本发明涉及生态保护技术领域，尤其涉及一种智能交互式的生态控制线划定方法及装置。
背景技术：
生态控制线指为了保障区域生态安全，维护生态系统的完整性、科学性和连续性，遏制城市用地的无序扩张，在尊重合理环境承载力和自然生态系统的前提下，根据有关法规、法律，结合区域自身实际情况而划分的生态环境保护界线。生态控制线在区域可持续发展、生态环境管理以及资源保护等方面起到极其关键的作用。但是生态控制线仍然属于新兴事物，其划定标准、划定方法和管理制度等至今都没有明确统一的规定。
现有的生态控制线划定方法主要可以分为两大类型。
第一类方法，在现实的生态环境规划工作中较为常见，即通过结合常规gis空间分析方法、生态适宜性分析以及人工综合制图等技术进行划定。首先将研究区域内的禁止开发区、生态脆弱区、生态敏感区等已有规划成果进行空间叠置分析；然后进行生态适宜性分析，并将适宜性值高的地方也划入生态控制线范围内，直到满足面积需求为止；最后由人工对图斑进行加工处理，逐一剔除细小独立的斑块等。例如，geneletti和vanduren利用gis空间分析、多目标和多准则评估法划分了意大利马蒂诺生态保护区，他们首先评估研究区各个均质单元的生态适宜性，然后根据适宜性数值的高低顺序进行自然保护区划分。tulloch等人结合gis和多准则评估法实现了美国亨特顿地区农用地保护区的划分，他们通过评估研究区农用地块的土壤状况、地块面积以及邻域土地利用等相关因素，以此确定各农用地块的保护优先度。喻本德等人通过综合3s技术和生态野外实地勘测，对深圳市大鹏新区的生态系统、海洋资源、物种资源及其分布进行了详细摸底，并以此为基础划分了生态保护线分级方案。燕守广等人利用遥感数据和gis技术对江苏省的生态环境资源状况作出评估，并以此为基础在全省范围内划定了一级严格管控区和二级生态保护管控区，每一级又细分为十五类生态保护线区域。
第二类方法，则是单纯利用各种多目标智能优化算法自动生成生态控制线方案，也就是将生态控制线划分视为土地利用面状空间优化问题来处理。首先同样需要对研究区域进行生态适宜性分析，然后利用智能算法自动权衡搜索得出近似最优的生态控制线划定方案。例如，li等人利用蚁群算法进行广州市的生态控制线划分研究，他们对常规蚁群算法的邻域搜索策略以及信息更新机制进行了部分改进，使其更适合用于解决面状空间优化问题，实验结果表明新方法的优化效果比常规gis空间分析方法的要好。陈明辉等人则提出采用离散粒子群算法来自动生成广东省东莞市的生态控制线方案，与上一研究类似，他们也对常规粒子群算法进行了部分改进以便用于处理面状空间优化问题，研究发现新算法能取得最好的优化效果。而shao等人采用新兴的人工蜂群算法划分了海南省三亚市的自然生态保护区，并对各种常用智能算法的优化效果进行了对比分析。liu等人则利用人工免疫系统模型进行广州市的基本农田保护区划分，对比结果发现该模型的优化效果比gis空间分析方法要好。
但是，上述现有的生态控制线划定方法仍存在明显的缺陷。
第一类方法的缺点在于划分和评价标准具有较强的主观性，且过程繁琐复杂，需要耗费大量人力物力时间资源，自动化程度不足。此外，该方法并没有考虑保护区空间格局的紧凑程度，划分出来的生态控制线方案通常较为分散和破碎，不便于实际监测和管理，有时难以高效地起到保护生态环境的作用。对于现实中的生态环境资源管理，若能采取一个相对紧凑的保护区方案，不仅可以缓解城市扩张带来的负面影响，有利于物种的迁徙，维持生态系统的完整性和稳定性，而且便于保护区工作人员进行违章查处和管理监测等。
而第二类方法虽然可以考虑研究区域的生态适宜性值以及生态控制线格局的紧凑程度，但是没有考虑已有的各类生态环境保护规划成果(如各类自然保护区、基本农田保护区、主体功能区规划)、自然地理边界和土地利用现状等，所划分方案不能合理有效地与之相衔接与协调，有可能出现“多规”冲突现象。与生态保护有关的规划名目繁多，都有着各自的空间范围、功能和管理制度，因此划定生态控制线就面临着和其它相关规划“争”土地的困境。
技术实现要素：
本发明实施例所要解决的技术问题在于，提供一种智能交互式的生态控制线划定方法及装置，能够客观地进行生态控制线划定，同时考虑生态适宜性和格局紧凑度，并且能够合理有效地将生态控制线方案与已有生态环境规划成果进行衔接和协调。
为了解决上述技术问题，本发明实施例提供了一种智能交互式的生态控制线划定方法，包括如下步骤：
选定研究区域，并根据多准则决策方法对所述研究区域的关键要素进行生态适宜性分析，得到所述关键要素的空间数据，并根据所述空间数据生成生态适宜性分析结果；
采用gis空间分析法，识别所述研究区域的预设保护区域，并根据所述预设保护区域，生成初步生态控制线方案；
基于预先构建的空间优化模型，根据所述生态适宜性分析结果和初步生态控制线方案，采用智能优化算法对所述研究区域进行生态控制线划定，得到所述研究区域的最终生态控制线方案。
进一步地，所述关键要素包括净初级生产力、生境多样性、地形坡度、土壤属性以及距水体距离；所述空间数据为将所述关键要素进行量化，并归一化到[0，1]的范围内的数据。
进一步地，根据所述空间数据生成生态适宜性分析结果，具体为：
采用多准则决策方法，对每个关键要素对应的空间数据进行线性加权，得到生态适宜性分析结果；所述生态适宜性分析结果包括适宜性值。
进一步地，采用gis空间分析法，识别所述研究区域的预设保护区域，并根据所述预设保护区域，生成初步生态控制线方案，具体为：
采用gis空间分析法，将所述研究区域的多个地理图层数据进行叠置，产生一个新图层；新图层包含多个地理图层数据所具有的属性；
根据所述新图层的属性，识别所述研究区域的预设保护区域，并根据所述预设保护区域，生成初步生态控制线方案。
进一步地，所述智能优化算法包括遗传算法、模拟退火算法和神经网络；所述空间优化模型为基于遗传算法构建。
进一步地，基于预先构建的空间优化模型，根据所述生态适宜性分析结果和初步生态控制线方案，采用智能优化算法对所述研究区域进行生态控制线划定，得到所述研究区域的最终生态控制线方案，具体为：
基于预先构建的空间优化模型，根据所述生态适宜性分析结果和初步生态控制线方案，划定候选生态控制线方案；
利用二元二维矩阵表示所述研究区域，并将每个所述候选生态控制线方案编码成一条染色体；
采用智能优化算法，并采取基于斑块的交叉和变异机制对每条染色体进行多次迭代的选择、交叉和变异，得到染色体交叉变异后对应的所述二元二维矩阵中不同像元的数值变化，并根据不同像元的数值变化对所述研究区域进行生态控制线划定，得到所述研究区域的最终生态控制线方案；其中，
每条染色体在迭代选择中被选中的概率与自身适宜性值成正比；像元值为1或0，其中，1代表需要保护的像元，0代表其它像元；不同像元值的数量为根据适宜性值进行调整以满足生态控制线的面积要求。
本发明实施例还提供了一种智能交互式的生态控制线划定装置，包括：
生态适宜性分析单元，用于选定研究区域，并根据多准则决策方法对所述研究区域的关键要素进行生态适宜性分析，得到所述关键要素的空间数据，并根据所述空间数据生成生态适宜性分析结果；
空间分析单元，用于采用gis空间分析法，识别所述研究区域的预设保护区域，并根据所述预设保护区域，生成初步生态控制线方案；
智能优化单元，用于基于预先构建的空间优化模型，根据所述生态适宜性分析结果和初步生态控制线方案，采用智能优化算法对所述研究区域进行生态控制线划定，得到所述研究区域的最终生态控制线方案。
进一步地，所述关键要素包括净初级生产力、生境多样性、地形坡度、土壤属性以及距水体距离；所述空间数据为将所述关键要素进行量化，并归一化到[0，1]的范围内的数据。
进一步地，采用gis空间分析法，识别所述研究区域的预设保护区域，并根据所述预设保护区域，生成初步生态控制线方案，具体为：
采用gis空间分析法，将所述研究区域的多个地理图层数据进行叠置，产生一个新图层；新图层包含多个地理图层数据所具有的属性；
根据所述新图层的属性，识别所述研究区域的预设保护区域，并根据所述预设保护区域，生成初步生态控制线方案。
进一步地，所述智能优化算法包括遗传算法、模拟退火算法和神经网络；所述空间优化模型为基于遗传算法构建。
实施本发明实施例，具有如下有益效果：
本发明实施例提供的一种智能交互式的生态控制线划定方法及装置，所述方法包括：选定研究区域，并对所述研究区域的关键要素进行生态适宜性分析，得到所述关键要素的空间数据并根据所述空间数据生成生态适宜性分析结果；采用gis空间分析法，识别所述研究区域的预设保护区域，并根据所述预设保护区域，生成初步生态控制线方案；基于预先构建的空间优化模型，根据所述生态适宜性分析结果和初步生态控制线方案，采用智能优化算法对所述研究区域进行生态控制线划定，得到所述研究区域的最终生态控制线方案。本发明能够客观地进行生态控制线划定，同时考虑生态适宜性和格局紧凑度，并且能够合理有效地将生态控制线方案与已有生态环境规划成果进行衔接和协调。
附图说明
图1是本发明第一实施例提供的一种智能交互式的生态控制线划定方法的流程示意图；
图2是本发明第一实施例提供的一种智能交互式的生态控制线划定方法的另一流程示意图；
图3是本发明第一实施例中珠江三角洲城市群生态适宜性分析所用的空间数据的示意图；
图4是本发明第一实施例中珠江三角洲城市群生态适宜性分析结果的示意图；
图5是本发明第一实施例中珠江三角洲城市群禁止开发区域的空间分布情况的示意图；
图6是本发明第一实施例中根据智能交互式的生态控制线划定方法划分的珠江三角洲生态控制线结果的示意图；
图7是本发明第一实施例中根据非智能交互式的生态控制线划定方法划分的珠江三角洲生态控制线结果的示意图；
图8是本发明第二实施例提供的一种智能交互式的生态控制线划定装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明第一实施例：
请参阅图1和图2，图1是本发明第一实施例提供的一种智能交互式的生态控制线划定方法的流程示意图，图2是本发明第一实施例提供的一种智能交互式的生态控制线划定方法的另一流程示意图。
如图1所示，一种智能交互式的生态控制线划定方法，包括如下步骤：
s101、选定研究区域，并根据多准则决策方法对所述研究区域的关键要素进行生态适宜性分析，得到所述关键要素的空间数据，并根据所述空间数据生成生态适宜性分析结果。
在本实施例中，所述关键要素包括净初级生产力、生境多样性、地形坡度、土壤属性以及距水体距离；所述空间数据为将所述关键要素进行量化，并归一化到[0，1]的范围内的数据。
在本实施例中，所述根据所述空间数据生成生态适宜性分析结果，具体为：
采用多准则决策方法，对每个关键要素对应的空间数据进行线性加权，得到生态适宜性分析结果；所述生态适宜性分析结果包括适宜性值。
在本实施例中，以珠江三角洲城市群作为研究区域，将所述智能交互式的生态控制线划定方法应用于珠江三角洲城市群的生态控制线划定。生态适宜性分析是生态规划的前提和基础，基于生态学原理和方法，根据区域生态与资源特征，确定研究区域生态类型对资源开发的适宜性和限制性，从而合理引导研究区域的发展及生态环境保护。本实施例中选取净初级生产力、生境多样性、地形坡度、土壤属性以及距水体距离作为关键要素进行生态适宜性分析。将上述关键要素重采样至统一的空间分辨率，并将所有数据值均归一化到[0，1]的范围内，所得结果请参阅图3，图3是本发明第一实施例中珠江三角洲城市群生态适宜性分析所用的空间数据的示意图。然后利用多准则决策方法对上述关键要素的空间数据进行线性加权得出生态适宜性分析结果，所得结果请参阅图4，图4是本发明第一实施例中珠江三角洲城市群生态适宜性分析结果的示意图。
s102、采用gis空间分析法，识别所述研究区域的预设保护区域，并根据所述预设保护区域，生成初步生态控制线方案。
在本实施例中，采用gis空间分析法，识别所述研究区域的预设保护区域，并根据所述预设保护区域，生成初步生态控制线方案，具体为：
采用gis空间分析法，将所述研究区域的多个地理图层数据进行叠置，产生一个新图层；新图层包含多个地理图层数据所具有的属性；
根据所述新图层的属性，识别所述研究区域的预设保护区域，并根据所述预设保护区域，生成初步生态控制线方案。
在本实施例中，gis空间分析法指将多个地理图层数据进行叠置产生一个新要素图层的操作，新图层综合了原来多层数据所具有的属性。根据广东省自然保护区和禁止开发区域名录，利用gis空间分析法将珠江三角洲城市群内主要的陆地重点自然保护区、风景名胜区、森林公园以及地质公园等纳入必须严格保护的范围内，所得结果请参阅图5，图5是本发明第一实施例中珠江三角洲城市群禁止开发区域的空间分布情况的示意图。由于空间分辨率的关系，部分面积较小、零散分布在城市建成区的保护区并未纳入其中。
s103、基于预先构建的空间优化模型，根据所述生态适宜性分析结果和初步生态控制线方案，采用智能优化算法对所述研究区域进行生态控制线划定，得到所述研究区域的最终生态控制线方案。
在本实施例中，进一步地，所述智能优化算法包括遗传算法、模拟退火算法和神经网络；所述空间优化模型为基于遗传算法构建。
进一步地，基于预先构建的空间优化模型，根据所述生态适宜性分析结果和初步生态控制线方案，采用智能优化算法对所述研究区域进行生态控制线划定，得到所述研究区域的最终生态控制线方案，具体为：
基于预先构建的空间优化模型，根据所述生态适宜性分析结果和初步生态控制线方案，划定候选生态控制线方案；
利用二元二维矩阵表示所述研究区域，并将每个所述候选生态控制线方案编码成一条染色体；
采用智能优化算法，并采取基于斑块的交叉和变异机制对每条染色体进行多次迭代的选择、交叉和变异，得到染色体交叉变异后对应的所述二元二维矩阵中不同像元的数值变化，并根据不同像元的数值变化对所述研究区域进行生态控制线划定，得到所述研究区域的最终生态控制线方案；其中，
每条染色体在迭代选择中被选中的概率与自身适宜性值成正比；像元值为1或0，其中，1代表需要保护的像元，0代表其它像元；不同像元值的数量为根据适宜性值进行调整以满足生态控制线的面积要求。
在本实施例中，智能优化算法指建立在生物智能或自然过程基础上，用于解决最优化问题的随机搜索算法，主要包括遗传算法、模拟退火算法、神经网络。本会实施例利用遗传算法(geneticalgorithm，ga)构建土地利用空间优化模型，因为遗传算法能以矩阵的形式方便有效地反映地理区域的空间结构。遗传算法由johnholland首次提出，主要基于达尔文的“自然选择”和“适者生存”理论，非常适合用于解决各学科的复杂优化问题。该遗传算法是一种全局性概率搜索算法，首先随机产生一定数量的染色体(初始解)，接着通过反复迭代的选择、交叉和变异操作改善当前解，直至搜寻到满意的解为止。在智能优化算法中，迭代运算过程借鉴了与生物界相似的进化机制，从一组解出发，通过类似于有性繁殖和自然选择的方式实现优胜劣汰，在遗传已有优良基因的基础上，生成具有更好性能指标的下一代解的群体。
需要说明的是，在所述智能交互式的生态控制线划定方法的实施中，每个候选的生态控制线方案都会被编码成为一个染色体，也就是说，整个研究区域可以利用一个随机初始化的二元二维矩阵表示(“1”代表需要保护的像元，“0”代表其它像元)。遗传算法通过多次迭代的选择、交叉和变异的过程逐步得出近似最优的生态控制线方案。在每一次迭代过程中，首先从上一代个体里选择染色体繁殖生成下一代，每条染色体被选中的概率与其自身适宜性值成正比。同时采取精英保留策略，保证每一代最优的染色体都会保留到下一代。
此外，为了尽可能生成较为紧凑完整的生态控制线方案，本实施例还采取基于斑块的交叉和变异机制。其中交叉步骤随机在二维矩阵中选定若干个3×3窗口位置，然后双亲染色体互相交换窗口内的像元。与之类似，变异步骤也随机选定若干个3×3窗口位置，根据每个窗口的邻域像元情况将该窗口内的像元值全部变异为“1”或全部变异为“0”。如果染色体经过交叉变异后保护区的像元数量发生变化，则根据适宜性值随机改变相应数量的像元值以满足面积要求。
常规遗传算法的交叉概率一般较高而变异概率较低，然而由于本实施例中的所述空间优化模型同时需要交叉和变异过程寻找更紧凑的个体，因此变异概率也应该设置高点以方便求解。另外，空间优化研究又一个待解决的难题是如何建立适用于弹性区间的面状优化模型，现有的模型通常较少考虑实际生态环境管理中的弹性规模问题。假如，需要划定2000平方公里的生态控制线，其规模可能在±100平方公里的弹性范围内都为合理的。相比其它方法，本模型可以十分有效地处理这一难题。
需要说明的是，在matlab平台构建空间优化模型后，利用本实施例所述的智能交互式的生态控制线划定方法，根据生态适宜性分析结果进行珠江三角洲城市群生态控制线划定。为确保优化结果的相对稳定，采用十次平均作为最终优化结果并展示在图6中，请参阅图6，图6是本发明第一实施例中根据智能交互式的生态控制线划定方法划分的珠江三角洲生态控制线结果的示意图。从图6中可以发现，生态适宜性值较高的土地资源基本都被纳入生态控制线范围内。为了与上述划分结果进行对比分析，本实施例还采取以往研究普遍使用的非智能交互式的生态控制线划定思路，即直接利用上述构建的遗传算法面状空间优化模型基于同样的生态适宜性分析结果搜索出最优的生态控制线方案，展示在图7中，请参阅图7，图7是本发明第一实施例中根据非智能交互式的生态控制线划定方法划分的珠江三角洲生态控制线结果的示意图。从图7中可以发现，非智能交互式的生态控制线划定方法未能很好地与已有的生态环境保护规划相衔接，难以避免出现“多规”冲突的现象，通常无法应用到现实生活中。
本实施例提供的一种智能交互式的生态控制线划定方法，通过选定研究区域，并对所述研究区域的关键要素进行生态适宜性分析，得到所述关键要素的空间数据并根据所述空间数据生成生态适宜性分析结果；采用gis空间分析法，识别所述研究区域的预设保护区域，并根据所述预设保护区域，生成初步生态控制线方案；基于预先构建的空间优化模型，根据所述生态适宜性分析结果和初步生态控制线方案，采用智能优化算法对所述研究区域进行生态控制线划定，得到所述研究区域的最终生态控制线方案。本实施例能够客观地进行生态控制线划定，同时考虑生态适宜性和格局紧凑度，并且能够合理有效地将生态控制线方案与已有生态环境规划成果进行衔接和协调，更便于实际的生态管理与监测，可以更有效地维持生态系统的完整性和稳定性。本实施例具有较高的可操作性和普适性，对现实中的各类生态规划工作具有较强的实践指导意义。
本发明第二实施例：
请参阅图8，图8是本发明第二实施例提供的一种智能交互式的生态控制线划定装置的结构示意图。
一种智能交互式的生态控制线划定装置，包括：
生态适宜性分析单元201，用于选定研究区域，并根据多准则决策方法对所述研究区域的关键要素进行生态适宜性分析，得到所述关键要素的空间数据，并根据所述空间数据生成生态适宜性分析结果，
在本实施例中，所述关键要素包括净初级生产力、生境多样性、地形坡度、土壤属性以及距水体距离；所述空间数据为将所述关键要素进行量化，并归一化到[0，1]的范围内的数据。
在本实施例中，所述根据所述空间数据生成生态适宜性分析结果，具体为：
采用多准则决策方法，对每个关键要素对应的空间数据进行线性加权，得到生态适宜性分析结果；所述生态适宜性分析结果包括适宜性值。
在本实施例中，以珠江三角洲城市群作为研究区域，将所述智能交互式的生态控制线划定方法应用于珠江三角洲城市群的生态控制线划定。生态适宜性分析是生态规划的前提和基础，基于生态学原理和方法，根据区域生态与资源特征，确定研究区域生态类型对资源开发的适宜性和限制性，从而合理引导研究区域的发展及生态环境保护。本实施例中选取净初级生产力、生境多样性、地形坡度、土壤属性以及距水体距离作为关键要素进行生态适宜性分析。将上述关键要素重采样至统一的空间分辨率，并将所有数据值均归一化到[0，1]的范围内，所得结果请参阅图2，图2是本发明第一实施例中珠江三角洲城市群生态适宜性分析所用的空间数据的示意图。然后利用多准则决策方法对上述关键要素的空间数据进行线性加权得出生态适宜性分析结果，所得结果请参阅图3，图3是本发明第一实施例中珠江三角洲城市群生态适宜性分析结果的示意图。
空间分析单元202，用于采用gis空间分析法，识别所述研究区域的预设保护区域，并根据所述预设保护区域，生成初步生态控制线方案。
在本实施例中，采用gis空间分析法，识别所述研究区域的预设保护区域，并根据所述预设保护区域，生成初步生态控制线方案，具体为：
采用gis空间分析法，将所述研究区域的多个地理图层数据进行叠置，产生一个新图层；新图层包含多个地理图层数据所具有的属性；
根据所述新图层的属性，识别所述研究区域的预设保护区域，并根据所述预设保护区域，生成初步生态控制线方案。
在本实施例中，gis空间分析法指将多个地理图层数据进行叠置产生一个新要素图层的操作，新图层综合了原来多层数据所具有的属性。根据广东省自然保护区和禁止开发区域名录，利用gis空间分析法将珠江三角洲城市群内主要的陆地重点自然保护区、风景名胜区、森林公园以及地质公园等纳入必须严格保护的范围内，所得结果请参阅图4，图4是本发明第一实施例中珠江三角洲城市群禁止开发区域的空间分布情况的示意图。由于空间分辨率的关系，部分面积较小、零散分布在城市建成区的保护区并未纳入其中。
智能优化单元203，用于基于预先构建的空间优化模型，根据所述生态适宜性分析结果和初步生态控制线方案，采用智能优化算法对所述研究区域进行生态控制线划定，得到所述研究区域的最终生态控制线方案。
在本实施例中，进一步地，所述智能优化算法包括遗传算法、模拟退火算法和神经网络；所述空间优化模型为基于遗传算法构建。
进一步地，基于预先构建的空间优化模型，根据所述生态适宜性分析结果和初步生态控制线方案，采用智能优化算法对所述研究区域进行生态控制线划定，得到所述研究区域的最终生态控制线方案，具体为：
基于预先构建的空间优化模型，根据所述生态适宜性分析结果和初步生态控制线方案，划定候选生态控制线方案；
利用二元二维矩阵表示所述研究区域，并将每个所述候选生态控制线方案编码成一条染色体；
采用智能优化算法，并采取基于斑块的交叉和变异机制对每条染色体进行多次迭代的选择、交叉和变异，得到染色体交叉变异后对应的所述二元二维矩阵中不同像元的数值变化，并根据不同像元的数值变化对所述研究区域进行生态控制线划定，得到所述研究区域的最终生态控制线方案；其中，
每条染色体在迭代选择中被选中的概率与自身适宜性值成正比；像元值为1或0，其中，1代表需要保护的像元，0代表其它像元；不同像元值的数量为根据适宜性值进行调整以满足生态控制线的面积要求。
在本实施例中，智能优化算法指建立在生物智能或自然过程基础上，用于解决最优化问题的随机搜索算法，主要包括遗传算法、模拟退火算法、神经网络。本会实施例利用遗传算法(geneticalgorithm，ga)构建土地利用空间优化模型，因为遗传算法能以矩阵的形式方便有效地反映地理区域的空间结构。遗传算法由johnholland首次提出，主要基于达尔文的“自然选择”和“适者生存”理论，非常适合用于解决各学科的复杂优化问题。该遗传算法是一种全局性概率搜索算法，首先随机产生一定数量的染色体(初始解)，接着通过反复迭代的选择、交叉和变异操作改善当前解，直至搜寻到满意的解为止。在智能优化算法中，迭代运算过程借鉴了与生物界相似的进化机制，从一组解出发，通过类似于有性繁殖和自然选择的方式实现优胜劣汰，在遗传已有优良基因的基础上，生成具有更好性能指标的下一代解的群体。
需要说明的是，在所述智能交互式的生态控制线划定方法的实施中，每个候选的生态控制线方案都会被编码成为一个染色体，也就是说，整个研究区域可以利用一个随机初始化的二元二维矩阵表示(“1”代表需要保护的像元，“0”代表其它像元)。遗传算法通过多次迭代的选择、交叉和变异的过程逐步得出近似最优的生态控制线方案。在每一次迭代过程中，首先从上一代个体里选择染色体繁殖生成下一代，每条染色体被选中的概率与其自身适宜性值成正比。同时采取精英保留策略，保证每一代最优的染色体都会保留到下一代。
此外，为了尽可能生成较为紧凑完整的生态控制线方案，本实施例还采取基于斑块的交叉和变异机制。其中交叉步骤随机在二维矩阵中选定若干个3×3窗口位置，然后双亲染色体互相交换窗口内的像元。与之类似，变异步骤也随机选定若干个3×3窗口位置，根据每个窗口的邻域像元情况将该窗口内的像元值全部变异为“1”或全部变异为“0”。如果染色体经过交叉变异后保护区的像元数量发生变化，则根据适宜性值随机改变相应数量的像元值以满足面积要求。
常规遗传算法的交叉概率一般较高而变异概率较低，然而由于本实施例中的所述空间优化模型同时需要交叉和变异过程寻找更紧凑的个体，因此变异概率也应该设置高点以方便求解。另外，空间优化研究又一个待解决的难题是如何建立适用于弹性区间的面状优化模型，现有的模型通常较少考虑实际生态环境管理中的弹性规模问题。假如，需要划定2000平方公里的生态控制线，其规模可能在±100平方公里的弹性范围内都为合理的。相比其它方法，本模型可以十分有效地处理这一难题。
需要说明的是，在matlab平台构建空间优化模型后，利用本实施例所述的智能交互式的生态控制线划定方法，根据生态适宜性分析结果进行珠江三角洲城市群生态控制线划定。为确保优化结果的相对稳定，采用十次平均作为最终优化结果并展示在图5中，请参阅图5，图5是本发明第一实施例中根据智能交互式的生态控制线划定方法划分的珠江三角洲生态控制线结果的示意图。从图5中可以发现，生态适宜性值较高的土地资源基本都被纳入生态控制线范围内。为了与上述划分结果进行对比分析，本实施例还采取以往研究普遍使用的非智能交互式的生态控制线划定思路，即直接利用上述构建的遗传算法面状空间优化模型基于同样的生态适宜性分析结果搜索出最优的生态控制线方案，展示在图6中，请参阅图6，图6是本发明第一实施例中根据非智能交互式的生态控制线划定方法划分的珠江三角洲生态控制线结果的示意图。从图6中可以发现，非智能交互式的生态控制线划定方法未能很好地与已有的生态环境保护规划相衔接，难以避免出现“多规”冲突的现象，通常无法应用到现实生活中。
本实施例提供的一种智能交互式的生态控制线划定装置，通过选定研究区域，并对所述研究区域的关键要素进行生态适宜性分析，得到所述关键要素的空间数据并根据所述空间数据生成生态适宜性分析结果；采用gis空间分析法，识别所述研究区域的预设保护区域，并根据所述预设保护区域，生成初步生态控制线方案；基于预先构建的空间优化模型，根据所述生态适宜性分析结果和初步生态控制线方案，采用智能优化算法对所述研究区域进行生态控制线划定，得到所述研究区域的最终生态控制线方案。本实施例能够客观地进行生态控制线划定，同时考虑生态适宜性和格局紧凑度，并且能够合理有效地将生态控制线方案与已有生态环境规划成果进行衔接和协调，更便于实际的生态管理与监测，可以更有效地维持生态系统的完整性和稳定性。本实施例具有较高的可操作性和普适性，对现实中的各类生态规划工作具有较强的实践指导意义。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和变形，这些改进和变形也视为本发明的保护范围。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(read-onlymemory，rom)或随机存储记忆体(randomaccessmemory，ram)等。