基于ANN－CA的湿地景观变化时空动态模拟研究

张美美，张荣群，张晓东，杨建宇

（中国农业大学 信息与电气工程学院，北京100083）

0 引 言

湿地的时空动态发展过程比其最终形成的空间格局更为重要［1］。只有清楚的了解湿地的发展过程，才能够对其演化机制进行深层次的剖析，获取湿地的变化规律［2］。传统的地理对象模拟和预测模型，如经典的土地利用覆被变化模型、土地利用竞争模型等，主要解决了空间变量随时间变化与地理现象间的因果关系［3－4］，没有考虑地理现象在空间上的相互作用与相互依存问题；在地理空间格局变化规律的表达上，虽然提出了空间转移矩阵［5－6］，但这仅解决了研究区湿地各类型变化的总量问题，研究结果只说明一个研究区的整体变化特征和规律，无法给出具体点位上的变化情况。元胞自动机是一时间、空间和状态都离散的动力系统，其状态的转换规则在时间和空间上都是局部的［7－8］，充分考虑了邻域间的相互作用，可以很好地解决地理现象在空间上的相互作用问题。元胞自动机模型中最核心的部分是转换规则的定义［9］。在实际的应用中，转换规则的定义涉及到很多的变量、参数的确定，用户难以选择，因此研究提出基于神经网络的元胞自动机模型（artificial neural network－cellular automata，ANN－CA）对湿地景观演变过程进行模拟，有效地简化了转换规则的定义，得到较符合实际的演变规律，提高了模拟的准确性。本文以银川平原湿地的研究为例，探讨基于元胞自动机的湿地景观变化时空动态模拟模型的构建方法，模拟结果能够较为准确地预测未来湿地类型的空间分布，为湿地的保护规划提供决策支持。

1 研究方法

1.1 研究区概况

银川平原位于宁夏境内贺兰山与鄂尔多斯高原之间，由黄河长期淤积及准平原演化而成，东经105°51′～106°54′，北纬37°36′～39°14′，海拔1100～1200m。地处中温带干旱区，气候干旱少雨，年均降水量为185mm，多集中在6月～9月份，年蒸发量为1825mm，约为降雨量的10倍。银川平原日照充足，年均日照时数3000小时左右，气温日较差大，平均达13℃，有利于作物的生长发育和营养物质积累。干旱少雨，黄河年均过境水量300余亿立方米，光、热、水、土等农业自然资源配合较好，为发展农林牧业提供极有利条件。该地区生物资源丰富多样，拥有典型的湿地生态旅游景观和丰富的湿地动植物资源。

1.2 方 法

组成元胞自动机的基本要素有元胞、状态、邻域和转换规则［10］。表达式为

式中：——在元胞i在t＋1时刻的状态，——在元胞i在t时刻的状态，——t时刻元胞i的邻域状态集合，f——转换规则。元胞自动机的基本原理是元胞i在t＋1时刻的状态是其t时刻状态和领域状态的函数［11］。本文结合湿地自身的演化规律建立了银川平原湿地景观变化的元胞自动机模型。技术路线如图1所示。

模型中的元胞状态定义为湿地的类型，依次为：河流湿地、湖泊湿地、坑塘湿地、水稻田湿地、建设用地（包括居民点和道路）以及黄河河漫滩和其他地类。采用的元胞空间是二维的，形状是四边形，元胞大小设为60m×60 m。邻域采用常见的8个邻居的Moore模型。

转换规则是CA模型的核心。随着模型的扩展，模型结构的定义、众多参数的确定变得更难，这在一定程度上限制了模型的推广。湿地的发展和转化的规律十分复杂，是非线性过程［12］，神经网络具有自组织、自学习、联想以及记忆的优势［13］，能够有效的简化模型结构，这样可以从数据本身出发，用户不用自己定义转化规则，可以自动获取和校验模型中各空间变量的作用参数，从而挖掘出更加符合实际的转换规则，同时避免人为的主观干预，特别适合模拟复杂的非线性系统。因此采用神经网络的转换规则更适合本研究。

图1 技术路线

1.3 ANN－CA模型结构

本研究采用的ANN－CA模型由训练模块和预测模块组成，他们共用同一个神经网络。训练模块利用训练数据得到模型的参数，预测模块用训练好的模型进行预测模拟。在此模型中，各个空间变量的处理、分析以及模拟结果的显示均在ArcGIS中进行，ANN只负责提供元胞类型间的转换规则。

神经网络的设计采用面向对象建模的思路，利用Matlab2011a开发。本文采用经典的BP算法，网络结构分为三层：第一层为数据输入层，共23个神经元，分别对应影响湿地变化的各变量；第二层为隐含层，根据Kolmogorov定理，对于3层的非线性神经网络，其隐含层的神经元个数至少为输入层的2／3［14］，本文设计的神经元为非线性的，经过多次反复实验后，认为隐含层神经元为16个时，训练效果较好。因此设定隐含层的神经元数目为16，采用tansig激励函数；第三层为输出层，由7个神经元组成，分别对应7类湿地类型的转换概率，采用logsig激励函数。

2 银川平原湿地的动态模拟

2.1 数据准备和ANN－CA模型的输入变量

本研究所采用的数据主要有1991年8月的Landsat－5 TM和2006年8月的中巴资源卫星CBERS－02CCD影像，1∶10万中国地形图，银川平原土地利用现状图，统计资料为研究区相关的自然和经济等年鉴资料。对遥感影像进行前期处理后，配合目视解译得到湿地分类图，验证解译精度达到了85%以上。

GIS可以很方便地对模型所需要的各种空间变量进行处理，得到所需数据。大量湿地驱动因素的研究表明，湿地景观类型的演变通常取决于一些相关的距离变量，包括各元胞离最近道路的距离，离最近居名点的距离、窗口中邻近现有类型的其他湿地类型元胞的数量、单元的社会因素及自然属性等［15］。在此模型中，输入层的23个神经元对应于影响湿地景观变化的23个驱动力因子。这些驱动力因子的获取方法及原始数据范围见表1。

表1 ANN－CA模型的输入变量

所有数据转化成UTM投影，WGS84坐标系，第48带，并统一生成60mASCII＿GRID格式的数据。为了避免各空间变量的量纲不统一而可能产生的误差，最后要将所有的数据进行归一化处理，使其范围在［0，1］之间。归一化公式如下

2.2 ANN－CA模型的输出变量

本文主要研究银川平原5类主要的湿地类型和2种土地利用类型的变化情况，湿地作为土壤的状态描述，在特定的时刻某种类型的元胞只能转化成别的湿地类型或者保持不变。因此本研究使用元胞的转移概率作为模型的输出变量，并将转移概率最大的湿地类型确定为当前元胞转换的类型。

2.3 ANN－CA模型训练、验证和预测过程

为了实现湿地演化的模拟和预测，我们在此建立了元胞自动机的训练、验证和预测数据库，将1991年湿地空间变量作为训练数据库、验证数据库。由于空间变量的数据量较大，为保证数据训练的合理性及模拟的顺利进行，本研究采用随机抽取样本的方法，从研究区的元胞数据库共计216 5216个元胞中各随机抽取了30000个元胞数据作为模型的训练数据库和验证数据库。将1991年湿地空间变量的全部数据作为ANN－CA模型的预测数据库。另外，在BP神经网络中对元胞的湿地类型采用编码的表示方法。用0和1组合的七位数来表示，各个数字分别代表河流、湖泊、坑塘、水稻田、建设用地、黄河河漫滩和其他地类共7种类型，由于某一时刻元胞的状态是唯一的，所以编码中有且仅有一位是1，即如果某元胞为河流湿地，则表示为1000000，若是湖泊湿地，则为0100000。

运行模型时，首先将训练数据输入BP神经网络自动获得模型参数，然后输入验证数据进行验证，如果验证精度满足要求，则利用该神经网络对2006年的湿地分布进行预测。如果不满足要求，则需重新训练，直到精度达到要求为止。最后将1991年的全部预测数据输入训练好的神经网络，模拟得到2006年银川平原湿地景观类型的空间分布。

3 模拟结果与分析

用训练好的ANN－CA模型对未来银川平原湿地景观变化进行预测模拟，模拟结果如图2所示。另外，对于模型精度的验证评价，目前还没有统一的或者很有效的方法，通常采用逐点对比和整体对比的方法，本文采用逐点比较的方法。图2（a）为2006年银川平原湿地景观分类图，图2（b）为以1991年该地区的湿地景观类型数据为初始值，运用模型模拟的2006年湿地景观类型图。图2（b）与（a）通过逐点法对比得到模拟精度为74.16%，整体的模拟效果较好。

通过对1991年的湿地类型，模拟的2006年的湿地类型，以及实际的2006年湿地类型（实际湿地分类图通过2006年遥感影像监督分类与非监督分类结合获取）各类像元数的统计对比，分析之间的差别，可以从多方面更加有效地验证模型的精度。各湿地类型网格个数见表2。

图2 2006年的湿地分类图和模拟

表2 湿地景观类型网格模拟对比

表3给出了模拟的性能参数，其中水稻田，坑塘，建设用地的模拟准确率较高，而河流和黄河河漫滩的模拟准确率相对低些，但也达到了65%以上。这种差异表明，模拟准确率与不同状态元胞变化的频率有一定关系，即状态变化越频繁的元胞，模拟的准确率相对越低，反之则越高。

对比1991年、2006年及模拟的2006年湿地类型面积分布情况如表4，可以看出，1991年到2006年期间，湿地总面积呈增加趋势，15年间整个银川平原湿地面积共增加了278.7804km2。在所研究的5个湿地类型中，河流湿地的面积持续减少，从153.8604km2减少到了70.4736km2，共减少了83.3868km2。湖泊湿地和黄河河漫滩的面积变化比较平缓，湖泊湿地从1991年的98.9136km2到2006年的38.7072km2，黄河河漫滩从6.9804km2减少到2.8080 km2。水稻田湿地和坑塘湿地一直呈增长趋势，水稻田湿地从300.0564km2增长到637.2648km2，共增加了337.2084 km2。坑塘湿地则由100.8792km2增长到了190.2168 km2，总共增加了89.3376km2。模拟的湿地空间分布与实际变化情况基本一致。

表3 BP网络性能参数

表4 不同时期银川平原湿地类型面积分布情况

进一步分析我们可以发现，河流湿地、湖泊湿地、黄河河漫滩湿地等天然湿地的面积不断减少，尤以河流湿地面积的减少最为显著；而人工湿地如水稻田湿地和坑塘湿地则呈迅速增加的趋势，说明人为因素对湿地的结构数量影响较大。通过不同湿地类型的面积分布特征来看，该模拟结果反映出的元胞状态的转变规律，即湿地不同类型元胞之间的转变，与实际2006年银川平原湿地类型的分布特征基本吻合，可以说，CA与ANN相结合的湿地景观变化模拟具有一定的客观性和现实可行性。

4 结束语

就目前的研究来看，ANN－CA模型通常应用于简单的土地利用变化模拟，如：城市与非城市土地类型之间的转化情况，而很少用于湿地等复杂的土壤状态演变研究。湿地景观的演变是一个非线性复杂的过程，其空间地物的相互作用关系对湿地的形成有很大影响，而传统的土地利用模拟模型并未考虑到此因素。本文采用元胞自动机和GIS相结合的方法对湿地演变进行时空动态模拟和预测，同时利用BP神经网络挖掘出湿地类型间的转换规则，是湿地预测和模拟研究的新方法。它不仅较为准确的模拟出湿地的预测结果，还充分考虑了元胞地理空间的相互作用关系，进一步提高了模拟的精度。研究为合理利用湿地资源提供了参考，对今后政府部门的决策与规划具有重大意义。

［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，刘小平，何晋强，等.基于耦合的地理模拟优化系统［J］.地理学报，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）.［于欢，何政伟，张树清，等.基于元胞自动机的三江平原湿地景观时空演化模拟研究［J］.地理与地理信息科学，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，黄秋昊，蔡运龙.贵州省石阡县土地利用变化格局模拟［J］.资源科学，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）.［张永民.土地利用／覆被变化模型研究面临的几个问题［J］.干旱区资源与环境，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，张荣群，周德，等.基于 Mar－kov链的土壤盐渍化动态变化预测［J］.农业工程学报，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，叶嘉安，李小平，等.地理模拟系统：元胞自动机与多智能体［M］.北京：科学出版社，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.基于遗传神经网络获取元胞自动机的转换规则［J］.测绘通报，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，饶敏.基于元胞自动机的人员疏散仿真研究［J］.计算机工程与设计，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）.［苏伟，刘景双，李方.BP神经网络在水资源承载能力预测中的应用［J］.水利水电技术，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）.［赵晶，陈华根，许惠平.元胞自动机与神经网络相结合的土地演变模拟［J］.同济大学学报（自然科学版），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，傅晓阳，张树清，等.基于元胞自动机的莫莫格湿地土地覆被预测模拟［J］.资源科学，2007，29（2）：142－148.］