型模擬精度對(duì)比Fig.5 Simulation accuracy comparison of three models

對(duì)比分析可知，在相同轉(zhuǎn)移概率矩陣與相同景觀格局適宜性圖集的約束下，3種模型模擬結(jié)果的精度由高到低依次為AES-LPI-CA模型、LPI-CA-Markov模型以及CA-Markov模型，3種模型的總體KIA指數(shù)依次為0.823 6、0.785 5、0.768 2。AES-LPI-CA模型在對(duì)建筑用地的模擬中優(yōu)勢(shì)最為明顯，其KIA指數(shù)比LPI-CA-Markov模型與傳統(tǒng)CA-Markov模型分別高出0.208 3與0.362 7，在另外2種模型的模擬結(jié)果中，建筑用地的大量破碎斑塊消失，而連通性較好、面積較大的斑塊出現(xiàn)了明顯的擴(kuò)張與聚集，模擬精度偏低，而AES-LPI-CA模型則較好地模擬了建筑用地的實(shí)際演化情況。另外AES-LPI-CA模型對(duì)水域、林地景觀的模擬精度也明顯高于另外2種模型，然而對(duì)山地、耕地景觀的模擬精度未顯示出明顯優(yōu)勢(shì)，這可能是由于2種景觀類型整體連通性較好，多年來(lái)變動(dòng)較少，可預(yù)測(cè)性本就較強(qiáng)導(dǎo)致。3種模型中，LPI-CA-Markov模型在CA-Markov模型的基礎(chǔ)上，增加了對(duì)景觀格局指數(shù)的考慮，而景觀格局指數(shù)是景觀空間構(gòu)成特征的定量化表征，因此該模型實(shí)際是在適宜性圖集、轉(zhuǎn)移概率矩陣2種約束條件下進(jìn)一步綜合子區(qū)景觀分布的空間特征，使得子區(qū)內(nèi)連通性與斑塊相似性更高的景觀類型轉(zhuǎn)入概率更大，相比CA-Markov模型其模擬精度有所提升。AES-LPI-CA模型則在LPI-CA-Markov模型的基礎(chǔ)上基于AES模型對(duì)元胞鄰域規(guī)則進(jìn)行了改進(jìn)，鄰域內(nèi)不同景觀類型面積作為荷爾蒙濃度處理，使得中心元胞更容易釋放鄰域內(nèi)優(yōu)勢(shì)荷爾蒙也即演化為優(yōu)勢(shì)景觀，因此模擬精度得到了進(jìn)一步提高。

3 結(jié)論

(1)利用內(nèi)分泌調(diào)節(jié)機(jī)制改進(jìn)元胞自動(dòng)機(jī)鄰域規(guī)則，同時(shí)考慮景觀格局指數(shù)對(duì)景觀轉(zhuǎn)移概率的影響，在CA-Markov模型的基礎(chǔ)上構(gòu)建AES-LPI-CA模型對(duì)磴口縣景觀格局進(jìn)行了模擬，結(jié)果精度較高。

(2)將AES-LPI-CA模型模擬結(jié)果與LPI-CA-Markov模型、CA-Markov模型進(jìn)行對(duì)比，3種模型模擬結(jié)果的KIA指數(shù)依次為0.768 2、0.785 5、0.823 6，LPI-CA-Markov模型顯示出景觀變化模擬中的較大優(yōu)勢(shì)。

(3)由于AES主要通過(guò)在元胞鄰域內(nèi)發(fā)生作用對(duì)中心元胞的轉(zhuǎn)移方向進(jìn)行調(diào)整，不同的鄰域設(shè)置對(duì)模型中不同荷爾蒙濃度將產(chǎn)生明顯影響，進(jìn)而造成模擬結(jié)果的不同，因此后續(xù)研究中應(yīng)著重解決該問(wèn)題。

1 劉冰,李清飛,宋軒,等. 平頂山地區(qū)景觀格局動(dòng)態(tài)特征及驅(qū)動(dòng)力分析[J]. 中國(guó)環(huán)境監(jiān)測(cè),2013,29(3):158-163. LIU Bing, LI Qingfei, SONG Xuan, et al. Evolvement of landscape pattern and driving forces in Pingdingshan City[J]. Environmental Monitoring in China, 2013, 29(3):158-163.(in Chinese)

2 YU Qiang, YUE Depeng, WANG Jiping, et al. The optimization of urban ecological infrastructure network based on the changes of county landscape patterns: a typical case study of ecological fragile zone located at Dengkou (Inner Mongolia)[J]. Journal of Cleaner Production, 2016, 15(14):138-143.

3 孫才志,閆曉露,鐘敬秋. 下遼河平原景觀格局脆弱性及空間關(guān)聯(lián)格局[J]. 生態(tài)學(xué)報(bào),2014,34(2):247-257. SUN Caizhi, YAN Xiaolu, ZHONG Jingqiu. Evaluation of the landscape patterns vulnerability and analysis of spatial correlation patterns in the lower reaches of Liaohe River Plain[J]. Acta Ecologica Sinica, 2014, 34(2):247-257.(in Chinese)

4 于強(qiáng),岳德鵬,郝玉光,等.磴口縣荒漠綠洲景觀特征及時(shí)空變化研究[J].干旱區(qū)資源與環(huán)境,2016,30(4):178-183. YU Qiang, YUE Depeng, HAO Yuguang, et al. The spatial and temporal variations of oasis desera landscape in Dengkou County[J]. Journal of Arid Land Resources and Environment, 2016, 30(4):178-183.(in Chinese)

5 馬克明,傅伯杰,黎曉亞,等. 區(qū)域生態(tài)安全格局:概念與理論基礎(chǔ)[J]. 生態(tài)學(xué)報(bào),2004,24(4):761-768. MA Keming, FU Bojie, LI Xiaoya, et al. The regional pattern for ecological security (RPES): the concept and theoretical basis[J]. Acta Ecologica Sinica, 2004,24(4):761-768.(in Chinese)

6 趙冬玲,杜萌,楊建宇,等. 基于CA-Markov模型的土地利用演化模擬預(yù)測(cè)研究[J/OL]. 農(nóng)業(yè)機(jī)械學(xué)報(bào),2016,47(3):278-285. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20160339&journal_id=jcsam. DOI：10.6041/j.issn.1000-1298.2016.03.039. ZHAO Dongling, DU Meng, YANG Jianyu, et al. Simulation and forecast study of land use change based on CA-Markov model[J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2016, 47(3):278-285.(in Chinese)

7 于強(qiáng),岳德鵬, YANG Di，等.基于EnKF-MCRP模型的生態(tài)用地?cái)U(kuò)張模擬研究[J/OL].農(nóng)業(yè)機(jī)械學(xué)報(bào),2016,47(9):285-293. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20160939&journal_id=jcsam. DOI：10.6041/j.issn.1000-1298.2016.09.039. YU Qiang, YUE Depeng, YANG Di, et al. Simulation on ecological land use expansion based on EnKF-MCRP model[J/OL].Transactions of the Chinese Society for Agricultural Machinery,2016,47(9):285-293.(in Chinese)

8 何丹,周璟,高偉,等. 基于CA-Markov模型的滇池流域土地利用變化動(dòng)態(tài)模擬研究[J]. 北京大學(xué)學(xué)報(bào):自然科學(xué)版,2014,50(6):1095-1105. HE Dan, ZHOU Jing, GAO Wei, et al. An integrated CA-Markov model for dynamic simulation of land use change in Lake Dianchi watershed[J]. Acta Scientiarum Naturalium Universitatis Pekinensis, 2014, 50(6):1095-1105. (in Chinese)

9 MANSON S M. Agent-based modeling and genetic programming for modeling land change in the southern Yucatan Peninsular Region of Mexico[J]. Agriculture, Ecosystems and Environment, 2005, 111(1-4): 47-62.

10 何春陽(yáng),史培軍,陳晉,等. 基于系統(tǒng)動(dòng)力學(xué)模型和元胞自動(dòng)機(jī)模型的土地利用情景模型研究[J]. 中國(guó)科學(xué):D輯，2005，35(5)：464-473. HE Chunyang, SHI Peijun, CHEN Jin, et al. Research on land use scenario model based on system dynamics model and cellular automata model[J]. Science China Earth Sciences, 2005, 35(5):464-473.(in Chinese)

11 郜允兵,張翼鵬,高秉博,等.長(zhǎng)時(shí)序海量土地利用時(shí)空數(shù)據(jù)統(tǒng)計(jì)優(yōu)化方法[J/OL].農(nóng)業(yè)機(jī)械學(xué)報(bào),2015,46(增刊):290-296. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=2015S046&journal_id=jcsam. DOI:10.6041/j.issn.1000-1298.2015.S0.046. GAO Yunbing, ZHANG Yipeng, GAO Bingbo, et al. Statistical optimization method of massive spatiotemporal data for long time series land use[J/OL].Transactions of the Chinese Society for Agricultural Machinery,2015,46(Supp.):290-296. (in Chinese)

12 楊俊,解鵬,席建超,等. 基于元胞自動(dòng)機(jī)模型的土地利用變化模擬——以大連經(jīng)濟(jì)技術(shù)開發(fā)區(qū)為例[J]. 地理學(xué)報(bào),2015,70(3):461-475. YANG Jun, XIE Peng, XI Jianchao, et al. LUCC simulation based on the cellular automata simulation: a case study of Dalian economic and technological development zone[J]. Acta Geographica Sinica, 2015, 70(3):461-475. (in Chinese)

13 WANG Lei, TANG Dunbing. An improved adaptive genetic algorithm based on hormone modulation mechanism for job-shop scheduling problem[J]. Expert Systems with Applications, 2011, 38(6):7243-7250.

14 雷揚(yáng). 人工內(nèi)分泌模型及應(yīng)用研究[D].合肥: 中國(guó)科學(xué)技術(shù)大學(xué),2010. LEI Yang. Artificial endocrine theory and applications [D]. Hefei: University of Science and Technology of China,2010.(in Chinese)

15 王祎,陳為棟,顧幸生,等. 基于內(nèi)分泌激素調(diào)節(jié)機(jī)制的免疫算法的Flow shop調(diào)度問(wèn)題[J]. 系統(tǒng)仿真學(xué)報(bào),2008, 20(13):3425-3430. WANG Wei, CHEN Weidong, GU Xingsheng, et al. Adaptive immune algorithm based on regulation laws of hormone in endocrine system for scheduling problems of Flow shop [J]. Journal of System Simulation, 2008, 20(13):3425-3430. (in Chinese)

16 FARHY L S. Modeling of oscillations of endocrine networks with feedback [J]. Methods Enzymology, 2004, 384(12): 54-81.

17 陳愛(ài)蓮,孫然好,陳利頂. 傳統(tǒng)景觀格局指數(shù)在城市熱島效應(yīng)評(píng)價(jià)中的適用性[J]. 應(yīng)用生態(tài)學(xué)報(bào),2012, 23(8):2077-2086. CHEN Ailian, SUN Ranhao, CHEN Liding. Applicability of traditional landscape metrics in evaluating urban heat island effect[J]. Chinese Journal of Applied Ecology, 2012, 23(8):2077-2086. (in Chinese)

18 李鵬山,呂雅慧,張超，等.基于核密度估計(jì)的京津冀地區(qū)耕地破碎化分析[J/OL].農(nóng)業(yè)機(jī)械學(xué)報(bào),2016,47(5):281-287.http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20160538&journal_id=jcsam. DOI：10.6041/j.issn.1000-1298.2016.05.038. LI Pengshan, Lü Yahui, ZHANG Chao, et al. Analysis of cultivated land fragmentation in Beijing-Tianjin-Hebei region based on kernel density estimation[J/OL].Transactions of the Chinese Society for Agricultural Machinery,2016,47(5):281-287.(in Chinese)

19 YANG Xin, ZHENG Xinqi, CHEN Rui. A land use change model: integrating landscape pattern indexes and Markov-CA[J]. Ecological Modelling, 2014, 283(7):1-7.

20 張蕓香,郭晉平. 森林景觀斑塊密度及邊緣密度動(dòng)態(tài)研究——以關(guān)帝山林區(qū)為例[J]. 生態(tài)學(xué)雜志,2001, 20(1):18-21. ZHANG Yunxiang, GUO Jinping. The dynamics of patch density and edge density in forested landscape of Shanxi, China a case study in Guandishan mountain forest district[J]. Chinese Journal of Ecology, 2001, 20(1):18-21.(in Chinese)

21 MCGARIGAL K M. FRAGSTATS: spatial pattern analysis program for quantifying landscape structure[M]. Portland: Pacific Northwest Research Station，1995.

22 PAN Ying, ROTH A, YU Zhenrong, et al. The impact of variation in scale on the behavior of a cellular automata used for land use change modeling [J]. Computers, Environment and Urban Systems, 2010,34(5): 400-408.

Simulation of Landscape Pattern Evolution in Dengkou County Using AES-LPI-CA Model

ZHANG Qibin1YUE Depeng1YU Qiang1LI Ning1NING Lixin2YIN Bo1
(1.BeijingKeyLaboratoryofPrecisionForestry,BeijingForestryUniversity,Beijing100083,China2.CollegeofEnvironmentandPlanning,HenanUniversity,Zhengzhou450004,China)

Landscape pattern is closely related to many local ecological processes. Study on the future evolution of landscape pattern in the arid area of Northwest China is of great significance to local prevention and controlling of desertification and water and soil conservation. Therefore, taking Dengkou County, Bayannaoer City, Inner Mongolia as study area, a AES-LPI-CA model was built based on the LPI-CA-Markov model to simulate the landscape pattern of Dengkou County in 2014 by using the remote sensing image interpretation data of 2000 and 2007. Firstly, the landscape pattern transfer appropriate atlas was built and artificial endocrine system (AES) was used to adjust the probabilities of the CA center cell transfer into different landscape types, the cellular automata neighborhood rule was taken into consideration, and the transfer direction of the center cell was settled. Then the un-transition probability (UTP) map which was built based on the quantitative relation between landscape index (LPI) and UTP was used to define the occurrence probability of the transfer, and the landscape transition probability matrix which was generated by using Markov model was used to make the final decision of transfer. The simulation result of the model was compared with the results of LPI-CA-Markov model and CA-Markov model. The Kappa index of agreement (KIA) of simulation results of the three models were 0.823 6, 0.785 5 and 0.768 2, respectively, AES-LPI-CA model had a higher simulation precision. The research result had referential values for the study on future evolution of landscape and formulation of ecological policy.

AES-LPI-CA model; cellular automata; landscape pattern index; landscape pattern; Dengkou County

2016-08-19

2016-09-18

國(guó)家自然科學(xué)基金項(xiàng)目(41371189)和“十二五”國(guó)家科技支撐計(jì)劃項(xiàng)目(2012BAD16B00)

張啟斌(1990—)，男，博士生，主要從事3S技術(shù)在生態(tài)環(huán)境中的應(yīng)用研究，E-mail: bin0538@outlook.com

岳德鵬(1963—)，男，教授，博士生導(dǎo)師，主要從事景觀生態(tài)學(xué)和土地評(píng)價(jià)研究，E-mail: yuedepeng@126.com

10.6041/j.issn.1000-1298.2017.05.015

K903

A

1000-1298(2017)05-0128-07