基于移动窗口法与ANN模型的澄迈林场森林景观研究

陈冬洋，陈彩虹，常双双

（中南林业科技大学，湖南 长沙 410004）

基于移动窗口法与ANN模型的澄迈林场森林景观研究

陈冬洋，陈彩虹，常双双

（中南林业科技大学，湖南 长沙 410004）

利用ARCGIS和Fragstats软件，基于移动窗口法和ANN模型，对澄迈林场森林景观进行研究分析模拟。结果表明：适宜的景观分析粒度为60 m栅格，最佳样方尺度为540 m；人工神经网络模型适合森林景观模拟研究，收敛效果理想。将ANN模型分析与移动窗口法结合，精确研究分析森林景观格局，为林场景观格局量化分析提供参考，为林场经营管理提供科学合理指导。

森林景观模拟；景观指数；移动窗口法；粒度效应；ANN模型；

生态环境是人类赖以生存的基础，其质量关系到人类社会可持续发展。景观格局由社会经济发展与生态环境相互作用形成，同时也是各种生态过程作用的结果。景观要素斑块在景观镶嵌体中的视觉边线就是颗粒的粗细程度。粗粒景观在较大尺度上有较高的异质性，细粒景观在较小尺度上异质性较高。目前国内外学者基于景观粒度的景观格局研究，主要针对山地[1]、湿地[2]等的生态斑块粒度效应和粒度变化对景观格局的影响研究。国外著名学者Whittaker提出的移动窗口法[3]，是在固定窗口内计算选取景观指标，生成相应栅格数据图像，研究分析景观格局空间变化，使景观空间变化信息定量精确化。目前国内外学者基于移动窗口法的景观格局研究比较少，主要针对干旱河谷[4]、山地丘陵[5]等特质景观空间梯度变化和景观异质性分析。

人工神经网络（ANN）模型[6]是结构简单、训练过程简单和应用广泛的神经网络算法，优势在于使用线性学习算法来完成以前的非线性学习算法，同时保持高精度、最佳逼近以及全局最优的特点，且具有自适应，学习和高速寻找最优解的优点。目前基于ANN模型的景观格局研究，国内外学者主要针对岛屿[7]、城市边缘区域[8]等的网络模型构建和景观模拟。本研究以海南省澄迈县澄迈林场为研究区域，将移动窗口法与ANN模型有机结合进行景观格局分析，先利用栅格数据空间粒度变化，确定适宜粒度大小，再基于移动窗口法，分析得出适宜分析尺度[9]。运用ANN模型分析，利用泛化力、自适应、高速寻找最优解的特性，对澄迈林场的森林景观结构变化的驱动机制进行研究，为澄迈林场的可持续发展提供指导。

1 研究区概况

澄迈林场位于海南省澄迈县东南，距离县城7 km，林场主要地貌类型是低山丘陵和缓坡，气候类型是热带季风，年均气温23.8 ℃，年均日照时数2 059 h，年均降雨量1 750 mm，且热雨同季，终年基本无霜。铁质砖红壤是林场内主要土壤类型，其他类型主要有质砖红壤和沙壤土等。主要营造人工林，主要树种桉树、松树、马占相思等。林场总面积4 200 hm2，其中有林面积2 533 hm2，林木蓄积量1.9×105m3。

2 研究方法

2.1 数据来源与处理

主要选取为2010年澄迈林场二类调查小班数据，澄迈县行政边界数据、1:20万DEM数字高程模型、澄迈林场森林资源分布图、海南省国营澄迈林场改革实施方案，澄迈林场森林经营方案，卫星遥感影像图等。以国土资源部2007年公布的《土地利用现状分类》（GB/T 21010-2007）分类标准为参考，根据林场景观格局研究分析的实际情况，将其景观类型划分为6种，有林地、灌木林地、耕地、水域、建设用地以及未利用地（见图1、表1）。利用ARCGIS10.0对矢量小班数据进行融合调整，将融合后的矢量数据转换为不同粒度的GRID数据。再将得到的不同粒度栅格数据带入Fragstats4.2进行相关景观指数计算，分析得出适宜粒度与尺度。将合适尺度下的景观指数导入NeuroShell 2，用ANN模型进行森林景观结构变化和模拟研究。

2.2 景观指数的选择

景观指数类型主要有3种水平，主要是斑块尺度（patch）水平、斑块类型尺度（class）水平、景观尺度（landscape）水平。本研究基于景观水平进行研究，根据研究需要主要选取斑块个数（NP），斑块密度（PD）、最大斑块指数（LPI）、平均分维数（FRAC_MN）、分离度（DIVISION）、景观多样性指数（SHDI）6个指标进行研究分析；人工神经网络模型分析过程中，综合考虑分析数据收敛速度和泛化能力等方面，主要选取蔓延度指数（CONTAG）、聚集度指数（AI）、分离度（DIVISION）和景观多样性指数（SHDI）4个景观指数。以上选取的景观指标反映了林场景观类型的集聚程度、延展趋势、景观构成、景观组分等空间变化特征。

图1 澄迈林场景观类型Fig. 1 Landscape type of Chengmai Forest Farm

表1 澄迈林场森林景观类型特征Table 1 Landscape characteristics of Chengmai Forest Farm

2.3 分析粒度与尺度计算

景观格局分析评价常用的方法是景观指数粒度效应分析和面积信息守恒评价法[10]，分别针对景观空间粒度变化定性分析和面积信息精度分析定量评价。依据景观指数粒度效应折线选取适宜粒度域是景观指数粒度效应分析方法的核心。景观粒度大小为效应折线横轴，相应粒度的景观指数值为纵轴。

式（1）和（2）中：Li是面积损失的相对值；Ai是某类型景观粒度化后的面积；Abi表示该类型在粒度化前的面积；Si表示区域景观类型面积变化指数；n表示区域景观类型数目。Si越大，表明区域内各景观类型面积变化越大，粒度化后各景观类型面积精度越差；反之，粒度化后各景观类型面积精度越高。

2.4 ANN模型构建

构建神经网络模型软件众多，本研究选取由美国软件公司开发的NeuroShell2软件设计ANN模型[13]。利用NeuroShell2软件的Advanced Neural Networks模块建立一个改进型3层BP神经网络，其中输入层包含2个节点（输入变量），隐含层由 “0.618法”确定神经网络隐含层神经元个数12个节点，输出层4个节点[14]。

在景观类型分类基础上，利用Arcgis10.0的空间分析模块中的创建渔网工具均匀布设网格，交叉切割适宜粒度的影像数据，剔除边缘的、不可靠的数据，选取有代表性、均匀分布的145个样本数据，作为BP神经网络模型的输入矩阵。选取其中124个样方作为训练数据，剩余的21个用于网络模型训练效果检验。利用ARCGIS10.0将样方数据转换成栅格数据，并导入软件Fragstats4.2计算景观水平上相关景观指数，获得网络训练测试的输入矩阵数据。

森林景观格局研究需要综合考虑各项因素，因此选取每个样方斑块面积（TA）、最大斑块指数（LPI）2个景观指标作为输入变量，蔓延度指数（CONTAG）、聚集度指数（AI）、分离度（DIVISION）、景观多样性指数（SHDI）4个景观指标作为输出变量。由于原始模型输入矩阵数据的量纲不同和指标指数量级存在明显差异，同时考虑到BP模型传递函数特点和数据收敛速度，对训练数据进行归一化无量纲处理[15]。标准化采用如下形式：

式（3）中，xij输入矩阵的原始数据；x′ij归一化处理后的数据；i，j分别为样方号，变量号；xmin，xmax列数据中的最小值和最大值。本文获得输入和输出变量后，对其进行无量纲处理，使数据处于区间[0,1]之间。

3 结果与分析

3.1 分析粒度与尺度选取

综合考虑小班类型和计算机数据运算量，本文在景观格局适宜粒度选取过程中，利用ArcMap10.0软件的数据转换模块，将矢量小班数据转换为不同粒度的栅格数据，选取最小景观转换粒度为20 m，最大粒度为320 m，以20 m为转换粒度间隔，获得16幅不同粒度级别的景观类型栅格数据。利用Fragstats 4.2软件，采用标准法计算不同粒度景观指数，进行景观指数粒度效应分析，以确定研究区适宜分析粒度。

由图2可知，随着景观分析粒度的不断增加，各景观指数折线呈现各异变化趋势，斑块个数、平均分维数、斑块密度指数折线整体呈现出下降趋势，最大斑块数、分离度、景观多样性指数整体趋势不明显，但6个指数折线中出现明显粒度转折点。由于矢量小班数据粒度化过程中，数据边界、相邻斑块属性以及相关特性发生改变，导致景观指数出现各异变化趋势。根据折线拐点分布情况和不同粒度下各景观指数变化趋势，选定适宜尺度域40～80 m 和220～260 m。此栅格粒度域内，景观指数变化能够有效反映研究区域内森林景观的景观格局变化程度和趋势。

在驮子往三轮车上装家当时，有人看见周小羽去了村口的那棵老樟树下，有人说，周小羽一直在望着村口的方向，脖子是伸了又伸，伸了又伸。过了半天以后，周小羽才回到了村子里。

根据面积信息守恒评价法计算得知图3，在森林景观适宜分析粒度域40～80 m之间，当景观栅格粒度小于等于60 m时，面积精度损失指数稍微下降，由0.092降至0.082；粒度大于60 m时，损失指数骤然上升到0.16。220～260 m粒度范围内，粒度240 m时面积精度损失指数达到最大，达到0.71，此粒度范围内不宜作为景观格局分析。

综合不同粒度景观指数效应分析和面积信息损失评价结果表明：研究区适宜景观格局分析粒度60 m，既保证研究区景观信息准确性，又提升计算机有效工作量。

图2 澄迈林场森林景观指数随粒度的变化Fig.2 Changes of landscape indexes with grain sizes variances in Chengmai Forest Farm

图3 不同粒度尺寸下林场景观类型面积精度变化Fig.3 Changes of land area accuracy with different grid sizes of Chengmai Forest Farm

本研究以60 m分析粒度为基础，采用其奇数倍作为移动窗口分析尺度，避免破碎像元带来的数据处理冗余与误差，由此得出8个移动窗口半径分别为 60、180、300、420、540、660、880、900 m。为了避免移动窗口的边缘效应，从研究区左上角开始移动，每次向右移动1个栅格，计算单位窗格内所选取的景观指数值，再将指数值赋给该窗格的中心栅格，最终计算计算得出相关景观指数栅格图。避免人为布点对景观指标值提取的影响，利用GIS软件的空间分析工具，随机在研究区内布设40个样点，并在景观指数栅格图内提取相应的景观指数值，用以分析研究窗口幅度变化对景观指数变化趋势的影响。

利用空间分析工具，分别提取6项景观水平指数值到40个样点，对林场内40个样点的景观指数变化幅度进行分析。从图4可以看出，当移动窗口宽度增大时，分离度、斑块密度2项景观指数曲线出现剧烈波动，其余4项值数变化趋于平稳。综合考虑6项景观指数曲线变化趋势，选定540 m窗口尺度为比较合适的分析尺度，选择的景观指数能够形成较为平滑的可视化效果。

图4 不同幅度下样点景观指数变化Fig.4 Changes of landscape indexes with different spatial extents

3.2 适宜尺度下ANN模型分析

本研究利用NeuroShell 2神经网络分析软件，采用改进型BP神经网络模型进行模拟训练，神经网络模型初始化权值设为0.3，学习率设定为0.05，动量因子为0.1。BP神经网络的训练误差经过剧烈震荡之后逐步稳定下来，在学习26 206步之后训练终止，最后的平均训练误差为0.008 188，最小训练误差为0.005 161，最后的测试平均误差0.022 852，最小测试误差为0.012 419，误差水平达到最小。将训练完成的数据导出，对4项原始输入数据和对应的BP神经网络模拟值进行对比分析，获得变化曲线图。

图5显示BP神经网络模型对4项景观指数（蔓延度指数、聚集度指数、分离度和景观多样性指数）的模型模拟值与实测值（目标值）之间的拟合程度。研究结果表明，改进型3层BP人工神经网络模型模拟4项景观指数驱动力因子变化趋势效果较好，124个训练样方数据的景观指数模拟值与实测值（目标值）拟合程度比较高，且对区域内各景观指标的变化规律模拟较好。

图6可知，改进型BP神经网络模型训练完毕，各项误差达到训练要求，需要检验模型的可信度。利用剩余的21个样方数据检验模型，虽然4项景观指标模拟值和实际值（目标值）之间局部偏差较大，但基本准确反映出各指标值变化趋势和输入因子对区域森林景观格局产生的影响。

4 结论与讨论

通过基于移动窗口法分析和ANN模型模拟研究，得出以下结论：

（1）基于粒度化栅格数据分析研究，得出澄迈林场景观格局研究的适宜粒度为60 m；基于移动窗口法数据处理分析研究，得出适宜分析窗口尺度为540 m；综合考虑景观粒度效应分析折线趋势和面积信息守恒变化曲线评价结果，同时考虑数据处理速度，选定60 m栅格粒度大小，540 m的窗口尺寸为BP神经网络模型研究分析的基础数据。

图5 BP神经人工网络模型训练结果Fig.5 Training results of BP arti fi cial neural network

图6 BP人工神经网络模型检验结果Fig.6 Testing results of BP arti fi cial neural network

（2）将输入和输出数据进行归一化处理，导入BP神经网络模型模拟分析，124个训练样方的模拟值和目标值拟合程度非常高，BP神经网络模型较好的模拟研究区景观格局特征，

（3）检验BP神经网络模型的21个样方检验结果平均误差为0.005 8，基本准确反映出输入因子对研究区森林景观格局产生的影响，模型总体检验结果达到研究要求。4项景观指数的精确度均达到80%以上，可信度高。

（4）移动窗口法和ANN模型相结合，更加精确研究分析澄迈林场景观格局特征。但尚存一些问题：

①本论文主要森林景观格局研究主要是基于水平尺度上分析，垂直尺度因素对区域景观格局影响有待进一步研究。

②在适宜分析粒度和尺度选取过程中，主要基于离散数据，选取出适宜分析粒度和尺度范围，为更加精确选取分析粒度和尺度，适宜尺度选取方法应向数据拟合突破。

③适宜尺度选取过程中选取景观指标与ANN模型分析过程选取指标不一致，中间产生的误差和影响需要进一步研究分析。

[1]张玲玲,赵永华,殷 莎,等.基于移动窗口法的岷江干旱河谷景观格局梯度分析[J].生态学报, 2014, 34(12):3276-3284.

[2]吴 末,许丽萍,张 敏,等.生态斑块粒度效应研究[J].地理与地理信息科学, 2014, 30(5):88-91.

[3]李栋科,丁圣颜,梁国付,等.基于移动窗口法的豫西山地丘陵地区景观异质性分析[J].生态学报, 2014, 34(12):3414-3424.

[4]周亚东,周兆德.基于GIS与Fragstats的海南岛森林景观格局研究[J].中南林业科技大学学报,2015,35(5):78-83.

[5]张琳琳,孔繁花,尹海伟,等.基于景观空间指标与移动窗口的济南城市空间格局变化[J].生态学杂志, 2010, 29(8):1591-1598.

[6]Yingni Jiang. Computation of monthly mean daily global solar radiation in China using artificial neural networks and comparison with other empirical models[J]. Energy. 2009, 34 (9):1276-1283.

[7]郑新奇.景观格局空间分析技术及其应用[M].第一版.北京:科学出版社, 2010.

[8]陆 超,齐 伟,李 乐,等.二维与三维景观格局指数在山区县域景观格局分析中的应用[J].应用生态学报, 2012, 23(5):1351-1357.

[9]孙 华,陈振雄,林 辉,等,莫登奎.基于ANN模型的森林景观研究[J].林业资源管理, 2007,8(4):97-104.

[10]刘 昕,国庆喜.基于移动窗口法的中国东北地区景观格局[J].应用生态学报, 2009, 20(6):1415-1422.

[11]徐芝英,胡云峰,刘 越,等.空间尺度转换数据精度评价的准则和方法[J].地理科学进展, 2012, 31(12):1574-1582.

[12]张玲玲,史云飞,刘玉华.空间粒度变化对沂蒙山景观格局指数的影响[J].生态学杂志, 2013, 32(2):459-464.

[13]Yang Wang, Shuangcheng Li. Simulating multiple class urban land-use/cover changes by RBFN-based CA model[J]. Computers& Geosciences. 2011, 37 (2):111-121.

[14]张利权.上海市景观格局的人工神经网络(ANN)模型[J].生态学报, 2005, 25(5):958-964.

[15]曾明宇,陈振雄,刘庭威.基于ANN的森林蓄积遥感估测研究[J].中南林业调查规划, 2010, 29(3):36-39.

Forest landscape study for Chengmai Forest Farm, Hainan province based on moving window method and ANN model

CHEN Dong-yang, CHEN Cai-hong, CHANG Shuang-shuang
(Central South University of Forestry and Technology, Changsha 410004, Hunan, China)

Using ARCGIS and Fragstats software, based on the moving window method and ANN model, the forest landscape of Chengmai Forest Farm in Hainan province was simulated. The results show that the appropriate landscape analysis granularity is 60 meters (landscape grid), the optimal quadrat scale (shrub) is 540 meters; arti fi cial neural network model have the ideal convergence effect and is suitable for forest landscape simulation. The combination of ANN model and moving window method, can accurately analyzed forest landscape pattern, thus providing a reference for quantitative analysis of forest landscape pattern and more scienti fi c and rational guidance for management of forest farm.

forest landscape simulation; landscape indexes; moving window method; grain effect; ANN model;; Chengmai County,Hainan Province

S718.5 文献标志码：A 文章编号：1673-923X(2015)12-0095-07

2015-01-17

湖南省软科学重点项目（2013ZK2031）；国家林业公益性行业项目（201004032）；海南省林业厅重点科研项目（201108478）

陈冬洋，硕士研究生

陈彩虹，教授，博士；E-mail：chencaihong056@163.com

陈冬洋，陈彩虹，常双双. 基于移动窗口法与ANN模型的澄迈林场森林景观研究[J].中南林业科技大学学报,2015,35(12): 95-101.

[本文编校：文凤鸣]