海滨湿地利用空间格局优化范文

《自然资源学报》2014年第六期

1湿地利用空间格局模拟模型

湿地利用空间格局模拟研究正处于探索阶段，城镇用地扩张模拟研究却相对成熟，其技术框架和理论方法已形成特定的范式，运用CA来模拟城镇扩张的最为典型的模型包括：SLEUTH模型[13]、DUEM模型[14]、ULEM模型[9]、ULOM模型[15]、CFCA模型[16]等。海滨湿地开发过程所引起的覆被变化与城镇用地扩张的内在机理存在诸多差异，而LUCC空间格局模拟的技术实现过程却存在相通性，前人代表性的技术框架和模型设计可充分借鉴。本研究选择较为成熟的BP神经网络与CA耦合模型作为模拟的基础方法，改进输入变量与模拟过程，以实现海滨湿地利用的空间格局优化模拟。

1.1BP-CA模型框架海滨湿地的BP-CA模型是一个综合考虑诸多驱动因素的、在湿地规划层面上兼顾开发与保护的、侧重于微观尺度的元胞自动机扩展空间规划模型。BP-CA模型的功能模块（图1）包括数据获取模块、数据修正模块、训练模块和规划模块4个。在此，数据修正模块是CA实现空间格局优化模拟的前提，在往年开发合理性评价的基础上，人为把真实覆被数据中不合理的人工湿地复原为自然湿地，为训练合理开发的转换规则提供数据支持。

1.2BP神经网络设计BP神经网络设计采用面向对象建模思路，利用MatlabR2010b开发。网络结构分为3层（图2）：第1层为数据输入层，共23个神经元，分别对应影响海滨湿地利用变化的空间变量；第2层为隐藏层，两组实验中神经元分别为13、17个；第3层为输出层，由8个神经元组成，分别对应8类海滨湿地覆被类型的转换概率。在此，直接调用人工神经网络工具箱中的feedforwardnet函数，设定trainlm为训练功能函数，该函数根据Levenberg-Marquardt算法优化了权重和偏置值的计算，可提高模型精度。空间驱动变量选择的合适与否将直接决定模型构建的成败，进而直接影响模拟结果。在海滨湿地开发利用过程中，人为驱动因素与自然驱动因素共同影响着覆被的演替，而前者更居于主导地位。结合前人研究经验和海滨湿地的实际情况，充分考虑空间距离、邻居构型、人口经济和自然属性四大变量类型，遴选出23个可定量化的空间驱动子变量（表1），这些驱动变量的确定将为获得有效的覆被变化转换规则提供数据支持。其中，S4、S7、S9和S23属自然驱动因素的定量化，S13至S20这8个邻居构型变量属元胞自动机模型特有的变量类型，其余变量均属人为驱动因素。

1.3CA设计CA模块采用60m×60m空间分辨率的正方网格式元胞，以TIF图像存储栅格数据，每个栅格单元对应唯一的属性标识码。元胞状态为变化前后栅格单元的湿地覆被类型的有限离散集合，考虑了自然湿地、人工湿地与非湿地间的相互转化。邻居采用7×7的扩展摩尔（Moore）邻居，即元胞的邻居半径为3，共有48个邻居单元共同构成。使用BP神经网络来获取CA模块的运行转换规则，简化模型的复杂度。二维地理元胞（L2）下一时刻的状态（Et+1）由当前元胞状态（Et）、邻居集合（N）、转换规则（f）共同决定，数学式[17]为Et+1=(L2,Et,N,f)，其中N为包含23个空间驱动变量的元胞状态。746在运用BP-CA模型模拟未来湿地开发格局之前，需要判别模型的已有模拟精确度。通常使用改进的Lee-Sallee指数[12]，该指数能衡量模拟数据与历史数据之间空间分布的相似性，其计算式为L=(A0∩A1)/(A0∪A1)，L∈[0,1]，A0为历史数据，A1为模拟数据。若L∈[0.3,0.7]，则表明模拟结果精度较高。

2格局优化模拟的思路

借鉴黎夏等提出的优化城市形态的模拟思路[18]，本文提出更为通用的覆被空间格局优化模拟思路，即：用BP-CA来发现转换规则，可模拟土地利用覆被的时空格局变化；也可根据不同的规划目的，形成相应的准则来对原始数据进行修改，模拟出优化的覆被格局，具体流程见图3。就海滨湿地利用规划而言，过去的无序围垦，使有些养殖塘、耕地、林地、盐场，甚至是建设用地落在自然保护区核心区或接近重要生态保护区。为此，本研究的空间格局优化原则是保障海滨湿地的原有生态功能，即物质生产、能量转换、涵养水源、净化水质、调节气候等独特功能。空间格局优化的实现方法是基于BP合理开发转换规则的CA模拟，重点是该转换规则的自动提取。可以对模型输入训练点的实际值进行修改（退为自然湿地），在理想情况下，这些点应该保持为自然湿地。利用这些修改过的训练数据对BP神经网络进行训练，使得BP神经网络去掉不合理的因素，由此获得优化的模拟结果。根据不同的规划方案和过度围垦评价标准，可以有不同的准则来判断是否对某些点进行修改。基于优化原则，本研究在滩涂围垦的合理性评价时选用了海滨湿地生态位模型。

3数据的收集与处理

3.1研究区概况与数据来源大丰海滨湿地位于江苏省沿海地带中部，盐城市东南，介于32°55´～33°41´N，120°23´～121°04´E之间。东濒黄海，有112km海岸线；南与东台市接壤，西与大丰市方强镇、新丰镇、大中镇、通商镇、万盈镇、大桥镇毗邻，北与盐城市射阳县交界，研究区面积约20.53×104hm2。本研究所用数据主要包括遥感数据和非遥感数据，其中包括：1988、2002和2009年三期LandsatTM（或ETM+）遥感影像（行列号：P119，R037），大丰市2009年1:1万土地利用现状调查数据，源于各类年鉴的人口、经济统计数据，野外实地勘察数据。为便于遥感解译和研究需要，本研究还参考了《大丰市土地利用总体规划（2006—2020年）》、《盐城市沿海滩涂围垦开发规划》、《江苏沿海滩涂围垦开发规划（2009—2020年）》、《江苏盐城沿海湿地珍禽部级自然保护区总体规划（2006—2020年）》等资料。

3.2模型数据预处理结合研究需要，将研究区覆被分为浅海滩涂、植被滩涂、养殖塘、耕地、林地、盐场、城乡建设用地和河流道路八大类，使用人工目视解译法，生成各年大丰海滨湿地覆被现状矢量数据。为满足CA模型运算条件，高效实现数据在Matlab软件中的读入与运算，12个空间距离变量的获取通过ArcGIS的空间分析“SpatialAnalyst”模块的“Distance”工具实现（2002年的分析结果见图4），8个邻居构型变量的统计通过设计好的Matlab计算模块完成，2个人口经济变量和1个自然属性变量则使用ArcGIS的栅格生成模块“FeaturestoRaster”工具获得。所有模型输入数据均转换成单精度TIF图像格式，且保证栅格大小一致、同一地域的栅格无偏移。为满足BP神经网络训练与仿真的数据需要，必须对所有输入变量进行均一化，使数据值域控制在-1~1之间，计算公式为Hi=(xi-xmin)/(xmax-xmin)，此预处理由Matlab计算模块完成。此外，对输出层训练目标数据也需在Matlab中进行统一的0、1编码。

3.3不合理开发区域诊断海滨湿地的无序过度开发，必然导致局部湿地生态功能的快速退化，应用湿地功能生态位模型可实现对过度开发区域的有效诊断，在此借鉴欧维新等提出的评价方法[19]及其测算的盐城海滨湿地生态环境价值损益标准[20-21]。考虑到研究区总面积和各湿地类型细碎度，并对比了不同评价尺度下的生态位评价效果，最终采用900m×900m格网为生态元[22]，分别计算1988、2002和2009年生态位态值、生态位势值和生态功能经济价值，并对三类结果均一化处理后进行叠加求和，获得大丰海滨湿地生态功能综合评价值（图5上）。在此，将3个年份生态功能综合评价值分成了4个等级，来展示大丰海滨不同地段的生态功能强弱，生态功能值越大则生态功能越强，等级的划分综合考虑了3个年份所有栅格下数值的概率分布，0.0517、0.4348、0.5382分别为该区生态综合功能由低到高的分界值。参考2007年国家环保总局划定的江苏盐城湿地珍禽部级自然保护区边界，以生态保护重点区为生态功能高期望值为设定原则，根据所有评价单元的生态功能价值分布，把核心区期望值定为0.4348，实验区期望值定为1.3808×10-4（实验区生态功能最低价值），缓冲区期望值的设定以离核心区距离增大而等差递减（划分成25个等级，值域范围为1.3808×10-4~0.0517）。而后，将湿地生态功能综合评价的实际值减去期望值，当结果小于某临界值时，说明该地段海滨湿地开发相对不合理，假设此临界值设为-0.04时，不合理开发区域主要是集中在2002和2009年的核心区内及缓冲区内离核心区较近的连片养殖塘（图5下）。

4海滨湿地空间开发格局优化模拟

4.1实验方案的设计分析发现1988—2002年与2002—2009年两个时间段内大丰海滨存在着明显不同的覆被演替特征，2002年后覆被演替过程不断加剧，围垦速度明显增快，覆被间逆向转换过程时有发生。受实际覆被演替规律的限制，且为有效避免BP-CA模型自身的缺陷（模拟步长固定），本研究需完成两组模拟实验，通过对比和求同，获得大丰海滨湿地利用空间格局优化结果。实验一，使用1988和2002年真实的覆被空间数据，此时模拟步长为14a，训练样本点的抽取不规避任何历史不合理开发区域，重点训练前14a间大丰海滨湿地无序开发的内在转换规则，以该阶段的海滨滩涂开发速率与特征为基础，预测2016年可能的覆被分布；实验二，使用2002和2009年修改的覆被空间数据，此时模拟步长为7a，即对历史不合理开发区域先进行覆被退变，在此基础上完成训练样本点的抽取，重点训练后7a间大丰海滨湿地合理有序开发的内在转换规则，以不同于实验一的海滨滩涂开发速率与特征为基础，预测2016年可能的覆被优化分布；最后，保留实验一二结果中共同演化部分，对不同的开发区段，参考生态功能价值变化趋势，以尽可能满足生态需求为原则，提取出合理的海滨湿地开发控制边界。两组实验方案均在BP-CA模型下完成，均涉及训练样本提取、转换规则训练、测试仿真模拟、模型精度判断、预测仿真模拟这五大阶段（图3）。

4.2样本获取与模型训练训练样本选择与获取亦是模拟成败的关键。以往研究者普遍采用随机抽样的方式在研究区内一次性获取一定数量的训练样本数据，此时样本抽取比例越高，转换规则精度越高。该抽样方式仅适用于覆被类型相对单一、各覆被类型面积相对均衡、各覆被类型间演替过程相对简单、待观察覆被类型面积相对较大、模拟对象元胞个数相对有限的情况。但本文研究对象却不具备以上条件，如大丰海滨湿地中的城乡建设用地在1988、2002和2009年仅占研究区面积的0.22%、0.41%和1.06%，同时8种覆被类型间演替过程相对复杂。为提高样本有效信息量，本研究对传统随机抽样进行改进，将各覆被面积比例与随机抽样相结合，即单覆被面积÷研究区总面积＝单覆被样本数÷总样本数，单覆被训练样本由随机抽样获得，共抽取10000个训练样本点，两组实验具体单覆被样本数见表2，该方法可避免重要覆被类型抽样少甚至不抽样的问题。模型校准与精度检验是提升模拟精度的核心环节，确定适当的BP隐藏层节点数是本阶段的研究重点。目前，学界就如何确定BP隐藏层节点数未达成共识，除了参考Kolmogorov定理外，大多仍采用试凑的方式[23]。在本研究的两组实验中，分别就隐藏层节点数为10~19的三层式BP神经网络逐一进行了测试，比较训练结果和模拟精度后，实验一二分别选择13、17个隐藏层节点作为三层式BP最优结构（精度见表2）。训练之初，定义BP神经网络的最大训练步数为500，最小均方差为0.0025，动量因子为0.001，学习速率基值为0.02，误差增大连续容忍次数为6。按照上述设计，在训练开始阶段，误差收敛十分明显，大约在30次后收敛速度趋缓，当误差连续增大6次时停止训练，并以最小均方差最小时的BP参数定义神经网络模型。

4.3模拟结果为了在现有的模拟精度上，再次提高仿真精度，在BP-CA模拟结果阈值设定环节，参照两阶段不同的覆被演替特征，对两组实验的各覆被演替方向做了设定，最终仿真精度与表2结果相比又提高近0.3个百分点，2016年覆被预测结果将更为合乎情理。实验一，精度测试阶段的2002年仿真格局与真实覆被相比精度达93.64%，在此基础上，仿真预测出2016年大丰湿地利用空间格局分布（图6②）；实验二，2009年仿真精度达94.45%，再仿真预测2016年格局（图6⑥），该结果北部保留了连片的植被滩涂，属理想状态。2002年前在大丰海滨地区耕地开发与养殖塘开发并重，同时南部林场规模有序扩大，延续此种开发态势至2016年，耕地和养殖塘仍将继续向海扩张。但是，随着开发驱动因子和制约因子的改变，20世纪末的开发规律将被打破，适宜开发为耕地的滩涂已几乎荡然无存，养殖塘的开发将成为沿海滩涂开发的主要方式，随着经济的发展和大丰港口的扩大，大丰海滨中部地区大丰港附近的建设用地需求量也将不断增长，故实验一预测的2016年结果可能与未来开发利用格局会有点偏差。从精度检验结果分析，实验二的转换规则的正确性要比实验一的高，这意味着在预测仿真时实验二的可信度也更高。当忽略江苏盐城沿海湿地珍禽部级自然保护区核心区及临近核心区的部分缓冲区内的滩涂开发时，其他沿海滩涂的未来开发基本遵循了近年开发利用态势，其2016年预测结果对未来大丰海滨湿地利用更具有指导意义。

4.4合理开发控制边界的确定土地利用空间格局模拟的最终目的应是为未来土地利用方式转变提供科学参考。在此，为了获得最终的大丰海滨湿地未来合理开发的控制边界，本研究主要参考实验二的2016年模拟结果，以实验一的2016年模拟结果做辅助修正，并结合对大丰海滨地区未来开发趋势的正确把握，划定大丰海滨2016年滩涂开发合理的控制边界。同时，对大丰海滨滩涂未来开发做以下假设：①已开发的建设用地保留，②保护区核心区内及周边已开发的滩涂类型暂不退变，③忽略所有零星的地类转变。假设2的提出是考虑到大丰滨海北端的养殖塘已经长期存在，在未来开发过程中强制性地将此处的养殖塘退变为植被滩涂的可行性不强，故对此处养殖塘进行了保留（参照2009年真实状况，未扩大也未缩小）。经调整后，预期至2016年大丰海滨地区植被滩涂、养殖塘、耕地、林地、盐场、城乡建设用地、河流道路将分别达到20769.48、39435.12、73919.52、3569.40、1001.88、2175.48、7084.80hm2，具体空间格局分布见图7。此大丰海滨湿地开发方案，将最大限度地保护大丰野生动植物栖息繁衍生长的湿地，尤其是在大丰南北端都留足了足够的自然湿地空间，在南段还特别保留了野生麋鹿迁徙的自然廊道；同时允许中段地区的适度开发，以加快大丰国际港口的建设；而对南部暂不满足农业开发条件的连片自然湿地，可筑建风能和太阳能发电机组，在充分利用自然资源的同时还可为大丰构建独特的沿海滩涂景观带。

5结论与讨论

本研究综合考虑了影响海滨湿地利用变化的自然条件、社会经济和生态保护等23个空间变量，借助Matlab平台，耦合BP神经网络和元胞自动机，确定大丰海滨湿地2016年的合理开发控制边界。研究表明：①近些年大丰海滨湿地覆被类型间的演替趋于频繁，自然湿地年开发速度明显加快，开发重心不断东移，呈现出向海“滚动开发”的特征，即大量植被滩涂被直接开发为养殖塘，当养殖塘地区土壤盐碱度降低后再开发为耕地或林地，而建设用地的开发主要集中在大丰港附近；②植被滩涂和林地具有较高的湿地生态功能，通过生态位的计算，发现大丰海滨湿地高生态功能区域逐年向海一侧萎缩，仅南北两端生态重点保护区域的生态功能基本保持稳定；③历经BP结构的优选、不合理开发区域规避、训练样本科学抽取等方法改进，提升了模拟运行效率和精度（93.6%以上），再结合格局优化模拟思路，实现了海滨湿地利用空间格局优化。BP-CA模型作为覆被过程仿真模型已受到越来越多的关注，但转换规则定义的准确性成为制约模拟的瓶颈，尝试加入多智能体和人工免疫智能技术，以及对情景结果的多目标优化都存在深入研究的必要性。另外，海滨湿地开发的驱动因素较为复杂，不仅受到自然条件的制约，而且受到经济条件的束缚，开发政策与比较利益更成为了直接驱动因素，为了模拟出更为合理的空间格局，BP-CA模型的驱动变量有待进一步扩展与完善；同时可尝试采用Logistic模型遴选和检验变量的相关性及其影响显著度[24]，保留重要性大并剔除相关度高的驱动变量以提高模型运算效率，也有待深入研究。

作者：欧维新肖锦成李文昊单位：南京农业大学土地管理学院农村土地资源利用与整治国家地方联合工程研究中心