基于小波神经网络的区域景观生态评价研究

论文摘要

景观是处于生态系统之上、地理区域之下的一种尺度,许多土地利用问题只有在景观尺度上才能得到合理的解释。然而,随着现代工业的发展,人类生活生产与自然环境之间的物质交换仍在以惊人的速度发展。一方面,是过度消耗土地、森林、能源、淡水及其它自然资源的现象,尤其是对动植物可再生资源的开发利用,已使之难以恢复再生,导致生物多样性遭到破坏,珍稀动植物濒临灭绝;另一方面,是向环境排泄的废弃物不断增加,不断恶化生态环境,严重威胁着人类和其它生物的生存。如此种种导致了各种生态问题的出现,主要表现为:自然资源面临枯竭,水土流失严重,土地沙漠化迅速发展,草原退化,森林面积锐减,乱挖滥采、乱捕野生动物,生态环境被严重破坏,生物多样性下降等,这些问题已经成为制约社会经济稳步发展和人类生存的瓶颈,因此随着生态问题的严重性不断加剧,保护景观生态环境逐渐被提上日程。文章在总结已有的景观生态和神经网络的研究基础上,将小波神经网络(WNN)引入景观生态评价领域,开展了基于WNN景观生态评价原理、程序和方法等方面的研究,形成了比较完整、系统的景观生态评价WNN模型的理论与方法体系。具体来讲,本文主要进行了以下几方面的研究:(1)通过对景观生态评价的概念和内容分析,将景观生态评价分为景观生态质量评价、景观脆弱性评价与景观生态风险评价3各方面,并总结了景观生态评价的方法可包括:现场调查专家判断、统计分析法、RS和GIS制图、数学模型方法等。(2)提出了基于WNN景观生态评价的综合指数评价模型,然后提出了该模型的原理和程序。基于WNN景观生态评价可按以下流程进行:①研究区现状调查,②构建评价区域的评价指标体系,③单项分析与评价,④采用WNN模型开展综合评价等4个步骤。(3)根据景观生态状况的内涵,构建了基于WNN景观生态评价指标体系,即包括景观生产力、景观受胁度和景观稳定性,用以描述景观生态系统的生产力、弹性和面临的压力。(4)还提出景观生态评价的小波神经网络(WNN)模型,主要包括构建指标评价体系、应用WNN计算综合风险指数、与评判标准比较等步骤.为研究WNN的准确性和适用性,还可以将其结果与ANN模型模拟结果相对照。然而景观生态系统属于复杂系统,其影响因素也较为复杂,因此,综合风险指数计算除了采用定量模型外,还需要定性分析推理。(5)本文以姜堰市为研究对象,通过景观生态评价的WNN模型,开展了土地可持续利用景观生态评价实证研究。结果表明研究区域可分为5个等级:高持续区,面积占研究区总面积的12.64%;较高持续区,占6.70%;中等持续区,占35.04%;一般持续区,占39.17%;弱持续区,占6.45%,并针对不同的等级提出了管理措施。研究结果也显示,本文提出的一种计算评价土地利用可持续性小波神经元网络拟合模型,并具有快速、准确的优点,其适用性较强。(6)本文还以泰州市辖区为研究对象,应用WNN模型,开展了城市边缘区景观生态评价。研究表明:该模型在很大程度上消除了人为因素的影响,能把影响景观生态的各种因素进行综合考虑,并能够充分利用有关景观生态特征参数的统计数据信息,通过高度的非线性映射,寻求景观生态的综合评价与其影响特征因素之间的隐含的内在机理,增强了所得数据的客观性,从而给出具体的综合评价结果,可为进一步的景观生态管理和建设提供重要的科学依据。(7)本文不仅针对不同等级的提出了保护景观生态环境的对策,还针对研究中发现的主要景观生态问题,提出了相应的政策建议,包括:①合理布局景观;②加强景现多样性保护;③系统建设区域景观廊道;④发挥好农田等绿地系统的作用。

论文目录

• 摘要
• ABSTRACT
• 第1章 导论
• 1.1 问题的提出
• 1.1.1 选题背景
• 1.1.2 研究意义和目的
• 1.2 研究内容与论文结构
• 1.2.1 研究内容
• 1.2.2 论文结构
• 1.3 研究的技术路线与研究方法
• 1.3.1 研究技术路线
• 1.3.2 研究方法
• 1.3.3 研究资料来源
• 1.4 创新与不足
• 1.4.1 可能的创新之处
• 1.4.2 不足之处
• 第2章 文献综述
• 2.1 国内外景观生态研究进展
• 2.1.1 国外景观生态研究现状
• 2.1.2 国内景观生态研究现状
• 2.2 小波神经网络及其在景观生态学中应用研究进展
• 2.2.1 神经网络产生与发展
• 2.2.2 神经网络原理
• 2.2.3 小波分析与神经网络的结合—小波神经网络（WNN）
• 2.3 综合述评
• 第3章 研究的理论基础与基本概念
• 3.1 研究的理论基础
• 3.1.1 景观生态学理论
• 3.1.2 可持续发展理论
• 3.1.3 区域差异理论
• 3.1.4 生态承载力原理
• 3.1.5 生态系统服务功能原理
• 3.2 景观生态评价的有关概念
• 3.2.1 景观定义与景观要素
• 3.2.2 景观生态评价的定义与内涵
• 3.2.3 景观生态格局
• 3.3 小波神经网络（WNN）相关概念
• 3.3.1 人工神经网络（ANN）的概念与原理
• 3.3.2 小波神经网络（WNN）
• 第4章 基于WNN的区域景观生态评价原理
• 4.1 区域景观生态评价的前提—景观生态结构分析
• 4.1.1 景观类型与异质性
• 4.1.2 景观空间结构特征
• 4.1.3 景观破碎化分析
• 4.2 区域景观生态评价内容与类型
• 4.2.1 景观生态质量评价与健康评价
• 4.2.2 城市景观生态评价
• 4.2.3 乡村景观生态评价
• 4.2.4 城乡结合部景观生态评价
• 4.2.5 土地可持续利用景观生态评价
• 4.3 区域景观生态评价方法分类
• 4.4 本章小结
• 第5章 基于WNN的区域景观生态评价方法与程序
• 5.1 模型基础
• 5.2 评价的假定与原则
• 5.2.1 评价的基本假定
• 5.2.2 评价的方法论
• 5.2.3 评价的指导思想
• 5.2.4 评价的基本原则
• 5.2.5 评价的总体思路
• 5.3 基于WNN的区域景观生态综合评价流程
• 5.4 基于WNN的区域景观生态评价指标体系
• 5.4.1 选取评价指标的原则
• 5.4.2 评价指标体系框架
• 5.4.3 评价指标的筛选
• 5.5 综合评价指数与评判标准
• 5.6 本章小结
• 第6章 区域景观生态评价的小波神经网络模型
• 6.1 基于ANN的区域景观生态评价模型
• 6.1.1 人工神经网络概述
• 6.1.2 人工神经网络的基本原理
• 6.1.3 BP神经网络及其算法
• 6.1.4 基于ANN的区域景观生态评价模型的结构
• 6.2 小波神经网络的原理
• 6.2.1 小波分析理论概述
• 6.2.2 小波分析与神经网络结合的途径
• 6.2.3 小波神经网络的分类
• 6.2.4 小波神经网络模型及其学习方法
• 6.3 基于小波神经网络的区域景观生态评价
• 6.3.1 WNN基本原理
• 6.3.2 基本模型
• 6.3.3 应用小波神经网络计算景观生态综合评价指数
• 6.3.4 与评判标准比较
• 6.4 本章小结
• 第7章 实证研究一:基于WNN景观生态评价在土地可持续利用评价中应用
• 7.1 研究区概况
• 7.1.1 地理位置与自然概况
• 7.1.2 行政区划与历史沿革
• 7.1.3 经济社会概况
• 7.1.4 基础设施建设概况
• 7.1.5 土地利用现状与动态
• 7.2 景观生态要素分类
• 7.2.1 景观生态分类的依据和原则
• 7.2.2 姜堰市景观生态分类
• 7.3 姜堰市景观生态结构分析
• 7.4 姜堰市土地可持续利用景观生态评价ANN和WNN模型
• 7.4.1 数据采集
• 7.4.2 评价综合指标体系
• 7.4.3 基于ANN的土地可持续利用景观生态评价
• 7.4.4 基于WNN的土地可持续利用景观生态评价
• 7.4.5 结果比较
• 7.5 姜堰市土地利用景观生态分区与对策
• 7.5.1 区域土地利用景观生态差异成因
• 7.5.2 分区评价
• 7.6 本章小结
• 第8章 实证研究二:基于WNN的城市边缘区景观生态评价
• 8.1 研究区概述
• 8.1.1 地理位置与自然条件
• 8.1.2 社会经济条件
• 8.1.3 景观分类与景观类型图
• 8.2 构建城市边缘区综合评价指标体系
• 8.2.1 构建原则
• 8.2.2 指标体系
• 8.2.3 确定评判标准
• 8.3 评价结果
• 8.4 评价结果分析
• 8.4.1 综合评价结果
• 8.4.2 原因分析
• 8.4.3 城市边缘区景观生态保护及修复对策
• 8.5 本章小结
• 第9章 主要结论与政策建议
• 9.1 本文结论
• 9.2 政策建议
• 参考文献
• 致谢
• 博士期间发表的主要论文