基于Ann-CA-Markov模型的生態空間預測模擬: 以重慶市萬州區為例

幸瑞燊,周啟剛,4①

(1.生態環境空間信息數據挖掘與大數據集成重慶市重點實驗室，重慶 401320；2.重慶財經學院訊飛人工智能學院，重慶 401320；3.重慶工商大學環境與資源學院，重慶 400067；4.重慶工商大學公共管理學院，重慶 400067)

生態空間指能夠提供重要生態服務功能、生態產品并保證國家及區域生態安全的空間[1]，其不僅是國土空間重要的一部分，而且是生態系統的核心載體[2]。隨著城市化進程的快速發展，“三生”空間之間的利用矛盾日益突出，我國對生態系統服務功能保護、恢復以及生態空間的可持續發展與保護進入關鍵時期，生態空間成為熱點問題。目前國內外學者對于生態空間的研究主要集中于生態空間的演化特征及其梯度效應[3-4]、生態空間的識別[5]、生態空間的重構優化[6]以及生態空間的保護和利用[7]，但是鮮有對生態空間模擬預測的研究。未來的生態空間規模和格局直接影響著國土空間的生態安全，故構建一個科學、合理的模型對生態空間進行模擬預測，對生態環境的保護以及國土空間的優化管控具有重要的理論和現實意義。

在對于空間規模和格局的模擬預測研究中，國內外學者主要使用各種模型對土地利用格局進行模擬預測，使用最為廣泛的模型包括元胞自動機(CA)[8-9]、人工神經網絡(Ann)[10]、土地利用變化及效應(CLUE-S)[11-12]等模型，許多學者還構建復合模型進行模擬預測[13-15]。這些模型在模擬預測過程中都有著各自的優勢，但是同樣存在著不足之處：CA模型在模擬過程中對各種宏觀因素的考慮明顯不足；Ann模型對網絡結構選擇不一，且存在局部極小化等問題；CLUE-S 模型對于自然和政策等要素的影響考慮不足，過多強調經濟效益的影響。因此，尋找一種能夠快速、科學、合理的模型對生態空間進行模擬預測成為亟待解決的問題。CA-Markov模型是國內外學者構建最多的模擬預測模型，其不僅能夠對各種生態空間類型的轉移總量以及轉移概率矩陣進行預測，而且能夠通過鄰域之間的分析對生態空間類型的空間分布情況進行模擬預測[16]，但是生態空間與其影響因子之間是非常復雜的非線性關系，CA-Markov模型很難確定它們之間的關系確定轉換規則，Ann模型則極為擅長通過學習的方式處理復雜的非線性關系，因此，將Ann與CA-Markov模型結合，彌補了各個模型之間的缺點，對于生態空間的模擬預測具有較大的研究價值。

筆者以萬州區作為研究區，對萬州區生態空間的變化特征進行分析，并通過構建Ann-CA-Markov耦合模型對萬州區未來生態空間的規模及格局進行模擬預測，同時對萬州區生態空間的生境質量進行評估，以期為相關的研究提供方法參考，同時也為生態環境保護政策制定以及國土空間的優化管控提供參考依據。

1 研究區概況

萬州區屬重慶市轄區，位于長江上游地區、重慶東北部，處三峽庫區腹心，幅員面積3 457 km2，城區面積100 km2，城區人口102萬人，戶籍總人口173.56萬人，常住人口為165.01萬人。其境內山丘起伏，少平壩和臺地，經濟發展十分迅速，其地區生產總值在2019年達920.91億元，不僅是成渝城市群沿江城市帶區域中心城市、成渝經濟區的東向開放門戶，還是“一帶一路”和長江經濟帶重要節點城市。

2 數據來源與研究方法

2.1 數據來源

采用的主要數據是自三峽工程修建蓄水以來萬州區2000、2006、2012、2018年4期Landsat TM/ETM遙感影像、DEM影像、交通道路、河流、行政中心、生態保護紅線和土地利用數據，以GB/T 21010—2007《土地利用現狀分類》為標準解譯，通過外業調查的方式保證解譯的準確性，如表1所示。

2.2 生態空間界定

綜合國內外對于生態空間概念的研究發現，國內外學者對于生態空間的概念界定的最大爭議在于是否將農用地納入生態空間，部分學者認為農用地以經濟產出為主，不應該納入生態空間之內，而另外一部分學者則認為農用地雖然以經濟產出為主，但是其同樣具有生態服務功能，應該納入生態空間之內[7]。2017年中共中央辦公廳、國務院辦公廳印發了《關于劃定并嚴守生態保護紅線的若干意見》，指出生態空間是具有自然屬性、以提供生態服務或生態產品為主體功能的國土空間，包括森林、草原、濕地、河流、湖泊、灘涂、岸線、海洋、荒地、荒漠、戈壁、冰川、高山凍原、無居民海島等。筆者以《關于劃定并嚴守生態保護紅線的若干意見》為依據，界定該研究的生態空間包括林地、草地、水域和未利用地。

表1 數據來源

2.3 研究方法

2.3.1景觀格局指數

景觀格局指數主要是對景觀自身的結構和分布特征進行定量的描述，通過計算景觀格局指數對生態空間的空間變化特征進行研究[17-18]，主要選取斑塊數量(對生態空間格局進行描述)、斑塊密度(描述某一生態空間類型的單位面積上的斑塊個數)、最大斑塊指數(描述各個生態空間類型斑塊間的連通度)、分離度指數(描述某一生態空間類型的分化程度)、香農多樣性指數(描述各個生態空間類型的均衡化程度)對生態空間格局的空間變化特征進行描述。

2.3.2InVEST模型

InVEST模型指生態系統服務評估與權衡模型，主要應用于陸地、淡水和海洋3類生態系統服務評估，從而支持生態系統管理和決策的一套模型系統[19]。InVEST生境質量模型主要是通過計算生境退化程度進而計算生境質量指數對生境質量進行評估。

生境質量指數指生境為某一個體或物種提供生存條件的潛力指數，通過各個生境的敏感性和威脅因素對生境的威脅強度進行計算[20]，計算公式為

(1)

式(1)中，Qxj為j類型生境柵格x的生境質量；Hj為j類型的生境適宜程度；Dxj為j類型生境的柵格x的總威脅水平指數；z和k為比例因子。

2.3.3Cramer′s V指數值

在進行生態空間模擬預測的過程中需要使用影響因子，故通過計算各個影響因子與生態空間之間的Cramer′s V指數值(Cv)來測定各個影響因子對生態空間的影響力，以為生態空間的模擬預測提供依據，計算公式為

(2)

式(2)中，X2為卡方檢驗數值；r為行數；s為列數；n為樣本數。

2.3.4Ann-CA-Markov耦合模型

Ann模型是一種通過大量簡單的神經元相互連接來模擬人腦功能的基本特征所形成的一個復雜的非線性動力學習網絡系統，擁有較強的并行、分布式存儲、處理、自組織、自適應和自學能力[21]。BP人工神經網絡主要包括輸入層、隱藏層以及輸出層在內的3層結構，其本質就是通過對訓練樣本的不斷訓練從而獲取最小誤差的網絡參數值，而后通過輸入與訓練樣本相似的數據輸出結果誤差最小的數據[22]。CA模型是一種基于元胞空間以及某種特定的規則在空間和時間上進行演化模擬的動力學系統[23]。CA模型主要由6部分組成，包括元胞、元胞空間、鄰域和規則4大最基礎的部分以及狀態和離散時間2個部分。Markov模型以一類隨機過程為基礎的一種用來預測事件的先驗概率和條件概率的數學方法[24]。Markov模型由4個部分所組成，分別為狀態、狀態轉移過程、狀態轉移概率和狀態轉移矩陣。

Ann-CA-Markov耦合模型是以CA作為基礎模型并結合Markov和Ann模型進行構建的，模型的整體結構為CA模型，總共包括元胞、元胞空間、狀態、鄰域、規則和循環次數6個部分，其中最重要的規則部分通過Markov和Ann模型計算得到，具體構建情況如下。

(1)元胞的定義：生態空間結構類型圖的大小為30 m×30 m的柵格。

(2)元胞空間的定義：生態空間結構類型圖的所有柵格。

(3)狀態的定義：元胞的狀態就是柵格的屬性，劃分為耕地、林地、草地、水域、未利用地和建設用地。

(4)鄰域的定義：定義5×5的擴展性摩爾鄰域進行研究，即周邊有24個元胞對元胞的屬性產生影響。

(5)規則的定義：元胞的轉換規則主要包括空間和數量上的轉換規則，數量上的轉換規則主要是通過Markov模型進行計算(具體詳見3.2.1節)，空間上的轉換規則通過Ann模型進行計算(具體詳見3.2.2和3.2.3節)。

(6)確定循環次數：因使用的每期基礎數據之間的間隔均為6 a，故設置確定循環次數的年限間隔為6 a。

3 結果與討論

3.1 研究區生態空間變化特征

3.1.1研究區生態空間數量變化特征

根據表2和圖1可知，萬州區的生態空間的面積超過了萬州區總面積的53%，萬州區的生態空間以林地為主，其所占面積超過了萬州區總面積的49%，其次依次為水域、草地和未利用地。

表2 2000—2018年萬州區生態空間結構類型面積統計表

2000—2018年間，萬州區的生態空間面積持續增加，非生態空間用地中的耕地面積持續減少、建設用地面積持續增加。生態空間面積增加了846 45 hm2，增加幅度占萬州區總面積的0.24%，其中2006—2012年生態空間面積增加幅度最為明顯，增加幅度占萬州區總面積的0.22%。從生態空間的各個用地類型來看，2000—2018年間林地、草地和未利用地面積持續減少，其減少幅度分別占萬州區的總面積的0.36%、0.02%和0.01%；水域面積持續增加，增加面積2 157.0 5 hm2，增加幅度占萬州區總面積的0.63%。究其原因在于城鎮以及經濟化發展對林地、草地和未利用地的占用以及三峽庫區蓄水增加了三峽庫區的水域面積。

3.1.2研究區生態空間在空間上的變化特征分析

為了對生態空間在空間上的變化特征進行研究，計算萬州區的斑塊數量(NP)、斑塊密度(PD)、最大斑塊指數(LPI)、分離度指數(SPLIT)和香農多樣性指數(SHDI)(圖2)，在2000—2018年間萬州區的NP和PD整體上呈增加趨勢，生態空間的破碎化程度越來越大；LPI持續減少且幅度較大，最大生態空間斑塊不斷被侵蝕、破壞；SPLIT持續增加，各個生態空間斑塊之間的分化程度越來越大；SHDI持續增加，各個生態空間斑塊之間的面積趨于均勻化。由此可見，萬州區的生態空間的不穩定性正在逐步擴大。

3.2 Ann-CA-Markov耦合模型轉換規則

3.2.1生態空間類型轉移概率矩陣

生態空間類型的轉移概率矩陣是Ann-CA-Markov耦合模型的重要轉換規則之一，為2個不同時期生態空間類型流轉變化的轉移概率矩陣。使用萬州區2000、2006、2012、2018年4期土地利用現狀數據，通過馬爾科夫模型分別計算萬州區在2000—2006、2006—2012和2012—2018年3個時間段內的生態空間類型的轉移概率矩陣，如表3～5所示。

表3 2000—2006年萬州區生態空間類型轉移概率矩陣

3.2.2影響因子的影響力分析

在制作適宜性圖集之前需要對生態空間變化影響因子的影響力進行分析。通過國內外相關研究結合萬州區的實際情況，選取高程、道路交通、行政中心、河流、生態紅線5個影響因子作為Ann-CA-Markov耦合模型的主要影響因子(圖3)，其中高程、道路交通、行政中心、河流為條件因子，生態紅線為限制因子。

就限制因子而言，生態紅線是生態空間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和生命線，原則上按照禁止開發區域的要求進行管理，嚴禁不符合主體功能定位的各類開發活動，嚴禁任意改變用途。故在該研究中生態紅線是生態空間的關鍵區域。

就條件因子而言，通過計算Cramer′s V指數值對各個影響因子的影響力進行解釋，計算結果如表6所示。根據表6可知，2000—2018年間道路交通因子和河流因子對萬州區生態空間變化的影響力持續增加，高程因子和其影響力先減小后增加，究其原因在于近年來大量農村人口涌入城市，致使城鎮化發展進程加快且出現大量農村山區地帶耕地撂荒等問題，從而使大量生態空間被侵占。與此同時，土地復墾、土地整治、退耕還林、退耕還草以及各類扶貧政策、生態環境保護政策的實施致使道路交通建設加快、生態空間內的各種自然資源被開發利用，進而使高程、道路交通、行政中心、河流等條件因子對生態空間變化的影響力持續受影響。

表6 各個影響因子影響下的Cramer′s V指數值

3.2.3生態空間類型適宜性圖集

生態空間類型的適宜性圖集是Ann-CA-Markov耦合模型的另外一個重要的轉換規則，主要通過MLP_ANN模型計算生成。選取高程、距道路交通的距離、距行政中心的距離、距河流的距離、現有土地利用類型、鄰近各個土地利用類型的柵格數量、生態保護紅線圖等共17個影響因子作為MLP_ANN模型中的輸入層的17個神經元，并設置隱藏層的神經元為12個，因未利用地本身基數太小，故設置輸出層的神經元一共有5個，分別對應耕地、林地、草地、水域、建設用地的轉換概率。通過MLP_ANN模型的學習計算精確度達到了96.44%，故生成的適宜性圖集完全可以用于預測模擬。由于Ann-CA-Markov模型是基于CA模型進行構建，最后將修正過后的適宜性圖集進行拉伸，拉伸值為0～255，拉伸后生成的適宜性圖集如圖4所示。

3.3 研究區生態空間模擬預測

3.3.1Ann-CA-Markov耦合模型模擬精度檢驗

在完成Ann-CA-Markov耦合模型的構建后，對萬州區2012和2018年的生態空間進行模擬預測以檢驗Ann-CA-Markov耦合模型的模擬精度，模擬結果如圖5所示。

主要通過Kappa系數對Ann-CA-Markov耦合模型的模擬精度進行檢驗，Kappa系數主要進行圖件之間的一致性驗證，如果計算的Kappa系數值≥0.75，則認為模擬精度高；如果Kappa系數值<0.75且≥0.4，則認為模擬精度一般；如果Kappa系數值<0.4，則認為模擬精度低。

分別計算了萬州區2012和2018年的標準、數量、位置和隨機Kappa系數值，2012年分別為0.983 6、0.987 6、0.992 7、0.992 7，2018年分別為0.985 0、0.988 7、0.996 3、0.996 3，由此可見，筆者所構建的Ann-CA-Markov耦合模型具有較高的模擬精度，可以用于萬州區2024年生態空間的模擬預測。

3.3.2研究區2024年生態空間模擬預測

通過構建的Ann-CA-Markov耦合模型(選取的主要影響因子包括高程、道路交通、河流、行政中心以及生態紅線因子，詳見3.2.2和3.2.3節)對萬州區2024年的生態空間格局進行模擬預測，其模擬結果如圖5和表7所示。

表7 2024年萬州區生態空間模擬結果統計表

根據圖5和表7的萬州區2024年生態空間模擬結果來看，到2024年萬州區生態空間的面加增加，增加幅度占整個萬州區總面積的0.15%，其中林地、水域和未利用地面積增加，林地和水域面積增加幅度分別占萬州區總面積的0.18%和0.01%，未利用地增加面積可以忽略不計；草地面積減少，減少幅度占萬州區總面積的0.04%。

在對2024年萬州區生態空間的數量變化特征進行分析后，進一步對萬州區2024年生態空間的空間變化特征進行分析。根據2024年的生態空間模擬結果計算的景觀格局指數(表8)可知，萬州區生態空間的斑塊數量、斑塊密度、最大斑塊指數、分離度指數和香農多樣性指數到2024年都進一步增加，說明萬州區生態空間的破碎化程度以及各個生態空間斑塊之間的分化程度和面積均勻化程度越來越大，萬州區生態空間的穩定性進一步下降。

表8 2018—2024年萬州區生態空間景觀格局指數表

3.4 研究區生態空間生境質量評估

為了進一步對萬州區的生態空間進行研究，通過InVEST模型對萬州區2000—2018年以及2024年模擬的生態空間的生境質量進行計算。根據圖6可知，在整個萬州區范圍內，高生境質量區域(敏感區域)分布較廣，在萬州區的各個地方均有分布，集中分布于長江流域以及萬州區的東南部區域；而萬州區的低生境質量主要集中分布于萬州區城區。

通過ArcGIS 10.1軟件平臺分別計算萬州區2000、2006、2012、2018和2024年模擬的生態空間的平均生境質量(圖7)。

根據圖7可知，無論是2000—2018年還是通過模擬的2024年，萬州區生態空間的生境質量呈現持續下降的趨勢，其中2000—2006年萬州區生態空間的生境質量下降最為顯著，2018—2024年下降幅度較小。綜上所述，萬州區對于生態空間以及生態環境的保護并未使萬州區的生態環境得到較大程度的改善，故需要進一步加強對萬州區生態空間的優化管控及生態環境的保護。

3.5 研究區生態空間重構策略

通過對萬州區的生態空間格局以及生境質量的模擬結果可知，萬州區的生態空間減少最主要的原因是城鎮化以及工業化進程的快速發展，因此對于控制人口密度以及合理規劃城市和工業的發展是對生態空間進行合理重構的重要策略之一。萬州區的生境質量呈現持續下降的趨勢，最主要的原因在于高生境質量的生態空間類型向低生境質量的生態空間類型轉換，而對于整個萬州區而言，高生境質量生態空間主要包括生態紅線以及自然保護區，低生境質量主要包括耕地和未利用地，故對生態空間進行合理重構的另一重要策略是加強高生境質量生態空間的保護(生態紅線、自然保護區、林地、水域等)，并在保證區域糧食安全的情況下將低生境質量生態空間類型向高生境質量生態空間類型轉換。因此，生態空間的管控及優化最主要在于對生態空間總量進行控制、對生態空間進行分類管制、對生態空間進行合理布局以及對生態空間保護實施保障機制。

3.6 討論

筆者所構建Ann-CA-Markov耦合模型(Kappa系數0.983 6)比其他相關研究所使用模型的模擬精度(表9)更高，模擬預測結果的可信度更高，研究結果有利于掌握未來生態空間的變化趨勢，并為相關研究提供方法參考，同時為生態環境保護政策的制定以及國土空間的優化管控提供參考依據。但是研究仍然存在著以下2個方面的問題，需要進一步改進。

表9 相關模擬預測研究模型精度

第一方面，該研究使用的TM影像精度較低，且解譯只到一級地類，未精確到二級地類。故在未來的研究中，將盡可能使用高分辨率的遙感影像，獲取更加精細化的生態空間類型，加強對生態空間變化特征的研究。

第二方面，Ann-CA-Markov耦合模型創建轉換規則時未設置動態轉換參數，通過人工神經網絡模型創建適宜性圖集時僅設置了靜態參數，而未設置動態參數，在生態空間發生變化的過程中各個影響因子也是發生變化的。在未來的研究中盡可能地獲取動態轉換的參數需進一步優化Ann-CA-Markov耦合模型，提高模擬預測結果的可信度。

4 結論

通過對2000—2018年萬州區的生態空間演變特征進行分析，并構建Ann-CA-Markov耦合模型對萬州區2024年的生態空間進行預測模擬，對萬州區生態空間的生境質量進行評估，得出以下結論：

(1)構建的Ann-CA-Markov耦合模型具有較高的模擬精度，通過Markov模型和Ann模型對CA模型的主要規則進行構建，解決了CA模型在模擬過程中對各種宏觀因素的考慮不足的問題，使模擬的結果更加科學、合理、可信。

(2)根據預測模擬結果，2000—2024年萬州區生態空間面積持續增加，但是生態空間的破碎化程度和穩定性持續下降，且生態空間各個斑塊的分化程度持續增大，需要從區域整體上對生態空間進行優化管控。

(3)2000—2024年萬州區生態空間的生境質量持續下降，雖然萬州區生態空間的數量不斷增加，但是其生境質量仍然持續下降，生態空間的優化管控不僅需要體現在生態空間的數量以及穩定性上，更應該關注生態空間的生境質量。