《表2 MLP模型中转移子模型的数量》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《CA-Markov与LCM模型的黄河三角洲湿地变化模拟比较》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

注：空间误差Allocation disagreement（grid cell level）等于K(m）-M(m）。K(m）是参考图和修改的比较图之间的一致性；M(m）是参考图和未修改的比较图之间的一致性。

LCM模型的关键在于利用不同训练模型生成适宜性图集。本文选择MLP模型，该模型训练的过程为暗箱方式，不带有人为干预的因素。2016年LCM模型中第一组MLP模型对整体训练的准确率（Accuracy Rate)47.59%，整体精度验证为44.48%，非湿地面积为1181.78 km2，人工湿地340.35 km2，自然湿地1920.07 km2。第二组MLP模型对6种转换用6个子模型训练，非湿地向人工湿地准确率65.59%，非湿地向自然湿地准确率61.41%，人工向非湿地转换准确率74.01%，人工湿地向自然湿地准确率52.25%，自然湿地向非湿地转换准确率87.30%，自然湿地向人工湿地转换准确率80.64%，整体精度验证达到52.07%，非湿地1181.78 km2，人工湿地340.35 km2，自然湿地1920.07 km2。从图4看出，LCM模型的空间分布较CA-Markov效果较好，湿地景观类型的模拟扩散不仅只发生于原有湿地景观类型附近。在相同驱动力影响下，利用Change/time Series中的Validate进行空间和数量的验证，得到的误差如表2所示。从数量来看，LCM模拟的结果与真实分类结果误差相比相对较大；从空间来看，LCM模型空间误差相对较小。对于LCM模型第一组和第二组的比较，由于所使用转移矩阵相同，数量误差保持一致，但是对于空间位置误差第二组比第一组有了一个明显的提升，整体精度验证也有所提高。