４中山大学学报（自然科学版）第４９卷图２ＧｅｏＳＯＳ１．２系统界面及主要功能Ｆｉｇ．２ＳｙｓｔｅｍＵＩｏｆＧｅｏＳＯＳ１．２提供有关的优化功能，其普遍使用的选址功能无法产生最优的方案，特别是针对点、线和面的优化。
生态保护区的划分涉及面状地物的优化，属于典型的高维空间的ＮＰ优化难题。
通过改进蚁群算法（ＡＣＯ），ＧｅｏＳＯＳ提供了有效的面积优化模块，为生态保护区的划定提供了一种十分方便的工具。
在城市化迅速的地区，生态保护区的划定还需要考虑到城市增长的需要，要适当的给城市发展预留一定的空间。
有必要将城市模拟与面积优化两者耦合起来，这种基于动态的优化方案将比静态的优化方案更有优势。
本生态保护区优化生成包括２个步骤：①模拟出规划期间可能的城市扩张情况，将其作为下一步优化的因素之一；②利用ＧｅｏＳＯＳ中的ＡＣＯ面优化模块寻找最优的生态保护区方案。
以东莞的生态保护区生成为例，即需要从空间上最优地找到满足一定面积总量的保护区分布位置。
根据规划要求，东莞的城市用地、生态用地和后备用地的总量比例为４：４：２，故需要从该市选择８８０ｋｍ２土地作为生态保护区。
优化模型所用到ｇｒｉｄ数据的大小为１９３×１３３，分辨率为４００ｍ。
首先采用逻辑回归ＣＡ模拟城市扩张的情况，步骤如下：①点击【逻辑回归ＣＡ】，系统将打开向导页；②直接点击【下一步】进行训练数据设置。
选择时间１和时间２的遥感分类数据，作为城市扩张的因变量，并定义影响城市扩张的空间自变量（图３）。
设置训练数据随机抽样的比例。
系统将根据逻辑回归方法自动获取ＣＡ模型的参数；③进一步设置有关模拟的约束参数，例如以转换总量控制模拟的终止条件，最终获得东莞城市扩张的模拟结果（图４）图３定义逻辑回归ＣＡ模型的空间变量Ｆｉｇ．３ＤｅｆｉｎｉｎｇｓｐａｔｉａｌｖａｒｉａｂｌｅｓｆｏｒｉｍｐｌｅｍｅｎｔｉｎｇＬｏｇｓｔｉｃ－ＣＡ图４东莞城市扩张的模拟结果Ｆｉｇ．４ＳｉｍｕｌａｔｉｏｎｏｆｕｒｂａｎｅｘｐａｎｓｉｏｎｏｆＤｏｎｇｇｕａｎ然后根据城市模拟的结果，进行基于蚁群优化的生态保护区划定。
在蚁群优化每一步的迭代中，一个蚂蚁选择栅格的依据是目标函数。
本目标函数包括了２部分：生态保护适宜性和紧凑性。
其中，紧凑性保证所产生的生态保护区具有一定的连续性。
目标函数的公式如下：ＧｏａｌＦｕｎｃｔｉｏｎ＝ＥｃｏＳｕｉｔａｂｌｅ×Ｃｏｍｐａｃｔｎｅｓｓ（１）其中，ＧｏａｌＦｕｎｃｔｉｏｎ为目标函数，ＥｃｏＳｕｉｔａｂｌｅ为生态保护区适宜性，Ｃｏｍｐａｃｔｎｅｓｓ为紧凑性。
需要定义具体的生态保护适宜性函数ＥｃｏＳｕｉｔａｂｌｅ。
本文考虑生态保护区的影响因子有城市发展适宜性ＵｒｂａｎＳｕｉｔａｂｌｅ，归一化差异植被指数ＮＤＶＩ，改进的归一化差异水体指数ＭＮＤＷＩ，城市发展密度ＵｒｂａｎＤｅｎｓｉｔｙ，地形起伏度ＲｅｌｉｅｆＡｍｐｌｉ－ｔｕｄｅ（物种多样性），ＮＤＶＩ在一个移动窗口内的差异（植被多样性）。
打开自定义适宜性窗口（图５），单击“＋”按钮，添加上面所述的空间数据，第４期黎夏等：地理模拟优化系统ＧｅｏＳＯＳ软件构建与应用５图５在窗口输入适宜性函数的数学表达式Ｆｉｇ．５Ｄｅｆｉｎｉｎｇｆｏｒｍｕｌａｆｏｒｔｈｅｓｕｉｔａｂｉｌｉｔｙｏｆｅｃｏｌｏｇｉｃａｌｐｒｏｔｅｃｔｉｏｎ并对每个因子分别给予不同的权重。
在窗口输入适宜性函数的数学表达式：Ｓ“ｉｆ口６ｉＺｉ￡ｙＦ“凡ｃｔｉＤｎ＝０．１５９×（１一ＵｒｂａｎＳｕｉｔａｂｌｅ）＋０．２１４ｘＮＤＶＩ＋０．２１４×ＭＮＤＷｌ＋０．１３８ｘｒｅｌｉｅｆａｍｐｌｉｔｕｄｅ＋０．１３８×ＮＤｖｆｓｔｄ＋０．１３７×（１一ＵｒｂａｎＤｅｎｓｉｔｙ）（２）单击“确定”按钮执行适宜性计算，并返回模块主界面设置ＡＣＯ参数。
需要得到的生态保护区为８８０×１０６÷（４００×４００）＝５５００个栅格。
选择“紧凑性”并开始运行面优化模型。
图６为基于ＡＣＯ模型的生态保护区生成的初始分布，基本是呈随机的凌乱布局。
随着模型中每个人工蚂蚁的相互合作，最终形成优化的生态保护区布局（图７）。
其效果是非常理想的，由此能避免常规方法所涉及的繁重工作，并使得所制定的生态保护区更有科学性。
图６生态保护区的初始分布Ｆｉｇ．６Ｉｎｉｔｉａｌｄｉｓｔｒｉｂｕｔｉｏｎｆｏｒｅｃｏｌｏｇｉｃａｌｐｒｏｔｅｃｔｉｏｎ图７生态保护区的最终优化分布Ｆｉｇ．７Ｆｉｎａｌｏｐｔｉｍｉｚｅｄｄｉｓｔｒｉｂｕｔｉｏｎｆｏｒｅｃｏｌｏｇｉｃａｌｐｒｏｔｅｃｔｉｏｎ３结论尽管ＧＩＳ已经在众多的行业有广泛的应用，但目前ＧＩＳ在模拟和优化方面的功能是十分薄弱的，无法对复杂的资源环境系统进行深入的分析，包括对过程进行模拟和优化。
本文采用了面向对象的编程语言，在Ｍｉｃｒｏｓｏｆｔ．ＮＥＴ２．０和Ｃ。
环境下实现了地理模拟优化系统ＧｅｏＳＯＳ的各种功能，并在网站上公开发布该软件（ｈｔｔｐ：／／ｗｗｗ．ｇｅｏｓｉｍｕｌａｔｉｏｎ．ｃｎ），以促进地理模拟优化系统的发展，改善目前ＧＩＳ在过程分析方面的严重不足。
首先ＧｅｏＳＯＳ集成了目前国际上流行以及我们建立的ＣＡ模型，包括ＭＣＥ－ＣＡ，Ｌｏｇｉｓｔｉｃ—ＣＡ，ＡＮＮ．ＣＡ，Ｄｅｃｉｓｉｏｎ．ｔｒｅｅＣＡ等，为用户提供了一种方便的模拟分析环境。
同时ＧｅｏＳＯＳ首创地提供了强大的点、线和面优化的功能。
通过改善蚁群算法，使得其适合复杂的空间优化任务。
而且，ＧｅｏＳＯＳ提供了实现地理模拟和空间优化耦合的平台，可解决复杂多变资源环境下的动态优化难题。
本研究将ＧｅｏＳＯＳ应用于快速增长地区的生态保护区优化研究中，以东莞城市为例，说明了该系统能方便和有效地形成生态保护区。
采用所提出的方法，可以提高目前生态保护区划定的科学性。
由此可为中国的快速城市化地区的生态保护提供了有用的分析工具。
将城市模拟和城市规划有机联系起来，使得城市模拟的结果，作为生态控制线制定、交通线路设计、土地利用规划和人口容量估算等的重要依据，能提高城市规划的前瞻性和科学性。
（下转第１５页）地理模拟优化系统GeoSOS软件构建与应用作者：黎夏， 李丹， 刘小平， 劳春华， 张亦汉， 何晋强， 黄康宁， LI Xia， LI Dan，LIU Xiaoping， LAO Chunhua， ZHANG Yihan， HE Jinqiang， HUANG Kangning作者单位：中山大学地理科学与规划学院,广东,广州,510275刊名：中山大学学报（自然科学版）英文刊名：ACTA SCIENTIARUM NATURALIUM UNIVERSITATIS SUNYATSENI年，卷(期)：2010，49(4)被引用次数：0次1.WU F.WEBSTER C J Simulation of land development through the integration of cellular automata and multicriteria evaluation 19982.WU F L Calibration of stochastic cellular automata:the application to rural-urban land conversions 20023.LI X.YEH A G Neural-network-based cellular automata for simulating multiple land use changes using GIS 20024.LI X.YEH A G Data mining of cellular automata's transition rules 20045.黎夏.刘小平.何晋强.李丹.陈逸敏.庞瑶.李少英基于耦合的地理模拟优化系统 2009(8)6.LI X.HE J Q.LIU X P Intelligent GIS for solving high-dimensional site selection problems using ant colony optimization techniques 2009(3/4)7.LI X.HE J Q.LIU X P Ant intelligence for solving optimal path-covering problems with multi-objectives 2009(7)8.VERDIELL A.SABATINI M.MACIEL M C A mathematical model for zoning of protected natural areas 20059.GAHEGAN M What is Geocomputation 1999(3)10.GOODCHILD M F Geographical information science 199211.黎夏.叶嘉安.刘小平地理模拟系统:元胞自动机与多智能体 200712.CLARKE K C.HOPPEN S.GAYDOS L A self-modifying cellular automaton model of historical urbanization in the San Francisco Bay area 19971.期刊论文黎夏.刘小平.何晋强.李丹.陈逸敏.庞瑶.李少英.LI Xia.LIU Xiaoping.HE Jingqiang.LI Dan.CHENYimin.PANG Yao.LI Shaoying基于耦合的地理模拟优化系统-地理学报2009,64(8)尽管G1S在涉及空间信息的许多学科和行业有广泛的应用,但其在对过程进行模拟和优化方面存在严重的功能不足.本文提出地理模拟优化系统GeoSOS的概念与实现方法.进一步建立了GcoSOS 1.0的模拟优化平台,作为GIS的重要补充工具.包含了三个重要部分:地理元胞自动机(CA)、多智能体系统(MAS)、生物智能(SI).其核心内容就是根据微观个体的相互作用,达到模拟和优化的目的.根据Tobler地理学的第一定律,提出了GeoSOS的统一的相互作用规则.GeoSOS具备将模拟和优化耦合起来的功能.将动态模拟模型与空间优化模型耦合起来,使得优化的方案具有一定的前瞻性.对比实验结果发现,耦合模型产生的效用值比非耦合模型分别高出4.3%(点状优化)和4.1%(线状优化),表明GeoSOS能够改善优化的结果.本文链接：/Periodical_zsdxxb201004001.aspx授权使用：浙江大学(wfzjdx)，授权号：90603a12-7f22-4e23-bcf1-9e6300efbe6b下载时间：2011年1月6日。