基于SFLA-M-L模型的景觀格局優化研究

張啟斌 岳德鵬 方敏哲 張 耘 李 倩 馬 歡

(1．北京林業大學精準林業北京市重點實驗室，北京100083;2．北京聯合大學應用科技學院，北京102200; 3．北京林業大學林學院，北京100083)

基于SFLA-M-L模型的景觀格局優化研究

張啟斌1岳德鵬1方敏哲1張 耘2李 倩3馬 歡1

(1．北京林業大學精準林業北京市重點實驗室，北京100083;2．北京聯合大學應用科技學院，北京102200; 3．北京林業大學林學院，北京100083)

以內蒙古自治區巴彥淖爾市磴口縣為研究區，基于混合蛙跳算法，耦合邏輯回歸與馬爾可夫模型構建了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、歸一化植被指數與當前景觀分布進行了景觀適宜性分析;利用Markov模型，構造了縣域景觀轉移概率矩陣。利用景觀適宜性指數和景觀聚集度指數構造目標函數，以景觀轉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化。優化結果中，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移超出轉移概率矩陣控制僅4.66 km2，確保了優化結果的合理性。

景觀格局優化;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，它決定著資源和環境在空間的分布形式，對多種生態過程產生重要影響［1－3］。景觀格局優化是指在充分理解格局和過程間耦合關系的基礎上，通過調整優化各景觀類型斑塊的空間分布和數量，使其達到最大的生態效益［4－5］。概念模型、數學模型、GIS技術等是景觀格局優化的常用方法，然而景觀格局優化涉及到的柵格空間數據具有像元數量多、計算量大的特點，上述方法已經難以滿足景觀格局優化對于高性能計算的要求。針對這一問題，眾多學者將智能優化算法與GIS空間處理技術相結合，構建智能景觀格局優化模型［6－8］。

混合蛙跳算法已經在眾多領域的優化問題中得到應用，如路徑規劃問題、復雜產品裝配序列問題、Web用戶聚類問題等。在景觀格局優化領域，郭小燕等［9－12］將混合蛙跳算法用于土地利用優化問題，以生態系統服務功能值和土地利用格局緊湊度為目標函數對蘭州市的土地利用格局進行了優化，取得了較好的研究結果。然而單獨的混合蛙跳算法在進行景觀格局優化時，不能充分考慮研究區的具體生態環境特點，傳統景觀格局優化方法中的地形、水文、生態等因子均未在優化過程中體現。因此在混合蛙跳算法的基礎上耦合其他模型，充分考慮多種因子進行景觀格局優化具有實際意義。

本文以內蒙古自治區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建SFLA-M-L(Shuffled frog leaping algorithm-Markovlogistic regression)模型，實現對景觀格局優化模型的改進。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移進行上限控制，使景觀格局優化結果更貼近研究區實際情況。

1 SFLA-M-L模型構建

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

1.1 模型關鍵技術

1.1.1 定義解空間與青蛙個體

以景觀格局柵格數據為數據源進行景觀格局優化，設柵格數據有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產生F只青蛙(即F種解)生成初始種群，景觀格局柵格數據中的像元依次排列，構成青蛙的基因，第i只青蛙表示問題的第i個解，其數學表示為

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，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 適應度函數建立

適應度函數確定了種群中每只青蛙的優劣，控制著種群的進化方向［14］。景觀破碎化阻礙物種間的物質交流，減小物種生存空間，改變生態系統特性，影響系統內的能量平衡和物質流動，加劇物種入侵等，因此本文在適應度函數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，確保土地利用優化結果的現實意義［17］。本文利用聚集度指數與土地利用適宜性共同判定每只青蛙的適應度，適應度函數的具體形式為

式中 F——適應度

WA——聚集度指數指標權重

WP——景觀適宜性指數指標權重

A——某只青蛙所代表的景觀格局優化方案的景觀聚集度指數

Pij——某只青蛙在(i，j)處的基因所對應的景觀格局適宜性指數

D——景觀格局柵格數據中的像元個數

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、歸一化植被指數等)，回歸的結果為對應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。

1.1.3 子群體劃分方法

利用1.1.2節中的適應度函數判定初始種群中每只青蛙的適應度，將青蛙個體按照適應度從優到劣排序，將整個青蛙種群劃分為M個子群體，將適應度排名與青蛙的子群體數相除，按照相除所得的余數劃分子群體范圍:將余數為1的青蛙分入第1子群體，余數為2的青蛙分入第2子群體，依次類推，將余數為M－1的青蛙分入第M－1子群體，將余數為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，首先確定群組內的最優青蛙Xb，最差青蛙Xw，全局最優青蛙Xg，通過對當前子群體中最差個體進行更新與變異操作實現對整個群體的優化。

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，子群體內的最差青蛙Xw向群體內或子群體內最優青蛙Xb學習，學習時采用隨機替換算子，系統首先產生隨機數e、c、h、f，其中e、h∈(1，m)，c、f∈(1，n)，在景觀格局柵格數據中定位坐標為(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，截取學習目標青蛙Xb在該范圍內的基因信息，并用其替換當前子群體內最差青蛙Xw對應范圍的基因，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

根據適應度函數進行判定，當子群體內的最差青蛙Xw經過更新操作并沒有得到更好的適應度時，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，則突變為該類型完成變異操作;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。判斷該變異發生后，景觀轉移的面積是否超過景觀格局轉移概率矩陣的控制，若沒有超過，則該變異實際上發生，否則，該變異實際上不發生。

1.2 模型優化步驟

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

(1)生成初始青蛙種群，確定算法參數

為避免隨機生成青蛙導致的盲目搜索，本研究以研究區2016年的景觀格局柵格數據為基礎，對其進行1.1.4節中的變異操作，生成初始種群，并按照1.1.3節所述方法劃分青蛙子群體。本研究種群中共產生1 000只青蛙，生成子群體10個，每個子群體內有100只青蛙，算法迭代次數設置為1 000次，聚集度指數A與土地利用適宜度P的權重均設置為0.5。

(2)劃分子群體及子群體內局部搜索

按照1.1.3節中所述方法劃分子群體，組內最差青蛙Xw通過1.1.4節中的更新與變異操作向組內最優青蛙或全局最優青蛙Xb學習，子群體內一次完整的搜索過程如圖3所示，一次搜索完成后，對子群體內的青蛙進行重新排序，確定新的組內最優青蛙和最差青蛙，開始下一次搜索，直到達到局部搜索次數停止搜索。

圖3 子群體內部搜索Fig．3 Diagram of sub-group search

(3)全局搜索

當每個子群體均完成局部搜索后，將每個子群體內的青蛙合并重新進行1.1.3節中所述的子群體劃分過程，使得子群體內的基因信息得到全局交換，之后再進行局部搜索。當全局優化完成規定的迭代次數后，輸出此時的全局最優解作為最終的景觀格局優化結果。

(4)限制條件

為防止沙漠化進程、減少水土流失，并充分考慮數據可得性，根據《水土保持工作條例》等政策法規，設置約束條件如下: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生變異。

(5)優化結果輸出

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

圖4為模型的整體流程。

圖4 模型優化步驟Fig．4 Model optimization procedure

2 模型案例研究

圖5 研究區位置Fig．5 Location of study area

2.1 研究區概況

磴口縣位于內蒙古自治區巴彥淖爾市，地處106°10'～107°10'E、40°10'～40°57'N，位于內蒙古自治區西南部，如圖5所示。磴口縣縣域西側為狼山山脈，東側為黃河，北側為河套平原，南側部分為烏蘭布和沙漠。縣域內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，生態區位極為關鍵［18］。縣域大陸性氣候特征顯著，降水稀少(144.5mm)，蒸發強烈(2 397.6 mm)，年均風速3m/s，風蝕強烈，土地沙化風險較高。近年來磴口縣景觀格局發生了較大變化，景觀破碎化、景觀空間分布的不合理是該區域當前面臨的突出問題之一［19－20］。

2.2 數據來源與處理

本研究涉及的景觀格局數據來自磴口縣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，由地理空間數據云下載，網址為http:∥www．gscloud．cn/。本研究景觀格局分類體系根據《生態環境狀況評價技術規范》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。影像分類與預處理借助ENVI 5.2軟件完成。

高程與坡度數據同樣來自地理空間數據云(http:∥www．gscloud．cn/)，下載后經裁剪拼接制成。地下水埋深數據通過磴口縣境內103個常年觀測井的實測數據經空間差值得到。干旱度指數由中國林科院沙林中心所測的多年平均蒸發量和多年平均降水量作比制成，歸一化植被指數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、歸一化植被指數與當前景觀分布，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如圖6所示。

圖6 景觀適宜性指數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，當前山體的空間分布范圍內，景觀適宜性指數達到100%，在當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較高，部分地區達到100%，而縣域中部僅有少數地區達到了50%。林地景觀在當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區域出現了較為明顯的斷裂，適宜性突然降低，這主要是由于該地區地勢平坦，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，適宜性指數最高處達到64%，在縣域中部水源較為豐富地區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，但是其適宜性指數普遍較低，最高處為35%。水體的景觀適宜性指數為研究區最低，在黃河流經地區為28%，這與水體面積較小有關。

2.4 景觀轉移概率分析

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

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

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

2.5 基于SFLA-M-L模型的景觀格局優化

本研究以磴口縣2016年的景觀格局分布圖為基礎數據(圖7a)，按照1.2節中描述的算法，在．net平臺下調用arc Objects組件，利用C#編寫程序，對研究區的景觀格局進行了優化，優化結果如圖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基于混合蛙跳算法構建 SFLA-AI(Shuffled frog leaping algorithmaggregation index)模型進行研究區的景觀格局優化，結果如圖7c所示。

圖7 模型優化結果對比Fig．7 Optimization results comparison

圖8 景觀格局優化結果各指標對比Fig．8 Indices comparison of landscape pattern optimization results

通過對優化結果的目視觀察可知，2種優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2016年景觀格局分布及2種優化結果的景觀聚集度指數、平均景觀適宜性指數、超出轉移概率矩陣控制的轉移面積進行計算，結果如圖8所示。由圖8可知，SFLA-M-L模型優化結果的景觀聚集度指數為96.71%，SFLA-AI模型的景觀聚集度指數為96.95%，2種優化結果不存在明顯區別，相比優化前的90.28%都有明顯提高。對2種模型優化結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分別為76.33%與 96.23%，而優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種優化結果中超出轉移概率矩陣的轉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模型的模擬結果中超出了34.52 km2，其中建筑用地向林地的轉移超出轉移概率矩陣13.59 km2，與轉移概率矩陣控制面積相差較大。優化結果中某幾種景觀類型間過大的轉移面積將導致優化結果與縣域實際情況相差過遠，使景觀格局優化方案的實施面臨困難，因此在優化算法中加入景觀格局轉移概率矩陣的控制十分必要。

3 結論

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

(2)選取典型荒漠綠洲交錯區內蒙古自治區巴彥淖爾市磴口縣為研究區，利用SFLA-M-L模型對研究區景觀格局進行了優化。為研究SFLA-M-L模型的優化效果，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建SFLA-AI模型，再次進行了景觀格局優化。對2種模型的模擬結果進行對比可知，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模型的優化結果有更高的景觀適宜性指數(96.23%)，且景觀轉移面積幾乎未超過景觀轉移概率矩陣的控制，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．區域生態安全格局優化研究進展［J/OL］．農業機械學報，2017，48(2):1－10．http:∥www．jcsam．org/jcsam/ch/reader/view_abstract．aspx?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技術支持下的北京西北地區景觀格局優化［J］．地理學報，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，常禹，胡遠滿，等．景觀格局優化研究進展［J］．生態學雜志，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化［J］．自然資源學報，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景觀格局優化研究——以成都市龍泉驛區為例［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測研究［J/OL］．農業機械學報，2016，47(3): 278－285．http:∥www．j-csam．org/jcsam/ch/reader/view_abstract．aspx?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與交通結構的組合優化［J］．上海交通大學學報，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，劉學錄，王聯國．基于混合蛙跳算法的土地利用格局優化［J］．農業工程學報，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．遺傳算法中適應度函數的改進［J］．機械設計與制造，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，江澤平，等．景觀破碎化對生物多樣性的影響［J］．林業科學研究，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］．生態學雜志，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用［J］．工程地質學報，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］．生態科學，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．林業生態工程建設對磴口縣景觀格局演變及重心遷移的影響［J］．浙江農業學報，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模型的生態用地擴張模擬研究［J/OL］．農業機械學報，2016，47(9):285－293．http:∥www．j-csam．org/jcsam/ch/reader/view_abstract．aspx?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技術在生態環境中的應用研究，E-mail:bin0538@outlook．com

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

10．6041/j．issn．1000-1298．2017．07．020