引言

随着城镇化建设进程的加快,土地利用也在发生着巨大的变化,土地利用变化又反过来影响和制约着人类社会的发展.因此,近年来土地利用变化的研究受到各国学者的关注[1].随着学界对土地利用变化研究的深入,研究时间跨度的增大,时间序列的增多,更多复杂的非线性问题亟需解决.传统的研究方法已经难以解决这些复杂的问题,而智能算法可以很好地处理非线性问题[2],所以越来越多的学者将智能算法应用于土地利用变化的研究中.

智能算法在土地利用变化研究中的应用主要包括优化土地利用结构[3,4]、模拟未来土地利用变化[5,6,7,8]及土地利用分类[9,10,11,12],但是在土地利用变化分析及土地利用变化驱动力的研究中鲜有应用.目前该研究主要是运用土地利用转移矩阵、变化轨迹分析法及经典统计学方法,这些方法在分析长时间跨度、多时间序列土地利用变化时,存在操作复杂、可读性差等缺点.自组织映射算法[13]是一种无监督学习的智能算法,可以将高维向量映射到二维平面,因此,用来分析高维土地利用数据时具有一定的优势.有学者应用该方法研究城市扩张的模式和特征,取得了较好的效果[14,15,16].齐建超等[17,18]将SOM算法应用于土地利用变化研究中,分析了北京市14个区(除东城区、西城区)的土地利用变化趋势,为多时序土地利用变化研究提供了新的思路.因此,本文尝试运用SOM算法对浙江省11个市20年来的土地利用变化轨迹进行可视化表达,并进一步分析各地区的土地利用变化情况及其驱动力,以便探索土地利用变化的机制,更好地促进人地关系的和谐发展.

1、数据来源及预处理

1.1数据来源

本文为研究浙江省1995—2015年的土地利用变化情况,以5a为一个时间间隔,分别获取1995年、2000年、2005年、2010年和2015年浙江省土地利用数据.该数据来源于欧洲空间局气候变化倡议项目发布的分辨率为300m的全球1992—2015年土地利用数据.此外,还有浙江省的行政区划图及浙江省1996年、2001年、2006年、2011年和2016年的统计年鉴数据.

1.2数据预处理

土地利用分类系统的建立受到研究尺度、研究区范围及数据分辨率等因素的影响.ESA发布的土地利用图采用联合国土地利用分类系统,为适应全球研究,该系统将地类分为22个小类.为保证数据的持续性、一致性和高精度,并结合数据的分辨率及浙江省实际土地的利用情况,采用2007年全国农业区划委员会制定的《土地利用现状调查技术规程》作为土地的利用分类标准,最终将研究区内土地利用类型分为6类,分别是:耕地、林地、建设用地、水域、未利用土地和草地.在此基础上,结合浙江省行政区划图,得到浙江省各市1995年、2000年、2005年、2010年和2015年的土地利用分类图,具体如图1所示。

图1 1995—2015年浙江省土地利用分类数据

2、研究方法

本文应用SOM算法对1995—2015年浙江省各市的土地利用变化情况及其驱动力进行分析,挖掘浙江省土地利用变化的机制与成因.同时为验证应用SOM算法分析土地利用变化驱动力的可行性,将SOM算法分析得出的土地利用变化驱动力与相关分析法得出的结果进行对比.

2.1SOM神经网络

SOM算法由荷兰赫尔辛基大学的Kohonen教授[13]提出,是通过模拟人脑对信号处理的特点而发展起来的一种人工神经网络算法,具有聚类和高维可视化的功能.在大脑神经系统中,神经元之间会存在相互竞争关系,一个兴奋强度最大的神经元会对其他神经元产生抑制作用,这个神经元则成为获胜神经元;同时临近神经元之间存在鼓励机制,表现为:离获胜神经元近,则兴奋强度高;离获胜神经元越远,则越被抑制;当距离超过一定范围后,则又表现为弱激励.这样就导致距离越近的神经元功能越相似.自组织映射神经网络就是模拟上述大脑神经系统功能的人工神经网络.因此,输入样本越相似,其对应的输出神经元的距离越近.SOM由2层网络构成,分别是输入层和竞争层(输出层).输入层有n个神经元,竞争层是由m个神经元组成的一维或者二维平面阵列,输入层与竞争层相互连通.因此,SOM算法能将不同城市土地利用变化数据在输出层进行可视化表达[19].

本文在MATLAB中编程实现SOM算法,其中SOM的输入数据为5个年份浙江省各市的不同土地利用类型比例数据(见图1),即输入数据有5×11=55个样本.为了可以更加清楚、直观地表达浙江省各市的土地利用变化情况,本文尽可能将SOM输出面板设置得更大,尽量使一个输出神经元对应一个输入样本(除非输入样本极为相似);同时为了保证网络训练收敛,将训练次数设置足够大.经过反复试验,最终确定SOM的输出面板为20×20=400,远大于样本数55,确定网络训练次数为20000次.训练结束后,越相似的输入数据对应的输出神经元位置越相近.通过分析每个城市不同年份对应输出神经元的位置变化即可发现其20年间土地利用变化的情况.

2.2相关性分析

相关性分析是指对2个或者多个变量进行分析,从而发现这些要素之间的相关密切程度,而相关密切程度需要用相关系数来判定[20].经典统计学中有三大相关系数,分别是Pearson相关系数、Spearman相关系数和Kendall相关系数,而Pearson相关系数常用来反映2个变量之间的相关性程度.因此,本文选择用Pearson相关系数定量表示各驱动因子与建设用地比例增长之间的相关性.

将浙江省各市各年份每个驱动因子的值通过相应最佳匹配神经元点的大小在SOM输出成分图中表示,观察其与建设用地比例输出成分图的关系来确定是否相关.为了验证实验结果的准确性,在SPSS中对建设用地比例和各驱动因子数据作相关性分析,通过Pearson相关系数判断建设用地比例与各驱动因子的相关性.

3、结果与分析

3.1SOM输出成分图

SOM输出成分图是每个维度的特征值在SOM输出神经元相应位置的映射,即SOM输出神经元在每一维度取值的可视化表示.本文中SOM的输入数据为浙江省各市5个年份6种地类的面积比例,是一个6维数据,每种地类属性代表一个特征变量.因此有6个SOM输出成分图,分别代表6种土地利用类型在SOM输出面板中的分布情况,如图2所示.图2中每张图代表一种地类,由红色到蓝色表示该地类占比比值从高至低,因此,可以非常直观地看到6种地类特征在SOM输出面板中的聚集情况.

由图2可知,SOM的输出成分平面图大致遵循一个扩散模式,即一个最高值被映射到网络的一个区域中,特征值由高值中心逐渐向周围递减.但建设用地比例却有不同的分布模式,在SOM输出成分图的右上角、右下角及左下角都是建设用地的高值聚集区.

图2 SOM输出成分图

此外,聚类结果的差异主要体现在耕地和林地,其次是水域和建设用地,而草地和未利用土地的贡献比较小,这就表示浙江省主要的土地利用类型为耕地和林地,其他土地利用类型占比较小.将6个输出平面图连在一起可以发现:左上角是林地比例的高值聚集区;右上角是草地比例、水域比例、建设用地比例和未利用土地比例的高值聚集区;右下角是耕地比例及建设用地比例的高值聚集区;左下角是建设用地比例的高值聚集区.

3.2SOM最佳匹配神经元

从上文可以得知6种地类在SOM输出面板中的聚集和分布情况,但并不清楚输入数据在输出面板对应的位置.SOM最佳匹配神经元就是输入样本在SOM输出面板上对应的神经元,每一个输入样本都会寻找与其欧氏距离最近的输出神经元作为最佳匹配神经元,输入样本越相似,则最佳匹配神经元越接近,甚至最佳匹配神经元相同.本文以浙江省各市不同年份各地类面积比例数据为输入数据,最佳匹配神经元即每个城市不同年份在SOM输出面板对应的位置,具体见图3.

图3最佳匹配神经元

由图3可知,丽水、衢州所有时相的最佳匹配神经元都集中在输出面板的左上角;嘉兴、湖州的最佳匹配神经元分布于输出面板的右下角;舟山的最佳匹配神经元聚集在输出面板的右上角;其他城市的最佳匹配神经元分散在输出面板的对角线左右.结合图2可知,丽水和衢州的土地利用类型以林地为主;嘉兴和湖州的土地利用类型中耕地比例远高于其他土地利用类型;舟山的土地利用类型中耕地、林地、水域都占一定比例,且舟山的水域占比和草地占比都是浙江省最高的;杭州、金华、温州、宁波、绍兴、台州6市的土地利用类型以耕地和林地为主,其中杭州、金华和温州的林地比例略高于耕地,宁波、绍兴、台州则相反.

3.3土地利用变化分析

将每个城市在不同年份的最佳匹配神经元连接起来,可得到各市的土地利用变化轨迹,如图4所示.从土地利用变化轨迹可以分析浙江省各市20年间的土地利用变化趋势.

图4土地利用变化轨迹

位于SOM输出面板对角线左右的6个城市(杭州市、金华市、温州市、绍兴市、台州市、宁波市)的变化轨迹都是从右上往左下发展,且都在逐渐远离林地高值区,而在1995年至2005年这段时间里有向耕地高值区发展的趋势,2005年至2015年则又向左下角发展.这表明上述6市在1995年至2015年这段时间建设用地比例在增加,林地比例在降低,而耕地比例有一个先增高后降低的变化趋势.同时观察发现,2010年至2015年的最佳匹配神经位置变化都比较大,说明这段时间内土地利用变化最为明显,具体表现为建设用地的飞速增长及耕地和林地的同时减少.

湖州市和嘉兴市的最佳匹配神经元位置在输出神经元的右下角部分,且其变化轨迹都向右延伸.这表明湖州市的耕地比例一直在持续增加,林地比例持续减少,而嘉兴市由于所有年份的最佳匹配神经元都处于耕地比例最高、林地比例最低的区域,耕地比例和林地比例的变化不明显,但是可以发现以上二市的建设用地比例都在快速增加.

舟山市的最佳匹配神经元都位于右上角区域,相对其他城市来说,舟山的草地比例和未利用土地比例较高,但是其比值依然很小;该地区主要土地利用类型为耕地,其次为林地、水域和建设用地.观察其变化轨迹,可以发现耕地比例1995年至2005年间在增加,而2005年至2015年在减少,建设用地比例在20年间一直持续增加,其中2005年至2015年,建设用地比例增长幅度较大.

3.4驱动力分析

综上所述,浙江省从1995年到2015年20年间主要的土地利用变化为耕地、林地和建设用地的变化,其中几乎所有城市的建设用地比例都在逐年增高.为了解土地利用变化的成因,本文拟对土地利用变化驱动力进行分析.土地利用变化驱动力的研究需考虑自然因素和人为因素,但短期内土地利用的变化受人为因素的影响较大,其中又以建设用地的变化受人为因素的影响为最大.因此,本文以建设用地为例,研究导致建设用地变化的驱动力.

通过查阅相关资料,确定以各年份各市的建设用地比例为因变量Y,选定8个影响因子,分别是非农业人口占比(X1)、城镇人均可支配收入(X2)、固定资产投资(X3)、人口密度(X4)、第一产业产值占比(X5)、第二产业产值占比(X6)、第三产业产值占比(X7)及人均GDP(X8),以建设用地的输出成分图作为底图,将8个影响因子与最佳匹配神经元联系起来,如图5所示.

图5建设用地变化与各影响因子的关系

图5中每个点代表的是各市各年份相对应的影响因子数据,点的大小代表的是相应影响因子值的大小.在图5(a),5(b),5(c),5(h)中,最佳匹配神经元点的大小和输出神经元颜色有非常明显的正相关关系,即输出神经元的颜色越偏红色,则最佳匹配神经元的点越大.这表明非农业人口占比、城镇人均可支配收入、固定资产投资和人均GDP这4个影响因子的值越大,建设用地占比越高,因此,这4个因素是导致研究区内建筑比例增长的主要驱动因子.而图5(d),5(e),5(f)和5(g)中,最佳匹配神经元大小与输出神经元的颜色没有明显关系.这表明人口密度、第一产业产值占比、第二产业产值占比、第三产业产值占比与建设用地的变化没有明显的相关关系.

为了更好地验证结果的可靠性,本文采用经典统计法中的相关分析法来验证各影响因子与建设用地比例之间的相关性.为消除量纲对数据的影响,本文应用统计软件SPSS对样本数据进行标准化处理,并进行相关性分析.相关系数矩阵如表1所示.

表1相关系数矩阵导出

由表1可知,Y与X1,X2,X3,X84个影响因子的Pearson相关系数超过0.750,且通过显著性检验(相伴概率P<0.01),这表明建设用地比例与非农业人口占比、城镇人均可支配收入、固定资产投资和人均GDP这4个影响因子有明显的正相关关系,与上文中得出的结论一致.

上述分析表明,将SOM算法应用于土地利用变化驱动力的研究具有可行性.通过SOM算法和相关分析法得到的浙江省各市建设用地比例增长的主要驱动因子结果一致,均为非农业人口占比、城镇人均可支配收入、固定资产投资及人均GDP.因此,经济增长和城镇化发展对于浙江省各市建设用地比例的增长有较大影响,而产业结构的变化和人口的增长对建设用地比例的增长影响不明显.

4、结论

SOM算法可以将多维数据在二维平面中显示,从而实现多维数据的可视化表达.本文运用SOM算法研究浙江省各市的土地利用变化情况及建设用地变化的驱动力,结论如下:

1)应用SOM算法可以同时研究不同地区多时段土地利用变化情况及其驱动力,且结果简单明了,易于分析.

2)浙江省的土地利用类型以耕地和林地为主,从1995年到2015年土地利用类型的变化主要表现为林地比例在逐年降低,建设用地比例在逐年增高,耕地比例先增高后降低,但总体变化不大.

3)根据1995至2015年间土地利用变化的趋势,可将浙江省11个地级市分为4类:第1类是丽水市和衢州市;第2类是杭州市、金华市、温州市、绍兴市、台州市、宁波市6市;第3类是湖州市和嘉兴市;第4类是舟山市.

4)浙江省各市建设用地比例增长的主要原因是由于非农业人口占比、城镇人均可支配收入、固定资产投资及人均可支配收入增长,即经济和城镇化的快速发展导致浙江省各地区的建设用地比例发生了变化.

本文应用SOM算法对浙江省11个市的土地利用变化情况及驱动力进行了分析.研究结果表明,SOM在多时序土地利用变化及驱动力研究中有较好的表现,但该方法只是对驱动力进行定性分析,并未涉及土地利用变化与驱动力之间定量关系的确定.后续的研究可以通过该方法确定土地利用变化的驱动力,再应用BP(backpropagation)神经网络算法确定驱动力与土地利用变化之间的定量关系,以更全面地揭示土地利用变化的机制.

参考文献：

[1]李秀彬.全球环境变化研究的核心领域——土地利用/土地覆被变化的国际研究动向[J].地理学报,1996,51(6):553-558.

[5]黎夏,叶嘉安.基于神经网络的元胞自动机及模拟复杂土地利用系统[J].地理研究,2005(1):19-27.

[6]李月臣,何春阳.中国北方土地利用/覆盖变化的情景模拟与预测[J].科学通报,2008,53(6):713-723.

[7]徐昔保,杨桂山,张建明.基于神经网络Ca的兰州城市土地利用变化情景模拟[J].地理与地理信息科学,2008,24(6):80-83.

[9]骆成凤,王长耀,刘永洪,等.利用BP算法进行新疆Modis数据土地利用分类研究[J].干旱区地理,2005,28(2):258-262.

[10]阎静,王汶,李湘阁.利用神经网络方法提取水稻种植面积——以湖北省双季早稻为例[J].遥感学报,2001,5(3):227-230.

[15]焦利民,吴苏.利用自组织网络分析1990—2010年中国主要城市扩展特征[J].武汉大学学报(信息科学版),2014,39(12):1435-1440.

[16]焦利民,张欣,毛立凡.自组织双重空间聚类算法的城市扩张结构分析应用[J].地球信息科学学报,2015,17(6):638-643.

[17]齐建超,刘慧平,伊尧国.应用自组织映射方法的北京市2005—2013年土地利用时空演变分析[J].生态学报,2017,37(19):6346-6354.

[18]齐建超,刘慧平,高啸峰.基于自组织映射法的时间序列土地利用变化的时空可视化[J].地球信息科学学报,2017,19(6):792-799.

[19]杨占华,杨燕.SOM神经网络算法的研究与进展[J].计算机工程,2006,32(16):201-202.

王潇,梁勤欧,林德根,程姌.应用自组织映射神经网络挖掘浙江省土地利用演变信息[J].浙江师范大学学报(自然科学版),2020,43(02):206-213.