基于SFLA-M-L模型的景觀格局優(yōu)化研究

張啟斌 岳德鵬 方敏哲 張 耘 李 倩 馬 歡

(1．北京林業(yè)大學(xué)精準林業(yè)北京市重點實驗室，北京100083;2．北京聯(lián)合大學(xué)應(yīng)用科技學(xué)院，北京102200; 3．北京林業(yè)大學(xué)林學(xué)院，北京100083)

基于SFLA-M-L模型的景觀格局優(yōu)化研究

張啟斌1岳德鵬1方敏哲1張 耘2李 倩3馬 歡1

(1．北京林業(yè)大學(xué)精準林業(yè)北京市重點實驗室，北京100083;2．北京聯(lián)合大學(xué)應(yīng)用科技學(xué)院，北京102200; 3．北京林業(yè)大學(xué)林學(xué)院，北京100083)

以內(nèi)蒙古自治區(qū)巴彥淖爾市磴口縣為研究區(qū)，基于混合蛙跳算法，耦合邏輯回歸與馬爾可夫模型構(gòu)建了SFLA-M-L(Shuffled frog leaping algorithm-Markov-logistic regression)模型。利用邏輯回歸，綜合考慮高程、坡度、地下水埋深、干旱度指數(shù)、歸一化植被指數(shù)與當(dāng)前景觀分布進行了景觀適宜性分析;利用Markov模型，構(gòu)造了縣域景觀轉(zhuǎn)移概率矩陣。利用景觀適宜性指數(shù)和景觀聚集度指數(shù)構(gòu)造目標函數(shù)，以景觀轉(zhuǎn)移概率矩陣為景觀變異的控制條件，對2016年景觀格局分布進行了縣域景觀格局優(yōu)化。優(yōu)化結(jié)果中，景觀聚集度為96.71%，比2016年景觀分布提升了6.43個百分點;景觀適宜性指數(shù)為96.23%，比2016年景觀分布提升了4.18個百分點;不同景觀類型間相互轉(zhuǎn)移超出轉(zhuǎn)移概率矩陣控制僅4.66 km2，確保了優(yōu)化結(jié)果的合理性。

景觀格局優(yōu)化;混合蛙跳算法;邏輯回歸模型;馬爾可夫模型

引言

景觀格局指的是不同屬性、形狀、大小的景觀斑塊在空間上的鑲嵌形式，它決定著資源和環(huán)境在空間的分布形式，對多種生態(tài)過程產(chǎn)生重要影響［1－3］。景觀格局優(yōu)化是指在充分理解格局和過程間耦合關(guān)系的基礎(chǔ)上，通過調(diào)整優(yōu)化各景觀類型斑塊的空間分布和數(shù)量，使其達到最大的生態(tài)效益［4－5］。概念模型、數(shù)學(xué)模型、GIS技術(shù)等是景觀格局優(yōu)化的常用方法，然而景觀格局優(yōu)化涉及到的柵格空間數(shù)據(jù)具有像元數(shù)量多、計算量大的特點，上述方法已經(jīng)難以滿足景觀格局優(yōu)化對于高性能計算的要求。針對這一問題，眾多學(xué)者將智能優(yōu)化算法與GIS空間處理技術(shù)相結(jié)合，構(gòu)建智能景觀格局優(yōu)化模型［6－8］。

混合蛙跳算法已經(jīng)在眾多領(lǐng)域的優(yōu)化問題中得到應(yīng)用，如路徑規(guī)劃問題、復(fù)雜產(chǎn)品裝配序列問題、Web用戶聚類問題等。在景觀格局優(yōu)化領(lǐng)域，郭小燕等［9－12］將混合蛙跳算法用于土地利用優(yōu)化問題，以生態(tài)系統(tǒng)服務(wù)功能值和土地利用格局緊湊度為目標函數(shù)對蘭州市的土地利用格局進行了優(yōu)化，取得了較好的研究結(jié)果。然而單獨的混合蛙跳算法在進行景觀格局優(yōu)化時，不能充分考慮研究區(qū)的具體生態(tài)環(huán)境特點，傳統(tǒng)景觀格局優(yōu)化方法中的地形、水文、生態(tài)等因子均未在優(yōu)化過程中體現(xiàn)。因此在混合蛙跳算法的基礎(chǔ)上耦合其他模型，充分考慮多種因子進行景觀格局優(yōu)化具有實際意義。

本文以內(nèi)蒙古自治區(qū)巴彥淖爾市磴口縣為例，基于混合蛙跳算法耦合邏輯回歸與馬爾可夫模型構(gòu)建SFLA-M-L(Shuffled frog leaping algorithm-Markovlogistic regression)模型，實現(xiàn)對景觀格局優(yōu)化模型的改進。利用該模型綜合考慮多種因子，并對不同景觀類型間的互相轉(zhuǎn)移進行上限控制，使景觀格局優(yōu)化結(jié)果更貼近研究區(qū)實際情況。

1 SFLA-M-L模型構(gòu)建

混合蛙跳算法是群智能優(yōu)化算法的一種，該算法集成了遺傳算法和群智能算法的優(yōu)點，實現(xiàn)了全局和局部搜索能力的均衡，算法簡單，易于實現(xiàn)［13］。本文基于混合蛙跳算法，耦合邏輯回歸模型與Markov模型構(gòu)建SFLA-M-L模型，用于研究區(qū)景觀格局優(yōu)化。

1.1 模型關(guān)鍵技術(shù)

1.1.1 定義解空間與青蛙個體

以景觀格局柵格數(shù)據(jù)為數(shù)據(jù)源進行景觀格局優(yōu)化，設(shè)柵格數(shù)據(jù)有m行n列，則模型的目標搜索空間為m×n維的矩陣。算法首先在目標搜索空間內(nèi)產(chǎn)生F只青蛙(即F種解)生成初始種群，景觀格局柵格數(shù)據(jù)中的像元依次排列，構(gòu)成青蛙的基因，第i只青蛙表示問題的第i個解，其數(shù)學(xué)表示為

式中 Xi——編號為i的青蛙

j——青蛙所在位置橫坐標

k——青蛙所在位置縱坐標

xi，j，k——青蛙Xi在位置(j，k)的基因

青蛙基因的取值為1～6的整數(shù)，從小到大分別代表了林地、耕地、沙地、山地、水體、建筑用地。

1.1.2 適應(yīng)度函數(shù)建立

適應(yīng)度函數(shù)確定了種群中每只青蛙的優(yōu)劣，控制著種群的進化方向［14］。景觀破碎化阻礙物種間的物質(zhì)交流，減小物種生存空間，改變生態(tài)系統(tǒng)特性，影響系統(tǒng)內(nèi)的能量平衡和物質(zhì)流動，加劇物種入侵等，因此本文在適應(yīng)度函數(shù)中考慮了景觀聚集度［15－16］。同時，研究利用的邏輯回歸模型考慮了高程、地下水埋深、歸一化植被指數(shù)等因子，分析了景觀格局在空間分布上的適宜性，確保土地利用優(yōu)化結(jié)果的現(xiàn)實意義［17］。本文利用聚集度指數(shù)與土地利用適宜性共同判定每只青蛙的適應(yīng)度，適應(yīng)度函數(shù)的具體形式為

式中 F——適應(yīng)度

WA——聚集度指數(shù)指標權(quán)重

WP——景觀適宜性指數(shù)指標權(quán)重

A——某只青蛙所代表的景觀格局優(yōu)化方案的景觀聚集度指數(shù)

Pij——某只青蛙在(i，j)處的基因所對應(yīng)的景觀格局適宜性指數(shù)

D——景觀格局柵格數(shù)據(jù)中的像元個數(shù)

Pij通過邏輯回歸計算得到，回歸中的自變量為多種因子(高程、地下水埋深、歸一化植被指數(shù)等)，回歸的結(jié)果為對應(yīng)每個景觀類型的適宜性圖，通過確定該青蛙在像元(i，j)的景觀類型并對照適宜性圖集確定該位置景觀格局適宜性指數(shù)。

1.1.3 子群體劃分方法

利用1.1.2節(jié)中的適應(yīng)度函數(shù)判定初始種群中每只青蛙的適應(yīng)度，將青蛙個體按照適應(yīng)度從優(yōu)到劣排序，將整個青蛙種群劃分為M個子群體，將適應(yīng)度排名與青蛙的子群體數(shù)相除，按照相除所得的余數(shù)劃分子群體范圍:將余數(shù)為1的青蛙分入第1子群體，余數(shù)為2的青蛙分入第2子群體，依次類推，將余數(shù)為M－1的青蛙分入第M－1子群體，將余數(shù)為0的青蛙分入第M子群體，最終將所有青蛙個體劃分完畢。以子群體為單位進行局部深度搜索，即在子群體的每次迭代中，首先確定群組內(nèi)的最優(yōu)青蛙Xb，最差青蛙Xw，全局最優(yōu)青蛙Xg，通過對當(dāng)前子群體中最差個體進行更新與變異操作實現(xiàn)對整個群體的優(yōu)化。

1.1.4 更新與變異操作

(1)更新操作

在以子群體為單位進行局部搜索時，子群體內(nèi)的最差青蛙Xw向群體內(nèi)或子群體內(nèi)最優(yōu)青蛙Xb學(xué)習(xí)，學(xué)習(xí)時采用隨機替換算子，系統(tǒng)首先產(chǎn)生隨機數(shù)e、c、h、f，其中e、h∈(1，m)，c、f∈(1，n)，在景觀格局柵格數(shù)據(jù)中定位坐標為(e，h)和(c，f)的像元，以該兩像元分別作為左上角與右下角生成矩形范圍，截取學(xué)習(xí)目標青蛙Xb在該范圍內(nèi)的基因信息，并用其替換當(dāng)前子群體內(nèi)最差青蛙Xw對應(yīng)范圍的基因，完成更新操作，如圖1所示。

圖1 更新操作Fig．1 Diagram of update operation

(2)變異操作

根據(jù)適應(yīng)度函數(shù)進行判定，當(dāng)子群體內(nèi)的最差青蛙Xw經(jīng)過更新操作并沒有得到更好的適應(yīng)度時，對其進行變異操作，變異操作流程如圖2所示。

圖2 變異操作Fig．2 Diagram ofmutation operation

變異時，在柵格空間內(nèi)隨機選取k個像元，綜合考慮邏輯回歸與景觀聚集度2方面，對選中的像元進行變異，變異策略如下:根據(jù)適宜性圖集，對變異像元位置上的景觀類型適宜性進行排序，找到適宜度最高的景觀種類;搜索變異像元相鄰的8個像元，確認相鄰像元中是否存在與適宜度最高的景觀種類相同的景觀類型:若是，則突變?yōu)樵擃愋屯瓿勺儺惒僮?若否，則選擇適宜性次高的景觀類型再次搜索，直到變異操作完成。判斷該變異發(fā)生后，景觀轉(zhuǎn)移的面積是否超過景觀格局轉(zhuǎn)移概率矩陣的控制，若沒有超過，則該變異實際上發(fā)生，否則，該變異實際上不發(fā)生。

1.2 模型優(yōu)化步驟

本研究構(gòu)建的景觀格局優(yōu)化模型用不同的青蛙代表每種景觀格局優(yōu)化方案，以C#為編程語言，在．net平臺下調(diào)用arc Objects二次開發(fā)組件實現(xiàn)運行，通過高速迭代搜索最優(yōu)的景觀格局優(yōu)化方案，其優(yōu)化步驟描述如下:

(1)生成初始青蛙種群，確定算法參數(shù)

為避免隨機生成青蛙導(dǎo)致的盲目搜索，本研究以研究區(qū)2016年的景觀格局柵格數(shù)據(jù)為基礎(chǔ)，對其進行1.1.4節(jié)中的變異操作，生成初始種群，并按照1.1.3節(jié)所述方法劃分青蛙子群體。本研究種群中共產(chǎn)生1 000只青蛙，生成子群體10個，每個子群體內(nèi)有100只青蛙，算法迭代次數(shù)設(shè)置為1 000次，聚集度指數(shù)A與土地利用適宜度P的權(quán)重均設(shè)置為0.5。

(2)劃分子群體及子群體內(nèi)局部搜索

按照1.1.3節(jié)中所述方法劃分子群體，組內(nèi)最差青蛙Xw通過1.1.4節(jié)中的更新與變異操作向組內(nèi)最優(yōu)青蛙或全局最優(yōu)青蛙Xb學(xué)習(xí)，子群體內(nèi)一次完整的搜索過程如圖3所示，一次搜索完成后，對子群體內(nèi)的青蛙進行重新排序，確定新的組內(nèi)最優(yōu)青蛙和最差青蛙，開始下一次搜索，直到達到局部搜索次數(shù)停止搜索。

圖3 子群體內(nèi)部搜索Fig．3 Diagram of sub-group search

(3)全局搜索

當(dāng)每個子群體均完成局部搜索后，將每個子群體內(nèi)的青蛙合并重新進行1.1.3節(jié)中所述的子群體劃分過程，使得子群體內(nèi)的基因信息得到全局交換，之后再進行局部搜索。當(dāng)全局優(yōu)化完成規(guī)定的迭代次數(shù)后，輸出此時的全局最優(yōu)解作為最終的景觀格局優(yōu)化結(jié)果。

(4)限制條件

為防止沙漠化進程、減少水土流失，并充分考慮數(shù)據(jù)可得性，根據(jù)《水土保持工作條例》等政策法規(guī)，設(shè)置約束條件如下:坡度大于25°的像元禁止向耕地變異;坡度大于15°的像元禁止向建設(shè)用地變異;坡度大于30°的像元禁止向林地變異;禁止其他景觀類型與山地間產(chǎn)生變異。

(5)優(yōu)化結(jié)果輸出

蛙群滿足迭代終止條件后，將全局最優(yōu)青蛙輸出為柵格專題圖，作為最終的景觀格局優(yōu)化方案。

圖4為模型的整體流程。

圖4 模型優(yōu)化步驟Fig．4 Model optimization procedure

2 模型案例研究

圖5 研究區(qū)位置Fig．5 Location of study area

2.1 研究區(qū)概況

磴口縣位于內(nèi)蒙古自治區(qū)巴彥淖爾市，地處106°10'～107°10'E、40°10'～40°57'N，位于內(nèi)蒙古自治區(qū)西南部，如圖5所示。磴口縣縣域西側(cè)為狼山山脈，東側(cè)為黃河，北側(cè)為河套平原，南側(cè)部分為烏蘭布和沙漠?？h域內(nèi)部從東南向西北逐漸由綠洲向沙漠過渡，屬典型的荒漠綠洲交錯區(qū)，生態(tài)區(qū)位極為關(guān)鍵［18］?？h域大陸性氣候特征顯著，降水稀少(144.5mm)，蒸發(fā)強烈(2 397.6 mm)，年均風(fēng)速3m/s，風(fēng)蝕強烈，土地沙化風(fēng)險較高。近年來磴口縣景觀格局發(fā)生了較大變化，景觀破碎化、景觀空間分布的不合理是該區(qū)域當(dāng)前面臨的突出問題之一［19－20］。

2.2 數(shù)據(jù)來源與處理

本研究涉及的景觀格局數(shù)據(jù)來自磴口縣2007年與 2016年遙感影像，2007年遙感影像采自Landsat5 TM傳感器(共7個波段，分辨率30 m× 30m)，2016年遙感影像采自Landsat 8 OLI傳感器(共9個波段，Band 8分辨率為15m×15m，其他波段分辨率為30 m×30 m)，影像采集時間均為8、9月份。所有影像均為tif格式，由地理空間數(shù)據(jù)云下載，網(wǎng)址為http:∥www．gscloud．cn/。本研究景觀格局分類體系根據(jù)《生態(tài)環(huán)境狀況評價技術(shù)規(guī)范》與縣域具體特點建立，景觀類型分為林地、耕地、沙地、水體、山地、建筑用地6種。影像分類與預(yù)處理借助ENVI 5.2軟件完成。

高程與坡度數(shù)據(jù)同樣來自地理空間數(shù)據(jù)云(http:∥www．gscloud．cn/)，下載后經(jīng)裁剪拼接制成。地下水埋深數(shù)據(jù)通過磴口縣境內(nèi)103個常年觀測井的實測數(shù)據(jù)經(jīng)空間差值得到。干旱度指數(shù)由中國林科院沙林中心所測的多年平均蒸發(fā)量和多年平均降水量作比制成，歸一化植被指數(shù)由遙感影像反演得到。

2.3 景觀適宜性分析

利用邏輯回歸模型，考慮高程、坡度、地下水埋深、干旱度指數(shù)、歸一化植被指數(shù)與當(dāng)前景觀分布，對縣域每種景觀類型的空間分布適宜性進行分析。模型通過IDRISISelva軟件運行，每種景觀類型的景觀適宜性指數(shù)如圖6所示。

圖6 景觀適宜性指數(shù)Fig．6 Landscape suitability results

由圖6可知，磴口縣多種景觀類型中，山地景觀的高適宜性空間十分集中，當(dāng)前山體的空間分布范圍內(nèi)，景觀適宜性指數(shù)達到100%，在當(dāng)前山體景觀的外圍迅速衰減到0。沙地在縣域南部的適宜性指數(shù)較高，部分地區(qū)達到100%，而縣域中部僅有少數(shù)地區(qū)達到了50%。林地景觀在當(dāng)前耕地與沙地的交錯地帶有較高的適宜性，然而其適宜性在縣域東部黃河流經(jīng)區(qū)域出現(xiàn)了較為明顯的斷裂，適宜性突然降低，這主要是由于該地區(qū)地勢平坦，地下水埋深較淺且灌溉水源充足，更加適宜耕地景觀的分布。耕地景觀在黃河沿岸土地的適宜性較高，適宜性指數(shù)最高處達到64%，在縣域中部水源較為豐富地區(qū)也有較高的分布適宜性。建筑用地的適宜性分布與耕地較為一致，但是其適宜性指數(shù)普遍較低，最高處為35%。水體的景觀適宜性指數(shù)為研究區(qū)最低，在黃河流經(jīng)地區(qū)為28%，這與水體面積較小有關(guān)。

2.4 景觀轉(zhuǎn)移概率分析

利用Markov模型，對研究區(qū)未來的景觀面積變化進行預(yù)測。本文選取2007年與2016年2個時間節(jié)點的景觀格局分布數(shù)據(jù)，利用IDRISISelva軟件的Markov模塊構(gòu)建Markov模型，生成2016—2025年各景觀類型間的轉(zhuǎn)移概率矩陣，對縣域未來景觀格局的數(shù)量轉(zhuǎn)移進行預(yù)測，并以此作為蛙跳算法變異操作中的控制條件，確保景觀格局優(yōu)化結(jié)果與實際情況吻合，結(jié)果如表1所示。

表1 景觀格局轉(zhuǎn)移控制面積Tab．1 Landscape transfer control area km2

由表1可知，在縣域未來的演化趨勢中，林地是轉(zhuǎn)化最為活躍的景觀類型，其向耕地和沙地的可能轉(zhuǎn)移面積分別達到了124.19 km2和272.26 km2，其他5種景觀種類向該地類的可能轉(zhuǎn)移面積達到了543.72 km2。建筑用地與其他景觀間的可能轉(zhuǎn)移面積同樣較大，且轉(zhuǎn)出量明顯大于轉(zhuǎn)入量，該景觀類型向林地與耕地的轉(zhuǎn)移量達到了189.12 km2，占2016年建筑用地景觀總面積的65.12%。沙地與其他景觀類型間的可能轉(zhuǎn)移面積較小，而與林地間的可能轉(zhuǎn)移面積較大，其中沙地轉(zhuǎn)向林地為231.96 km2，林地轉(zhuǎn)向沙地為272.26 km2。磴口縣水體景觀面積較小，與林地和沙地間的可能轉(zhuǎn)移面積較大，與其他景觀間的轉(zhuǎn)移較小。山地景觀的可能轉(zhuǎn)移面積為所有景觀類型中最小，可能的轉(zhuǎn)出與轉(zhuǎn)入面積僅有6.36 km2與10.41 km2。

2.5 基于SFLA-M-L模型的景觀格局優(yōu)化

本研究以磴口縣2016年的景觀格局分布圖為基礎(chǔ)數(shù)據(jù)(圖7a)，按照1.2節(jié)中描述的算法，在．net平臺下調(diào)用arc Objects組件，利用C#編寫程序，對研究區(qū)的景觀格局進行了優(yōu)化，優(yōu)化結(jié)果如圖7b所示。為了驗證邏輯回歸模型及馬爾可夫模型與混合蛙跳算法耦合的效果，本研究模型中去除上述2種模型，僅以景觀聚集度為目標函數(shù)基于混合蛙跳算法構(gòu)建 SFLA-AI(Shuffled frog leaping algorithmaggregation index)模型進行研究區(qū)的景觀格局優(yōu)化，結(jié)果如圖7c所示。

圖7 模型優(yōu)化結(jié)果對比Fig．7 Optimization results comparison

圖8 景觀格局優(yōu)化結(jié)果各指標對比Fig．8 Indices comparison of landscape pattern optimization results

通過對優(yōu)化結(jié)果的目視觀察可知，2種優(yōu)化模型的景觀聚集度得到了較明顯的提高，各景觀類型的破碎化得到了很好的控制。對研究區(qū)2016年景觀格局分布及2種優(yōu)化結(jié)果的景觀聚集度指數(shù)、平均景觀適宜性指數(shù)、超出轉(zhuǎn)移概率矩陣控制的轉(zhuǎn)移面積進行計算，結(jié)果如圖8所示。由圖8可知，SFLA-M-L模型優(yōu)化結(jié)果的景觀聚集度指數(shù)為96.71%，SFLA-AI模型的景觀聚集度指數(shù)為96.95%，2種優(yōu)化結(jié)果不存在明顯區(qū)別，相比優(yōu)化前的90.28%都有明顯提高。對2種模型優(yōu)化結(jié)果的景觀平均適宜性進行分析可知，SFLA-AI模型與SFLA-M-L模型的平均景觀適宜性指數(shù)分別為76.33%與 96.23%，而優(yōu)化前景觀的適宜性為92.05%，SFLA-M-L模型明顯更高。更高的景觀適宜性指數(shù)能確保對縣域土地的因地制宜，避免在水土條件欠佳的地方進行植樹造林、開墾耕地等活動，對縣域土地的合理利用具有重要作用。對2種優(yōu)化結(jié)果中超出轉(zhuǎn)移概率矩陣的轉(zhuǎn)移面積進行計算可知，SFLA-M-L模型幾乎沒有超出控制(超出面積為4.66 km2)，而SFLA-AI模型的模擬結(jié)果中超出了34.52 km2，其中建筑用地向林地的轉(zhuǎn)移超出轉(zhuǎn)移概率矩陣13.59 km2，與轉(zhuǎn)移概率矩陣控制面積相差較大。優(yōu)化結(jié)果中某幾種景觀類型間過大的轉(zhuǎn)移面積將導(dǎo)致優(yōu)化結(jié)果與縣域?qū)嶋H情況相差過遠，使景觀格局優(yōu)化方案的實施面臨困難，因此在優(yōu)化算法中加入景觀格局轉(zhuǎn)移概率矩陣的控制十分必要。

3 結(jié)論

(1)以混合蛙跳算法為基礎(chǔ)，耦合Markov模型與邏輯回歸模型構(gòu)建了SFLA-M-L模型用于景觀格局優(yōu)化，該模型以景觀聚集度指數(shù)、景觀適宜性指數(shù)為目標函數(shù)，綜合考慮了高程、坡度、地下水埋深、干旱度指數(shù)、歸一化植被指數(shù)與當(dāng)前景觀分布多個因子。在變異操作中通過Markov模型生成的景觀轉(zhuǎn)移概率矩陣作為景觀轉(zhuǎn)移面積的控制，使優(yōu)化結(jié)果更符合實際。

(2)選取典型荒漠綠洲交錯區(qū)內(nèi)蒙古自治區(qū)巴彥淖爾市磴口縣為研究區(qū)，利用SFLA-M-L模型對研究區(qū)景觀格局進行了優(yōu)化。為研究SFLA-M-L模型的優(yōu)化效果，在模型中去除邏輯回歸模型與Markov模型，僅以景觀聚集度為約束條件構(gòu)建SFLA-AI模型，再次進行了景觀格局優(yōu)化。對2種模型的模擬結(jié)果進行對比可知，2種模型均使得縣域景觀格局的聚集度得到提高，而SFLA-M-L模型的優(yōu)化結(jié)果有更高的景觀適宜性指數(shù)(96.23%)，且景觀轉(zhuǎn)移面積幾乎未超過景觀轉(zhuǎn)移概率矩陣的控制，僅超出4.66 km2。

1 TURNER M G．Landscape ecology:the effect of pattern on process［J］．Annual Review of Ecology＆Systematics，2003，20(20):171－197．

2 岳德鵬，于強，張啟斌，等．區(qū)域生態(tài)安全格局優(yōu)化研究進展［J/OL］．農(nóng)業(yè)機械學(xué)報，2017，48(2):1－10．http:∥www．jcsam．org/jcsam/ch/reader/view_abstract．a(chǎn)spx?flag=1＆file_no=20170201＆journal_id=jcsam．DOI:10．6041/j．issn．1000-1298．2017．02．001．YUE Depeng，YU Qiang，ZHANG Qibin，et al．Progress in research on regional ecological security pattern optimization［J/OL］．Transactions of the Chinese Society for Agricultural Machinery，2017，48(2):1－10．(in Chinese)

3 岳德鵬，王計平，劉永兵，等．GIS與RS技術(shù)支持下的北京西北地區(qū)景觀格局優(yōu)化［J］．地理學(xué)報，2007，19(11):1223－1231．YUE Depeng，WANG Jiping，LIU Yongbing，et al．Landscape pattern optimization based on RS and GIS in northwest of Beijing［J］．Acta Ecographica Sinica，2007，19(11):1223－1231．(in Chinese)

4 韓文權(quán)，常禹，胡遠滿，等．景觀格局優(yōu)化研究進展［J］．生態(tài)學(xué)雜志，2005，24(12):1487－1492．HANWenquan，CHANG Yu，HU Yuanman，et al．Research advance in landscape pattern optimization［J］．Chinese Journal of Ecology，2005，24(12):1487－1492．(in Chinese)

5 劉杰，葉晶，楊婉，等．基于GIS的滇池流域景觀格局優(yōu)化［J］．自然資源學(xué)報，2012，27(5):801－808．LIU Jie，YE Jing，YANG Wan，et al．A GIS-based landscape pattern optimization approach for lake Dianchi Watershed［J］．Journal of Natural Resources，2012，27(5):801－808．(in Chinese)

6 歐定華，夏建國．基于粒子群算法的大城市近郊區(qū)景觀格局優(yōu)化研究——以成都市龍泉驛區(qū)為例［J］．地理研究，2017，36(3):553－572．OU Dinghua，XIA Jianguo．Landscape pattern optimization in peri-urban areas based on the particle swarm optimization method:a case study in Longquanyi District of Chengdu［J］．Geographical Research，2017，36(3):553－572．(in Chinese)

7 趙冬玲，杜萌，楊建宇，等．基于CA-Markov模型的土地利用演化模擬預(yù)測研究［J/OL］．農(nóng)業(yè)機械學(xué)報，2016，47(3): 278－285．http:∥www．j-csam．org/jcsam/ch/reader/view_abstract．a(chǎn)spx?flag=1＆file_no=20160339＆journal_id=jcsam．DOI:10．6041/j．issn．1000-1298．2016．03．039．ZHAO Dongling，DU Meng，YANG Jianyu，et al．Simulation and forecast study of land use change based on CA-Markov model［J/OL］．Transactions of the Chinese Society for Agricultural Machinery，2016，47(3):278－285．(in Chinese)

8 楊勵雅，邵春福，聶偉．基于混合遺傳算法的城市土地利用形態(tài)與交通結(jié)構(gòu)的組合優(yōu)化［J］．上海交通大學(xué)學(xué)報，2008，42(6):896－899．YANG Liya，SHAO Chunfu，NIE Wei．Hybrid genetic algorithm for integrated optimization of urban land use pattern and transportation structure［J］．Journal of Shanghai Jiaotong University，2008，42(6):896－899．(in Chinese)

9 郭小燕，劉學(xué)錄，王聯(lián)國．基于混合蛙跳算法的土地利用格局優(yōu)化［J］．農(nóng)業(yè)工程學(xué)報，2015，31(24):281－288．GUO Xiaoyan，LIU Xuelu，WANG Lianguo．Land use pattern optimization based on shuffled frog leaping algorithm［J］．Transactions of the CSAE，2015，31(24):281－288．(in Chinese)

10 EBRAHIMI J，HOSSEINIAN S H，GHAREHPTTIAN G B．Unit commitment problem solution using shuffled frog leaping algorithm［J］．IEEE Transactions on Power Systems，2011，26(2):573－581．

11 LUO Jiaping，LIXia，CHEN Minrong，etal．A novel hybrid shuffled frog leaping algorithm for vehicle routing problem with time windows［J］．Information Sciences，2015，316:266－292．

12 ARSHISS，ZOLFAGHARIA，MIRVAKILISM．A multi-objective shuffled frog leaping algorithm for in-core fuelmanagementoptimization［J］．Computer Physics Communications，2014，185(10):2622－2628．

13 崔文華，劉曉冰，王偉，等．混合蛙跳算法研究綜述［J］．控制與決策，2012，27(4):481－486．CUIWenhua，LIU Xiaobing，WANGWei，et al．Survey on shuffled frog leaping algorithm［J］．Control and Decision，2012，27(4):481－486．(in Chinese)

14 金芬，孫春華，鐘鳴．遺傳算法中適應(yīng)度函數(shù)的改進［J］．機械設(shè)計與制造，2010(3):218－219．JIN Fen，SUN Chunhua，ZHONG Ming．Improvement of fitness function in genetic algorithm［J］．Machinery Design＆Manufacture，2010(3):218－219．(in Chinese)

15 劉建鋒，肖文發(fā)，江澤平，等．景觀破碎化對生物多樣性的影響［J］．林業(yè)科學(xué)研究，2005，18(2):222－226．LIU Jianfeng，XIAOWenfa，JIANG Zeping，et al．A study on the influence of landscape fragmentation on biodiversity［J］．Forest Research，2005，18(2):222－226．(in Chinese)

16 覃鳳飛，安樹青，卓元午，等．景觀破碎化對植物種群的影響［J］．生態(tài)學(xué)雜志，2003，22(3):43－48．TAN Fengfei，AN Shuqing，ZHUO Yuanwu，etal．Effectof landscape fragmentation on plant populations［J］．Chinese Journalof Ecology，2003，22(3):43－48．(in Chinese)

17 譚龍，陳冠，王思源，等．邏輯回歸與支持向量機模型在滑坡敏感性評價中的應(yīng)用［J］．工程地質(zhì)學(xué)報，2014，22(1):56－63．TAN Long，CHEN Guan，WANG Siyuan，et al．Landslide susceptibilitymapping based on logistic regression and support vector machine［J］．Journal of Engineering Geology，2014，22(1):56－63．(in Chinese)

18 于強，岳德鵬，張啟斌，等．磴口縣荒漠綠洲景觀時空演變及其格局特征分析［J］．生態(tài)科學(xué)，2016，35(6):73－83．YU Qiang，YUE Depeng，ZHANG Qibin，et al．Spatial-temporal evolution and pattern characteristics of desert oasis landscape in Dengkou County［J］．Ecological Science，2016，35(6):73－83．(in Chinese)

19 張啟斌，岳德鵬，于強，等．林業(yè)生態(tài)工程建設(shè)對磴口縣景觀格局演變及重心遷移的影響［J］．浙江農(nóng)業(yè)學(xué)報，2017，29(2):261－269．ZHANG Qibin，YUEDepeng，YU Qiang，et al．Effects of forestry ecological projects on landscape pattern evolution and migration of barycenter in Dengkou County［J］．Acta Agriculturae Zhejiaugeusis，2017，29(2):261－269．(in Chinese)

20 于強，岳德鵬，DIYang，等．基于EnKF-MCRP模型的生態(tài)用地擴張模擬研究［J/OL］．農(nóng)業(yè)機械學(xué)報，2016，47(9):285－293．http:∥www．j-csam．org/jcsam/ch/reader/view_abstract．a(chǎn)spx?flag=1＆file_no=20160939＆journal_id=jcsam．DOI:10．6041/j．issn．1000-1298．2016．09．039．YU Qiang，YUE Depeng，DIYang，et al．Simulation on ecological land use expansion based on EnKF-MCRPmodel［J/OL］．Transactions of the Chinese Society for Agricultural Machinery，2016，47(9):285－293．(in Chinese)

Landscape Pattern Optim ization Based on SFLA-M-L Model

ZHANG Qibin1YUE Depeng1FANG Minzhe1ZHANG Yun2LIQian3MA Huan1
(1．Beijing Key Laboratory of Precision Forestry，Beijing Forestry University，Beijing 100083，China 2．College of Applied Science and Technology，Beijing Union University，Beijing 102200，China 3．College of Forestry，Beijing Forestry University，Beijing 100083，China)

Landscape pattern determines the local distribution of resources and habitats，which has an important impact on a variety of ecological processes．Based on the full understand of the coupling relationship between landscape pattern and ecological processes，landscape pattern optimization is aimed at achieving the maximum ecological benefits through the adjustment of the landscape patches’spatial distribution and size．In order to considermore factors in landscape pattern optimization and make the optimization resultsmore scientific and reasonable，an SFLA-M-Lmodelwas built based on shuffled frog leaping algorithm(SFLA)，logistic regression model and Markov model．The landscape pattern of Dengkou County，Bayannaoer City，Inner Mongoliawas optimized to verify themodel．Logistic regression model was used to analyze the landscape pattern suitability based on DEM，slope，under ground water depth，aridity index，NDVI and current landscape distribution．Markov model was used to build the landscape transition probability matrix．The objective function of SFLA-M-L was built based on the landscape suitability atlas and landscape aggregation index．Landscape pattern transition probability matrix was used to restrict the transfer of different landscape types．In the optimization results，the landscape aggregation index was 96.71%，which was 6.43 percentage points higher than the landscape pattern in 2016;landscape suitability index was96.23%，which was4.18 percentage points higher than the landscape pattern in 2016;the transfer area beyond the control of landscape pattern transition probabilitymatrix was only 4.66 km2，and the rationality of the optimization resultswas ensured．

landscape pattern optimization;shuffled frog leaping algorithm;logistic regression model; Markovmodel

X171.1;S181

A

1000-1298(2017)07-0159-08

2017-04-25

2017-05-20

國家自然科學(xué)基金項目(41371189)和“十二五”國家科技支撐計劃項目(2012BAD16B00)

張啟斌(1990—)，男，博士生，主要從事3S技術(shù)在生態(tài)環(huán)境中的應(yīng)用研究，E-mail:bin0538@outlook．com

岳德鵬(1963—)，男，教授，博士生導(dǎo)師，主要從事景觀生態(tài)學(xué)和土地評價研究，E-mail:yuedepeng@126．com

10．6041/j．issn．1000-1298．2017．07．020