GANNs-CA时空数据模型在优势树种演替研究中的应用

陈文勇 ，王 颖 ，李建军 ，张 尹

（1.中南林业科技大学，湖南 长沙 410004；2.湖南国防工业职业技术学院，湖南 湘潭 411100；3.数字洞庭湖南省重点实验室，湖南 长沙 410000）

GANNs-CA时空数据模型在优势树种演替研究中的应用

陈文勇1，2，王 颖1，3，李建军1，张 尹1，2

（1.中南林业科技大学，湖南 长沙 410004；2.湖南国防工业职业技术学院，湖南 湘潭 411100；3.数字洞庭湖南省重点实验室，湖南 长沙 410000）

加强林木种群内在关系的研究，将帮助人们更多地了解森林生态系统内部深层次问题。采集了常绿阔叶林永久性观察样地的林分结构、地形、土壤等数据作为研究因子。通过2003年和2006年的相关数据，利用遗传算法（GA）的搜寻速度快和全局寻优效果优异的特点进行神经网络（ANNs）迭代训练和检测，得到了最精确的影响因子的阈值和权重。利用元胞自动机（CA）在时空格局演化模拟和空间局部优化方面的优势，依据影响因子的阈值和权重，确定了元胞自动机的转换规则，构建了常绿阔叶林种群种间关系演变的GANNs-CA模型。依据该模型预测了2020年会同常绿阔叶林6种优势种群的生长状况。结果表明：2013年到2020年间观察样地的6种优势种群将有不同程度的变化，栲树和青冈将分别减少4.65%和3.19%；而笔罗子和刨花楠将增加3.76%和3.81%，其它优势种群则变化不大。本次研究发现观察样地中的6种优势种群种内竞争强于种间竞争。这可能与该样地处于演替的初期阶段，优势树种种类较多，且优势度不明显有关。

GANNs-CA；种群关系；优势；演替；时空数据

研究森林树木种类的动态分布可以认识林木间的相互影响与内在关系，有助于了解群落发生、发展、更新演替过程。在自然条件下，不同植物种群在特定的生境中，为实现对资源的合理利用，会形成一定的搭配关系[1-6]。群落中植物种群关系是由植物种群与环境条件彼此影响、共同作用而形成的，它不仅反映了当前群落结构的特点，也表现了群落的演替进程，同时为混交林的科学管理提供理论依据[7-14]。上世纪80年代初，王伯荪等[15-18]对森林群落的演替进行了大量开创新研究，在种间关联、取样技术等理论和实践中均取得了卓越成就。Kershaw，Cole，Pielou，Schluter 等[19-26]对测算方法做了进一步改进[24-26]。当前，各种关于植物种群种间关系的研究大量涌现，为进一步研究主要森林树种演替打下了坚实基础[27-28]。元胞自动机的出现，源自细胞的自繁殖思想[29-33]。在生态学领域，人们将其视为生命现象的一种抽象。并被用于生态系统变化过程的模拟，如兔子-草，鲨鱼-小鱼的演变关系；动物的群体行为的模拟，如昆虫、大雁、鱼类的迁徙；同时，元胞自动机理论也是当今生物群落演变领域的热点[37-42]。本研究依据上述研究成果，结合GA搜寻速度快和全局寻优效果优异的特点进行ANNs迭代训练和检测，获取元胞自动机所需的精确的影响因子阈值和权重，构建森林优势树种演替模型。

1 研究区概况

样地设置在“湖南会同森林生态系统国家野外科学观测研究站”内。会同县地处湖南省西南部、沉江上游，地理位置为 109°26′～ 110°8′E 和 26°40′～27°9′N之间（图1），气候属典型的亚热带季风湿润性气候，气候特征为：冬暖夏热，降水充沛，蒸发量小，立体气候明显，小气候差异大，年均温度16.6 ℃，年均降水量1 265 mm，年均日照时数1 445.3 h。该综合观测场海拔高度300～415 m，相对高度在150 m以下，地貌类型为低山丘陵型。土壤为山地黄壤，有机质含量在10～30 g·kg-1，之间，pH值4.8～5.7。植被主要为常绿阔叶林，以壳斗科Fagaceae的拷属Castanopsis、青冈属clobalanopsis、石栋属Lithocarpus为建群科，其次为樟科Lauraceae的樟属Cinnamomum、楠木属Phoebe；山茶科Theaceae的木荷属Schima，山茶属Camellia以及木兰科Magnoliaceae、金缕梅科Hamamelidaceae 、杜英科 Elaeocarpaceae的一些树种组成。研究区位置见图1。

图1 研究区位置Fig.1 Location of study area

1 材料与方法

1.1 数据采集及预处理

1.1.1 样地设置

在会同县常绿阔叶林综合观测场内海拔高度为300～415 m处，设置总面积为50 000 m2的永久样地。为便于调查，设置2个样地（Ⅰ号和Ⅱ号样地），每个大样地分为25个10 m×10 m的标准样方。并记录标准地的基本情况。

1.1.2 群落调查

样格内凡超过1.5 m高的木本植物均进行调查。同时测定其环境因子（见表1）。

表1 群落类型特征因子†Table l Characteristic exponents of communities

1.1.3 群落重要值及优势种的确定

研究区内50个样地共计33种乔木。利用2006年调查数据进行重要值计算，分析结果如表2。

表2 样地乔木数量特征Table 2 The statistics of evergreen broad-leaved forest comprehensive observation

由表2可知，栲树、笔罗子和青冈重要值最高，分别达到17.92%、9.49%和9.24%，而刨花楠和黄杞达到了5.51%和4.64%，分别位居第四和第五位；而排在第六名的分别是山乌桕，重要值为3.07%，在群落中也占有一定地位，但远小于栲树、笔罗子和青冈。本研究中将重要值大于2.3%的种群作为优势种群，分别是栲树、笔罗子、青冈、刨花楠、黄杞、山乌桕，共同主导群落的演替。

1.1.4 数据分析

数据主要来自会同常绿阔叶林综合观测场于1997年调查的省级固定样地以及2003年和2013年调查中的固定样地资料。种群种间关系演变的成因复杂，据王伯荪等[17-18]的研究，其影响因子包括样地立地条件、群落生态状况等方面。本次研究根据研究样地数据现状及现有研究条件，选取的影响因子如表3所示。考虑到后面的研究中需使用到ArcGIS和Matalab两个工具进行配合，因此所有数据使用ArcGIS和Matlab两者兼容的ASCⅡ-GRID格式。

表3 研究所需变量及数据获取方式Table 3 Models used in empty asked variables and their treatment

1.2 研究方法

依据元胞自动机理论，每个元胞的运动是杂乱的、各异的；但从系统来看，是遵循某种演化规律的。利用元胞自动机的特性研究种群关系动态演变关系时，需要找到相对应的影响因子，这些因子可以用一系列的数值来表示，数值的大小决定了该因子对种群种间关系动态演变过程中所起的作用[44]。因此，本研究要定义优势种群演变关系的转换规则，在具体的计算中，要对模型进行参数检验从而获得精确的参数，再利用获取的参数预测未来常绿阔叶林优势种群的空间格局，在模型转化规则这个问题上，有很多学者选择用人工神经网络（ANNs）来代替复杂的转换规则来获取CA模型的变量参数[45]。但ANNs存在很多问题，但ANNs存在下述问题：（1）学习速度很慢，效率较低；（2）ANNs主要是局部搜索的优化方法，不太适合解决全局极值问题，因此，训练失败的可能性较大。但是，遗传算法正好可以有效的克服这些缺点[46]。因此，充分利用CA在研究时空格局演化方面的优势，利用GA、ANN算法，并与GIS技术结合，建立了关于会同常绿阔叶林综合观测场6种优势乔木种群种间关系变化动态过程模拟的GANNs-CA模型，输入变量中的6个优势乔木种群的邻域值就代表了转换规则。

本研究建立的的常绿阔叶林优势种群演变关系的GANNs-CA模型结构主要有以下几个方面，如图2所示。

图2 GANNs-CA模型建模过程Fig. 2 The modeling process of GANNs-CA model

2 研究过程与结果分析

2.1 种群分布特征分析

图3是6种主要树种的在2003年、2006年、2013年的分布情况。

由上图3（a）和图3（b）可以看出，2003年至2006年山乌桕和黄杞种群数量几乎无变化，笔罗子和刨花楠种群在缓慢的增长，栲树和青冈种群数量则在缓慢的减少。从图3（b）和图3（c）可知，种群生长规律和之前的一样，2006年到2013年之间，山乌桕和黄杞种群数量依旧无变化，笔罗子和刨花楠种群在缓慢的增长，栲树和青冈种群数量仍在缓慢的减少。

由于学生活动课程有利于激发学生对会计专业的学习兴趣，巩固学生的会计知识，改善学生对会计专业的理解，增强学生对会计事业的认同。因此，越来越多的院校如今已将学生活动作为学生的必须修课程。因此，在今后的会计专业教学中，应该更深入地研究与探讨学生活动课程，进而做好会计专业学生活动课程的设计工作，培养出更多的高素质会计人才。

图3 树种分布Fig.3 Tree species distribution

由表4可知，2003年到2013年之间，笔罗子优势种数量增加了18棵，刨花楠优势种数量增加了15棵；栲树优势种数量减少了33棵，青冈优势种减少了30棵；而黄杞优势种和山乌桕优势种数量几乎没有发生变化。

2.2 CA模块

优势种群的演变规则：本模型采用的方案将各影响因子直接输入ANNs的训练中，其最后结果即为优势种群对演变影响的权重。

表4 2003年、2006年和2013年优势种群数量Table 4 The dominant population quantity table in 2003,2006 and 2013

2.3 优势种群人工神经网络训练

ANNs在输入层输入影响常绿阔叶林的种群种间关系的数据变量，合计11个变量（如表3）。根据Kolmogorov定理[47]，隐藏层包含9个神经元。输出层包含9个神经元，分别表示9类优势种群的转换概率。假如已知有n种优势种群，那么便会有n×n种可能转换，其中任何一种优势种群都有可能转化为n优势种群中的一种。

每个模拟单元对应n个属性变量（通过GIS空间分析获得），而每个变量决定了ANNs输入层对应神经元在t时刻的优势种群转换概率。表达式如下：

式（1）中xi(k,t)为单元k在时间t时的第i个变量，T为转置，n=1，2，3，……11。xi(k,t)∈[0，1]（见表5）。

标准化后的信号，被隐藏层所接收。

在隐藏层，每个信号会生成对应的值，其响应函数为：

表5 数据标准化处理（部分值）Table 5 Standardization of data processing (part value)

从隐藏层流出的数据被输出层接收：

优势种群的转换概率（图4）为：

第n个神经元的输出为当前单元的优势种群转换到第n种优势种群的转换概率。值越大转换的可能性越大。

图4 优势种群的转换概率数值（部分）Fig.4 Dominant population transformation probability value

越是优势种群，其演变越缓慢，模拟往往需要经历很多回合。在这里选择一个阀值来限制优势种群的转化，当最大的输出超出这个阀值，那么认为该种优势种群才能转化为输出神经元对应的优势种群，这里阀值选择的范围为[0，1]，与网络的输出范围一致（见图5）。试验表明一个较大的阈值在模拟优势种群演变过程更加精确。

神经网络训练数据从2003年优势种群生长分布图中随机选取100个栅格点数据，当训练迭代次数达100次后，误差为0.001 356 7，基本符合精度要求（见图6）。

图5 反向误差传递（采用LM（levenbery-marquandt）神经网络训练算法）Fig.5 Reverse error transfer (using LM (levenberymarquandt) neural network training algorithm)

图6 优势种群的迭代训练结果Fig. 6 The dominant population iterative training neural networks

2.4 模型校准模块

模型中引入L-S(Lee-Sallee)指数来衡量模型精度，该指数反映模拟数据与真实检验数据之间空间分布的相似性，具体表达式为：上述过程，直到模拟的优势种群单元数与实际的优势种群单元数非常接近时，循环终止，校准过程结束（见表6）。

式（6）中：L为改进过的Lee-Sallee指数，取值范围为[0，1]，A0为历史真实年份的优势树种的现状，At为模拟的未来优势种群的状态。

在本研究中，首先对2003年数据进行初始化，设置优势种群演变关系转换概率阈值T分别为0.85，0.95；其次通过对已训练好的神经网络输出每个单元对应的各种优势种群的转换概率；然后经过阈值判断和优势种群转换规则判断，确定中间过程的优势种群变化，完成一次循环；重复

表6 数据标准化处理（部分值）Table 6 Standardization of data processing (part value)

2.5 模型预测模块

本研究中假设未来树种生长的地形因子、人为影响等因素没有发生较大的变化。结合会同常绿阔叶林观察站现状及优势种群关系演化特征，综合比较4种不同参数组合方案下的土地利用预测，本研究认为T=0.95和参数为1.0情况下的预测方案最接近会同常绿阔叶林观察场地的优势种群的分布。因此在模型预测中选用T=0.95和参数为1.0方案进行2020年会同常绿阔叶林观察场地的优势种群分布模拟。基于该优势种群关系动态演化模型，预测结果如表7所示：

模型预测假定2013年至2020年间会同常绿阔叶林观察场范围不变，即只考虑常绿阔叶林生长的种间和种内演化，不考虑其它外部阻力。依据预测结果，2013年到2020年间会同常绿阔叶林观察场的6种优势种群都有不同程度的变化，主要表现为栲树和青冈的减少，分别减少18棵和12棵，相对于2013年中占优势种群总株数的百分比分别减少了4.65%和3.19%；而笔罗子和刨花楠分别增加了11棵和12棵，相对于2013年中占优势种群总株数的百分比分别增加了3.76%和3.81%，其它优势种群则变化不大。

表7 2020年优势种群株数增减预测Table 7 Dominant population number of forecast in 2020

3 结论与讨论

本研究针对常绿阔叶林种群演变规律，在原有的研究方法上，从种群种间的基本理论出发，将元胞自动机模型引入种群演变研究中，并结合神经网络，将影响种群的地形因子、邻居构型、林分因子等三大变量11个影响因子引入模型中，基于GIS、ANNs和CA构建了一个种群种间动态演变模型。模型结果表明常绿阔叶林观察场中的6种优势种群的种间竞争激烈，这与常绿阔叶林和单优群落种内竞争大于种间竞争的结论不一致。这可能与该林分处于演替的早期阶段，优势树种较多，但优势度不明显有关。由于栲树和青冈聚集程度较高，属聚集分布，种内竞争大于种间竞争，故在自然生长中种群的数量在慢慢的减少；笔罗子、刨花楠的聚集程度较低，属均匀分布，种内竞争小于种间竞争，整体竞争力较强，种群数量在慢慢的增加。

将基于ANN与CA的种群种间动态演变模型应用于湖南会同常绿阔叶林综合观测场进行实证研究，能更真实地模拟常绿阔叶林种群演变过程。并且预测出2020年会同常绿阔叶林综合观测场种群种间状况。对林业部门的森林经营有一定的参考价值。

但是，本研究仍然处于初级阶段，今后的研究重点有以下几个方面：

（1）本研究的研究地面积有限，在以后的研究中研究地范围应该更广；

（2）优势种群种间演变关系的研究需要跨度更长的历史数据，限于数据的要求本研究只研究了乔木中的常绿阔叶林，在今后的研究中将面向所有种群展开研究；

（3）在模拟和预测种群种间演变过程中，没有考虑研究地种群的饱和度等影响因素，会对本研究的研究结果造成一定的影响；

（4）种间联结测定技术是种群关系研究领域中普遍的一种方法，以后的研究，尤其是在结果验证时应充分利用该研究成果；

（5）在预测中，应更考虑更多不确定信息，如气候因子的影响，以期更具有现实意义。

[1]柳 静.北亚热带—暖温带过渡区森林生态系统植物功能群种内、种间关系研究[D].开封：河南大学,2008.

[2]王志高,叶万辉,曹洪麟,等.鼎湖山季风常绿阔叶林物种多样性指数空间分布特征[J].生物多样性,2006,16(5):454-461.

[3]Doncaster C P.The spatial distribution of ant nests on Ramsey Island. South Wales[J].Journal of Animal Ecology, 1961, 50(1):195-216.

[4]Yachi S, Loreau M.Biodiversity and ecosystem productivity in a fluctuating environment:the insurance hypothesis[J].Proceedings of the Natural Academy of Sciences of USA,1999, 96(4):1463-1466.

[5]Hyatt LA, Rosenberg MS, Howard TG,et al. The distance dependence prediction of the Jan-zen-Connell hypothesis:a metaanalysis[J]. Oikos,2003,23(4):709-717.

[6]Julia Koricheva,Jessica Gurevitch.Uses and misuses of metaanalysis in plant ecology[J].J Ecol,2014,10(2):626-644.

[7]师贺熊.小陇山国家级自然保护区森林群落分布格局与种间联研究[D].兰州:西北师范大学,2013.

[8]巨天珍,康丽丹,王立峰,等.甘肃小陇山华山松群落灌木层优势种种间关联性分析[J].广西植物,2010,30(6):629-634.

[9]柳 静.北亚热带—暖温带过渡区森林生态系统植物功能群种内、种间关系研究[D].开封:河南大学,2006.

[10]Hughes J B,Roughgarden J.Aggregate community properties and the strength of species’interactions[J]. Proceedings of the National Academy of Sciences of the United States of America,1997, 95(12):37-42.

[11]师贺熊.小陇山国家级自然保护区森林群落分布格局与种间联研究[D].兰州：西北师范大学,2013.

[12]Doncaster C P.The spatial distribution of ant nests on Ramsey Island. South Wales[J].Journal of Animal Ecology,1981, 50(1):195-218.

[13]吴 昊.不同类型群落物种多样性指数的比较研究[J].中南林业科技大学学报,2015 ,35(5) :84-89.

[14]康丽丹.暖温带落叶阔叶林灌木层种间关联探究[D].兰州：西北师范大学,2011.

[15]简敏菲,刘 琪,朱 笃,等.九连山常绿阔叶林乔木优势种群的种间关联性分析[J].植物生态学报,2009,33(4):672-660.

[16]Wang Y J,Tao J P,Zhong Z C. Factors in fl uencing the distribution and growth of dwarf bamboo, Fargesia nitida, in a subalpine forest in Wolong Nature Reserve, southwest China[J]. Ecological Research, 2009, 24(5):1013-1021.

[17]王伯荪,彭少麟.南亚热带常绿阔叶林种间联结测定技术研究:Ⅰ.种间联结测式的探讨与修正[ J].植物生态学与地植物学丛刊,1985,9(4) :274-285.

[18]王伯荪,彭少麟.鼎湖山森林优势种群数量动态[J].生态学报,1987, 7(3):214-221.

[19]Alicia Ledo, BurslemDFRP, Sonia Condés,et al. Micro-scale habitat associations of woody plants in a neotropical cloud forest[J]. Journal of Vegetation Science, 2013, 24(6):1066-1097.

[20]孙 丽.天山西部云杉生长量遥感模型研究[D].乌鲁木齐：新疆师范大学,2011.

[21]兰国玉,胡跃华,曹 敏,等.西双版纳热带森林动态监测样地—树种组成与空间分布格局[J].植物生态学报, 2006, 32(2):267-296.

[22]李 伟.苏南地区3种国家级珍稀保护树种的种群生态学研究[D].南京:南京师范大学,2015.

[23]刘妍妍.典型阔叶红松林木本植物的空间分布格局及其与生境的关联性[D].哈尔滨：东北林业大学,2014.

[24]Wei Huang, Xuyu Zhu, Quanzhen Chen,et al. Seasonal variability of phytoplanktoncommunity structure in relation to different nitrogen-phosphorus ratios in the southern coastal waters of Zhejiang, China[J]. Journal of Ocean University of China, 2013, 12(4):577-588.

[25]Gordon C. Reese. R. Butlin, J. Bridle, D. Schluter. Speciation and patterns of diversity[J]. Landscape Ecology,2010,25(5):819-820.

[26]Michael J. Lacki,Joseph W. Hummer,Harold J. Webster.Avian diversity patterns at a constructed wetland: Use of ecological theory in the evaluation of a mine land reclamation technique[J]. International Journal of Mining, Reclamation and environment,1991, 5(2):101-105.

[27]Yide Li, Han Xu, Dexiang Chen,et al.Division of ecological species groups and functional groups based on interspecific association - a case study of the tree layer in the tropical lowland rainforest of Jianfenling in Hainan Island, China[J]. Frontiers of Forestry in China,2008, 3(4):407-415.

[28]徐昔保. 基于GIS与元胞自动机的城市土地利用动态演化模拟与优化研究[D].兰州大学,2007.

[29]夏小翔,曾建潮,高慧敏. 基于元胞自动机的小生境微粒群算法[J].计算机工程与应用,2007,43(11):66-66.

[30]陈 健. 基于CA的城乡结合部农村居民点用地整理适宜性评价研究[D].南京:南京农业大学,2006.

[31]夏小翔. 基于元胞自动机的微粒群算法研究[D].太原:太原科技大学,2007.

[32]刘永欣. 基于元胞自动机的交通流研究[D].成都:西南交通大学,2003.

[33]Nagel K,Schreckcnberg M.A cellular automation for freeway traf fi c[J]. JPhys France),1992,2(12):2221-2229.

[34]Alexandra D. Syphard, Keith C. Clarke, Janet Franklin. Using a cellular automaton model to forecast the effects of urban growth on habitat pattern in southern California[J]. Ecological Complexity, 2005, 2(2):165-203.

[35]叶 蕾,邹国奇,肖 健.模糊遗传算法在敏感词分类优化中的应用[J].计算机应用研究,2012,29(7):2549-2551.

[36]赵 晶,陈华根,许惠平.元胞自动机与神经网络相结合的土地演变模拟[J].同济大学学报(自然科学版), 2007, 35(6):1126-1132.

[37]White R,Engelen G. Cellular automata and fractal urban form:a cellular modelling approach to the evolution ofurban land-use patterns[J]. Environment and Planning A,1993, 25(8):1175-1199.

[38]Li X, Yeh A G O. Modelling sustainable urban development by the integration ofconstrained cellular automata andGIS.International Journal of Geographical Information Science[J],2000, 14(2):131-152.

[39]Wu F,Webste C J.Simulation of land development through the integration of cellular automata and multicriteria evaluation[J].Environment Planning B Planning and Design,1996,25(1):103-126.

[40]曹 敏,史照良.基于遗传神经网络获取元胞自动机的转换规则[J].测绘通报,2010(3):24-27.

[41]Clarke K C,Gaydos L J.Loose-coupling a cellular automaton model and GIS: long-term urban growth rediction for San Francisca and Washington/Baltimore[J].International Geographical Information Systems, 1996,12(7):699-714.

[42]Yu Fengxia, Li Gang. The Simulation and Improvement of Particle Swarm Optimization Based on Cellular Automata[J].Procedia Engineering, 2012, 29:1113-1116.

[43]Curtis J T, Mcintosh R P. An Upland Forest Continuum in the Prairie-forest Border Region of Wisconsin[J]. Ecology,1951(32):476-496.

[44]Alba E, Dorronsoro B. Cellular Genetic Algorithms [M]. New York:Springer, 2008.

[45]Guan Q F, Wang L M, Clarke K C. An arti fi cial-neural-networkbased, constrained CA model for simulating urban growth[J].Cartography and Geographic and Geographic Information Science, 2005, 32(4):369-380.

[46]葛 红. 用遗传算法训练基于神经网络结构的控制器[J]. 华南师范大学学报(自然科学版), 2000,32(1): 33-38.

[47]陆金桂, 余 俊, 王 浩,等. 基于人工神经网络的结构近似分析方法的研究[J]. 中国科学(A辑), 1994,24(6):653-658.

Application of GANNs-CA spatio temporal data modelin the study of dominant tree species succession

CHEN Wenyong1,2, WANG Ying1,3, LI Jianjun1, ZHANG Yin1,2
(1. Central South University of Forestry and Technology, Changsha 410004, Hunan, China; 2. Hunan National Defense Industry Career Technical College, Xiangtan 411100, Hunan, China; 3.Key Laboratory for Digital Dongting Lake basin of Hunan Province, Changsha 410000, Hunan, China)

The research on the relationship between forest species will help to fi nd the Internal problem of the forest ecological system,so as to provide the theoretical basis for improving the management level of the mingled forest. In this paper, the stand structure, terrain,soil and other data in permanent observation plots of evergreen broad-leaved forest were collected and studied. Because the genetic algorithm (GA) has a fast search speed and excellent global optimization，Relevant data from 2003 and 2006 were used to perform neural network (ANNs) iterative training and testing. Finally, the threshold and weight of the in fl uence factor are obtained exactly.Cellular automata (CA) has advantages in space-time pattern evolution simulation and spatial local optimization. So based on the threshold value and weight of the in fl uencing factors, the conversion rules of cellular automata are determined. and the GANNs -CA model was constructed, which was used to simulate the evolution of evergreen broad - leaved forest population relationship. According to this model, the growth status of 6 dominant species of the evergreen broad-leaved forest in 2020 was predicted. The results show that from 2013 to 2020, six kinds of dominant species in observation plots will have different degrees of changes. Castanopsis fargesii and cyclobalanopsis glauca will respectively reduce by 4.65% and 3.19%, meliosma rigida and machilus pauhoi kanehira will increase by 3.76% and 3.81%, and other dominant species will change little. Under the general conditions, the evergreen broad-leaved forest has fi ercer competition with the species of single excellent community than the interspeci fi c species. This may be related to the early stages of succession on the sample area. In this plot, the dominant species are more, but the dominance is not obvious.

GANNs-CA; population relationship; dominant; succession; spatiotemporal data

10.14067/j.cnki.1673-923x.2017.12.017

http: //qks.csuft.edu.cn

S718.54+1

A

1673-923X(2017)12-0106-08

2016-08-22

国家自然科学基金（31570627）；湖南省科技计划重点项目（2016SK2027）

陈文勇，硕士，助教

王 颖，副教授，博士；E-mail：csuftwy@163.com

陈文勇，王 颖，李建军，等 . GANNs-CA时空数据模型在优势树种演替研究中的应用[J].中南林业科技大学学报，2017,37(12): 106-113, 119

[本文编校：文凤鸣]