基于GIS与ANN的康平县森林景观生态结构分析及景观指数建模

论文摘要

本研究在GIS的支持下,结合康平县森林资源二类调查数据,运用景观生态学原理和方法,对康平县的森林景观要素组成结构、景观的异质性、景观斑块规模、形状及景观空间分布格局进行了分析,并在此基础上,运用人工神经网络分别建立了分维数和多样性指数的BP网络模型。研究结果如下:(1)景观异质性分析结果表明,康平县森林景观组成以阔叶林为主,未成林地、宜林地和针叶林地景观规模仅次于阔叶林景观,为该地区重要的资源斑块。(2)景观要素斑块规模中阔叶林地斑块最多,苗圃地和辅助生产林地规模最小,各类斑块的极差都较高,显示出斑块大小的分化更强烈。(3)景观要素斑块粒级结构呈不对称分布,面积小于10hm2的小斑块占景观斑块总数的82.67%,中、大斑块占到16.29%,而面积大于50hm2的超大斑块和巨斑块仅占1.04%,因此景观整体属于细粒结构。(4)各森林景观类型之间的形状指标比较分析表明,灌木林地的形状最复杂,而乔木经济林地和无立木林地,形状规整,边缘形状简单。(5)森林景观空间分布格局结果表明辅助生产林地分离度最高,针叶林地、未成林地、宜林地和阔叶林地分离度较小,均在0.5以下,不同斑块类型间差异很大,说明分离度与人类活动密切相关。(6)在对康平县森林景观生态结构分析的基础上,以海拔H、居民点个数J和距河流湖泊距离L为输入向量,以分维数F和多样性指数S为输出向量,分别构建了结构为3:S:1的多输入单输出BP神经网络模型。(7)以60个样本为训练样本,对所建模型进行反复的训练比较,得适宜的模型结构均为3:3:1,分别取名为Fnet和Snet ,训练的均方差性能函数mse分别为0.00235547和0.0437107,拟合精度分别为96.41%和75.72%,说明所建模型的拟合理论值与实际值吻合较好。(8)用17个检验样本分别对所建分维数和多样性指数的BP网络模型进行检验,检验精度分别为95.72%和72.27%,结果表明网络收敛效果理想,泛化能力强,能够模拟生态环境要素对森林景观格局的影响。

论文目录

• 致谢
• 摘要
• 1. 文献综述
• 1.1 景观生态学在国内外的发展及研究现状
• 1.1.1 景观和景观生态学的概念
• 1.1.2 景观生态学在国外的产生与发展
• 1.1.2.1 萌芽阶段（酝酿阶段、史前阶段）
• 1.1.2.2 形成阶段
• 1.1.2.3 发展阶段
• 1.1.3 景观生态学在我国的研究进展及研究现状
• 1.2 国内外森林景观生态研究现状
• 1.2.1 国外森林景观生态研究现状
• 1.2.2 我国森林景观生态研究现状
• 1.3 地理信息系统与景观生态学
• 1.3.1 地理信息系统简介
• 1.3.2 地理信息系统与景观生态学
• 1.4 人工神经网络在景观生态学中的应用研究
• 1.4.1 人工神经网络的发展及现状
• 1.4.2 人工神经网络在景观生态学中的应用研究
• 2. 引言
• 3. 材料与方法
• 3.1 研究地区概况
• 3.1.1 地理位置
• 3.1.2 基本概况
• 3.2 研究方法
• 3.2.1 资料的收集与整理
• 3.2.2 技术路线
• 3.2.3 景观类型划分
• 3.2.4 景观结构与格局分析的指标与方法
• 3.2.4.1 景观要素斑块特征分析
• 3.2.4.2 景观异质性与格局分析指标
• 3.2.4.3 景观要素空间相互关系分析指标
• 3.2.5 人工神经网络建模
• 3.2.5.1 人工神经网络理论基础
• 3.2.5.2 人工神经网络建模方法
• 4. 结果与分析
• 4.1 康平县森林景观生态结构分析
• 4.1.1 森林景观组成结构与异质性分析
• 4.1.1.1 森林景观要素组成结构
• 4.1.1.2 康平县森林景观的异质性分析
• 4.1.2 森林景观斑块特征分析
• 4.1.2.1 景观斑块规模特征分析
• 4.1.2.2 森林景观斑块形状分析
• 4.1.3 森林景观空间分布格局分析
• 4.2 景观指数的BP 神经网络模型
• 4.2.1 样本采集
• 4.2.2 分维数的BP 模型
• 4.2.2.1 模型构建
• 4.2.2.2 模型训练
• 4.2.2.3 模型性能分析
• 4.2.3 多样性指数的BP 模型
• 4.2.3.1 模型构建
• 4.2.3.2 模型训练
• 4.2.3.3 模型性能分析
• 5. 结论与讨论
• 5.1 结论
• 5.2 讨论
• 参考文献
• Abstract