基于貝葉斯網絡的城市生態紅線劃定方法

黎 斌,何建華,2,*,屈 賽,黃俊龍,李一揮

1 武漢大學資源與環境科學學院, 武漢 430079 2 武漢大學地理信息系統教育部重點實驗室, 武漢 430079 3 武漢大學測繪學院, 武漢 430079

生態紅線是指在生態空間范圍內具有特殊重要生態功能、必須強制性嚴格保護的區域,是保障和維護國家生態安全的底線[1]。作為生態文明建設的一項制度創新,劃定城市生態紅線是保護城市生態的基礎和協調城市生態環境與經濟發展的重要舉措,對城市生態可持續發展具有重要意義[2]。改革開放以來,伴隨著城市化進程中的用地擴張和產業發展,城市生態空間不斷遭受蠶食,區域生態景觀格局破碎,生態系統服務功能受損,城市生態安全格局受到嚴重威脅[3-5]。為保護生態安全,2011年國家首次提出劃定生態紅線的生態保護策略[6]。2014年我國開展生態紅線劃定工作,生態紅線從區域生態管理體系上升為國家生態保護戰略[7]。然而,從實踐來看,現階段生態紅線的劃定工作缺少與城市建設發展相協調的綜合考慮,劃定的生態保護用地經常被占用。因此,對生態紅線劃定方法進行深入研究十分必要。

生態紅線的劃定不是單純的進行生態用地保護,它是在綜合考慮城市建設和耕地保護基礎上的生態保護過程。生態紅線的劃定既要最大限度的劃入生態服務價值高的優質地塊,保護生態系統服務功能和生態景觀安全格局[8]；又要保證劃入地塊具有穩定性,保證生態紅線空間有效落地實施[9]。科學合理的生態紅線劃定應當包括兩個方面的內容：一是基于生態適宜性評價,選取生態潛力大、生態價值高的地塊；二是在保證劃入地塊生態服務價值的同時,考慮區域生態用地演變規律,保證生態紅線穩定性。本文在考慮原有生態重要性的原則下,兼顧生態用地歷史變化規律,以期解決生態用地易被占用的現象,維持生態紅線的穩定性。

目前,我國的生態紅線劃定并沒有統一的方法。相關研究大多是依據國家出臺的生態紅線劃定政策劃定空間紅線。例如,丁雨賝[10]、凡非得[11]等基于生態空間布局和生態系統的服務價值研究生態紅線的劃定；符娜[12]、劉雪華[13]、蔣大林等[14]以生態脆弱性和生態系統服務功能作為依據對生態保護區劃定進行探討；李潔等[15]基于生態網絡規劃探討生態紅線的劃定；許妍[16]、曾江寧[17]、黃偉等[18]從生態功能重要性、生態環境敏感性和生態災害危險性三方面進行研究,對海洋生態紅線空間邊界進行了劃定。同時,馬世發等[19]從生態安全格局維持角度,提出了一種上下協同的參與式劃定方法并基于單要素生態問題情景分析,劃定省級尺度生態紅線。陳明輝等[20]運用RS和GIS技術基于離散粒子群算法對生態紅線區進行多情景模擬。然而,這些研究都是基于生態適宜性或生態功能性評價劃定生態紅線,忽略了對土地利用變化規律的學習。由于缺乏對劃定區域生態用地歷史變化規律的研究,不能保證劃定結果與區域土地利用變化趨勢相適應,生態保護用地被占用的風險很大。基于此,本文在劃定生態紅線時考慮了生態用地的歷史變化規律和生態適宜性兩個方面的內容。

貝葉斯網絡(Bayesian network, BN)是一種基于貝葉斯因果概率推理的概率網絡模型[21]。通過先驗數據和經驗構建初始概率模型,再利用新的觀察數據對初始模型進行改進學習。BN模型可以將土地的動態變化規律(先驗知識)和現狀的影響要素(觀察數據)結合起來,進行綜合的生態紅線劃定[22]。與其他模型方法不同,BN屬于非黑箱模型,能夠表達各因子間的定性因果關系,支持預測性與診斷性等定量分析[23]。本文結合生態用地歷史變化規律和生態適宜性條件,提出了基于BN模型的生態紅線劃定方法。

1 基于BN的生態紅線劃定模型

1.1 生態紅線劃定模型框架

本文利用BN模型整合土地歷史變化規律和生態適宜性條件,對生態用地進行模擬,劃定生態紅線。模型主要包括生態適宜性因子選取、生態用地動態變化過程分析、BN模型結構學習與參數學習、敏感度分析和診斷性分析。基于BN模型的生態紅線劃定方法框架結構如圖1所示。模型模擬過程綜合考慮以下兩個方面內容：(1)生態用地歷史動態性。對兩個時間段的生態用地狀況進行疊加對比,得到研究區土地歷史變化規律,用于BN模型中生態用地變化規律學習,并與現狀影響因子結合預測地塊劃分為生態紅線區的概率,使模擬結果更真實準確。(2)生態適宜性因子層次性。通過對土地利用現狀圖的提取,獲得圖斑層次的生態適宜性因子,納入生態紅線劃定的指標體系中,再對因子劃分等級,提高模擬結果的科學合理性。通過BN模型的學習和推理,得到各地塊的潛力值,并將潛力值按大小排序,達到劃定生態紅線面積。最后對生態紅線劃定結果進行驗證和分析。

1.2 生態適宜性指標選取

生態適宜性因子反映出生態用地的自然狀況和區位條件。在自然條件中,地形條件包括坡度、高程和地形起伏度；水土保持條件包括水源涵養程度、水土流失程度、到水域距離和到生態公益林距離；土地質量包括生態用地敏感性、生態系統服務功能。這些生態適宜性因子體現出地塊的生態潛力和耕地占用阻力。區位條件包括到公路的距離、到鐵路的距離和到鎮中心的距離。區位因子體現了建設用地和交通設施對生態用地的影響。

圖1 基于BN的生態紅線劃定模型框架圖Fig.1 Framework of ecological red line protection zoning model based on BN

1.3生態用地的演變過程

分析生態用地的歷史變化過程可以確定導致生態用地變化的驅動因素,學習區域土地變化趨勢。將生態用地的演變過程納入生態紅線劃定指標體系既有利于實現劃入地塊的穩定,又能夠協調生態保護和城市建設、基本農田保護之間的矛盾。理論上,生態用地演變過程分為兩種類型：一是耕地占用生態用地；二是建設用地占用生態用地。

基于BN的生態紅線劃定模型指標體系(表1)由生態適宜性因子、生態用地歷史變化因子和目標因子共同組成。

表1 生態紅線劃定模型指標體系

1.4 貝葉斯網絡模型結構構建和參數學習

網絡結構的構建和節點參數的學習是構建BN的兩個部分。網絡結構構建的目的是體現因子間定性與定量兩方面的聯系。傳統的算法如三階段分析算法[24]和SGS(Spirtes,Glymour,Scheines)算法[25]可以得到因子間的統計學聯系,但無法獲得因子間因果關系[26]。因此,本文采用專家經驗法,基于因子間的因果聯系,運用Matlab軟件編寫程序進行BN模型結構的構建,并根據相關的土地利用變化模型對網絡結構進行修正,構建結果如圖2所示。

圖2 貝葉斯網絡模型結構Fig.2 The structure of Bayesian network

圖2中,目標變量“生態用地潛力”在受到生態敏感性和生態服務功能重要性影響的同時也受到耕地占用和建設占用的直接影響,以體現出生態適宜性因子和歷史變化因子對生態紅線劃定的共同作用。耕地占用受到距水域距離和坡度的共同影響,模擬在土地灌溉和地形變化的條件下,耕地占用生態用地的情況。建設占用受到距公路、鐵路、鎮中心距離等可達性要素的影響,反映交通設施和城市建設對生態用地的占用情況。生態敏感性受到水土流失、地形起伏和到水域距離的共同作用,模擬土地的質量、地形和灌溉條件對生態環境的影響力；生態服務功能性受到水源涵養和到生態公益林距離的作用,模擬水域、林地對生態系統服務價值的評估。水土流失程度受到坡度、高程和到水域距離的影響。

BN的參數學習通過從現有的觀察數據中獲得各因子的條件概率表進行學習。根據觀察數據的狀況,參數學習方法包括數據完整時最大似然估計法[27]、貝葉斯方法[28]和數據不完整時的最大期望算法[29]和吉布斯抽樣算法[30]。本次實驗訓練數據完整,采用最大似然法進行參數學習,通過Matlab軟件的BN工具箱程序設計實現。將生態適宜性因子與生態用地動態變化因子(時間點1)作為訓練數據,進行網絡參數學習。訓練結束后的BN模型結果包含了因子間的相互聯系及“生態用地潛力”概率值。再將新的生態適宜性因子數據(時間點2)代入已經學習好的BN模型中,作為下一步模型推理的基礎。

1.5 貝葉斯網絡模型敏感度分析與診斷性分析

敏感度分析和診斷性分析都是量化BN模型中因子依賴程度的方法[31]。通過BN的正向推理,對目標因子“生態用地潛力”進行敏感度分析,可以得到各因子對生態用地的影響力大小。敏感度分析結果用方差縮減來表示,方差縮減值越大,輸入因子的影響力就越大。與敏感度分析相反,診斷性分析是通過給予目標變量一個特定的狀態,來觀察影響因子的概率分布變化。診斷性分析結果用概率變化來表示,概率變化程度越大,則表示兩者聯系程度越緊密。本文通過Netica軟件對BN變量進行敏感度分析和診斷性分析。

2 鄂州市生態紅線劃定實例

2.1 研究區域概況

本文選取湖北省鄂州市為研究區。鄂州市位于湖北省東南部,114°32′—115°05′E,30°00′—30°06′N,長江中游沿岸,緊鄰武漢市。鄂州市擁有豐富的生態資源,是國家重要的水源涵養區,生態保護研究的典型區域,是維護長江流域中游水環境安全的重要城市,也是武漢城市圈的重要節點城市(圖3)。近年來,鄂州市發展速度較快,生態保護與城市建設、耕地保護之間的矛盾凸顯,土地供需矛盾尖銳。2004年至2013年間,城鎮建設用地由54.48km2增長到93.04km2。部分湖泊被填埋占用,生態環境遭到進一步破壞。在此形勢下,開展鄂州市生態紅線劃定工作,對保障城市生態環境安全、維護長江中游生態系統健康具有重要意義。

圖3 研究區域Fig.3 Study area

2.2 數據來源與數據處理

研究數據包括鄂州市2004年和2013年兩個年份的土地利用現狀矢量圖、土地利用規劃生態紅線管控分區圖、水土流失分布圖、鄂州市行政區劃圖和通過遙感影像獲取的高程、坡度、地形起伏度柵格圖。同時利用ArcGIS空間分析和距離工具得到了水源涵養分布圖、生態敏感性分布圖、生態服務功能重要性分布圖和劃定模型要素柵格圖。基礎數據如圖4所示。

圖4 部分基礎數據Fig.4 Part of the base data

以2004年鄂州市生態用地為生成范圍,按面積比例生成20000個隨機樣本點。將樣本點與基礎數據柵格圖進行空間疊加,獲取各樣本點要素變量值。另外,通過與2013年土地利用現狀圖的疊置分析,獲取各樣本點生態屬性信息。將這些樣本點作為訓練數據,用于BN模型參數學習。BN處理離散數據的效果較好,需要進一步對模型各要素值進行離散處理。變量離散分級情況如表2所示。

考慮到模型的精度和復雜性,參考相關政策及專家經驗知識的情況下將連續變量離散為兩到四個等級。例如,根據我國《第二次土地調查技術規程》,將坡度分為“0—2”,“2—5”,“5—15”和“≥15”四個等級。二元變量的等級根據土地利用變化狀況設定。例如,將“生態用地潛力”為“是”的設為1,“否”的設定2。

表2 變量離散分級表

2.3 貝葉斯網絡模型訓練

在構建網絡結構后,將離散化后的樣本點數據作為訓練數據,采用最大似然法對模型進行參數學習。經過參數學習后的BN模型可以得到兩種土地利用類型的動態變化結果及各因子的概率分布情況(圖5)。2004年至2013年間,鄂州市有34.5%的生態用地轉變成其他用地類型,維持穩定的地塊僅65.5%,生態用地被占用情況較為嚴重。其中,土地動態變化因子中“耕地占用”情況達到43.6%,建設占用為10.2%。此外,水土流失程度中度侵蝕以上比例達到35%,土壤侵蝕明顯；生態敏感性中等程度以上比重達到50%,區域生態系統受干擾程度高,生態環境問題較為突出；生態服務功能重要性中等程度及以上則是80%,生態系統服務功能貢獻價值高。

2.4 敏感度分析

以目標變量“生態用地潛力”為分析變量,對BN模型進行敏感度分析,可以表現出歷史變化因子和生態適應性因子對“生態用地潛力”的影響。敏感性分析結果用方差縮減的百分比表示,方差縮減能反映出特定變量對目標變量的影響大小,分析結果如表3所示。

表3 敏感度分析結果

從表中可以看出,歷史變化因子中耕地占用對“生態用地潛力”產生最大影響,方差縮減結果為29.5%,表明耕地占用生態用地現象十分嚴重；建設占用方差縮減結果為0.62%,這是因為生態用地的分布更多是遠離建成區。在生態適宜性因子中,生態敏感性和生態服務功能重要性的方差縮減結果分別為8.55%和1.84%,兩個變量對區域的生態安全格局意義重大,基于生態敏感性評價和生態服務功能評價的生態紅線劃定十分重要。距水域距離和水源涵養重要性的敏感度分析結果分別為0.4%和0.26%,水域作為生態用地的重要組成部分對生態可持續發展具有重要影響。相比之下,水土流失程度與坡度的分析結果較低,分別占0.06%和0.07%,體現出土壤條件和地形條件并不是阻礙鄂州市生態保護的主要原因。

2.5 診斷性分析

選取影響力較大的因子,進行診斷性分析。利用貝葉斯網絡反向推理,獲取影響因子與目標變量之間的定量因果關系。將“生態用地潛力”值設定為1,觀察影響因子概率表的變化情況,結果如表4所示。

表4 診斷性分析結果

可以看出,在已知“生態用地潛力”取值為“是”,即假定地塊劃入生態紅線區時,“生態服務功能重要性”因子“極重要”的概率升高6%；“水源涵養重要程度”因子“極重要”的條件概率上升2.7%。這表明在生態紅線區內,受保護的綠地生態系統和水域生態系統因子的生態服務價值貢獻程度明顯提升。“生態環境敏感性”的“高度敏感”和“極度敏感”因子概率分別下降-13.4%和-1.8%,其概率分布向中低敏感度集聚。這驗證了生態紅線區內土地自然條件的改善,同時作為保護區受到人為干擾因素的影響也大幅度降低。“距生態公益林距離”和“距水域距離”因子“≥500m”的概率分別上升2.1%和3.7%。這體現了紅線區內的林地和水域得到很好的保護,穩定性得到提升。“水土流失程度”中“無或輕微”的概率上升2.2%,在已知地塊劃入生態紅線區后,水土流失程度得到很好的改善。

2.6 劃定結果及其分析

以2013年為基期,利用鄂州市2013年土地利用現狀數據,對鄂州市生態紅線做具體的劃定。通過空間疊加得到各圖斑12種適宜性條件評價因子屬性值,作為已知觀察數據代入構架好的貝葉斯網絡模型中,通過正向推理得到目標變量“生態用地潛力”的后驗概率,將其作為各生態用地圖斑劃入生態紅線的依據。將后驗概率由大到小排序,選取生態用地圖斑劃入生態紅線范圍,直到總面積與鄂州市規劃生態紅線面積一致(41669hm2)。最終得到生態紅線區域如下圖6所示。

為了驗證模型劃定生態紅線的精度,本文使用相同的數據(不考慮生態用地歷史變化),基于傳統的生態適宜性評價法,劃定了鄂州市生態紅線區,如圖7所示。隨后,本文對兩種方法進行了對比。對比結果顯示,兩種方法之間存在多個地塊的沖突區,主要的沖突區放大圖如圖8所示。

圖6 生態紅線保護區劃定結果圖Fig.6 Result of ecological red line protection zoning

圖7 傳統生態評價法劃定生態紅線圖Fig.7 Result of ecological red line zoning based on traditional method

圖8 傳統方法與貝葉斯網絡方法劃定生態紅線對比圖及其沖突區域放大圖Fig.8 Magnification of the conflict areas of zoned and traditional method ecological red line area圖中A—G表示主要沖突區位置；圖右側放大區域中黃色為耕地,藍色為灘涂濕地

采用貝葉斯網絡模型劃定的生態紅線沒有劃入E、F、G區域。E零星分布在涂家垴鎮和太和鎮周邊；F位于沙窩鄉和澤林鎮之間,是鄂州市規劃優先發展區；G分布在碧石渡鎮交通干線兩側。單純考慮傳統生態適宜性條件劃定的紅線缺少空間緊湊性以及與其他規劃的銜接,劃定的結果沒有現實指導性和針對性。相比之下,模擬結果主要新增了A、B、C、D 4個區域。因為在多個地塊生態功能同等重要的情況下,本文的劃定方法還考慮到地塊的穩定性,保證生態紅線有效的落地實施。A為鄂州市北部段店鎮長江流域沿岸,附近有長江華容泥磯飲用水源地；D為楊葉鎮長江流域灘涂濕地。這兩個地塊不僅分布集中,而且生態服務價值大,對維護周邊水域生態系統和綠地生態系統的良性循環十分重要,應當劃入生態紅線區。 B為嚴家湖和武四湖邊緣灘涂坑塘區,具有較大的資源潛力、生產功能以及調節功能,生態利用價值高、穩定性強,因此劃入生態紅線區。C為沙窩鄉西南方生態林地分布區,基于傳統的生態評價法劃定的紅線部分劃入了此區域,而基于貝葉斯網絡的方法完整畫出生態紅線分布范圍。

由此可以看出,相比于傳統的生態紅線劃定方法,基于貝葉斯網絡模型的生態紅線劃定方法能夠綜合地考慮生態適宜性條件和生態用地演變等因素,在滿足地塊生態功能同等重要的前提下,將生態用地中潛力和穩定性較大的部分劃入紅線,從而使劃定結果更加科學合理。

3 結論與討論

生態紅線劃定對于協調生態保護、城市建設和基本農田保護三者關系具有重要意義。本文在綜合分析生態用地歷史變化過程和生態適宜性條件的基礎上,提出了基于貝葉斯網絡的城市生態紅線劃定方法。與傳統的生態評價方法相比,模型劃定的生態紅線能夠更好的維護城市生態系統良性循環,規避人為占用造成的生態用地頻繁調整,保證生態紅線的穩定性和持續性,呈現生態建設、城市建設和經濟建設協調發展的良好格局。

貝葉斯網絡模型能夠有效地應用于生態紅線劃定過程中,彌補現有劃定方法的不足,具體表現在以下兩個方面：(1)貝葉斯網絡模型具有整合先驗知識和現有證據的能力。能夠將生態用地的現狀觀察數據和動態變化數據結合,學習土地變化規律,模擬出真實的土地發展動態,有利于劃定結果的客觀有效性。(2)貝葉斯網絡模型具有因果推理的能力。能夠獲取變量間定性和定量關系,分析各變量對目標變量的影響方向和強度。通過前向和后向推理,得到目標變量的概率值,作為劃分生態紅線的科學依據。

目前我國尚未形成完善的城市生態紅線劃定方法體系,本文的研究可以為生態紅線劃定提供新的模型方法。同時,研究也存在不足之處。生態紅線劃定是一個多層次的決策過程,如何將多層次模擬融入貝葉斯網絡模型進行生態紅線劃定還需要深入研究。此外,本次研究沒有考慮空間異質性對生態紅線劃定的影響。城市生態紅線是在明確不同區域資源環境承載能力和發展潛力的基礎上進行劃定的,在生態紅線的劃定過程中利用貝葉斯網絡模型結合主體功能區理念,加入分區思想實現城市生態紅線劃定是下一步研究重點。

[1] 環境保護部. 生態保護紅線劃定技術指南. 北京：環境保護部,2015.

[2] 姚佳,王敏,黃宇馳,白楊,黃沈發. 我國生態保護紅線三維制度體系——以寧德市為例. 生態學報,2015,35(20)：6848- 6856.

[3] 傅伯杰,周國逸,白永飛,宋長春,劉紀遠,張惠遠,呂一河,鄭華,謝高地. 中國主要陸地生態系統服務功能與生態安全. 地球科學進展,2009,24(6)：571- 576.

[4] Sun D Q,Zhang J X,Hu Y,Jiang J L,Zhou L. Spatial analysis of China′s eco-environmentalquality:1990- 2010. Journal of Geographical Sciences,2013,23(4)：695- 709.

[5] Hoekstra A Y,Wiedmann T O. Humanity′s unsustainable environmental footprint. Science,2014,344(6188)：1114- 1117.

[6] 中共中央國務院. 國務院關于加強環境保護重點工作的意見. 北京：中共中央國務院,2011.

[7] 高吉喜. 國家生態保護紅線體系建設構想. 環境保護,2014,42(2)：17- 21.

[8] 林勇,樊景鳳,溫泉,劉述錫,李濱勇. 生態紅線劃分的理論和技術. 生態學報,2016,36(5)：1244- 1252.

[9] 高吉喜. 劃定生態保護紅線,推進長江經濟帶大保護. 環境保護,2016,44(15)：21- 24.

[10] 丁雨賝,馮長春,王利偉. 山地區域土地生態紅線劃定方法與實證研究——以重慶市涪陵區義和鎮為例. 地理科學進展,2016,35(7)：851- 859.

[11] 凡非得,羅俊,王克林,陳洪松,張偉. 桂西北喀斯特地區生態系統服務功能重要性評價與空間分析. 生態學雜志,2011,30(4)：804- 809.

[12] 符娜. 土地利用規劃的生態紅線區的劃分方法研究——以云南省為例. 北京：北京師范大學,2008.

[13] 劉雪華,程遷,劉琳,彭羽,武鵬峰,石翠玉,朱洪輝. 區域產業布局的生態紅線區劃定方法研究——以環渤海地區重點產業發展生態評價為例. 中國環境科學學會2010學術年會論文集. 上海: 中國環境科學學會, 2010：711- 716.

[14] 蔣大林,曹曉峰,匡鴻海,蔡滿堂,黃藝,尹春燕. 生態保護紅線及其劃定關鍵問題淺析. 資源科學, 2015,37(9)：1755- 1764.

[15] 李潔,曹紅英,梁濤,王凌青,王靜. 基于城市生態系統研究范式構建生態功能紅線理論方法及其應用. 生態學雜志,2016,35(4)：1097- 1107.

[16] 許妍,梁斌,鮑晨光,蘭冬東,于春艷,馬明輝. 渤海生態紅線劃定的指標體系與技術方法研究. 海洋通報,2013,32(4)：361- 367.

[17] 曾江寧,陳全震,黃偉,杜萍,楊輝. 中國海洋生態保護制度的轉型發展——從海洋保護區走向海洋生態紅線區. 生態學報,2016,36(1)：1- 10.

[18] 黃偉,曾江寧,陳全震,杜萍,湯雁濱,楊輝. 海洋生態紅線區劃——以海南省為例. 生態學報,2016,36(1):268- 276.

[19] 馬世發,馬梅,蔡玉梅,念沛豪. 省級尺度國土空間生態保護紅線劃定——以湖南省為例. 熱帶地理,2015,35(1)：43- 50.

[20] 陳明輝,歐金沛,劉小平. 基于離散粒子群算法的城市生態控制線劃定方法研究. 中國科技論文在線精品論文,2012,5(6)：559- 570.

[21] 李德毅,劉常昱,杜鹢,韓旭. 不確定性人工智能. 軟件學報,2004,15(11)：1583- 1594.

[22] 關小東,何建華. 基于貝葉斯網絡的基本農田劃定方法. 自然資源學報,2016,31(6)：1061- 1072.

[23] Frayer J,Sun Z L,Müller D,Munroe D K,Xu J C. Analyzing the drivers of tree planting in Yunnan,China,with Bayesian networks. Land Use Policy,2014,36：248- 258.

[24] Aliferis C F, Statnikov A R, Tsamardinos I, Brown L E. Causal explorer: a causal probabilistic network learning toolkit for biomedical discovery. Proceedings of the International Conference on Mathematics and Engineering Techniques in Medicine and Biological Sciences. Las Vegas, NV, United States: METMBS, 2003: 371- 376.

[25] Spirtes P,Glymour C,Scheines R. Causation, Prediction, and Search, 2nd Edition. Pattern Recognition and Image Analysis-iberian Conference,2001, 6669：25- 32.

[26] Sun Z L,Müller D. A framework for modeling payments for ecosystem services with agent-based models,Bayesian belief networks and opinion dynamics models. Environmental Modelling and Software,2013,45：15- 28.

[27] PEARL J. Causality：Models,Reasoning and Inference. 2nd ed. Cambridge：Cambridge University Press,2009.

[28] Cooper G F,Herskovits E. A Bayesian method for the induction of probabilistic networks from data. Machine Learning,1992,9(4)：309- 347.

[29] Knaap G J, Nelson A C. The Effects of Regional Land Use Control in Oregon: A Theoretical and Empirical Review. Review of Regional Studies, 1988, 18.

[30] Heckerman D,Geiger D,Chickering D M. Learning Bayesian Networks：The Combination of Knowledge and Statistical Data. Machine Learning,1995,20(3)：197- 243.

[31] Pollino C A,Woodberry O,Nicholson A,Korb K,Hart B T. Parameterisation and Evaluation of a Bayesian Network for Use in an Ecological Risk Assessment. Environmental Modelling and Software,2007,22(8)：1140- 1152.