一種LVQ與CA的流域下墊面抗蝕力模擬研究模型

朱 筠，王利軍，黃培杰

（1. 河南中化地質測繪院有限公司，河南 鄭州 450000；2. 河南省農業科學院，河南 鄭州 450000；3. 黃河勘測規劃設計有限公司，河南 鄭州 450000）

目前，國內外關于土壤侵蝕研究的模型主要有評價土壤侵蝕強度的靜態模型[1-3]和反映土壤侵蝕發展演化的動態模型[4-6]。雖然CA已廣泛用于土壤侵蝕研究，但模型轉換規則的確定需要使用多種空間變量和參數，難以準確模擬和預測土壤侵蝕演變。隨著神經網絡的發展[7-9]，結合該方法進行地理空間信息模擬能夠簡化模型結構，提高模型通用性。本文以不同時相的遙感影像數據、地形數據、土壤數據為基礎，以GIS、RS和數據庫技術為支撐，采用神經網絡代替傳統CA中的轉換規則，構建下墊面抗蝕力時空演化模型，在可視化編程環境下，基于ArcGIS Engine組件，定義元胞自動機，構建神經網絡，設計并開發了下墊面抗蝕力時空演化模型系統，實現了岔巴溝流域下墊面抗蝕力變化的模擬和預測，為開展該區域水土保持工作提供了有效的數據和技術支持。

1 技術路線

岔巴溝流域位于陜西省子洲縣北部，為無定河水系的二級支流、大理河的一條支溝，屬于黃土丘陵溝壑區第一副區，流域面積為205 km2，溝口水文站為曹坪水文站，控制面積187 km2，主溝道長24.1 km，流域形狀基本對稱，干溝與支溝相匯夾角約60°。岔巴溝流域的土壤侵蝕變化是無定河流域土壤侵蝕變化的縮影，對其分析研究具有典型代表意義。系統技術路線如圖1所示。

1）相關資料的收集與處理：收集研究區兩個時段的遙感影像數據、地形圖數據、各類相關資料（如土壤資料、土地利用資料、水保措施資料等）。

2）建立下墊面抗蝕力因素數據庫：從遙感影像數據中提取各類影響抗蝕力變化的專題信息，如植被蓋度、土地利用類型等，利用數字化地形圖建立DEM，提取地形地貌信息。利用“流域下墊面抗蝕力信息系統”[10]計算兩個時段各抗蝕力影響因素的抗蝕力分值數據以及流域下墊面抗蝕力強度類型的空間分布。

3）構建下墊面抗蝕力時空演化模型：在現有數據庫基礎上，定義元胞自動機模型，確定元胞空間、元胞狀態、鄰域關系以及轉換規則，利用LVQ神經網絡代替CA的轉換規則，并根據研究對象確定神經網絡的結構。

4） 開發下墊面抗蝕力時空演化模型系統：基于.NET開發平臺，采用C#語言和AE組件進行系統開發。

5）LVQ神經網絡的訓練和驗證：以黃土高原岔巴溝流域為例，在下墊面抗蝕力因素數據庫中，利用訓練數據訓練已建好的神經網絡，并利用驗證數據對訓練好的神經網絡進行驗證。

6）下墊面抗蝕力預測：在過去的兩個時段該流域下墊面抗蝕力動態變化研究的基礎上，利用訓練好的抗蝕力時空演化模型，模擬下一時段抗蝕力水平的變化情況，分析和預測其未來的時空演變趨勢。

2 流域下墊面抗蝕力時空演化模型

2.1 元胞空間

研究區空間數據是二維柵格結構，每個柵格的形狀是四邊形，因此本文的元胞空間采用二維的四邊形柵格。根據研究區實際情況和收集到的流域地貌演變數據、野外調查資料等，本文選用岔巴溝流域沖溝平均寬度的一半作為元胞的邊長來定義元胞，其大小為100 m×100 m。

2.2 元胞狀態

元胞狀態定義為下墊面抗蝕力強度的類型[8]，共分為5級：1代表極弱抗蝕力，2代表弱抗蝕力，3代表中等抗蝕力，4代表強抗蝕力，5代表極強抗蝕力。研究表明，流域下墊面抗蝕力變化的概率取決于一系列的空間變量，有地形地貌、土壤、植被、土地利用、水土保持措施等[8]，因此模型為每一個元胞增加了5個影響因子，即地形地貌、土壤、植被、土地利用、水土保持措施。

2.3 鄰域關系

下墊面抗蝕力的演變受周圍空間環境影響，因此下墊面抗蝕力元胞的狀態變化不僅取決于元胞自身，還受鄰近元胞狀態的影響。本文采用標準Moore模型，即每個中心元胞有8個鄰居元胞。

2.4 轉換規則

由于不同年份流域下墊面抗蝕力強度類型可以通過“流域下墊面抗蝕力評價信息系統”[8]來計算，因此，本文采用神經網絡代替傳統CA中的轉換規則，模型參數通過對數據的訓練來自動獲取。

2.4.1 神經網絡結構

本文選取矢量量化神經網絡（LVQ）來實現下墊面抗蝕力的模擬和預測。LVQ網絡有3層結構：輸入層、隱含層、輸出層。輸入層有10個神經元，對應10個決定下墊面抗蝕力強度變化的空間變量：地形地貌（x1）、土壤（x2）、植被（x3）、土地利用（x4）、水土保持措施（x5）以及元胞的鄰域關系，即鄰近極弱抗蝕力單元數量（x6）、鄰近弱抗蝕力單元數量（x7）、鄰近中等抗蝕力單元數量（x8）、鄰近強抗蝕力單元數量（x9）、鄰近極強抗蝕力單元數量（x10）；隱含層神經元個數由輸入層樣本個數決定，對于輸入樣本個數為n的神經網絡，隱含層神經元個數為；輸出層神經元對應于t+1時刻的元胞狀態，即5種不同的下墊面抗蝕力強度類型，形成10××5的神經網絡結構，定義網絡的最大訓練次數為1 000，最小均方差為0.01，初始學習率為0.5。

2.4.2 神經網絡訓練

下墊面抗蝕力演變的歷史數據利用“流域下墊面抗蝕力評價信息系統”[8]計算獲取，可得到研究區t時刻和t+1時刻下墊面抗蝕力類型數據。神經網絡計算所需要的數據分為訓練數據、驗證數據和預測數據，其中，訓練數據和驗證數據從t時刻和t+1時刻樣本數據中隨機抽樣得來，即采取隨機方法，將每一時刻樣本數據以2︰1的比例劃分為訓練數據和驗證數據；預測數據是t+1時刻的抗蝕力類型。

神經網絡的訓練以t時刻各元胞的抗蝕力數據作為元胞的初始狀態，對t+1時刻元胞狀態進行預測，并對比t+1時刻的真實數據，反復訓練神經網絡，最終確定網絡參數。最后，利用建立好的神經網絡預測t+2時刻流域下墊面抗蝕力強度類型。

2.5 模型實現

在. NET 環境下，利用C#語言和AE9.2組件實現流域下墊面抗蝕力時空演化模型系統。主要功能包括基本的地圖操作、圖層管理、數據管理等GIS功能，還有元胞初始化、下墊面抗蝕力模擬、模擬結果輸出等核心功能。

3 模型應用與結果分析

3.1 基礎數據

研究中，除了通過野外實地調查和資料收集得到岔巴溝流域土壤數據、土地利用和水土保持措施資料外，還獲得岔巴溝流域1990年TM影像、1︰10 000地形圖以及2004年SPOT遙感影像和1︰10 000地形圖。通過數據預處理，建立下墊面抗蝕力因素數據庫，如圖2。

3.2 模型應用

模型的元胞初始化功能完成一系列的數據格式轉換、數據分離等工作，就生成可供神經網絡訓練和模擬所使用的數據。將這些數據導入模型的抗蝕力模擬模塊，模塊調用Matlab軟件實現LVQ神經網絡的構建和訓練。通過調用Matlab神經網絡工具箱中隨機樣本提取函數來獲取樣本中的訓練數據和驗證數據，即從每種類型的樣本中選取2/3的樣本作為訓練數據，剩下1/3的數據作為驗證數據，見表1。

表1 隨機抽樣數據一覽表

下面以抗蝕力級別為1的極弱抗蝕力類型為例，介紹神經網絡的訓練過程。隨機抽樣完成后，對訓練數據和驗證數據進行輸入輸出向量的分離，即1990年的各元胞X坐標、Y坐標、地形地貌、土壤、植被、土地利用、水保措施、鄰近極弱抗蝕力單元個數、鄰近弱抗蝕力單元個數、鄰近中等抗蝕力單元個數、鄰近強抗蝕力單元個數、鄰近極強抗蝕力單元個數作為輸入向量，2004年各元胞X坐標、Y坐標和抗蝕力類型為輸出向量。將訓練數據對應的輸入輸出向量輸入模型，開始LVQ神經網絡的訓練。

將驗證數據提供給上述訓練好的神經網絡，模擬2004年研究區下墊面抗蝕力類型，對比神經網絡的訓練結果和2004年抗蝕力類型的真實結果，得出驗證準確率為86.7%，網絡均方差為0.009 。最終得到各抗蝕力類型神經網絡的性能如表2。

表2 各抗蝕力類型的神經網絡性能

可以看出，由于每個神經網絡的學習能力存在差異，訓練出的網絡性能也不盡相同。極弱抗蝕力、極強抗蝕力、弱抗蝕力類型神經網絡的模擬效果較好，準確率都達到了75%以上，而強抗蝕力和中等抗蝕力類型神經網絡的驗證準確率相對較低，但最低也在70%左右。從整體來看，模型的模擬效果是比較理想的。

3.3 結果分析

對比3個年份的抗蝕力狀況（如圖3）可以看出，1990年至2004年，藍色區域范圍在減少，2004年至2018年，藍色區域進一步減少，而中等和強抗蝕力區域范圍在這3個時段逐漸擴大，這表明，從1990年到2018年岔巴溝流域下墊面抗侵蝕能力呈現逐漸增強的趨勢。

對比各時期下墊面抗蝕力類型的面積（圖4）可以看出，1990～2018年間，岔巴溝流域極弱抗蝕力和弱抗

蝕力類型面積呈減少的趨勢，其中極 弱抗蝕力類型面積從1990年的27.55 km2減少到2018年的2.64 km2，弱抗蝕力類型面積從1990年的53.46 km2減少到2018年的30.8 km2；中等抗蝕力和強抗蝕力類型面積呈增加趨勢，其中強抗蝕力類型面積從1990年的42.33 km2增加到2018年的69.19 km2，中等抗蝕力類型面積從1990年的55.24 km2增加到2018年的73.05 km2；極強抗蝕力類型的面積也呈緩慢增加趨勢，但變化速率明顯低于其他幾種類型，從1990年的26.42 km2增加到2018年的29.32 km2。

4 結 語

分析岔巴溝流域下墊面抗蝕力變化的原因，人類活動對下墊面抗蝕力的影響是十分明顯的，主要體現在植被類型與植被覆蓋度的變化、土地利用與水土保持措施的影響。1990年以前，黃土高原地區生產力水平相對落后，植被破壞嚴重，土地利用不合理，并且經濟水平限制了水土保持措施的建設與實施，土壤侵蝕十分嚴重，下墊面抗蝕力水平極低；90年代以后，政府開始制定合理的土地利用規劃，實施一系列的水土保持措施，包括退耕還林、植樹造林、修建梯田、淤地壩等等，大大提高了流域的下墊面抗蝕力水平。模擬結果顯示，按這種趨勢發展下去，岔巴溝流域的下墊面抗蝕力不斷增強，土壤侵蝕狀況會逐漸得到改善。

[1]Wischmeier W H, Smith D D. Predicting Rainfall - Erosio Losses from Cropland East of the Rocky Mountains [M]. USDA Agricultural Handbook，1965

[2]Regard K G, Foster G R, Weenie G A.Predicting Soil Erosion by Water:A Guide to Conservation Planning with the Revised Universal Soil Loess Equation(RUSLE)[M].USDA Handbook,1997

[3]Laffen J M, Lwonard J L, Foster G R. WEPP a New Generation of Erosion Prediction Technology[J]. Journal of Soil and Water Conservation,1991,46(1):34-38

[4]Chase G C.Fluvial Landsculpting and the Fractal Dimension of Topography[J].Geomorphology, 1992(5):39-57

[5]Luo W,Peronja E,Duffin K, et al.Incorporating Nonlinear Rules in a Web-based Interactive Landform Simulation Model(WILSIM)[J]. Computers & Geosciences, 2006,32(9):1 512-1 518

[6]張永興,歐敏,熊有勝. 基于GEOCA和GIS的土壤侵蝕空間演化模擬[J].西南農業大學學報:自然科學版，2005,27(4):427-431

[7]Yeh A G，Li X．Integration of Neural Networks and Cellular Automate for Urban Planning[J].Geo-spatial Information Science，2004，7(1):6-13

[8]趙睿,塔西甫拉提·特依拜，丁建麗,等. 基于神經網絡的元胞自動機支持下的干旱區LUCC模擬研究——以新疆于田綠洲為例[J].水土保持研究,2007,14(1):151-154

[9]趙晶,陳華根,徐惠平.元胞自動機與神經網絡相結合的土地演變模擬[J].同濟大學學報:自然科學版,2007,35(8):1 128-1 132

[10]邢昱.小流域下墊面抗蝕力評價信息系統應用研究[D]. 開封:河南大學,2008