海濱濕地利用空間格局優化范文

本站小編為你精心準備了海濱濕地利用空間格局優化參考范文，愿這些范文能點燃您思維的火花，激發您的寫作靈感。歡迎深入閱讀并收藏。

《自然資源學報》2014年第六期

1濕地利用空間格局模擬模型

濕地利用空間格局模擬研究正處于探索階段，城鎮用地擴張模擬研究卻相對成熟，其技術框架和理論方法已形成特定的范式，運用CA來模擬城鎮擴張的最為典型的模型包括：SLEUTH模型[13]、DUEM模型[14]、ULEM模型[9]、ULOM模型[15]、CFCA模型[16]等。海濱濕地開發過程所引起的覆被變化與城鎮用地擴張的內在機理存在諸多差異，而LUCC空間格局模擬的技術實現過程卻存在相通性，前人代表性的技術框架和模型設計可充分借鑒。本研究選擇較為成熟的BP神經網絡與CA耦合模型作為模擬的基礎方法，改進輸入變量與模擬過程，以實現海濱濕地利用的空間格局優化模擬。

1.1BP-CA模型框架海濱濕地的BP-CA模型是一個綜合考慮諸多驅動因素的、在濕地規劃層面上兼顧開發與保護的、側重于微觀尺度的元胞自動機擴展空間規劃模型。BP-CA模型的功能模塊（圖1）包括數據獲取模塊、數據修正模塊、訓練模塊和規劃模塊4個。在此，數據修正模塊是CA實現空間格局優化模擬的前提，在往年開發合理性評價的基礎上，人為把真實覆被數據中不合理的人工濕地復原為自然濕地，為訓練合理開發的轉換規則提供數據支持。

1.2BP神經網絡設計BP神經網絡設計采用面向對象建模思路，利用MatlabR2010b開發。網絡結構分為3層（圖2）：第1層為數據輸入層，共23個神經元，分別對應影響海濱濕地利用變化的空間變量；第2層為隱藏層，兩組實驗中神經元分別為13、17個；第3層為輸出層，由8個神經元組成，分別對應8類海濱濕地覆被類型的轉換概率。在此，直接調用人工神經網絡工具箱中的feedforwardnet函數，設定trainlm為訓練功能函數，該函數根據Levenberg-Marquardt算法優化了權重和偏置值的計算，可提高模型精度?？臻g驅動變量選擇的合適與否將直接決定模型構建的成敗，進而直接影響模擬結果。在海濱濕地開發利用過程中，人為驅動因素與自然驅動因素共同影響著覆被的演替，而前者更居于主導地位。結合前人研究經驗和海濱濕地的實際情況，充分考慮空間距離、鄰居構型、人口經濟和自然屬性四大變量類型，遴選出23個可定量化的空間驅動子變量（表1），這些驅動變量的確定將為獲得有效的覆被變化轉換規則提供數據支持。其中，S4、S7、S9和S23屬自然驅動因素的定量化，S13至S20這8個鄰居構型變量屬元胞自動機模型特有的變量類型，其余變量均屬人為驅動因素。

1.3CA設計CA模塊采用60m×60m空間分辨率的正方網格式元胞，以TIF圖像存儲柵格數據，每個柵格單元對應唯一的屬性標識碼。元胞狀態為變化前后柵格單元的濕地覆被類型的有限離散集合，考慮了自然濕地、人工濕地與非濕地間的相互轉化。鄰居采用7×7的擴展摩爾（Moore）鄰居，即元胞的鄰居半徑為3，共有48個鄰居單元共同構成。使用BP神經網絡來獲取CA模塊的運行轉換規則，簡化模型的復雜度。二維地理元胞（L2）下一時刻的狀態（Et+1）由當前元胞狀態（Et）、鄰居集合（N）、轉換規則（f）共同決定，數學式[17]為Et+1=(L2,Et,N,f)，其中N為包含23個空間驅動變量的元胞狀態。746在運用BP-CA模型模擬未來濕地開發格局之前，需要判別模型的已有模擬精確度。通常使用改進的Lee-Sallee指數[12]，該指數能衡量模擬數據與歷史數據之間空間分布的相似性，其計算式為L=(A0∩A1)/(A0∪A1)，L∈[0,1]，A0為歷史數據，A1為模擬數據。若L∈[0.3,0.7]，則表明模擬結果精度較高。

2格局優化模擬的思路

借鑒黎夏等提出的優化城市形態的模擬思路[18]，本文提出更為通用的覆被空間格局優化模擬思路，即：用BP-CA來發現轉換規則，可模擬土地利用覆被的時空格局變化；也可根據不同的規劃目的，形成相應的準則來對原始數據進行修改，模擬出優化的覆被格局，具體流程見圖3。就海濱濕地利用規劃而言，過去的無序圍墾，使有些養殖塘、耕地、林地、鹽場，甚至是建設用地落在自然保護區核心區或接近重要生態保護區。為此，本研究的空間格局優化原則是保障海濱濕地的原有生態功能，即物質生產、能量轉換、涵養水源、凈化水質、調節氣候等獨特功能?？臻g格局優化的實現方法是基于BP合理開發轉換規則的CA模擬，重點是該轉換規則的自動提取?？梢詫δＰ洼斎胗柧汓c的實際值進行修改（退為自然濕地），在理想情況下，這些點應該保持為自然濕地。利用這些修改過的訓練數據對BP神經網絡進行訓練，使得BP神經網絡去掉不合理的因素，由此獲得優化的模擬結果。根據不同的規劃方案和過度圍墾評價標準，可以有不同的準則來判斷是否對某些點進行修改?；趦灮瓌t，本研究在灘涂圍墾的合理性評價時選用了海濱濕地生態位模型。

3數據的收集與處理

3.1研究區概況與數據來源大豐海濱濕地位于江蘇省沿海地帶中部，鹽城市東南，介于32°55´～33°41´N，120°23´～121°04´E之間。東瀕黃海，有112km海岸線；南與東臺市接壤，西與大豐市方強鎮、新豐鎮、大中鎮、通商鎮、萬盈鎮、大橋鎮毗鄰，北與鹽城市射陽縣交界，研究區面積約20.53×104hm2。本研究所用數據主要包括遙感數據和非遙感數據，其中包括：1988、2002和2009年三期LandsatTM（或ETM+）遙感影像（行列號：P119，R037），大豐市2009年1:1萬土地利用現狀調查數據，源于各類年鑒的人口、經濟統計數據，野外實地勘察數據。為便于遙感解譯和研究需要，本研究還參考了《大豐市土地利用總體規劃（2006—2020年）》、《鹽城市沿海灘涂圍墾開發規劃》、《江蘇沿海灘涂圍墾開發規劃（2009—2020年）》、《江蘇鹽城沿海濕地珍禽國家級自然保護區總體規劃（2006—2020年）》等資料。

3.2模型數據預處理結合研究需要，將研究區覆被分為淺海灘涂、植被灘涂、養殖塘、耕地、林地、鹽場、城鄉建設用地和河流道路八大類，使用人工目視解譯法，生成各年大豐海濱濕地覆被現狀矢量數據。為滿足CA模型運算條件，高效實現數據在Matlab軟件中的讀入與運算，12個空間距離變量的獲取通過ArcGIS的空間分析“SpatialAnalyst”模塊的“Distance”工具實現（2002年的分析結果見圖4），8個鄰居構型變量的統計通過設計好的Matlab計算模塊完成，2個人口經濟變量和1個自然屬性變量則使用ArcGIS的柵格生成模塊“FeaturestoRaster”工具獲得。所有模型輸入數據均轉換成單精度TIF圖像格式，且保證柵格大小一致、同一地域的柵格無偏移。為滿足BP神經網絡訓練與仿真的數據需要，必須對所有輸入變量進行均一化，使數據值域控制在-1~1之間，計算公式為Hi=(xi-xmin)/(xmax-xmin)，此預處理由Matlab計算模塊完成。此外，對輸出層訓練目標數據也需在Matlab中進行統一的0、1編碼。

3.3不合理開發區域診斷海濱濕地的無序過度開發，必然導致局部濕地生態功能的快速退化，應用濕地功能生態位模型可實現對過度開發區域的有效診斷，在此借鑒歐維新等提出的評價方法[19]及其測算的鹽城海濱濕地生態環境價值損益標準[20-21]?？紤]到研究區總面積和各濕地類型細碎度，并對比了不同評價尺度下的生態位評價效果，最終采用900m×900m格網為生態元[22]，分別計算1988、2002和2009年生態位態值、生態位勢值和生態功能經濟價值，并對三類結果均一化處理后進行疊加求和，獲得大豐海濱濕地生態功能綜合評價值（圖5上）。在此，將3個年份生態功能綜合評價值分成了4個等級，來展示大豐海濱不同地段的生態功能強弱，生態功能值越大則生態功能越強，等級的劃分綜合考慮了3個年份所有柵格下數值的概率分布，0.0517、0.4348、0.5382分別為該區生態綜合功能由低到高的分界值。參考2007年國家環?？偩謩澏ǖ慕K鹽城濕地珍禽國家級自然保護區邊界，以生態保護重點區為生態功能高期望值為設定原則，根據所有評價單元的生態功能價值分布，把核心區期望值定為0.4348，實驗區期望值定為1.3808×10-4（實驗區生態功能最低價值），緩沖區期望值的設定以離核心區距離增大而等差遞減（劃分成25個等級，值域范圍為1.3808×10-4~0.0517）。而后，將濕地生態功能綜合評價的實際值減去期望值，當結果小于某臨界值時，說明該地段海濱濕地開發相對不合理，假設此臨界值設為-0.04時，不合理開發區域主要是集中在2002和2009年的核心區內及緩沖區內離核心區較近的連片養殖塘（圖5下）。

4海濱濕地空間開發格局優化模擬

4.1實驗方案的設計分析發現1988—2002年與2002—2009年兩個時間段內大豐海濱存在著明顯不同的覆被演替特征，2002年后覆被演替過程不斷加劇，圍墾速度明顯增快，覆被間逆向轉換過程時有發生。受實際覆被演替規律的限制，且為有效避免BP-CA模型自身的缺陷（模擬步長固定），本研究需完成兩組模擬實驗，通過對比和求同，獲得大豐海濱濕地利用空間格局優化結果。實驗一，使用1988和2002年真實的覆被空間數據，此時模擬步長為14a，訓練樣本點的抽取不規避任何歷史不合理開發區域，重點訓練前14a間大豐海濱濕地無序開發的內在轉換規則，以該階段的海濱灘涂開發速率與特征為基礎，預測2016年可能的覆被分布；實驗二，使用2002和2009年修改的覆被空間數據，此時模擬步長為7a，即對歷史不合理開發區域先進行覆被退變，在此基礎上完成訓練樣本點的抽取，重點訓練后7a間大豐海濱濕地合理有序開發的內在轉換規則，以不同于實驗一的海濱灘涂開發速率與特征為基礎，預測2016年可能的覆被優化分布；最后，保留實驗一二結果中共同演化部分，對不同的開發區段，參考生態功能價值變化趨勢，以盡可能滿足生態需求為原則，提取出合理的海濱濕地開發控制邊界。兩組實驗方案均在BP-CA模型下完成，均涉及訓練樣本提取、轉換規則訓練、測試仿真模擬、模型精度判斷、預測仿真模擬這五大階段（圖3）。

4.2樣本獲取與模型訓練訓練樣本選擇與獲取亦是模擬成敗的關鍵。以往研究者普遍采用隨機抽樣的方式在研究區內一次性獲取一定數量的訓練樣本數據，此時樣本抽取比例越高，轉換規則精度越高。該抽樣方式僅適用于覆被類型相對單一、各覆被類型面積相對均衡、各覆被類型間演替過程相對簡單、待觀察覆被類型面積相對較大、模擬對象元胞個數相對有限的情況。但本文研究對象卻不具備以上條件，如大豐海濱濕地中的城鄉建設用地在1988、2002和2009年僅占研究區面積的0.22%、0.41%和1.06%，同時8種覆被類型間演替過程相對復雜。為提高樣本有效信息量，本研究對傳統隨機抽樣進行改進，將各覆被面積比例與隨機抽樣相結合，即單覆被面積÷研究區總面積＝單覆被樣本數÷總樣本數，單覆被訓練樣本由隨機抽樣獲得，共抽取10000個訓練樣本點，兩組實驗具體單覆被樣本數見表2，該方法可避免重要覆被類型抽樣少甚至不抽樣的問題。模型校準與精度檢驗是提升模擬精度的核心環節，確定適當的BP隱藏層節點數是本階段的研究重點。目前，學界就如何確定BP隱藏層節點數未達成共識，除了參考Kolmogorov定理外，大多仍采用試湊的方式[23]。在本研究的兩組實驗中，分別就隱藏層節點數為10~19的三層式BP神經網絡逐一進行了測試，比較訓練結果和模擬精度后，實驗一二分別選擇13、17個隱藏層節點作為三層式BP最優結構（精度見表2）。訓練之初，定義BP神經網絡的最大訓練步數為500，最小均方差為0.0025，動量因子為0.001，學習速率基值為0.02，誤差增大連續容忍次數為6。按照上述設計，在訓練開始階段，誤差收斂十分明顯，大約在30次后收斂速度趨緩，當誤差連續增大6次時停止訓練，并以最小均方差最小時的BP參數定義神經網絡模型。

4.3模擬結果為了在現有的模擬精度上，再次提高仿真精度，在BP-CA模擬結果閾值設定環節，參照兩階段不同的覆被演替特征，對兩組實驗的各覆被演替方向做了設定，最終仿真精度與表2結果相比又提高近0.3個百分點，2016年覆被預測結果將更為合乎情理。實驗一，精度測試階段的2002年仿真格局與真實覆被相比精度達93.64%，在此基礎上，仿真預測出2016年大豐濕地利用空間格局分布（圖6②）；實驗二，2009年仿真精度達94.45%，再仿真預測2016年格局（圖6⑥），該結果北部保留了連片的植被灘涂，屬理想狀態。2002年前在大豐海濱地區耕地開發與養殖塘開發并重，同時南部林場規模有序擴大，延續此種開發態勢至2016年，耕地和養殖塘仍將繼續向海擴張。但是，隨著開發驅動因子和制約因子的改變，20世紀末的開發規律將被打破，適宜開發為耕地的灘涂已幾乎蕩然無存，養殖塘的開發將成為沿海灘涂開發的主要方式，隨著經濟的發展和大豐港口的擴大，大豐海濱中部地區大豐港附近的建設用地需求量也將不斷增長，故實驗一預測的2016年結果可能與未來開發利用格局會有點偏差。從精度檢驗結果分析，實驗二的轉換規則的正確性要比實驗一的高，這意味著在預測仿真時實驗二的可信度也更高。當忽略江蘇鹽城沿海濕地珍禽國家級自然保護區核心區及臨近核心區的部分緩沖區內的灘涂開發時，其他沿海灘涂的未來開發基本遵循了近年開發利用態勢，其2016年預測結果對未來大豐海濱濕地利用更具有指導意義。

4.4合理開發控制邊界的確定土地利用空間格局模擬的最終目的應是為未來土地利用方式轉變提供科學參考。在此，為了獲得最終的大豐海濱濕地未來合理開發的控制邊界，本研究主要參考實驗二的2016年模擬結果，以實驗一的2016年模擬結果做輔助修正，并結合對大豐海濱地區未來開發趨勢的正確把握，劃定大豐海濱2016年灘涂開發合理的控制邊界。同時，對大豐海濱灘涂未來開發做以下假設：①已開發的建設用地保留，②保護區核心區內及周邊已開發的灘涂類型暫不退變，③忽略所有零星的地類轉變。假設2的提出是考慮到大豐濱海北端的養殖塘已經長期存在，在未來開發過程中強制性地將此處的養殖塘退變為植被灘涂的可行性不強，故對此處養殖塘進行了保留（參照2009年真實狀況，未擴大也未縮?。?。經調整后，預期至2016年大豐海濱地區植被灘涂、養殖塘、耕地、林地、鹽場、城鄉建設用地、河流道路將分別達到20769.48、39435.12、73919.52、3569.40、1001.88、2175.48、7084.80hm2，具體空間格局分布見圖7。此大豐海濱濕地開發方案，將最大限度地保護大豐野生動植物棲息繁衍生長的濕地，尤其是在大豐南北端都留足了足夠的自然濕地空間，在南段還特別保留了野生麋鹿遷徙的自然廊道；同時允許中段地區的適度開發，以加快大豐國際港口的建設；而對南部暫不滿足農業開發條件的連片自然濕地，可筑建風能和太陽能發電機組，在充分利用自然資源的同時還可為大豐構建獨特的沿海灘涂景觀帶。

5結論與討論

本研究綜合考慮了影響海濱濕地利用變化的自然條件、社會經濟和生態保護等23個空間變量，借助Matlab平臺，耦合BP神經網絡和元胞自動機，確定大豐海濱濕地2016年的合理開發控制邊界。研究表明：①近些年大豐海濱濕地覆被類型間的演替趨于頻繁，自然濕地年開發速度明顯加快，開發重心不斷東移，呈現出向?！皾L動開發”的特征，即大量植被灘涂被直接開發為養殖塘，當養殖塘地區土壤鹽堿度降低后再開發為耕地或林地，而建設用地的開發主要集中在大豐港附近；②植被灘涂和林地具有較高的濕地生態功能，通過生態位的計算，發現大豐海濱濕地高生態功能區域逐年向海一側萎縮，僅南北兩端生態重點保護區域的生態功能基本保持穩定；③歷經BP結構的優選、不合理開發區域規避、訓練樣本科學抽取等方法改進，提升了模擬運行效率和精度（93.6%以上），再結合格局優化模擬思路，實現了海濱濕地利用空間格局優化。BP-CA模型作為覆被過程仿真模型已受到越來越多的關注，但轉換規則定義的準確性成為制約模擬的瓶頸，嘗試加入多智能體和人工免疫智能技術，以及對情景結果的多目標優化都存在深入研究的必要性。另外，海濱濕地開發的驅動因素較為復雜，不僅受到自然條件的制約，而且受到經濟條件的束縛，開發政策與比較利益更成為了直接驅動因素，為了模擬出更為合理的空間格局，BP-CA模型的驅動變量有待進一步擴展與完善；同時可嘗試采用Logistic模型遴選和檢驗變量的相關性及其影響顯著度[24]，保留重要性大并剔除相關度高的驅動變量以提高模型運算效率，也有待深入研究。

作者：歐維新肖錦成李文昊單位：南京農業大學土地管理學院農村土地資源利用與整治國家地方聯合工程研究中心