一种LVQ与CA的流域下垫面抗蚀力模拟研究模型

朱 筠，王利军，黄培杰

（1. 河南中化地质测绘院有限公司，河南 郑州 450000；2. 河南省农业科学院，河南 郑州 450000；3. 黄河勘测规划设计有限公司，河南 郑州 450000）

目前，国内外关于土壤侵蚀研究的模型主要有评价土壤侵蚀强度的静态模型[1-3]和反映土壤侵蚀发展演化的动态模型[4-6]。虽然CA已广泛用于土壤侵蚀研究，但模型转换规则的确定需要使用多种空间变量和参数，难以准确模拟和预测土壤侵蚀演变。随着神经网络的发展[7-9]，结合该方法进行地理空间信息模拟能够简化模型结构，提高模型通用性。本文以不同时相的遥感影像数据、地形数据、土壤数据为基础，以GIS、RS和数据库技术为支撑，采用神经网络代替传统CA中的转换规则，构建下垫面抗蚀力时空演化模型，在可视化编程环境下，基于ArcGIS Engine组件，定义元胞自动机，构建神经网络，设计并开发了下垫面抗蚀力时空演化模型系统，实现了岔巴沟流域下垫面抗蚀力变化的模拟和预测，为开展该区域水土保持工作提供了有效的数据和技术支持。

1 技术路线

岔巴沟流域位于陕西省子洲县北部，为无定河水系的二级支流、大理河的一条支沟，属于黄土丘陵沟壑区第一副区，流域面积为205 km2，沟口水文站为曹坪水文站，控制面积187 km2，主沟道长24.1 km，流域形状基本对称，干沟与支沟相汇夹角约60°。岔巴沟流域的土壤侵蚀变化是无定河流域土壤侵蚀变化的缩影，对其分析研究具有典型代表意义。系统技术路线如图1所示。

1）相关资料的收集与处理：收集研究区两个时段的遥感影像数据、地形图数据、各类相关资料（如土壤资料、土地利用资料、水保措施资料等）。

2）建立下垫面抗蚀力因素数据库：从遥感影像数据中提取各类影响抗蚀力变化的专题信息，如植被盖度、土地利用类型等，利用数字化地形图建立DEM，提取地形地貌信息。利用“流域下垫面抗蚀力信息系统”[10]计算两个时段各抗蚀力影响因素的抗蚀力分值数据以及流域下垫面抗蚀力强度类型的空间分布。

3）构建下垫面抗蚀力时空演化模型：在现有数据库基础上，定义元胞自动机模型，确定元胞空间、元胞状态、邻域关系以及转换规则，利用LVQ神经网络代替CA的转换规则，并根据研究对象确定神经网络的结构。

4） 开发下垫面抗蚀力时空演化模型系统：基于.NET开发平台，采用C#语言和AE组件进行系统开发。

5）LVQ神经网络的训练和验证：以黄土高原岔巴沟流域为例，在下垫面抗蚀力因素数据库中，利用训练数据训练已建好的神经网络，并利用验证数据对训练好的神经网络进行验证。

6）下垫面抗蚀力预测：在过去的两个时段该流域下垫面抗蚀力动态变化研究的基础上，利用训练好的抗蚀力时空演化模型，模拟下一时段抗蚀力水平的变化情况，分析和预测其未来的时空演变趋势。

2 流域下垫面抗蚀力时空演化模型

2.1 元胞空间

研究区空间数据是二维栅格结构，每个栅格的形状是四边形，因此本文的元胞空间采用二维的四边形栅格。根据研究区实际情况和收集到的流域地貌演变数据、野外调查资料等，本文选用岔巴沟流域冲沟平均宽度的一半作为元胞的边长来定义元胞，其大小为100 m×100 m。

2.2 元胞状态

元胞状态定义为下垫面抗蚀力强度的类型[8]，共分为5级：1代表极弱抗蚀力，2代表弱抗蚀力，3代表中等抗蚀力，4代表强抗蚀力，5代表极强抗蚀力。研究表明，流域下垫面抗蚀力变化的概率取决于一系列的空间变量，有地形地貌、土壤、植被、土地利用、水土保持措施等[8]，因此模型为每一个元胞增加了5个影响因子，即地形地貌、土壤、植被、土地利用、水土保持措施。

2.3 邻域关系

下垫面抗蚀力的演变受周围空间环境影响，因此下垫面抗蚀力元胞的状态变化不仅取决于元胞自身，还受邻近元胞状态的影响。本文采用标准Moore模型，即每个中心元胞有8个邻居元胞。

2.4 转换规则

由于不同年份流域下垫面抗蚀力强度类型可以通过“流域下垫面抗蚀力评价信息系统”[8]来计算，因此，本文采用神经网络代替传统CA中的转换规则，模型参数通过对数据的训练来自动获取。

2.4.1 神经网络结构

本文选取矢量量化神经网络（LVQ）来实现下垫面抗蚀力的模拟和预测。LVQ网络有3层结构：输入层、隐含层、输出层。输入层有10个神经元，对应10个决定下垫面抗蚀力强度变化的空间变量：地形地貌（x1）、土壤（x2）、植被（x3）、土地利用（x4）、水土保持措施（x5）以及元胞的邻域关系，即邻近极弱抗蚀力单元数量（x6）、邻近弱抗蚀力单元数量（x7）、邻近中等抗蚀力单元数量（x8）、邻近强抗蚀力单元数量（x9）、邻近极强抗蚀力单元数量（x10）；隐含层神经元个数由输入层样本个数决定，对于输入样本个数为n的神经网络，隐含层神经元个数为；输出层神经元对应于t+1时刻的元胞状态，即5种不同的下垫面抗蚀力强度类型，形成10××5的神经网络结构，定义网络的最大训练次数为1 000，最小均方差为0.01，初始学习率为0.5。

2.4.2 神经网络训练

下垫面抗蚀力演变的历史数据利用“流域下垫面抗蚀力评价信息系统”[8]计算获取，可得到研究区t时刻和t+1时刻下垫面抗蚀力类型数据。神经网络计算所需要的数据分为训练数据、验证数据和预测数据，其中，训练数据和验证数据从t时刻和t+1时刻样本数据中随机抽样得来，即采取随机方法，将每一时刻样本数据以2︰1的比例划分为训练数据和验证数据；预测数据是t+1时刻的抗蚀力类型。

神经网络的训练以t时刻各元胞的抗蚀力数据作为元胞的初始状态，对t+1时刻元胞状态进行预测，并对比t+1时刻的真实数据，反复训练神经网络，最终确定网络参数。最后，利用建立好的神经网络预测t+2时刻流域下垫面抗蚀力强度类型。

2.5 模型实现

在. NET 环境下，利用C#语言和AE9.2组件实现流域下垫面抗蚀力时空演化模型系统。主要功能包括基本的地图操作、图层管理、数据管理等GIS功能，还有元胞初始化、下垫面抗蚀力模拟、模拟结果输出等核心功能。

3 模型应用与结果分析

3.1 基础数据

研究中，除了通过野外实地调查和资料收集得到岔巴沟流域土壤数据、土地利用和水土保持措施资料外，还获得岔巴沟流域1990年TM影像、1︰10 000地形图以及2004年SPOT遥感影像和1︰10 000地形图。通过数据预处理，建立下垫面抗蚀力因素数据库，如图2。

3.2 模型应用

模型的元胞初始化功能完成一系列的数据格式转换、数据分离等工作，就生成可供神经网络训练和模拟所使用的数据。将这些数据导入模型的抗蚀力模拟模块，模块调用Matlab软件实现LVQ神经网络的构建和训练。通过调用Matlab神经网络工具箱中随机样本提取函数来获取样本中的训练数据和验证数据，即从每种类型的样本中选取2/3的样本作为训练数据，剩下1/3的数据作为验证数据，见表1。

表1 随机抽样数据一览表

下面以抗蚀力级别为1的极弱抗蚀力类型为例，介绍神经网络的训练过程。随机抽样完成后，对训练数据和验证数据进行输入输出向量的分离，即1990年的各元胞X坐标、Y坐标、地形地貌、土壤、植被、土地利用、水保措施、邻近极弱抗蚀力单元个数、邻近弱抗蚀力单元个数、邻近中等抗蚀力单元个数、邻近强抗蚀力单元个数、邻近极强抗蚀力单元个数作为输入向量，2004年各元胞X坐标、Y坐标和抗蚀力类型为输出向量。将训练数据对应的输入输出向量输入模型，开始LVQ神经网络的训练。

将验证数据提供给上述训练好的神经网络，模拟2004年研究区下垫面抗蚀力类型，对比神经网络的训练结果和2004年抗蚀力类型的真实结果，得出验证准确率为86.7%，网络均方差为0.009 。最终得到各抗蚀力类型神经网络的性能如表2。

表2 各抗蚀力类型的神经网络性能

可以看出，由于每个神经网络的学习能力存在差异，训练出的网络性能也不尽相同。极弱抗蚀力、极强抗蚀力、弱抗蚀力类型神经网络的模拟效果较好，准确率都达到了75%以上，而强抗蚀力和中等抗蚀力类型神经网络的验证准确率相对较低，但最低也在70%左右。从整体来看，模型的模拟效果是比较理想的。

3.3 结果分析

对比3个年份的抗蚀力状况（如图3）可以看出，1990年至2004年，蓝色区域范围在减少，2004年至2018年，蓝色区域进一步减少，而中等和强抗蚀力区域范围在这3个时段逐渐扩大，这表明，从1990年到2018年岔巴沟流域下垫面抗侵蚀能力呈现逐渐增强的趋势。

对比各时期下垫面抗蚀力类型的面积（图4）可以看出，1990～2018年间，岔巴沟流域极弱抗蚀力和弱抗

蚀力类型面积呈减少的趋势，其中极 弱抗蚀力类型面积从1990年的27.55 km2减少到2018年的2.64 km2，弱抗蚀力类型面积从1990年的53.46 km2减少到2018年的30.8 km2；中等抗蚀力和强抗蚀力类型面积呈增加趋势，其中强抗蚀力类型面积从1990年的42.33 km2增加到2018年的69.19 km2，中等抗蚀力类型面积从1990年的55.24 km2增加到2018年的73.05 km2；极强抗蚀力类型的面积也呈缓慢增加趋势，但变化速率明显低于其他几种类型，从1990年的26.42 km2增加到2018年的29.32 km2。

4 结 语

分析岔巴沟流域下垫面抗蚀力变化的原因，人类活动对下垫面抗蚀力的影响是十分明显的，主要体现在植被类型与植被覆盖度的变化、土地利用与水土保持措施的影响。1990年以前，黄土高原地区生产力水平相对落后，植被破坏严重，土地利用不合理，并且经济水平限制了水土保持措施的建设与实施，土壤侵蚀十分严重，下垫面抗蚀力水平极低；90年代以后，政府开始制定合理的土地利用规划，实施一系列的水土保持措施，包括退耕还林、植树造林、修建梯田、淤地坝等等，大大提高了流域的下垫面抗蚀力水平。模拟结果显示，按这种趋势发展下去，岔巴沟流域的下垫面抗蚀力不断增强，土壤侵蚀状况会逐渐得到改善。

[1]Wischmeier W H, Smith D D. Predicting Rainfall - Erosio Losses from Cropland East of the Rocky Mountains [M]. USDA Agricultural Handbook，1965

[2]Regard K G, Foster G R, Weenie G A.Predicting Soil Erosion by Water:A Guide to Conservation Planning with the Revised Universal Soil Loess Equation(RUSLE)[M].USDA Handbook,1997

[3]Laffen J M, Lwonard J L, Foster G R. WEPP a New Generation of Erosion Prediction Technology[J]. Journal of Soil and Water Conservation,1991,46(1):34-38

[4]Chase G C.Fluvial Landsculpting and the Fractal Dimension of Topography[J].Geomorphology, 1992(5):39-57

[5]Luo W,Peronja E,Duffin K, et al.Incorporating Nonlinear Rules in a Web-based Interactive Landform Simulation Model(WILSIM)[J]. Computers & Geosciences, 2006,32(9):1 512-1 518

[6]张永兴,欧敏,熊有胜. 基于GEOCA和GIS的土壤侵蚀空间演化模拟[J].西南农业大学学报:自然科学版，2005,27(4):427-431

[7]Yeh A G，Li X．Integration of Neural Networks and Cellular Automate for Urban Planning[J].Geo-spatial Information Science，2004，7(1):6-13

[8]赵睿,塔西甫拉提·特依拜，丁建丽,等. 基于神经网络的元胞自动机支持下的干旱区LUCC模拟研究——以新疆于田绿洲为例[J].水土保持研究,2007,14(1):151-154

[9]赵晶,陈华根,徐惠平.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):1 128-1 132

[10]邢昱.小流域下垫面抗蚀力评价信息系统应用研究[D]. 开封:河南大学,2008