全 文 ：基于 BP神经网络模型的平潭岛植被景观模拟*
刘晓芬1 摇 黄义雄1**摇 叶功富2 摇 陈摇 利1
( 1 福建师范大学地理科学学院, 福州 350007; 2 福建省林业科学研究院, 福州 350012)
摘摇 要摇 以 GIS为技术平台,利用 Matlab 7郾 0,选用 2 km伊2 km网格图对平潭岛植被景观进行
切割,得到 50 个样方数据,其中,44 个用于模型训练,6 个用于模型检验,在此基础上,选取分
维数、Shannon多样性指数、蔓延度指数作为模型输出数据,选取居民点个数、风速和距海边距
离作为影响因素,建立平潭岛植被景观的 BP神经网络模型,并进行误差检验.结果表明:影响
平潭岛植被景观空间格局和植被多样性状况的主要因素为风速、距海岸距离,人为因素对研
究区植被景观的空间连接程度造成较大影响. BP 神经网络模型对研究区植被景观与环境及
人为影响因子之间关系的拟合与实际情况基本吻合,平均误差为 7郾 4% ,最小误差仅 0郾 2% ,
模型模拟误差较小,拟合度较高,可用于对研究区植被景观的定量预测模拟.
关键词摇 神经网络摇 植被景观摇 GIS摇 Matlab摇 平潭岛
文章编号摇 1001-9332(2011)08-2098-07摇 中图分类号摇 S718. 3摇 文献标识码摇 A
Simulation of vegetation landscape in Pingtan Island based on BP neural network model. LIU
Xiao鄄fen1, HUANG Yi鄄xiong1, YE Gong鄄fu2, CHEN Li1 ( 1College of Geographical Sciences, Fu鄄
jian Normal University, Fuzhou 350007, China; 2Fujian Academy of Forestry Sciences, Fuzhou
350012, China) . 鄄Chin. J. Appl. Ecol. ,2011,22(8): 2098-2104.
Abstract: Taking GIS as technical platform and by using Matlab 7郾 0, the vegetation landscape in
Pingtan Island was cut with 2 km伊2 km grid graph. The data of 50 quadrats were obtained. Forty鄄
four of the 50 quadrates were used for model training, and the rest 6 were used for model checking.
Fractal dimension, Shannon diversity index, and contagion index were selected as output data of the
model, and the number of residential quarter, wind speed, and the distance from the coast were
chosen as affecting factors. A BP neural network model of vegetation landscape in Pingtan Island
was established, and was checked by error test. The results demonstrated that the major factors
affecting the vegetation landscape spatial pattern and diversity in Pingtan Island were wind speed
and the distance from the coast, and anthropogenic factors had greater effects on the spatial connec鄄
tion of vegetation landscape. The fitted results of the relationships between vegetation landscape and
environmental and anthropogenic factors were basically accorded with the truth. The average error
was 7郾 4% , and the minimum error was 0郾 2% , indicating that the model could be applied to quan鄄
titatively predict and simulate the vegetation landscape in Pingtan Island.
Key words: neural network; vegetation landscape; GIS; Matlab; Pingtan Island.
*“十一五冶国家科技支撑计划(2009BADB2B0302)资助.
**通讯作者. E鄄mail: yxhuang@ fjnu. edu. cn
2010鄄12鄄26 收稿,2011鄄05鄄05 接受.
摇 摇 人工神经网络是 20 世纪末迅速兴起的一门高
新技术,其不仅在环境保护、遥感生态参数的提取、
生态系统模拟、城市规划方面应用广泛[1-4],而且在
石油开采、病虫害防治、河流水质模拟等方面也有很
多体现[5-7],并在近些年逐渐应用于景观生态学.目
前,人工神经网络在景观格局、动态和驱动机制方面
的研究和应用还较少,更多关注的是沙漠、绿洲等景
观[8-10],对植被景观的研究和模型很少. 马学款
等[11]将人工神经网络模型用于重庆市能见度的预
报,模型结果对重庆市区的雾预报具有良好的参考
价值;孙会国和徐建华[12]将人工神经网络与地理信
息系统技术相结合,对城市边缘区景观生态规划建
立了 BP神经网络模型;张利权和甄彧[13]运用景观
生态学原理,基于 GIS 对上海城市景观格局及其变
化规律进行了定量分析,建立了人工神经网络模型;
应 用 生 态 学 报摇 2011 年 8 月摇 第 22 卷摇 第 8 期摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇
Chinese Journal of Applied Ecology, Aug. 2011,22(8): 2098-2104
郭泺等[14]对人工神经网络模拟森林景观生态进行
了研究分析,结果表明人工神经网络模型的泛化能
力较强,对森林景观格局的预测、模拟分析及景观规
划提供了一种新方法;孙华等[15]对天鹅山林场景观
格局和森林景观类型所占面积百分比的关系进行了
人工神经网络的模拟研究,结果表明,人工神经网络
模型对于明确森林景观的驱动因素和景观格局的非
线性对应关系具有很强的适用性.
景观格局分析过程的实质是一个非线性映射过
程,即由各种自然、社会经济因素与一组景观指数组
成的非线性对应关系. 神经网络模型具有高度的非
线性映射能力,可以揭示系统隐含规律,且精度高、
可靠性好、科学性强,又能完成任何从 n维空间到 m
维空间的函数映射,不需要假设前提条件和人为确
定所选因素权重,已应用于很多领域[16-18],但在植被
景观模拟方面的应用很少.为此,本文应用神经网络
模型对福建省平潭岛(平潭岛是福建省第一大岛,其
生态环境状况及特征具有代表性)植被景观格局进行
模拟,旨在揭示影响植被景观空间分布的人为和自然
影响因素,并探讨影响因素的作用机制,在平潭岛景
观规划及环境保护方面具有重要的指导意义.
1摇 研究地区与研究方法
1郾 1摇 研究区概况
平 潭 岛 ( 25毅 15忆—25毅 45忆 N, 119毅 32忆—
120毅10忆 E)位于福建省东部,由 126 个岛屿组成.陆
地面积 371郾 91 km2,其主岛———海坛岛的陆地面积
为 267郾 13 km2,是福建省第一大岛、我国第五大岛.
研究区属南亚热带海洋性季风气候,夏长冬短,温热
湿润,年均气温 19郾 6 益,雨热同季,旱雨季节分明,
年均降水量 1172 mm,为本省少雨区之一,且该岛处
于强风区.平潭县经济发展迅速,工业建设成效突
出,风力发电和旅游业发展迅速.
1郾 2摇 研究方法
1郾 2郾 1 植被景观现状摇 基于平潭岛 2007 年 TM遥感
影像,利用 ArcGIS 解译得到平潭岛植被景观图,将
研究区植被景观分为黑松(Pinus thunbergii)林、木
麻黄(Casuarina equisetifolia)林、次生相思树(Acacia
confusa)林、湿地松(Pinus elliottii)林、月见草(Oeno鄄
thera littoralis)灌丛、算盘子(Glochidion obovatum)灌
丛、 龙 舌 兰 ( Agave americana ) 灌 丛、 车 桑 子
(Dodonaea viscosa)灌丛和白茅( Imperata cylindrica)
灌丛等 9 种类型(表 1).
表 1摇 平潭岛主要植被类型的结构现状
Table 1 摇 Current situation of main vegetation types in
Pingtan Island
植被类型
Vegetation type
面积
Area
(hm2)
占总面积
的百分比
Percentage
of the
total area
斑块数
Number
of patch
占总斑块数
的百分比
Percentage
of the
total patch
黑松林 Pinus thun鄄
bergii forest 1992郾 32 21郾 0 49 7郾 5
木麻黄林 Casuarina
equisetifolia forest 3302郾 52 34郾 4 364 54郾 9
次生相思树林 Aca鄄
cia confusa forest 3618郾 99 37郾 7 151 22郾 3
湿地松林 Pinus
elliottii forest 53郾 05 0郾 6 6 0郾 9
月见草灌丛 Oeno鄄
thera littoralis shrub 310郾 42 3郾 3 42 6郾 4
算盘子灌丛 Glochid鄄
ion obovatum shrub 121郾 67 1郾 3 13 2郾 0
龙舌兰灌丛 Agave
americana shrub 67郾 95 0郾 7 13 2郾 0
车桑子灌丛 Dodonaea
viscosa shrub 64郾 74 0郾 7 8 1郾 2
白茅灌丛 Imperata
cylindrica shrub 69郾 54 0郾 7 17 2郾 6
合计 Total 9601郾 21 100 663 100摇 摇
1郾 2郾 2 模型变量的选取摇 综合考虑景观形成机制的
自然和社会经济因素,结合研究区特性,选取居民点
数、风速和距海边距离作为输入变量. 其中,居民点
数(指居民点斑块数目)代表人为干扰影响因素,选
取依据是斑块面积不小于 150 m伊150 m 的有人类
活动干预的居民点建设用地;风速和距海边距离均
代表自然影响因素,影响研究区植被景观的形成.选
取分维数、蔓延度指数和 Shannon 多样性指数作为
模型的输出数据,能较好反映景观镶嵌结构的复杂
程度和景观要素构成等特征.其中,分维数可用来测
定斑块形状的复杂程度,Shannon 多样性指数反映
景观要素构成,蔓延度指数指景观中不同斑块类型
成分的聚集程度.
1郾 2郾 3 模型变量的获得摇 平潭县植被景观斑块的平
均面积为 0郾 24 km2,由于景观样地的面积为斑块平
均面积的 2 ~ 5 倍时,才能反映采样地点周围景观的
格局信息[12],因此,研究区样本面积大小为 0郾 48 ~
1郾 2 km2,本文选用 2 km伊2 km 的网格进行采样.剔
除沿边的和不可靠的数据,选取均匀分布的 50 个样
方作为样本数据.从 50 个样方中随机选取 6 个样本
用于模型检验,其余 44 个样本用于网络训练. 根据
平潭岛实际情况,结合平潭岛风力分布图,对样方所
属风力区进行计算取值,得到各样方的平均风速值.
在 ArcGIS 9郾 2 软件支持下,运用 Data Manage鄄
ment Tools模块将样本网格图层转化为点图层,得到
99028 期摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 刘晓芬等: 基于 BP神经网络模型的平潭岛植被景观模拟摇 摇 摇 摇 摇 摇
表 2摇 模型的输入数据和输出数据
Table 2摇 Input data and output data of the model
样本编号
Sample No.
居民点个数
Number of
residential quarter
风速
Wind speed
(m·s-1)
距海边距离
Distance from coast
(m)
分维数
FRACT
Shannon
多样性指数
SHDI
蔓延度指数
CONTAG
1 14 6郾 5 1028郾 33 1郾 51 0郾 24 59郾 08
2 5 7郾 0 1726郾 63 1郾 33 0郾 47 65郾 78
3 0 8郾 0 1664郾 49 1郾 33 0郾 39 78郾 58
4 6 7郾 6 724郾 28 1郾 22 0郾 70 65郾 57
5 3 8郾 6 780郾 12 1郾 22 0郾 11 92郾 12
6 1 8郾 0 656郾 64 1郾 23 0郾 53 77郾 91
7 2 9郾 0 825郾 44 1郾 12 1郾 40 58郾 69
8 1 9郾 8 1112郾 39 1郾 21 1郾 01 71郾 55
9 1 9郾 2 1229郾 27 1郾 35 1郾 41 51郾 17
10 2 5郾 4 2822郾 47 1郾 08 0郾 84 59郾 78
11 3 6郾 3 2762郾 19 1郾 24 0 100
12 2 7郾 0 825郾 51 1郾 18 0郾 54 61郾 43
13 0 7郾 0 1010郾 90 1郾 46 0 100
14 6 6郾 0 2918郾 20 1郾 25 0 100
15 3 7郾 0 3089郾 80 1郾 24 0郾 70 72郾 59
16 7 7郾 5 1280郾 86 1郾 21 0郾 87 56郾 43
17 6 8郾 3 621郾 66 1郾 31 0 100
18 1 7郾 0 1045郾 31 1郾 23 0 100
19 0 7郾 0 1432郾 19 1郾 08 0 100
20 7 6郾 0 3160郾 22 1郾 24 0 100
21 14 7郾 0 2562郾 03 1郾 16 0郾 54 75郾 45
22 4 7郾 7 959郾 84 1郾 24 0郾 68 69郾 02
23 1 6郾 0 1944郾 87 1郾 32 0郾 58 58郾 16
24 0 7郾 0 3233郾 45 1郾 03 0郾 66 52郾 58
25 0 7郾 0 2073郾 12 1郾 25 0郾 58 57郾 98
26 0 7郾 0 830郾 33 1郾 21 0 100
27 1 7郾 0 491郾 44 1郾 19 0郾 68 51郾 01
28 1 7郾 0 2483郾 59 1郾 20 0郾 68 50郾 59
29 1 7郾 0 1955郾 80 1郾 11 0郾 89 57郾 44
30 2 7郾 6 1170郾 54 1郾 19 0郾 37 70郾 19
31 3 8郾 6 1333郾 39 1郾 15 0郾 66 68郾 35
32 2 6郾 6 1243郾 05 1郾 21 0郾 45 79郾 54
33 5 7郾 5 2804郾 08 1郾 19 0郾 57 59郾 09
34 1 7郾 0 2009郾 20 1郾 20 0 100
35 13 6郾 7 1451郾 19 1郾 19 1郾 09 58郾 32
36 1 6郾 5 2249郾 25 1郾 22 0郾 63 52郾 76
37 0 6郾 3 3199郾 00 1郾 26 0郾 51 76郾 81
38 3 8郾 0 3119郾 60 1郾 23 0郾 51 76郾 68
39 3 7郾 0 2780郾 92 1郾 24 0郾 69 50郾 03
40 0 8郾 0 558郾 46 1郾 13 0郾 09 95郾 55
41 2 6郾 6 2025郾 34 1郾 31 0郾 76 65郾 65
42 1 8郾 0 2732郾 21 1郾 36 0郾 68 40郾 39
43 2 6郾 5 1841郾 54 1郾 37 0郾 28 79郾 99
44 1 5郾 7 398郾 12 1郾 37 0郾 66 50郾 48
45 0 6郾 0 1418郾 33 1郾 25 0郾 44 68郾 10
46 4 5郾 4 1758郾 54 1郾 22 0郾 69 50郾 00
47 2 7郾 0 603郾 27 1郾 23 0 100
48 2 8郾 0 679郾 36 1郾 39 0郾 53 75郾 84
49 17 5郾 4 946郾 26 1郾 14 0郾 74 66郾 26
50 6 6郾 0 488郾 64 1郾 15 0 100摇
0012 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 应摇 用摇 生摇 态摇 学摇 报摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 22 卷
到各样本的中心点,再运用 Analysis tools下 proximity
中的 near功能模块计算每个样本中心到海边的最短
距离.
运用 ArcGIS 9郾 2 软件将研究区景观类型图中
的居民点提取出来,再将样本网格与居民点图层进
行叠加,即可获得每个样本的居民点个数.
用网格样本切割平潭岛景观类型图,运用 Arc鄄
GIS 9郾 2 软件将切割后的样本转化为像元大小为
30 m伊30 m的栅格数据,并结合景观空间格局分析
软件 Fragstas 3郾 3 对每个样本的 3 个景观指数计算,
即可获得 BP神经网络的输出矩阵(表 2).
1郾 3摇 植被景观 BP神经网络的构建
BP神经网络结构包括 3 个层次:输入层、隐含
层和输出层.本文中的输入层由居民点数、距海边距
离和风力级别组成,输出层包括植被景观分维数、蔓
延度指数和多样性指数. 输入和输出层的神经元个
数均为 3 个,隐含层的节点数根据经验和试探得来,
本文中隐含层节点数为 20.
由于输入和输出数据的数值差异较大,本文在
模拟前对原始数据进行标准化处理,公式如下:
x忆ij =
(xij - 軃xi)
啄i
(1)
式中: x忆ij 为标准化后的指标(变量) 值; xij 为实际
指标(变量) 值; 軃xi为指标(变量) 的算术平均值; 啄i
为标准差( i = 1,2,…,n) .
由表 2 中数据完成 BP 网络训练后,网络的拓
扑结构为(3,20,3),在软件 Matlab 7郾 0 中进行网络
的仿真训练.隐含层的传递函数采用系统中的 S 型
函数(tansig),输出层的传递函数采用 purelin 线性
函数,训练函数采用系统默认的 trainlm.训练步长经
反复试探选为 500 次,在训练样本时,输出向量的误
差在开始时收敛十分明显,训练 140 次后,训练样本
的输出误差很快趋于平缓,到 300 次后趋于稳定,误
差的减少量几乎为 0,训练 500 次后误差平稳,训练
数据的方差为 0郾 0026(图略).当网络模型的收敛效
果趋于理想状态时,BP网络模型对植被景观各指数
的模拟数值与目标数值之间的拟合基本完成.
1郾 4摇 模型检验
训练完毕的 BP 神经网络模型存在一定误差,
误差大小影响其运用方面的泛化能力,因此,需要进
行数据检验来说明模型的可靠程度 郾 本研究采用训
练样本之外的 6 个样本进行仿真模拟,从而检验仿
真结果的误差,以检验其泛化能力.检验样本的输入
数据为表 3,仿真结果见表 4,误差计算公式如下:
Ek =
1
2 移
n
i = 1
(yi,k - Oi,k) 2 (2)
式中:yi,k 和 Oi,k 分别为神经元 i的期望输出和实际
输出;K为当前的输入样本;n 为输出层神经元结点
数[19] .
2摇 结果与分析
2郾 1摇 平潭岛植被景观要素现状
研究区植被景观以次生相思树林和木麻黄林为
主,面积分别为 3618郾 99 和 3302郾 52 hm2,两者面积
之和占研究区植被总面积的 72郾 1% ,斑块数分别为
151 和 364,二者之和占植被斑块总数的 77郾 2% (表
1).木麻黄林作为平潭岛的主要防护林,主要分布
于沿海地带,以长江澳一带最多;次生相思树林多
表 3摇 模型检验样本的输入数据
Table 3摇 Input data of experiment samples of the model
样本编号
Sample
No.
居民点数
Number of
residential quarter
风速
Wind speed
(m·s-1)
距海边距离
Distance from
the coast
(m)
1 14 6郾 5 1028郾 33
7 2 9郾 0 825郾 44
21 7 7郾 0 2562郾 03
23 4 6郾 0 1944郾 87
42 1 8郾 0 2732郾 21
47 2 7郾 0 603郾 27
表 4摇 模型的仿真结果和期望输出数值
Table 4摇 Emulational results and expectional output data of the model
样本编号
Sample No.
蔓延度指数 CONTAG
仿真结果
Emulational
result
期望输出数值
Expectional
output data
分维数 FRACT
仿真结果
Emulational
result
期望输出数值
Expectional
output data
多样性指数 SHDI
仿真结果
Emulational
result
期望输出数值
Expectional
output data
1 59郾 30 59郾 08 1郾 51 1郾 51 0郾 25 0郾 24
7 58郾 48 58郾 69 1郾 12 1郾 12 1郾 40 1郾 40
21 75郾 89 75郾 45 1郾 16 1郾 16 0郾 55 0郾 54
23 57郾 81 58郾 16 1郾 32 1郾 32 0郾 56 0郾 58
42 41郾 08 40郾 39 1郾 36 1郾 36 0郾 70 0郾 68
47 99郾 94 100 1郾 23 1郾 23 -0郾 004 0摇
10128 期摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 刘晓芬等: 基于 BP神经网络模型的平潭岛植被景观模拟摇 摇 摇 摇 摇 摇
分布在丘陵台地、君山基部和中部背风坡,且长势较
好,已成为研究区植被的主导优势林地.黑松林面积
为 1992郾 32 hm2,占研究区植被总面积的 21% ,主要
分布于君山迎风坡,苏澳和大练岛也有部分分布.在
木麻黄林保护下,长江澳防护林中部有湿地松林分
布,多为纯林,但面积不大.
研究区自然植被主要为防护林前沿地带的月见
草灌丛,其次为算盘子灌丛;车桑子灌丛、龙舌兰灌
丛和白茅灌丛也是岛上较常见的自然植被,但面积
都不大,斑块分布较破碎,斑块数也很少. 在君山中
部,次生相思树林和黑松林的林下物种较多,在君山
顶部的灌草丛带,算盘子和车桑子灌丛分布较多,同
时伴生有黄栀子(Gardenia jasminoides)、野牡丹(Ti鄄
bouchina seecandra)、硕苞蔷薇(Rosa bracteata)等.
2郾 2摇 平潭岛植被景观 BP神经网络模型模拟
本文选取 3 个输入因子之一作为变量,其他 2
个因素设为定值,运用已训练好的网络对景观指数
与 3 个输入因子分别做仿真效果分析图.考虑到 BP
神经网络[20-22]传递函数的特点和数据序列的收敛
速度,需对原始数据序列进行祛除量纲处理,即将神
经元的输入输出值转化到 0 ~ 1,以此来提高 BP 神
经网络数据的收敛速度. 本文所选数据均为归一化
后的数据,因为 0 与 1 都是传递函数的上下极限值,
不宜作为输入输出的实际值使用,所以模型变量取
值为 8 个上升的变化值,且均为归一化后的 0郾 1 ~
0郾 8,适合作为模型的输入输出值.
由图 1 可以看出,在风速和距海边距离一定时,
研究区植被景观多样性随居民点个数的增加而降
低,蔓延度指数随居民点个数的增加而增大,分维数
总体随居民点个数的增加而增大,但最后有下降趋
势.人口的增长和经济的发展势必占用大量土地,人
为活动使景观(生境)破碎化程度加剧,土地利用活
动产生了孤立的生境斑块,不同程度地中断了种群
间的基因流,导致植被景观多样性降低.无计划地利
用土地是导致斑块形状趋于复杂的重要原因,随着
人口的不断增加,人们意识到无节制地利用土地资
源一定会引起资源短缺、环境污染等问题,日益紧迫
的资源环境问题唤醒了人们的保护意识,政府、个人
开始有目的地开发利用资源,政府规划可以使一些
分散的、破碎的植被斑块通过大面积种植而连接在
一起,斑块边缘形状比较规则,植被分维数变小. 人
为干扰下,植被景观中同一类型斑块高度连接,使许
多离散的小斑块聚集在一起,蔓延度指数增大.
图 1摇 景观指数随居民点个数、风速和距海边距离变化的模
拟
Fig. 1摇 Simulation of change of landscape index with the num鄄
ber of residential quarter, wind speed, and the distance from the
coast郾
摇 摇 在居民点个数和距海边距离一定时,随着风速
的增加,研究区植被景观多样性指数和蔓延度指数
呈下降趋势,分维数呈上升趋势(图 1).通常,风力
大的地方主要分布于山地和海边,越靠近山顶,风力
越大,植被种类越稀少;离海边越远,风力越小,越有
利于多类型植被种植. 海边许多植被是用来防风固
沙的,防护林品种比较单一,因此,植被景观多样性
指数随风速的增大而下降. 蔓延度指数随着风速的
增大而变小,说明风力大的地方,植被景观斑块的连
接性不好,离散的小斑块数量较多.风属于自然影响
因素,假设没有其他因素影响的前提下,风速对斑块
2012 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 应摇 用摇 生摇 态摇 学摇 报摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 22 卷
几何形状的影响是主要的,风速越大,植被的生境越
恶劣,长势优良的植被越少,景观连接度越差,导致
植被景观斑块复杂程度越高,分维数越大.
在居民点个数和风速一定的情况下,研究区植
被景观多样性指数随距海边距离的增加而下降,且
降幅较大.蔓延度指数和分位数的变化呈相反趋势,
且变化幅度与景观多样性指数相比较为平缓(图
1).距海岸越近,海浪、风沙等因素的影响越显著,
生态环境的脆弱性越高. 脆弱的生态环境直接威胁
人们的生态安全,迫于社会经济发展和人们生活的
需要,必须对生态环境敏感的近海区域进行保护,人
为增加植被种类、优化林分结构来提高生态系统稳
定性,导致越接近海边,植被多样性程度越高. 距海
边距离对植被景观斑块的形状及其间链接程度的影
响不大,且波动幅度也较小.
2郾 3摇 模型检验
用模型训练的 6 个样方来检验已训练好的人工
神经网络,6 个检验样本的平均误差为 7郾 4% ,最小
误差为 0郾 2% ,虽然局部偏差较大,但各项指标的变
化趋势体现得比较明显,基本上反映了输入因子对
景观格局产生的影响. 说明 BP 神经网络对于植被
景观的模拟度较好,即理论值与模拟值吻合较好,误
差小,可用于对研究区植被景观进行定量地预测模
拟.
3摇 结摇 摇 论
平潭岛的优势植被类型为木麻黄林和次生相思
树林,这 2 种防护林在沿海地区的造林更新中为首
选树种.影响平潭植被空间格局和植被多样性状况
的主要自然因素为风速和距海岸距离等. 滨海防护
林解决了防风问题,只有控制风的危害,生态环境才
有可能获得改善. 越接近海岸,风越大、生态环境越
脆弱,导致植被景观及其多样性在分布格局上受到
的影响越明显.人为因素对研究区植被景观的空间
连接程度造成较大影响,主要表现为由于居民点用
地增加、防护林植被景观退化更新不良造成的防护
林网络结点被破坏、廊道中断、局部地方斑块面积缩
小.在植被生态恢复方面,需重点考虑近岸地区植被
的更新改造和提高植被多样性,以提高植被景观的
整体生态功能.
运用 Matlab 7郾 0,采用居民点个数、风速和距海
边距离 3 个因素建立了研究区植被景观 BP 神经网
络模型.从模拟结果来看,模型的误差较小,模拟精
度较高,具有很好的实用性,对于植被景观格局分析
是一个有意义的尝试,对今后植被景观格局的定量
分析及预测具有一定的指导意义.
本文选取的样本面积为 2 km伊2 km,具有一定
的合理性,数据的数量和质量对模型的模拟结果起
决定性作用,样本大小的合理性在一定程度上可以
提高拟合精度.
本文所建立的 BP 神经网络模型较好地模拟了
居民点个数、风速和距海边距离这 3 个影响因子对
植被景观格局的影响,符合实际变化规律,适于自
然、人为因素与沿海植被景观格局非线性关系的研
究,为今后沿海植被景观或海岛植被景观的研究提
供了新的研究方法.
参考文献
[1]摇 Zu Y鄄G (祖元刚), Zhao Z鄄H (赵则海), Yu J鄄H (于
景华), et al. Nonlinear Ecological Model. Beijing:
Science Press, 2004 (in Chinese)
[2]摇 Lek S, Gusgan JF. Artificial neural networks as a tool in
ecological modelling: An introduction. Ecological Mod鄄
elling, 1999, 120: 65-73
[3]摇 Keiner L, Yan XH. A neural network for estimating sea
surface chlorophyll and from thrmatic mapper imagery.
Remote Sensing of Environment, 1998, 66: 153-165
[4]摇 Berberoglu S, Yilmaz KT, 魻zkan C. Mapping and mo鄄
nitoring of coastal wetlands of Cukurova Delta in the
Eastern Mediterranean region. Biodiversity and Conser鄄
vation, 2004, 13: 615-633
[5]摇 Chen D鄄J (陈丁江), L俟 J (吕摇 军), Shen Y鄄N (沈
晔娜), et al. ANN approach for modeling and predic鄄
tion of water quality in non鄄point sources polluted river.
Journal of Hydraulic Engineering (水利学报), 2007,
38(12): 1519-1525 (in Chinese)
[6]摇 Ling C鄄P (凌成鹏), Sun Y鄄J (孙亚军), Yang L鄄H
(杨兰和), et al. Prediction of inrush water of mine
with pore water yield based on BP artificial neural net鄄
work. Hydrogeology and Engineering Geology (水文地
质工程地质), 2007, 34(5): 55-58 (in Chinese)
[7]摇 Feng S鄄Y (冯绍元), Huo Z鄄L (霍再林), Kang S鄄Z
(康绍忠), et al. ANN model for simulating dynamic
variation of groundwater under the condition of natural鄄
human activity in arid鄄inland area. Journal of Hydraulic
Engineering (水利学报), 2007, 38(7): 873-878 (in
Chinese)
[8]摇 Li S (李 摇 莎), Yuan X鄄B (原熙博), Fan H (樊
华). Treatment of the suburb desertification with land鄄
scape methods. China Population, Resources and Envi鄄
ronment (中国人口·资源与环境), 2010, 20(7):
160-163 (in Chinese)
[9]摇 Guo M (郭 摇 明), Xiao D鄄N (肖笃宁), Li X (李
新). Changes of landscape pattern between 1986 and
2000 in Jiuquan Oasis, Heihe River Basin. Acta Ecolog鄄
ica Sinica (生态学报), 2006, 26(2): 457-466 ( in
Chinese)
30128 期摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 刘晓芬等: 基于 BP神经网络模型的平潭岛植被景观模拟摇 摇 摇 摇 摇 摇
[10]摇 Liu N (刘 摇 娜), Li H (李 摇 红), Sun D鄄F (孙丹
峰), et al. Extracting oasis landscape multi鄄seasonal
characteristics with linear spectral mixture analysis.
Transactions of the Chinese Society Agricultural Engineer鄄
ing (农业工程学报), 2010, 26 (8): 174 -182 ( in
Chinese)
[11]摇 Ma X鄄K (马学款), Cai X鄄N (蔡芗宁),Yang G鄄M
(杨贵名), et al. Study on fog synoptic characteristics
and fog forecast method in Chongqing. Climatic and
Environmental Research (气候与环境研究), 2007, 12
(6): 795-803 (in Chinese)
[12]摇 Sun H鄄G (孙会国), Xun J鄄H (徐建华). Artificial
neural network ( ANN) model of landscape ecological
planning in urban fringes. Ecological Science (生态科
学), 2002, 21(2): 97-103 (in Chinese)
[13]摇 Zhang L鄄Q (张利权), Zhen Y (甄摇 彧). An artificial
neural network model of the landscape pattern in Shang鄄
hai metropolitan region. Acta Ecologica Sinica (生态学
报), 2005, 25(5): 958-964 (in Chinese)
[14]摇 Guo L (郭摇 泺), Xia B鄄C (夏北成), Jiang X鄄D (江
学顶). GIS and ANN鄄based ecological planning of for鄄
est landscape in Guangzhou. Acta Scientiarum Naturali鄄
um Universitatis Sunyatseni (中山大学学报), 2005,
44(5): 121-123 (in Chinese)
[15]摇 Sun H (孙 摇 华), Chen Z鄄X (陈振雄), Lin H (林
辉), et al. Forest landscape research based on ANN
model. Forest Resources Management (林业资源管
理), 2007(4): 97-104 (in Chinese)
[16]摇 He S鄄H (贺尚红),Yang Y鄄Z (杨昀梓). Modeling of
universal characteristics and optimization of operating
conditions of concrete pump truck based on neural net鄄
work. Journal of Central South University (中南大学学
报), 2010, 41(4): 1398-1404 (in Chinese)
[17]摇 Sun J鄄B (孙军波), Qian Y鄄Z (钱燕珍), Chen P鄄Y
(陈佩燕), et al. The artificial neural network method
on the station wind in landfall typhoon. Meteorological
Monthly (气象), 2010, 36(9): 81-86 (in Chinese)
[18]摇 Du X鄄M (杜秀敏), Huang Y鄄X (黄义雄), Jin R (金
蓉), et al. Artificial neural network model of landscape
pattern in Xiamen City. Resources Science (资源科学),
2008, 30(9): 1362-1366 (in Chinese)
[19]摇 O爷Neill RV, Hunsaker CT, Timmins SP, et al. Scale
problems in reporting landscape pattern at the regional
scale. Landscape Ecology, 1996, 11: 169-180
[20] 摇 Huang W鄄J (黄万杰). Demand Forecast of Inventory
Based on Improved Algorithm of BP Neural Network.
Master Thesis. Chongqing: Chongqing University, 2004
(in Chinese)
[21]摇 Li J鄄P (李际平). Prediction study of forest resources
based on the artificial neural network. Journal of Central
South Forestry University (中南林学院学报), 2001,
21(4): 19-22 (in Chinese)
[22]摇 Bao Y鄄D (鲍一丹). Optimal mix forecasting method
based on BP neutral network and its application. Journal
of Agricultural Mechanization Research (农机化研究),
2004, 5(3): 162-164 (in Chinese)
作者简介摇 刘晓芬,女,1984 年生,硕士研究生.主要从事景
观生态研究. E鄄mail: fen198558@ 126. com
责任编辑摇 杨摇 弘
4012 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 应摇 用摇 生摇 态摇 学摇 报摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 22 卷