基于GIS和元胞自动机的女儿寨小流域植被动态模拟研究

论文摘要

元胞自动机（Cellular Automata,CA）是一种时间、空间和状态都离散,空间上的相互作用和时间上的因果关系皆局部的格网动力学模型,它“自下而上”的研究思路,强大的复杂计算功能、固有的并行计算能力、高度动态特征及具有空间概念等特征,使得它在模拟空间复杂系统的时空演化方面具有很强的能力,充分体现了“复杂结构来自于简单子系统的相互作用”这一复杂性科学的精髓;同时,地理数据普遍具有空间自相关性,即距离较近的数据之间的相关性比距离较远的数据之间的相关性强,CA模型在模型构造规则中定义的邻居概念恰恰能够将这一空间自相关因素考虑到模型中去,因此,CA模型非常适合于具有复杂时空特征的地理系统模拟。另外,地理信息系统的迅速发展大大推动了CA技术在地理研究中的应用,目前CA模型与GIS（Geographical Information System）技术相结合已经应用在城市土地利用变化模拟、土壤侵蚀模拟、荒漠化演化预测、干旱区LUCC模拟和湿地土地覆被预测等方面。本文较全面地综述了土地利用/土地覆被变化（Land Use/Cover Change,LUCC）模型的现状和元胞自动机在LUCC模拟方面的最新进展;阐述了AutoLogistic模型原理、CA模型原理、ArcGIS Engine技术和人工神经网络（Artificial Neural Network,ANN）技术;应用AutoLogistic模型对女儿寨小流域植被变化的驱动力进行了研究;集成GIS、BP神经网络技术和CA模型构建了BPNN-CA模型,并应用该模型对女儿寨小流域的植被动态进行了模拟研究。本文主要研究内容和结论如下:1、女儿寨小流域植被变化特征及驱动机制分析女儿寨小流域植被变化特征:1994～2008年间,耕地、落叶阔叶林和针叶林面积都在减少,而果园、常绿阔叶林和灌木林地面积则在增加,其中果园面积增加最快;从植被类型间的相互转换来看,减少的耕地主要转变成了果园,落叶阔叶林最明显的转变是转变为果园,减少的针叶林主要转变为了灌木林地、落叶阔叶林、常绿阔叶林和果园。基于AutoLogistic模型的分析结果表明,自然和人类活动因子对女儿寨小流域植被变化的影响力不同。自然因子中的坡度对非耕地转化为耕地的变化、非果园转化为果园的变化、非常绿阔叶林转化为常绿阔叶林的变化、非针叶林转化为针叶林的变化有重要影响;坡向对非耕地转化为耕地的变化、非常绿阔叶林转化为常绿阔叶林的变化和非灌木林地转化为灌木林地的变化影响显著;海拔对各种植被变化类型的影响都较小。人类活动的影响对非果园转化为果园变化和非落叶阔叶林转化为落叶阔叶林的变化影响显著。2、BPNN-CA模型的构建本文结合GIS技术、BP神经网络技术和CA构建了小流域植被动态模拟模型,在CA的邻居构型、转化规则的定义和模型集成等方面进行了扩展研究。应用VS2005（C#）和ArcGISEngine9.0相结合,编程实现了模型变量提取及模型变量数据库建立的功能模块,使得模型数据准备更加方便快捷;应用MatLab软件中的神经网络模块,结合研究区实际情况,建立了双隐层非线性BP神经网络,用以代替复杂的CA转换规则来获取模型变量的参数值,从而大大简化了CA模型转换规则定义的难度。3、基于BPNN-CA模型的女儿寨小流域植被动态模拟借助BPNN-CA模型,利用1994年和2008年两个时期的植被覆盖图,对女儿寨小流域的植被动态进行了模拟预测研究。模型采用了半径为7个元胞边长的圆形邻居范围,克服了方向上的偏差,提高了模型模拟精度。用人工神经网络代替复杂的CA转换规则,降低了多种植被类型模拟的难度,同时减少了主观因素影响,提高了模型模拟的准确性。研究结果表明:（1）该模型对女儿寨小流域植被动态的模拟精度达到了87.32%,模拟结果较理想;（2）本文还基于过去的趋势,在假设自然和社会影响因子均不发生变化的情况下,应用该模型对研究区2022年、2036、2050年和2064年的植被空间格局情况进行了预测,结果表明:1994～2064年间,研究区针叶林、落叶阔叶林和耕地面积整体呈现出减少的趋势,果园和常绿阔叶林面积呈增加的趋势,且减少和增加的速率均逐渐降低,灌木林地面积先呈现增加的趋势（1994～2022年）,然后又出现了减少的趋势（2022～2064年）,除1994～2008年间,其他时段灌木林地面积变化的速率相对其他几种类型低;假设这种发展趋势不变,若干年后,女儿寨小流域主要的植被类型将以灌木林地和果园为主。研究结果可为该区植被恢复提供参考。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 土地利用/土地覆被变化模型现状
• 1.2 CA模型用于LUCC模拟的进展
• 第二章 数据与方法概述
• 2.1 研究区概况
• 2.2 数据与方法
• 第三章 数据预处理与模型设计
• 3.1 数据预处理
• 3.2 模型变量提取模块设计
• 3.3 AutoLogistic模型设计
• 3.4 BPNN-CA模型设计
• 第四章 女儿寨小流域植被变化及驱动机制分析
• 4.1 女儿寨小流域1994～2008年的植被变化特征
• 4.2 女儿寨小流域植被变化驱动因子分析
• 第五章 女儿寨小流域植被动态模拟预测
• 5.1 数据准备
• 5.2 神经网络训练
• 5.3 模型模拟及精度检验
• 5.4 模拟预测结果及分析
• 第六章 结论与展望
• 6.1 结论
• 6.2 展望
• 参考文献
• 致谢