GANNs-CA時(shí)空數(shù)據(jù)模型在優(yōu)勢(shì)樹種演替研究中的應(yīng)用

陳文勇 ，王 穎 ，李建軍 ，張 尹

（1.中南林業(yè)科技大學(xué)，湖南 長(zhǎng)沙 410004；2.湖南國(guó)防工業(yè)職業(yè)技術(shù)學(xué)院，湖南 湘潭 411100；3.數(shù)字洞庭湖南省重點(diǎn)實(shí)驗(yàn)室，湖南 長(zhǎng)沙 410000）

GANNs-CA時(shí)空數(shù)據(jù)模型在優(yōu)勢(shì)樹種演替研究中的應(yīng)用

陳文勇1，2，王 穎1，3，李建軍1，張 尹1，2

（1.中南林業(yè)科技大學(xué)，湖南 長(zhǎng)沙 410004；2.湖南國(guó)防工業(yè)職業(yè)技術(shù)學(xué)院，湖南 湘潭 411100；3.數(shù)字洞庭湖南省重點(diǎn)實(shí)驗(yàn)室，湖南 長(zhǎng)沙 410000）

加強(qiáng)林木種群內(nèi)在關(guān)系的研究，將幫助人們更多地了解森林生態(tài)系統(tǒng)內(nèi)部深層次問(wèn)題。采集了常綠闊葉林永久性觀察樣地的林分結(jié)構(gòu)、地形、土壤等數(shù)據(jù)作為研究因子。通過(guò)2003年和2006年的相關(guān)數(shù)據(jù)，利用遺傳算法（GA）的搜尋速度快和全局尋優(yōu)效果優(yōu)異的特點(diǎn)進(jìn)行神經(jīng)網(wǎng)絡(luò)（ANNs）迭代訓(xùn)練和檢測(cè)，得到了最精確的影響因子的閾值和權(quán)重。利用元胞自動(dòng)機(jī)（CA）在時(shí)空格局演化模擬和空間局部?jī)?yōu)化方面的優(yōu)勢(shì)，依據(jù)影響因子的閾值和權(quán)重，確定了元胞自動(dòng)機(jī)的轉(zhuǎn)換規(guī)則，構(gòu)建了常綠闊葉林種群種間關(guān)系演變的GANNs-CA模型。依據(jù)該模型預(yù)測(cè)了2020年會(huì)同常綠闊葉林6種優(yōu)勢(shì)種群的生長(zhǎng)狀況。結(jié)果表明：2013年到2020年間觀察樣地的6種優(yōu)勢(shì)種群將有不同程度的變化，栲樹和青岡將分別減少4.65%和3.19%；而筆羅子和刨花楠將增加3.76%和3.81%，其它優(yōu)勢(shì)種群則變化不大。本次研究發(fā)現(xiàn)觀察樣地中的6種優(yōu)勢(shì)種群種內(nèi)競(jìng)爭(zhēng)強(qiáng)于種間競(jìng)爭(zhēng)。這可能與該樣地處于演替的初期階段，優(yōu)勢(shì)樹種種類較多，且優(yōu)勢(shì)度不明顯有關(guān)。

GANNs-CA；種群關(guān)系；優(yōu)勢(shì)；演替；時(shí)空數(shù)據(jù)

研究森林樹木種類的動(dòng)態(tài)分布可以認(rèn)識(shí)林木間的相互影響與內(nèi)在關(guān)系，有助于了解群落發(fā)生、發(fā)展、更新演替過(guò)程。在自然條件下，不同植物種群在特定的生境中，為實(shí)現(xiàn)對(duì)資源的合理利用，會(huì)形成一定的搭配關(guān)系[1-6]。群落中植物種群關(guān)系是由植物種群與環(huán)境條件彼此影響、共同作用而形成的，它不僅反映了當(dāng)前群落結(jié)構(gòu)的特點(diǎn)，也表現(xiàn)了群落的演替進(jìn)程，同時(shí)為混交林的科學(xué)管理提供理論依據(jù)[7-14]。上世紀(jì)80年代初，王伯蓀等[15-18]對(duì)森林群落的演替進(jìn)行了大量開創(chuàng)新研究，在種間關(guān)聯(lián)、取樣技術(shù)等理論和實(shí)踐中均取得了卓越成就。Kershaw，Cole，Pielou，Schluter 等[19-26]對(duì)測(cè)算方法做了進(jìn)一步改進(jìn)[24-26]。當(dāng)前，各種關(guān)于植物種群種間關(guān)系的研究大量涌現(xiàn)，為進(jìn)一步研究主要森林樹種演替打下了堅(jiān)實(shí)基礎(chǔ)[27-28]。元胞自動(dòng)機(jī)的出現(xiàn)，源自細(xì)胞的自繁殖思想[29-33]。在生態(tài)學(xué)領(lǐng)域，人們將其視為生命現(xiàn)象的一種抽象。并被用于生態(tài)系統(tǒng)變化過(guò)程的模擬，如兔子-草，鯊魚-小魚的演變關(guān)系；動(dòng)物的群體行為的模擬，如昆蟲、大雁、魚類的遷徙；同時(shí)，元胞自動(dòng)機(jī)理論也是當(dāng)今生物群落演變領(lǐng)域的熱點(diǎn)[37-42]。本研究依據(jù)上述研究成果，結(jié)合GA搜尋速度快和全局尋優(yōu)效果優(yōu)異的特點(diǎn)進(jìn)行ANNs迭代訓(xùn)練和檢測(cè)，獲取元胞自動(dòng)機(jī)所需的精確的影響因子閾值和權(quán)重，構(gòu)建森林優(yōu)勢(shì)樹種演替模型。

1 研究區(qū)概況

樣地設(shè)置在“湖南會(huì)同森林生態(tài)系統(tǒng)國(guó)家野外科學(xué)觀測(cè)研究站”內(nèi)。會(huì)同縣地處湖南省西南部、沉江上游，地理位置為 109°26′～ 110°8′E 和 26°40′～27°9′N之間（圖1），氣候?qū)俚湫偷膩啛釒Ъ撅L(fēng)濕潤(rùn)性氣候，氣候特征為：冬暖夏熱，降水充沛，蒸發(fā)量小，立體氣候明顯，小氣候差異大，年均溫度16.6 ℃，年均降水量1 265 mm，年均日照時(shí)數(shù)1 445.3 h。該綜合觀測(cè)場(chǎng)海拔高度300～415 m，相對(duì)高度在150 m以下，地貌類型為低山丘陵型。土壤為山地黃壤，有機(jī)質(zhì)含量在10～30 g·kg-1，之間，pH值4.8～5.7。植被主要為常綠闊葉林，以殼斗科Fagaceae的拷屬Castanopsis、青岡屬clobalanopsis、石棟屬Lithocarpus為建群科，其次為樟科Lauraceae的樟屬Cinnamomum、楠木屬Phoebe；山茶科Theaceae的木荷屬Schima，山茶屬Camellia以及木蘭科Magnoliaceae、金縷梅科Hamamelidaceae 、杜英科 Elaeocarpaceae的一些樹種組成。研究區(qū)位置見(jiàn)圖1。

圖1 研究區(qū)位置Fig.1 Location of study area

1 材料與方法

1.1 數(shù)據(jù)采集及預(yù)處理

1.1.1 樣地設(shè)置

在會(huì)同縣常綠闊葉林綜合觀測(cè)場(chǎng)內(nèi)海拔高度為300～415 m處，設(shè)置總面積為50 000 m2的永久樣地。為便于調(diào)查，設(shè)置2個(gè)樣地（Ⅰ號(hào)和Ⅱ號(hào)樣地），每個(gè)大樣地分為25個(gè)10 m×10 m的標(biāo)準(zhǔn)樣方。并記錄標(biāo)準(zhǔn)地的基本情況。

1.1.2 群落調(diào)查

樣格內(nèi)凡超過(guò)1.5 m高的木本植物均進(jìn)行調(diào)查。同時(shí)測(cè)定其環(huán)境因子（見(jiàn)表1）。

表1 群落類型特征因子?Table l Characteristic exponents of communities

1.1.3 群落重要值及優(yōu)勢(shì)種的確定

研究區(qū)內(nèi)50個(gè)樣地共計(jì)33種喬木。利用2006年調(diào)查數(shù)據(jù)進(jìn)行重要值計(jì)算，分析結(jié)果如表2。

表2 樣地喬木數(shù)量特征Table 2 The statistics of evergreen broad-leaved forest comprehensive observation

由表2可知，栲樹、筆羅子和青岡重要值最高，分別達(dá)到17.92%、9.49%和9.24%，而刨花楠和黃杞達(dá)到了5.51%和4.64%，分別位居第四和第五位；而排在第六名的分別是山烏桕，重要值為3.07%，在群落中也占有一定地位，但遠(yuǎn)小于栲樹、筆羅子和青岡。本研究中將重要值大于2.3%的種群作為優(yōu)勢(shì)種群，分別是栲樹、筆羅子、青岡、刨花楠、黃杞、山烏桕，共同主導(dǎo)群落的演替。

1.1.4 數(shù)據(jù)分析

數(shù)據(jù)主要來(lái)自會(huì)同常綠闊葉林綜合觀測(cè)場(chǎng)于1997年調(diào)查的省級(jí)固定樣地以及2003年和2013年調(diào)查中的固定樣地資料。種群種間關(guān)系演變的成因復(fù)雜，據(jù)王伯蓀等[17-18]的研究，其影響因子包括樣地立地條件、群落生態(tài)狀況等方面。本次研究根據(jù)研究樣地?cái)?shù)據(jù)現(xiàn)狀及現(xiàn)有研究條件，選取的影響因子如表3所示?？紤]到后面的研究中需使用到ArcGIS和Matalab兩個(gè)工具進(jìn)行配合，因此所有數(shù)據(jù)使用ArcGIS和Matlab兩者兼容的ASCⅡ-GRID格式。

表3 研究所需變量及數(shù)據(jù)獲取方式Table 3 Models used in empty asked variables and their treatment

1.2 研究方法

依據(jù)元胞自動(dòng)機(jī)理論，每個(gè)元胞的運(yùn)動(dòng)是雜亂的、各異的；但從系統(tǒng)來(lái)看，是遵循某種演化規(guī)律的。利用元胞自動(dòng)機(jī)的特性研究種群關(guān)系動(dòng)態(tài)演變關(guān)系時(shí)，需要找到相對(duì)應(yīng)的影響因子，這些因子可以用一系列的數(shù)值來(lái)表示，數(shù)值的大小決定了該因子對(duì)種群種間關(guān)系動(dòng)態(tài)演變過(guò)程中所起的作用[44]。因此，本研究要定義優(yōu)勢(shì)種群演變關(guān)系的轉(zhuǎn)換規(guī)則，在具體的計(jì)算中，要對(duì)模型進(jìn)行參數(shù)檢驗(yàn)從而獲得精確的參數(shù)，再利用獲取的參數(shù)預(yù)測(cè)未來(lái)常綠闊葉林優(yōu)勢(shì)種群的空間格局，在模型轉(zhuǎn)化規(guī)則這個(gè)問(wèn)題上，有很多學(xué)者選擇用人工神經(jīng)網(wǎng)絡(luò)（ANNs）來(lái)代替復(fù)雜的轉(zhuǎn)換規(guī)則來(lái)獲取CA模型的變量參數(shù)[45]。但ANNs存在很多問(wèn)題，但ANNs存在下述問(wèn)題：（1）學(xué)習(xí)速度很慢，效率較低；（2）ANNs主要是局部搜索的優(yōu)化方法，不太適合解決全局極值問(wèn)題，因此，訓(xùn)練失敗的可能性較大。但是，遺傳算法正好可以有效的克服這些缺點(diǎn)[46]。因此，充分利用CA在研究時(shí)空格局演化方面的優(yōu)勢(shì)，利用GA、ANN算法，并與GIS技術(shù)結(jié)合，建立了關(guān)于會(huì)同常綠闊葉林綜合觀測(cè)場(chǎng)6種優(yōu)勢(shì)喬木種群種間關(guān)系變化動(dòng)態(tài)過(guò)程模擬的GANNs-CA模型，輸入變量中的6個(gè)優(yōu)勢(shì)喬木種群的鄰域值就代表了轉(zhuǎn)換規(guī)則。

本研究建立的的常綠闊葉林優(yōu)勢(shì)種群演變關(guān)系的GANNs-CA模型結(jié)構(gòu)主要有以下幾個(gè)方面，如圖2所示。

圖2 GANNs-CA模型建模過(guò)程Fig. 2 The modeling process of GANNs-CA model

2 研究過(guò)程與結(jié)果分析

2.1 種群分布特征分析

圖3是6種主要樹種的在2003年、2006年、2013年的分布情況。

由上圖3（a）和圖3（b）可以看出，2003年至2006年山烏桕和黃杞種群數(shù)量幾乎無(wú)變化，筆羅子和刨花楠種群在緩慢的增長(zhǎng)，栲樹和青岡種群數(shù)量則在緩慢的減少。從圖3（b）和圖3（c）可知，種群生長(zhǎng)規(guī)律和之前的一樣，2006年到2013年之間，山烏桕和黃杞種群數(shù)量依舊無(wú)變化，筆羅子和刨花楠種群在緩慢的增長(zhǎng)，栲樹和青岡種群數(shù)量仍在緩慢的減少。

由于學(xué)生活動(dòng)課程有利于激發(fā)學(xué)生對(duì)會(huì)計(jì)專業(yè)的學(xué)習(xí)興趣，鞏固學(xué)生的會(huì)計(jì)知識(shí)，改善學(xué)生對(duì)會(huì)計(jì)專業(yè)的理解，增強(qiáng)學(xué)生對(duì)會(huì)計(jì)事業(yè)的認(rèn)同。因此，越來(lái)越多的院校如今已將學(xué)生活動(dòng)作為學(xué)生的必須修課程。因此，在今后的會(huì)計(jì)專業(yè)教學(xué)中，應(yīng)該更深入地研究與探討學(xué)生活動(dòng)課程，進(jìn)而做好會(huì)計(jì)專業(yè)學(xué)生活動(dòng)課程的設(shè)計(jì)工作，培養(yǎng)出更多的高素質(zhì)會(huì)計(jì)人才。

圖3 樹種分布Fig.3 Tree species distribution

由表4可知，2003年到2013年之間，筆羅子優(yōu)勢(shì)種數(shù)量增加了18棵，刨花楠優(yōu)勢(shì)種數(shù)量增加了15棵；栲樹優(yōu)勢(shì)種數(shù)量減少了33棵，青岡優(yōu)勢(shì)種減少了30棵；而黃杞優(yōu)勢(shì)種和山烏桕優(yōu)勢(shì)種數(shù)量幾乎沒(méi)有發(fā)生變化。

2.2 CA模塊

優(yōu)勢(shì)種群的演變規(guī)則：本模型采用的方案將各影響因子直接輸入ANNs的訓(xùn)練中，其最后結(jié)果即為優(yōu)勢(shì)種群對(duì)演變影響的權(quán)重。

表4 2003年、2006年和2013年優(yōu)勢(shì)種群數(shù)量Table 4 The dominant population quantity table in 2003,2006 and 2013

2.3 優(yōu)勢(shì)種群人工神經(jīng)網(wǎng)絡(luò)訓(xùn)練

ANNs在輸入層輸入影響常綠闊葉林的種群種間關(guān)系的數(shù)據(jù)變量，合計(jì)11個(gè)變量（如表3）。根據(jù)Kolmogorov定理[47]，隱藏層包含9個(gè)神經(jīng)元。輸出層包含9個(gè)神經(jīng)元，分別表示9類優(yōu)勢(shì)種群的轉(zhuǎn)換概率。假如已知有n種優(yōu)勢(shì)種群，那么便會(huì)有n×n種可能轉(zhuǎn)換，其中任何一種優(yōu)勢(shì)種群都有可能轉(zhuǎn)化為n優(yōu)勢(shì)種群中的一種。

每個(gè)模擬單元對(duì)應(yīng)n個(gè)屬性變量（通過(guò)GIS空間分析獲得），而每個(gè)變量決定了ANNs輸入層對(duì)應(yīng)神經(jīng)元在t時(shí)刻的優(yōu)勢(shì)種群轉(zhuǎn)換概率。表達(dá)式如下：

式（1）中xi(k,t)為單元k在時(shí)間t時(shí)的第i個(gè)變量，T為轉(zhuǎn)置，n=1，2，3，……11。xi(k,t)∈[0，1]（見(jiàn)表5）。

標(biāo)準(zhǔn)化后的信號(hào)，被隱藏層所接收。

在隱藏層，每個(gè)信號(hào)會(huì)生成對(duì)應(yīng)的值，其響應(yīng)函數(shù)為：

表5 數(shù)據(jù)標(biāo)準(zhǔn)化處理（部分值）Table 5 Standardization of data processing (part value)

從隱藏層流出的數(shù)據(jù)被輸出層接收：

優(yōu)勢(shì)種群的轉(zhuǎn)換概率（圖4）為：

第n個(gè)神經(jīng)元的輸出為當(dāng)前單元的優(yōu)勢(shì)種群轉(zhuǎn)換到第n種優(yōu)勢(shì)種群的轉(zhuǎn)換概率。值越大轉(zhuǎn)換的可能性越大。

圖4 優(yōu)勢(shì)種群的轉(zhuǎn)換概率數(shù)值（部分）Fig.4 Dominant population transformation probability value

越是優(yōu)勢(shì)種群，其演變?cè)骄徛M往往需要經(jīng)歷很多回合。在這里選擇一個(gè)閥值來(lái)限制優(yōu)勢(shì)種群的轉(zhuǎn)化，當(dāng)最大的輸出超出這個(gè)閥值，那么認(rèn)為該種優(yōu)勢(shì)種群才能轉(zhuǎn)化為輸出神經(jīng)元對(duì)應(yīng)的優(yōu)勢(shì)種群，這里閥值選擇的范圍為[0，1]，與網(wǎng)絡(luò)的輸出范圍一致（見(jiàn)圖5）。試驗(yàn)表明一個(gè)較大的閾值在模擬優(yōu)勢(shì)種群演變過(guò)程更加精確。

神經(jīng)網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)從2003年優(yōu)勢(shì)種群生長(zhǎng)分布圖中隨機(jī)選取100個(gè)柵格點(diǎn)數(shù)據(jù)，當(dāng)訓(xùn)練迭代次數(shù)達(dá)100次后，誤差為0.001 356 7，基本符合精度要求（見(jiàn)圖6）。

圖5 反向誤差傳遞（采用LM（levenbery-marquandt）神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法）Fig.5 Reverse error transfer (using LM (levenberymarquandt) neural network training algorithm)

圖6 優(yōu)勢(shì)種群的迭代訓(xùn)練結(jié)果Fig. 6 The dominant population iterative training neural networks

2.4 模型校準(zhǔn)模塊

模型中引入L-S(Lee-Sallee)指數(shù)來(lái)衡量模型精度，該指數(shù)反映模擬數(shù)據(jù)與真實(shí)檢驗(yàn)數(shù)據(jù)之間空間分布的相似性，具體表達(dá)式為：上述過(guò)程，直到模擬的優(yōu)勢(shì)種群?jiǎn)卧獢?shù)與實(shí)際的優(yōu)勢(shì)種群?jiǎn)卧獢?shù)非常接近時(shí)，循環(huán)終止，校準(zhǔn)過(guò)程結(jié)束（見(jiàn)表6）。

式（6）中：L為改進(jìn)過(guò)的Lee-Sallee指數(shù)，取值范圍為[0，1]，A0為歷史真實(shí)年份的優(yōu)勢(shì)樹種的現(xiàn)狀，At為模擬的未來(lái)優(yōu)勢(shì)種群的狀態(tài)。

在本研究中，首先對(duì)2003年數(shù)據(jù)進(jìn)行初始化，設(shè)置優(yōu)勢(shì)種群演變關(guān)系轉(zhuǎn)換概率閾值T分別為0.85，0.95；其次通過(guò)對(duì)已訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)輸出每個(gè)單元對(duì)應(yīng)的各種優(yōu)勢(shì)種群的轉(zhuǎn)換概率；然后經(jīng)過(guò)閾值判斷和優(yōu)勢(shì)種群轉(zhuǎn)換規(guī)則判斷，確定中間過(guò)程的優(yōu)勢(shì)種群變化，完成一次循環(huán)；重復(fù)

表6 數(shù)據(jù)標(biāo)準(zhǔn)化處理（部分值）Table 6 Standardization of data processing (part value)

2.5 模型預(yù)測(cè)模塊

本研究中假設(shè)未來(lái)樹種生長(zhǎng)的地形因子、人為影響等因素沒(méi)有發(fā)生較大的變化。結(jié)合會(huì)同常綠闊葉林觀察站現(xiàn)狀及優(yōu)勢(shì)種群關(guān)系演化特征，綜合比較4種不同參數(shù)組合方案下的土地利用預(yù)測(cè)，本研究認(rèn)為T=0.95和參數(shù)為1.0情況下的預(yù)測(cè)方案最接近會(huì)同常綠闊葉林觀察場(chǎng)地的優(yōu)勢(shì)種群的分布。因此在模型預(yù)測(cè)中選用T=0.95和參數(shù)為1.0方案進(jìn)行2020年會(huì)同常綠闊葉林觀察場(chǎng)地的優(yōu)勢(shì)種群分布模擬?；谠搩?yōu)勢(shì)種群關(guān)系動(dòng)態(tài)演化模型，預(yù)測(cè)結(jié)果如表7所示：

模型預(yù)測(cè)假定2013年至2020年間會(huì)同常綠闊葉林觀察場(chǎng)范圍不變，即只考慮常綠闊葉林生長(zhǎng)的種間和種內(nèi)演化，不考慮其它外部阻力。依據(jù)預(yù)測(cè)結(jié)果，2013年到2020年間會(huì)同常綠闊葉林觀察場(chǎng)的6種優(yōu)勢(shì)種群都有不同程度的變化，主要表現(xiàn)為栲樹和青岡的減少，分別減少18棵和12棵，相對(duì)于2013年中占優(yōu)勢(shì)種群總株數(shù)的百分比分別減少了4.65%和3.19%；而筆羅子和刨花楠分別增加了11棵和12棵，相對(duì)于2013年中占優(yōu)勢(shì)種群總株數(shù)的百分比分別增加了3.76%和3.81%，其它優(yōu)勢(shì)種群則變化不大。

表7 2020年優(yōu)勢(shì)種群株數(shù)增減預(yù)測(cè)Table 7 Dominant population number of forecast in 2020

3 結(jié)論與討論

本研究針對(duì)常綠闊葉林種群演變規(guī)律，在原有的研究方法上，從種群種間的基本理論出發(fā)，將元胞自動(dòng)機(jī)模型引入種群演變研究中，并結(jié)合神經(jīng)網(wǎng)絡(luò)，將影響種群的地形因子、鄰居構(gòu)型、林分因子等三大變量11個(gè)影響因子引入模型中，基于GIS、ANNs和CA構(gòu)建了一個(gè)種群種間動(dòng)態(tài)演變模型。模型結(jié)果表明常綠闊葉林觀察場(chǎng)中的6種優(yōu)勢(shì)種群的種間競(jìng)爭(zhēng)激烈，這與常綠闊葉林和單優(yōu)群落種內(nèi)競(jìng)爭(zhēng)大于種間競(jìng)爭(zhēng)的結(jié)論不一致。這可能與該林分處于演替的早期階段，優(yōu)勢(shì)樹種較多，但優(yōu)勢(shì)度不明顯有關(guān)。由于栲樹和青岡聚集程度較高，屬聚集分布，種內(nèi)競(jìng)爭(zhēng)大于種間競(jìng)爭(zhēng)，故在自然生長(zhǎng)中種群的數(shù)量在慢慢的減少；筆羅子、刨花楠的聚集程度較低，屬均勻分布，種內(nèi)競(jìng)爭(zhēng)小于種間競(jìng)爭(zhēng)，整體競(jìng)爭(zhēng)力較強(qiáng)，種群數(shù)量在慢慢的增加。

將基于ANN與CA的種群種間動(dòng)態(tài)演變模型應(yīng)用于湖南會(huì)同常綠闊葉林綜合觀測(cè)場(chǎng)進(jìn)行實(shí)證研究，能更真實(shí)地模擬常綠闊葉林種群演變過(guò)程。并且預(yù)測(cè)出2020年會(huì)同常綠闊葉林綜合觀測(cè)場(chǎng)種群種間狀況。對(duì)林業(yè)部門的森林經(jīng)營(yíng)有一定的參考價(jià)值。

但是，本研究仍然處于初級(jí)階段，今后的研究重點(diǎn)有以下幾個(gè)方面：

（1）本研究的研究地面積有限，在以后的研究中研究地范圍應(yīng)該更廣；

（2）優(yōu)勢(shì)種群種間演變關(guān)系的研究需要跨度更長(zhǎng)的歷史數(shù)據(jù)，限于數(shù)據(jù)的要求本研究只研究了喬木中的常綠闊葉林，在今后的研究中將面向所有種群展開研究；

（3）在模擬和預(yù)測(cè)種群種間演變過(guò)程中，沒(méi)有考慮研究地種群的飽和度等影響因素，會(huì)對(duì)本研究的研究結(jié)果造成一定的影響；

（4）種間聯(lián)結(jié)測(cè)定技術(shù)是種群關(guān)系研究領(lǐng)域中普遍的一種方法，以后的研究，尤其是在結(jié)果驗(yàn)證時(shí)應(yīng)充分利用該研究成果；

（5）在預(yù)測(cè)中，應(yīng)更考慮更多不確定信息，如氣候因子的影響，以期更具有現(xiàn)實(shí)意義。

[1]柳 靜.北亞熱帶—暖溫帶過(guò)渡區(qū)森林生態(tài)系統(tǒng)植物功能群種內(nèi)、種間關(guān)系研究[D].開封：河南大學(xué),2008.

[2]王志高,葉萬(wàn)輝,曹洪麟,等.鼎湖山季風(fēng)常綠闊葉林物種多樣性指數(shù)空間分布特征[J].生物多樣性,2006,16(5):454-461.

[3]Doncaster C P.The spatial distribution of ant nests on Ramsey Island. South Wales[J].Journal of Animal Ecology, 1961, 50(1):195-216.

[4]Yachi S, Loreau M.Biodiversity and ecosystem productivity in a fluctuating environment:the insurance hypothesis[J].Proceedings of the Natural Academy of Sciences of USA,1999, 96(4):1463-1466.

[5]Hyatt LA, Rosenberg MS, Howard TG,et al. The distance dependence prediction of the Jan-zen-Connell hypothesis:a metaanalysis[J]. Oikos,2003,23(4):709-717.

[6]Julia Koricheva,Jessica Gurevitch.Uses and misuses of metaanalysis in plant ecology[J].J Ecol,2014,10(2):626-644.

[7]師賀熊.小隴山國(guó)家級(jí)自然保護(hù)區(qū)森林群落分布格局與種間聯(lián)研究[D].蘭州:西北師范大學(xué),2013.

[8]巨天珍,康麗丹,王立峰,等.甘肅小隴山華山松群落灌木層優(yōu)勢(shì)種種間關(guān)聯(lián)性分析[J].廣西植物,2010,30(6):629-634.

[9]柳 靜.北亞熱帶—暖溫帶過(guò)渡區(qū)森林生態(tài)系統(tǒng)植物功能群種內(nèi)、種間關(guān)系研究[D].開封:河南大學(xué),2006.

[10]Hughes J B,Roughgarden J.Aggregate community properties and the strength of species’interactions[J]. Proceedings of the National Academy of Sciences of the United States of America,1997, 95(12):37-42.

[11]師賀熊.小隴山國(guó)家級(jí)自然保護(hù)區(qū)森林群落分布格局與種間聯(lián)研究[D].蘭州：西北師范大學(xué),2013.

[12]Doncaster C P.The spatial distribution of ant nests on Ramsey Island. South Wales[J].Journal of Animal Ecology,1981, 50(1):195-218.

[13]吳 昊.不同類型群落物種多樣性指數(shù)的比較研究[J].中南林業(yè)科技大學(xué)學(xué)報(bào),2015 ,35(5) :84-89.

[14]康麗丹.暖溫帶落葉闊葉林灌木層種間關(guān)聯(lián)探究[D].蘭州：西北師范大學(xué),2011.

[15]簡(jiǎn)敏菲,劉 琪,朱 篤,等.九連山常綠闊葉林喬木優(yōu)勢(shì)種群的種間關(guān)聯(lián)性分析[J].植物生態(tài)學(xué)報(bào),2009,33(4):672-660.

[16]Wang Y J,Tao J P,Zhong Z C. Factors in fl uencing the distribution and growth of dwarf bamboo, Fargesia nitida, in a subalpine forest in Wolong Nature Reserve, southwest China[J]. Ecological Research, 2009, 24(5):1013-1021.

[17]王伯蓀,彭少麟.南亞熱帶常綠闊葉林種間聯(lián)結(jié)測(cè)定技術(shù)研究:Ⅰ.種間聯(lián)結(jié)測(cè)式的探討與修正[ J].植物生態(tài)學(xué)與地植物學(xué)叢刊,1985,9(4) :274-285.

[18]王伯蓀,彭少麟.鼎湖山森林優(yōu)勢(shì)種群數(shù)量動(dòng)態(tài)[J].生態(tài)學(xué)報(bào),1987, 7(3):214-221.

[19]Alicia Ledo, BurslemDFRP, Sonia Condés,et al. Micro-scale habitat associations of woody plants in a neotropical cloud forest[J]. Journal of Vegetation Science, 2013, 24(6):1066-1097.

[20]孫 麗.天山西部云杉生長(zhǎng)量遙感模型研究[D].烏魯木齊：新疆師范大學(xué),2011.

[21]蘭國(guó)玉,胡躍華,曹 敏,等.西雙版納熱帶森林動(dòng)態(tài)監(jiān)測(cè)樣地—樹種組成與空間分布格局[J].植物生態(tài)學(xué)報(bào), 2006, 32(2):267-296.

[22]李 偉.蘇南地區(qū)3種國(guó)家級(jí)珍稀保護(hù)樹種的種群生態(tài)學(xué)研究[D].南京:南京師范大學(xué),2015.

[23]劉妍妍.典型闊葉紅松林木本植物的空間分布格局及其與生境的關(guān)聯(lián)性[D].哈爾濱：東北林業(yè)大學(xué),2014.

[24]Wei Huang, Xuyu Zhu, Quanzhen Chen,et al. Seasonal variability of phytoplanktoncommunity structure in relation to different nitrogen-phosphorus ratios in the southern coastal waters of Zhejiang, China[J]. Journal of Ocean University of China, 2013, 12(4):577-588.

[25]Gordon C. Reese. R. Butlin, J. Bridle, D. Schluter. Speciation and patterns of diversity[J]. Landscape Ecology,2010,25(5):819-820.

[26]Michael J. Lacki,Joseph W. Hummer,Harold J. Webster.Avian diversity patterns at a constructed wetland: Use of ecological theory in the evaluation of a mine land reclamation technique[J]. International Journal of Mining, Reclamation and environment,1991, 5(2):101-105.

[27]Yide Li, Han Xu, Dexiang Chen,et al.Division of ecological species groups and functional groups based on interspecific association - a case study of the tree layer in the tropical lowland rainforest of Jianfenling in Hainan Island, China[J]. Frontiers of Forestry in China,2008, 3(4):407-415.

[28]徐昔保. 基于GIS與元胞自動(dòng)機(jī)的城市土地利用動(dòng)態(tài)演化模擬與優(yōu)化研究[D].蘭州大學(xué),2007.

[29]夏小翔,曾建潮,高慧敏. 基于元胞自動(dòng)機(jī)的小生境微粒群算法[J].計(jì)算機(jī)工程與應(yīng)用,2007,43(11):66-66.

[30]陳 健. 基于CA的城鄉(xiāng)結(jié)合部農(nóng)村居民點(diǎn)用地整理適宜性評(píng)價(jià)研究[D].南京:南京農(nóng)業(yè)大學(xué),2006.

[31]夏小翔. 基于元胞自動(dòng)機(jī)的微粒群算法研究[D].太原:太原科技大學(xué),2007.

[32]劉永欣. 基于元胞自動(dòng)機(jī)的交通流研究[D].成都:西南交通大學(xué),2003.

[33]Nagel K,Schreckcnberg M.A cellular automation for freeway traf fi c[J]. JPhys France),1992,2(12):2221-2229.

[34]Alexandra D. Syphard, Keith C. Clarke, Janet Franklin. Using a cellular automaton model to forecast the effects of urban growth on habitat pattern in southern California[J]. Ecological Complexity, 2005, 2(2):165-203.

[35]葉 蕾,鄒國(guó)奇,肖 健.模糊遺傳算法在敏感詞分類優(yōu)化中的應(yīng)用[J].計(jì)算機(jī)應(yīng)用研究,2012,29(7):2549-2551.

[36]趙 晶,陳華根,許惠平.元胞自動(dòng)機(jī)與神經(jīng)網(wǎng)絡(luò)相結(jié)合的土地演變模擬[J].同濟(jì)大學(xué)學(xué)報(bào)(自然科學(xué)版), 2007, 35(6):1126-1132.

[37]White R,Engelen G. Cellular automata and fractal urban form:a cellular modelling approach to the evolution ofurban land-use patterns[J]. Environment and Planning A,1993, 25(8):1175-1199.

[38]Li X, Yeh A G O. Modelling sustainable urban development by the integration ofconstrained cellular automata andGIS.International Journal of Geographical Information Science[J],2000, 14(2):131-152.

[39]Wu F,Webste C J.Simulation of land development through the integration of cellular automata and multicriteria evaluation[J].Environment Planning B Planning and Design,1996,25(1):103-126.

[40]曹 敏,史照良.基于遺傳神經(jīng)網(wǎng)絡(luò)獲取元胞自動(dòng)機(jī)的轉(zhuǎn)換規(guī)則[J].測(cè)繪通報(bào),2010(3):24-27.

[41]Clarke K C,Gaydos L J.Loose-coupling a cellular automaton model and GIS: long-term urban growth rediction for San Francisca and Washington/Baltimore[J].International Geographical Information Systems, 1996,12(7):699-714.

[42]Yu Fengxia, Li Gang. The Simulation and Improvement of Particle Swarm Optimization Based on Cellular Automata[J].Procedia Engineering, 2012, 29:1113-1116.

[43]Curtis J T, Mcintosh R P. An Upland Forest Continuum in the Prairie-forest Border Region of Wisconsin[J]. Ecology,1951(32):476-496.

[44]Alba E, Dorronsoro B. Cellular Genetic Algorithms [M]. New York:Springer, 2008.

[45]Guan Q F, Wang L M, Clarke K C. An arti fi cial-neural-networkbased, constrained CA model for simulating urban growth[J].Cartography and Geographic and Geographic Information Science, 2005, 32(4):369-380.

[46]葛 紅. 用遺傳算法訓(xùn)練基于神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的控制器[J]. 華南師范大學(xué)學(xué)報(bào)(自然科學(xué)版), 2000,32(1): 33-38.

[47]陸金桂, 余 俊, 王 浩,等. 基于人工神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)近似分析方法的研究[J]. 中國(guó)科學(xué)(A輯), 1994,24(6):653-658.

Application of GANNs-CA spatio temporal data modelin the study of dominant tree species succession

CHEN Wenyong1,2, WANG Ying1,3, LI Jianjun1, ZHANG Yin1,2
(1. Central South University of Forestry and Technology, Changsha 410004, Hunan, China; 2. Hunan National Defense Industry Career Technical College, Xiangtan 411100, Hunan, China; 3.Key Laboratory for Digital Dongting Lake basin of Hunan Province, Changsha 410000, Hunan, China)

The research on the relationship between forest species will help to fi nd the Internal problem of the forest ecological system,so as to provide the theoretical basis for improving the management level of the mingled forest. In this paper, the stand structure, terrain,soil and other data in permanent observation plots of evergreen broad-leaved forest were collected and studied. Because the genetic algorithm (GA) has a fast search speed and excellent global optimization，Relevant data from 2003 and 2006 were used to perform neural network (ANNs) iterative training and testing. Finally, the threshold and weight of the in fl uence factor are obtained exactly.Cellular automata (CA) has advantages in space-time pattern evolution simulation and spatial local optimization. So based on the threshold value and weight of the in fl uencing factors, the conversion rules of cellular automata are determined. and the GANNs -CA model was constructed, which was used to simulate the evolution of evergreen broad - leaved forest population relationship. According to this model, the growth status of 6 dominant species of the evergreen broad-leaved forest in 2020 was predicted. The results show that from 2013 to 2020, six kinds of dominant species in observation plots will have different degrees of changes. Castanopsis fargesii and cyclobalanopsis glauca will respectively reduce by 4.65% and 3.19%, meliosma rigida and machilus pauhoi kanehira will increase by 3.76% and 3.81%, and other dominant species will change little. Under the general conditions, the evergreen broad-leaved forest has fi ercer competition with the species of single excellent community than the interspeci fi c species. This may be related to the early stages of succession on the sample area. In this plot, the dominant species are more, but the dominance is not obvious.

GANNs-CA; population relationship; dominant; succession; spatiotemporal data

10.14067/j.cnki.1673-923x.2017.12.017

http: //qks.csuft.edu.cn

S718.54+1

A

1673-923X(2017)12-0106-08

2016-08-22

國(guó)家自然科學(xué)基金（31570627）；湖南省科技計(jì)劃重點(diǎn)項(xiàng)目（2016SK2027）

陳文勇，碩士，助教

王 穎，副教授，博士；E-mail：csuftwy@163.com

陳文勇，王 穎，李建軍，等 . GANNs-CA時(shí)空數(shù)據(jù)模型在優(yōu)勢(shì)樹種演替研究中的應(yīng)用[J].中南林業(yè)科技大學(xué)學(xué)報(bào)，2017,37(12): 106-113, 119

[本文編校：文鳳鳴]