基于元胞自動(dòng)機(jī)的海上溢油擴(kuò)散模擬

彭曉鵑，張亦漢

（l.國(guó)家海洋局南海環(huán)境監(jiān)測(cè)中心，廣東 廣州 510300；2.廣東財(cái)經(jīng)大學(xué) 地理與旅游學(xué)院，廣州 510320）

國(guó)家經(jīng)濟(jì)的高速發(fā)展增加了對(duì)能源的需求，這促使了國(guó)家海洋石油運(yùn)輸和石油開(kāi)采的發(fā)展，也導(dǎo)致了海上溢油事故發(fā)生次數(shù)的增加，尤其是增大了重特大溢油事故的風(fēng)險(xiǎn)（牟林等，2011）。目前，海上溢油是影響國(guó)家的重要環(huán)境問(wèn)題，這類溢油事故在短時(shí)間內(nèi)排入大量的石油到海洋中，對(duì)海洋環(huán)境、海洋生物以及沿海生態(tài)等造成了嚴(yán)重的危害（Ferraro et al，2009；Klemas，2010）。而且這種危害的周期很長(zhǎng)，修復(fù)過(guò)程復(fù)雜（Hoff，1993）。例如：2001年底發(fā)生在西班牙海域的“威望”號(hào)油輪斷裂事件和2010年墨西哥灣的鉆井平臺(tái)溢油事故。根據(jù)調(diào)查與統(tǒng)計(jì)，頻繁發(fā)生的海上溢油事故致使每年有600 萬(wàn)噸石油泄入到海洋中（Shi et al，2008）。因此，許多研究機(jī)構(gòu)相繼開(kāi)展了溢油方面的研究工作，制定一系列的溢油應(yīng)急策略以最大限度地保護(hù)生態(tài)環(huán)境并減少財(cái)產(chǎn)損失。研究表明，準(zhǔn)確地模擬并預(yù)測(cè)溢油的動(dòng)態(tài)變化是制定溢油應(yīng)急對(duì)策和保護(hù)海洋生態(tài)環(huán)境的基礎(chǔ)和前提（Abascal，2009；Klemas，2010）。

溢油動(dòng)態(tài)變化是一個(gè)非常復(fù)雜的過(guò)程，不僅受到氣象、水文和生物等過(guò)程的影響，而且還與石油的性質(zhì)、溢油的深度、溢油速度等密切相關(guān)。傳統(tǒng)的溢油模擬方法主要是采用基于物理過(guò)程和微分方程的數(shù)值模擬，模擬溢油的行為包括漂移、擴(kuò)散、蒸發(fā)、溶解等（Chao et al，2003）。這類方法對(duì)于研究溢油變化的機(jī)理、掌握其演變規(guī)律有重要的作用，但是它們往往比較復(fù)雜且參數(shù)難與獲取（Wang et al，2005）。基于元胞自動(dòng)機(jī)（CA） 溢油模型是一種很好的替代方法，模型可采用多種算法挖掘模型參數(shù)、設(shè)置轉(zhuǎn)換規(guī)則，便可以很好地模擬出全局的溢油變化情況（Karafyllidis，1997； Liu et al，2006）。此外，CA 模型的數(shù)據(jù)結(jié)構(gòu)與地理信息系統(tǒng)（GIS） 中的柵格數(shù)據(jù)模型高度一致，能夠直觀方便地顯示、處理和分析模擬結(jié)果（Li et al，2002）。Karafyllidis（1997） 首先提出用CA 模型構(gòu)建溢油擴(kuò)散模型，在他的模型中，考慮了風(fēng)力、洋流、邊界和蒸發(fā)作用等，其理想實(shí)驗(yàn)與真實(shí)的溢油擴(kuò)散情景是吻合的。Rusinovic 等（2006） 在Karafyllidis 的基礎(chǔ)上著重考慮了溢油的沉降、融解和乳化等作用，并提出了改進(jìn)的溢油CA 模型。Shyue 等（2007） 則用CA 模型模擬了擴(kuò)散、蒸發(fā)和對(duì)流等，模型還考慮了質(zhì)量守恒原理及溢油運(yùn)輸物理過(guò)程。王璐等（2009） 運(yùn)用CA 建立了污染帶擴(kuò)散漂移規(guī)則，對(duì)突發(fā)性水污染事故進(jìn)行了模擬，得出了污染物質(zhì)的漂移軌跡和時(shí)空動(dòng)態(tài)變化。李維乾等（2013） 結(jié)合元胞自動(dòng)機(jī)和智能體并建立了水污染可視化擴(kuò)散模型，運(yùn)用該模型模擬了流域污染物的運(yùn)移擴(kuò)散過(guò)程。

盡管一些學(xué)者嘗試用CA 模型模擬溢油的動(dòng)態(tài)變化，但是采用CA 模型研究溢油變化尚處于起步階段，且已有的溢油CA 研究大多是比較復(fù)雜且參數(shù)（如：元胞間的溢油擴(kuò)散系數(shù)，蒸發(fā)系數(shù)等） 難以獲取。因此，本文提出利用元胞自動(dòng)機(jī)以研究溢油擴(kuò)散情景，元胞自動(dòng)機(jī)彌補(bǔ)了傳統(tǒng)GIS 所不能動(dòng)態(tài)分析的缺陷，能很好地滿足對(duì)溢油演變的模擬需求，為更好地理解溢油演化過(guò)程及機(jī)制提供幫助。本文利用多種算法（如邏輯回歸和決策樹(shù)等） 以挖掘不同的溢油轉(zhuǎn)換規(guī)則，并構(gòu)建了兩個(gè)不同的CA模型——邏輯回歸CA 模型和決策樹(shù)CA 模型。這兩個(gè)模型均非常方便且容易使用，在溢油模擬過(guò)程中只需設(shè)置起始影像、影響因子和模型參數(shù)等便可以模擬溢油的動(dòng)態(tài)變化情況。我們把這兩個(gè)模型應(yīng)用到DeepSpill 項(xiàng)目的溢油模擬實(shí)驗(yàn)中以檢驗(yàn)其模擬效果。

1 模型與數(shù)據(jù)

1.1 元胞自動(dòng)機(jī)及其算法

元胞自動(dòng)機(jī)作為人工生命的理論方法分支，是研究復(fù)雜系統(tǒng)非常方便和有效的工具，具有強(qiáng)大的空間運(yùn)算能力，可有效地模擬復(fù)雜的動(dòng)態(tài)系統(tǒng)。它在計(jì)算機(jī)支持下可以自下而上地對(duì)復(fù)雜自然系統(tǒng)（如城市擴(kuò)張、土地利用變化、景觀演變等） 進(jìn)行模擬、預(yù)測(cè)、優(yōu)化和顯示（Li et al，2011）。本文將運(yùn)用邏輯回歸和決策樹(shù)分別挖掘轉(zhuǎn)換規(guī)則，并構(gòu)建邏輯回歸CA 模型和決策樹(shù)CA 模型。

1.1.1 邏輯回歸CA 模型

邏輯回歸CA 模型最早由Wu（2002） 提出來(lái)的。該方法對(duì)于因變量是二項(xiàng)分類的常量（如溢油區(qū)域，非溢油區(qū)域） 不滿足正態(tài)分布的條件下是非常適用的，還可以利用邏輯回歸技術(shù)對(duì)CA 模型的轉(zhuǎn)換規(guī)則進(jìn)行校正。在溢油CA 模型中，設(shè)定某元胞t+1 時(shí)刻成為溢油元胞的概率為：

其中，r 為 [0，1] 間的隨機(jī)數(shù)，c 為控制隨機(jī)變量大小的參數(shù)，α 為常數(shù)項(xiàng)，bk為影響因子的權(quán)重，xk為影響因子，如離溢油中心的距離，海風(fēng)等。

得出元胞發(fā)展概率后，還要判斷該元胞是否發(fā)展為溢油區(qū)域：

式中：Pthreshold為閾值，其值域范圍一般0～1，γ 為隨機(jī)變量，β=1/K，K 為迭代次數(shù)。

在邏輯回歸CA 中，主要需要運(yùn)用邏輯回歸算法對(duì)訓(xùn)練樣本進(jìn)行訓(xùn)練以確定各個(gè)影響因子（bk）的權(quán)重（bk） 和常數(shù)項(xiàng)（α）。再把權(quán)重和常數(shù)項(xiàng)放入到模型中便可以自下而上地模擬出溢油擴(kuò)散情景。

1.1.2 決策樹(shù)CA 模型

本文還利用決策樹(shù)方法構(gòu)建CA 模型，這種方法對(duì)于知識(shí)獲取困難和不確定的情況下非常實(shí)用（Li et al，2011）。運(yùn)用C5.0 決策樹(shù)生成算法，它是根據(jù)“信息增加的比值”來(lái)決定整個(gè)決策樹(shù)的生成。假設(shè)訓(xùn)練集數(shù)據(jù)為S，共有類別C，數(shù)據(jù)集S的平均信息熵為：

其中，freq（Cj，S）為S 中屬于類別Cj的樣本數(shù)，｜S｜為樣本總數(shù)

把S 分解為n 個(gè)子集（Si），分解后的平均信息熵為；

分解后信息增加值為：

為了防止產(chǎn)生過(guò)多的分解數(shù)目，需要對(duì)進(jìn)行標(biāo)準(zhǔn)化，最終得出信息增加的比值為：

其中：

決策樹(shù)在生成的過(guò)程中，必須滿足熵的減少值達(dá)到最大。運(yùn)用計(jì)算機(jī)反復(fù)尋找最佳分解，便可以生成決策樹(shù)。例如：

規(guī)則1：

如果 土地覆蓋=陸地

則 禁止成為溢油區(qū)域

規(guī)則2

如果 土地覆蓋=海洋

鄰近溢油元胞個(gè)數(shù)>6

離溢油中心小于100 m

則 該中心元胞成為溢油區(qū)域

在決策樹(shù)CA 模型中，需要運(yùn)用決策樹(shù)算法對(duì)訓(xùn)練樣本進(jìn)行訓(xùn)練，以確定最優(yōu)的分割因子和閾值，并生成節(jié)點(diǎn)和對(duì)應(yīng)的子集。再在子集中確定最優(yōu)的分割因子和閾值，并生成節(jié)點(diǎn)和對(duì)應(yīng)的子集，以此循環(huán)直到子集不可再分，便生成了決策樹(shù)。再把決策樹(shù)轉(zhuǎn)成if-then 語(yǔ)句，放入到CA 模型中，便可以自下而上地模擬出溢油擴(kuò)散情景。

1.2 研究區(qū)及其數(shù)據(jù)準(zhǔn)備

2000年6月，以美國(guó)礦業(yè)資源管理局為首的機(jī)構(gòu)聯(lián)合22 個(gè)石油公司共同贊助了“DeepSpill”的大型深海溢油試驗(yàn)研究項(xiàng)目，主要是為了驗(yàn)證溢油模型準(zhǔn)確性、檢驗(yàn)溢油事故的監(jiān)測(cè)設(shè)備以及評(píng)估溢油事故應(yīng)急的安全問(wèn)題。該項(xiàng)目由挪威SINTEF研究所的科學(xué)家Johansen 擔(dān)任項(xiàng)總指揮，于當(dāng)?shù)貢r(shí)間2000年6月27 至29日在北海挪威海域Helland Hansen（北緯65 度00 分，東經(jīng)04 度50分） 進(jìn)行了實(shí)驗(yàn)。實(shí)驗(yàn)中以釋放氮?dú)夂秃Ｋ詸z驗(yàn)設(shè)備，隨后釋放了柴油和天然氣混合物、原油和天然氣混合物、天然氣，并用多種設(shè)備記錄了其溢油過(guò)程（Johansen，2003；廖國(guó)祥，2011）。本文選取“DeepSpill”試驗(yàn)中的柴油和天然氣混合物的擴(kuò)張作為案例，進(jìn)行元胞自動(dòng)機(jī)建模與模擬。

項(xiàng)目收集了來(lái)自Far Grip 監(jiān)測(cè)船上的兩張清晰溢油影像，分別拍攝于6月27日8 點(diǎn)34 分和8 點(diǎn)40 分。通過(guò)解譯可以得出兩個(gè)時(shí)間的溢油范圍（圖1）。其中初始時(shí)刻（8 ∶34） 的溢油范圍作為模型的初始影像，終止時(shí)刻（8 ∶40） 的溢油范圍作為CA 模型的檢驗(yàn)影像，對(duì)比兩期影像還可以發(fā)現(xiàn)溢油主要朝東南方向擴(kuò)張并漂移。

溢油具有由中心向外擴(kuò)張?zhí)卣鳎▓D2a），文中獲取了溢油中心點(diǎn)位置，采用歐幾里德距離得出距離溢油中心點(diǎn)的距離因子（圖2b）。也收集了當(dāng)時(shí)的海風(fēng)和洋流等信息，海風(fēng)東向速度和北向速度分別為4.344 m/s 和9.46 m/s；洋流東向速度和北向速度分別為-2.696 m/s 和8.099 m/s，并將它們投影到溢油擴(kuò)散方向（圖2c 和圖2d）。利用溫鹽深儀器（CTD），還得到了溢油地區(qū)的海水溫度和鹽度分布（表層） 情況（圖2e 和圖2f）。

圖1 溢油范圍圖

圖2 溢油影響因子

文中采用隨機(jī)采樣方法以獲取樣本數(shù)據(jù)，并將樣本分成兩組，訓(xùn)練樣本（用于挖掘CA 的轉(zhuǎn)換規(guī)則） 和測(cè)試樣本（用于檢驗(yàn)規(guī)則的精度）。樣本數(shù)量一般為全區(qū)的20%（Li et al，2002）。通過(guò)使用SPSS 軟件對(duì)訓(xùn)練樣本進(jìn)行邏輯回歸可得到各個(gè)變量的權(quán)重（表1），各變量的置信度均大于95 %（即，α<=0.05）。在表中，可以看到距離因子的權(quán)重為負(fù)值，這表明若距離溢油中心越遠(yuǎn)（值越大），那么成為溢油元胞的概率越小。洋流與海風(fēng)的權(quán)重分別為正值和負(fù)值，表明洋流的擴(kuò)散方向（向東南） 與溢油的擴(kuò)散方向一致，而海風(fēng)的擴(kuò)散方向（向西南） 與溢油方向不一致。鹽度、溫度和常數(shù)項(xiàng)的正負(fù)往往具有較大的不確定性，這主要是因?yàn)閰^(qū)域內(nèi)最大最小鹽度與溫度的變化幅度非常小，分別為0.07 與0.08，而訓(xùn)練樣本的微小差別足以改變鹽度與溫度的權(quán)重正負(fù)。而常數(shù)項(xiàng)則起到平衡作用，要使得各個(gè)變量與權(quán)重的乘積和加上常數(shù)項(xiàng)的結(jié)果在一定的范圍內(nèi)（約14.5），因此常數(shù)項(xiàng)的變化往往也比較大。對(duì)這些權(quán)重進(jìn)行檢驗(yàn)，即把這些權(quán)重應(yīng)用到測(cè)試樣本中。實(shí)驗(yàn)發(fā)現(xiàn)，測(cè)試精度達(dá)到88.1 %，滿足模型的模擬要求（Li et al，2004）。而對(duì)決策樹(shù)挖掘的規(guī)則進(jìn)行檢驗(yàn)，我們發(fā)現(xiàn)其測(cè)試精度達(dá)到了88.5 %，置信度也大于95 % （即，α<=0.05），同樣滿足后續(xù)模擬的要求。

表1 影響因子的權(quán)重

圖3 模擬結(jié)果

2 結(jié)果與分析

2.1 參數(shù)設(shè)置與模擬結(jié)果

文中設(shè)定模型的起始影像為8 點(diǎn)34 分的溢油范圍。模型的影響因子分別為距離因子、海面風(fēng)場(chǎng)、洋流、溫度和鹽度（圖2），各個(gè)因子的權(quán)重如表1 所示。設(shè)定模擬結(jié)果與8 點(diǎn)40 分的溢油范圍相等時(shí)模型便停止模擬，模型的模擬結(jié)果如圖3所示。

從圖3（a） 和圖3（d） 可以，模擬結(jié)果是鄰域擴(kuò)張的結(jié)果，并沒(méi)有出現(xiàn)“飛地”或者“島”的形狀，這主要是因?yàn)樵詣?dòng)機(jī)的模擬規(guī)則決定的。從公式（1） 可知，若某一元胞的鄰域中沒(méi)有溢油元胞的存在，那么鄰域函數(shù)值和元胞發(fā)展概率均為0，因此不會(huì)成為溢油元胞。從圖3（b） 與圖3（e） 中可知，模擬結(jié)果顯現(xiàn)出橢圓狀，與初始狀態(tài)相比有較大的變化。而且模擬結(jié)果的中心位置已偏離了初始影像的中心位置，這表明溢油受到海風(fēng)和洋流的影響產(chǎn)生了漂移。而從圖3（c） 和圖3（f） 則可以看出，模擬結(jié)果與驗(yàn)證結(jié)果的吻合程度是相當(dāng)高的，其模擬結(jié)果與真實(shí)的結(jié)果非常相近。

文中通過(guò)混淆矩陣計(jì)算了邏輯回歸CA 模型和決策樹(shù)CA 模型的模擬精度（表2）。從表中可知，在邏輯回歸CA 模型和決策樹(shù)CA 模型中，對(duì)于非溢油元胞的模擬結(jié)果，其精度分別為97.7 %和97.8%。但是，這個(gè)精度往往與研究區(qū)域的大小有關(guān)系。若研究區(qū)域較大，而溢油區(qū)域較小，那么該精度也會(huì)很高。而在溢油元胞的模擬結(jié)果中，兩個(gè)模型的模擬精度分別為91.6%和92.1%。該指標(biāo)能夠很好地反映模擬結(jié)果中變化部分的精度水平。對(duì)于整個(gè)研究區(qū)，兩個(gè)模型的模擬總精度可達(dá)到96.4%與96.6%。文中也引入了整體對(duì)比方法中一個(gè)常用的指標(biāo)——Kappa 系數(shù)。該指標(biāo)常常是用來(lái)評(píng)價(jià)遙感圖像的分類精度問(wèn)題，是評(píng)價(jià)分類圖像和實(shí)地調(diào)查結(jié)果一致性的指標(biāo)。實(shí)驗(yàn)可知，兩個(gè)模型的模擬結(jié)果的kappa 系數(shù)達(dá)到0.89 以上，表明基于元胞自動(dòng)機(jī)的溢油模擬結(jié)果均與實(shí)際情況很吻合。

表2 模擬精度及kappa 系數(shù)

2.2 溢油預(yù)測(cè)與分析

根據(jù)溢油的擴(kuò)散方程（莊學(xué)強(qiáng)等，2007），我們計(jì)算出溢油的擴(kuò)散面積，并把擴(kuò)散面積作為結(jié)束條件。然后分別運(yùn)用邏輯回歸和決策樹(shù)CA 模型對(duì)溢油范圍進(jìn)行了預(yù)測(cè)，分別預(yù)測(cè)溢油10 min（圖4a、圖4d）、30 min（圖4b、圖4e） 和60 min（圖4c、圖4f） 的情景。從圖中可以看出，3 個(gè)時(shí)間段的溢油范圍均有明顯向東南方向擴(kuò)張的趨勢(shì)。隨著時(shí)間推移，溢油范圍不斷擴(kuò)大。在溢油擴(kuò)散30 min后，溢油的擴(kuò)散行為有向南擴(kuò)散的趨勢(shì)，特別是決策樹(shù)CA 模型。這主要是受到海風(fēng)與洋流的影響。當(dāng)模擬到60 min 后，溢油的范圍更大，呈現(xiàn)出中心擴(kuò)散趨勢(shì)，特別是邏輯回歸CA 模型。這主要是由溢油CA 模型的轉(zhuǎn)換規(guī)則決定的，根據(jù)公式（1）元胞成為溢油元胞的概率與鄰域的溢油元胞個(gè)數(shù)成正比。模擬到60 min，許多非溢油區(qū)域已被溢油元胞包圍，相比模擬初始階段（鄰域中只有較少溢油元胞），它們成為溢油元胞的概率顯著增加。

2.3 分析與討論

在模擬效果上，我們對(duì)比了決策樹(shù)CA 模型與邏輯回歸CA 模型的精度與kappa（表2），可以發(fā)現(xiàn)決策樹(shù)CA 模型總精度和Kappa 系數(shù)分別為96 %與0.899，均比邏輯回歸都略微高一點(diǎn)，但是兩者沒(méi)有非常明顯的差距。根據(jù)Li 和Yeh（2004）研究，決策樹(shù)CA 模型在模擬效果上會(huì)顯著地高于邏輯回歸CA 模型。在本研究中，兩者屬地明顯主要是因?yàn)槟M時(shí)間較短、轉(zhuǎn)換量少，兩個(gè)模型的都能夠較好的挖掘出合適的規(guī)則，因此兩個(gè)模型的模擬效果都非常好。

在獲取轉(zhuǎn)換規(guī)則上，邏輯回歸CA 模型通過(guò)運(yùn)用邏輯回歸算法得出各個(gè)影響因子的權(quán)重（如表1），代入到模型中然后進(jìn)行模擬。這種方法非常容易實(shí)現(xiàn)，但是其轉(zhuǎn)換規(guī)則仍然是隱藏的。決策樹(shù)CA 模型的優(yōu)點(diǎn)是能從大量的空間數(shù)據(jù)中自動(dòng)獲取明確的轉(zhuǎn)換規(guī)則，無(wú)需使用數(shù)學(xué)表達(dá)式來(lái)定義轉(zhuǎn)換規(guī)則，并能在生成轉(zhuǎn)換規(guī)則的同時(shí)對(duì)模型自動(dòng)進(jìn)行糾正。該模型能夠很好地解決從眾多空間變量時(shí)獲取參數(shù)值比較困難的問(wèn)題。

在樣本要求上，兩者均不要求訓(xùn)練樣本分布是否是服從正態(tài)分布，對(duì)于其它CA 模型（如：多準(zhǔn)則CA） 具有更強(qiáng)的適應(yīng)能力。邏輯回歸CA 模型在對(duì)樣本進(jìn)行訓(xùn)練時(shí)，一定會(huì)考慮各個(gè)影響因子對(duì)模型的影響，而且每個(gè)因子的權(quán)重都會(huì)有具體的值（如表1）。對(duì)于影響比較少，或者沒(méi)有影響的因子依然會(huì)有相應(yīng)的值。但是本文的決策樹(shù)CA 模型能夠很好地把影響小的因子（鹽度和溫度） 自動(dòng)去除，同時(shí)也可以采用設(shè)置相關(guān)的修剪比例（本文設(shè)置為5%），使得決策樹(shù)CA 模型具有更好的泛化能力，避免過(guò)度擬合。

圖4 溢油范圍的預(yù)測(cè)

在因子選擇上，邏輯回歸CA 模型一般情況下需要進(jìn)行因子相關(guān)分析。由于模擬的因子間往往有相關(guān)性，在進(jìn)行模擬前可以進(jìn)行運(yùn)用主成分分析或者因子分析等技術(shù)進(jìn)行因子篩選。但決策樹(shù)CA 模型卻不需要進(jìn)行因子分析等，決策樹(shù)CA 模型中能夠很好地對(duì)影響因子進(jìn)行分析，并在構(gòu)建決策樹(shù)時(shí)直接除去。在因子選擇上，決策樹(shù)CA 模型具有更強(qiáng)的適應(yīng)能力，能夠很好地去除影響小的相關(guān)因子。

在適用范圍上，邏輯回歸CA 模型能夠得出數(shù)學(xué)上的模型參數(shù)，能夠很好的描述模型的因子權(quán)重大小，模型對(duì)于模擬一般地理過(guò)程具有較強(qiáng)的適應(yīng)能力。但是對(duì)于復(fù)雜的地理過(guò)程，決策對(duì)CA 模型卻能夠更好地表達(dá)，主要是因?yàn)闆Q策樹(shù)CA 模型在復(fù)雜的數(shù)據(jù)中迅速、準(zhǔn)確地挖掘出顯式的轉(zhuǎn)換規(guī)則，為準(zhǔn)確地模擬地理過(guò)程提供保障。但是在使用決策樹(shù)算法進(jìn)行挖掘CA 模型的轉(zhuǎn)換規(guī)則時(shí)仍然要注意，需要用連續(xù)的決策樹(shù)算法（如C5 等） 對(duì)連續(xù)數(shù)據(jù)進(jìn)行挖掘。若用非離散的決策樹(shù)算法（ID3）則有可能會(huì)因?yàn)閷?shí)際模擬數(shù)據(jù)超過(guò)訓(xùn)練樣本離散邊界而導(dǎo)致模擬結(jié)果不理想。

3 結(jié)論

目前，已有的溢油CA 研究大多是非常復(fù)雜且參數(shù)獲取困難，難以滿足溢油應(yīng)急快速響應(yīng)的要求。文中使用元胞自動(dòng)機(jī)、邏輯回歸和決策樹(shù)等構(gòu)建了邏輯回歸CA 模型和決策樹(shù)CA 模型，并把這兩個(gè)模型分別模擬了“Deepspill”中的海上溢油情景。從使用方面上看，邏輯回歸CA 模型和決策樹(shù)CA 模型能夠很方便地獲取模型參數(shù)，而且對(duì)模型的影響因子等沒(méi)有非常嚴(yán)格的要求。這兩個(gè)CA 模型只需要通過(guò)設(shè)置起始影像，影響因子和權(quán)重等參數(shù)，便可以方便地模擬出溢油的時(shí)空變化過(guò)程。實(shí)驗(yàn)表明使用決策樹(shù)CA 模型的模擬結(jié)果總精度高達(dá)96.6%，Kappa 系數(shù)高達(dá)0.899。而邏輯回歸CA 模型的模擬結(jié)果模擬精度也高達(dá)到了96.4%，Kappa系數(shù)達(dá)到0.893。通過(guò)對(duì)比兩個(gè)模型，還發(fā)現(xiàn)決策樹(shù)CA 模型是能從空間數(shù)據(jù)中獲取明確的轉(zhuǎn)換規(guī)則，突破了傳統(tǒng)CA 模型只能用數(shù)學(xué)表達(dá)式定義轉(zhuǎn)換規(guī)則局限。此外，該模型能夠通過(guò)自動(dòng)修剪功能等很好地自動(dòng)去除影響小的因子，使得決策樹(shù)CA模型具有很強(qiáng)的泛化能力。由于對(duì)訓(xùn)練樣本、因子選擇的限制少且能夠在復(fù)雜的數(shù)據(jù)中迅速、準(zhǔn)確地挖掘出轉(zhuǎn)換規(guī)則，決策樹(shù)CA 模型具有很強(qiáng)的適應(yīng)能力。因此認(rèn)為基于智能算法的溢油CA 模型能夠更能夠滿足溢油快速響應(yīng)的要求。

邏輯回歸CA 模型和決策樹(shù)CA 模型可以模擬溢油的擴(kuò)散過(guò)程和漂移，但并沒(méi)有考慮溢油消失過(guò)程。因此，下一步研究工作，將對(duì)模型進(jìn)行改進(jìn)使得其能模擬蒸發(fā)、沉降等溢油行為以適應(yīng)溢油模擬研究。

Abascal A, Castanedo S, Mendez F J, et al, 2009. Calibration of a Lagrangian transport model using drifting buoys deployed during the Prestige oil spill.Journal of Coastal Research,80-90.

Chao X B,Shankar N J,Wang S Y,2003.Development and application of oil spill model for Singapore coastal waters. Journal of Hydraulic Engineering,129(7):495-503.

Ferraro G,Meyer Roux S,Muellenhoff O,et al,2009.Long term monitoring of oil spills in European seas. International Journal of Remote Sensing,30(3):627-645.

Hoff Z,1993.Bioremediation:an overview of its development and use for oil spill cleanup.Marine Pollution Bulletin,26:476-481.

Johansen ?,Rye H,Cooper C,2003.DeepSpill--field study of a simulated oil and gas blowout in deep water. Spill Science & Technology Bulletin,8(5):433-443.

Karafyllidis I,1997.A model for the prediction of oil slick movement and spreading using cellular automata.Environment international,23(6):839-850.

Klemas V,2010.Tracking oil slicks and predicting their trajectories using remote sensors and models: case studies of the Sea Princess and Deepwater Horizon oil spills.Journal of Coastal Research,789-797.

Li X,Chen Y M,Liu X P, et al,2011.Concepts,methodologies,and tools of an integrated geographical simulation and optimization system.International Journal of Geographical Information Science, 25(4):633-655.

Li X,Yeh A G O,2004.Data mining of cellular automata′s transition rule.International Journal of Geographical Information Science, 18(8):723-744.

Li X,Yeh A G O,2002.Integration of principal components analysis and cellular automata for spatial decisionmaking and urban simulation.Science in China,Ser.D,45(6):521-529.

Li X, Yeh A G O, 2002. Neural-network-based cellular automata for simulating multiple landuse changes using GIS. International Journal of Geographical Information Science,16(4):323-343.

Liu X P,Li X,Liu L,et al,2008.A bottom-up approach to discover transition rules of cellular automata using ant intelligence.International Journal of Geographical Information Science,22(11):1247-1269.

Ru?inovi? Z, Bogunovi? N, 2006. Cellular automata based model for the prediction of oil slicks behavior.

Shi L J,Ivanov A Y,He M X,et al,2008.Oil spill mapping in the western part of the East China Sea using synthetic aperture radar imagery.International Journal of Remote Sensing,29(21):6 315-6 329.

Shyue S W,Sung H C,Chiu Y F,2007.Oil spill modeling using 3D cellular automata for coastal waters.International Society of Offshore and Polar Engineers.

Wang S D,Shen Y M,Zheng Y H,2005.Two-dimensional numerical simulation for transport and fate of oil spills in seas.Ocean Engineering,32(13):1556-1571.

Wu F,2002.Calibration of stochastic cellular automata:the application to rural-urban land conversions.International Journal of Geographical Information Science,16（8）:795-818.

李維乾，解建倉(cāng)，李建勛，等，2013.基于元胞自動(dòng)機(jī)與智能體的水污染可視化模擬仿真.西北農(nóng)林科技大學(xué)學(xué)報(bào)（自然科學(xué)版），41（3）：213-220.

廖國(guó)祥，楊建強(qiáng)，高振會(huì)，2011.深海環(huán)境中溢油輸移擴(kuò)散的初步數(shù)值模擬.海洋通報(bào)，30（6）：707-712.

牟林，鄒和平，武雙全，等，2011.海上溢油數(shù)值模型研究進(jìn)展.海洋通報(bào)，30（4）：473-480.

王璐，謝能剛，李銳，等，2009.基于元胞自動(dòng)機(jī)的水體污染帶擴(kuò)散漂移仿真.水利學(xué)報(bào)，40（4）：481-485.

莊學(xué)強(qiáng)，陳堅(jiān)，孫倩，2007.海面溢油數(shù)值模擬及其可視化實(shí)現(xiàn)技術(shù).中國(guó)航海，1：97-100.