應用自組織映射方法的北京市2005—2013年土地利用時空演變分析

齊建超,劉慧平,*,伊堯國,4

1 遙感科學國家重點實驗室,北京 100875 2 環境遙感與數字城市北京市重點實驗室,北京 100875 3 北京師范大學地理學與遙感科學學院,北京 100875 4 天津城建大學地質與測繪學院,天津 300384

應用自組織映射方法的北京市2005—2013年土地利用時空演變分析

齊建超1,2,3,劉慧平1,2,3,*,伊堯國1,2,3,4

1 遙感科學國家重點實驗室,北京 100875 2 環境遙感與數字城市北京市重點實驗室,北京 100875 3 北京師范大學地理學與遙感科學學院,北京 100875 4 天津城建大學地質與測繪學院,天津 300384

時間序列土地利用時空演變規律分析是當前的研究熱點之一,通過應用自組織映射神經網絡方法進行多時間序列土地利用變化時空一體化表達與演變規律分析,探索區域土地利用變化模式。基于北京市2005、2007、2009、2011、2013年5期土地利用遙感分類數據,構建自組織映射神經網絡并利用其聚類和降維可視化功能對5個年份的土地利用數據同時進行訓練輸出,發現建設用地、耕地、林地、牧草地、園地的聚集模式,并通過對輸出神經元進行二次聚類以及土地利用變化軌跡分析,獲得北京市郊區5個監測時相土地利用變化的時空演變特征。結果揭示出北京市郊區2005—2013年土地利用變化具有明顯的耕地型向建設用地型發展的平原區演變特征,以及向林地型發展的山區演變特征,且各區的發展具有時間上的順序性；總體上形成6類土地利用演變軌跡。

自組織映射(SOM)；土地利用變化；多時間序列；時空分析；軌跡分析

土地利用的時空演變是指各種土地利用類型的空間分布隨時間的變化,隨著時間序列數據的增加,其演變分析的難度和復雜度也在增加,而常用來分析高維時空數據的自組織映射方法可同時處理多時間序列數據,為多時間序列土地利用時空演變規律與發展模式分析提供便捷,為土地利用空間布局的合理優化提供支持。

當前關于土地利用變化的研究已取得了很多成果,楊國安等[1]運用分形模型通過對比兩個時期北京市各土地利用類型的分數維及不穩定指數來研究北京市土地利用的空間格局變化；侍昊等[2]、Long Hualou等[3]、Fan Q等[4]均是基于多期數據相鄰兩期的兩兩對比的方式,通過計算土地利用變化動態度、轉移矩陣等方法來定量的分析說明土地利用變化狀況；Liu H等[5]、黃勇等[6]、容芳芳等[7]運用變化軌跡分析方法研究土地利用空間格局的變化規律。土地利用變化的時空分析包括時間和空間兩個方面,當前的研究雖然多是從時空角度來分析,但對二者的結合并不是很完善,針對空間研究其分布模式,針對時間多以時間切片的形式進行分析。當前對于土地利用空間分布模式的研究已比較成熟,而對于時間序列數據的處理多是基于單期或兩期數據之間的比較,對于超過兩個監測時相的多時間序列土地利用變化數據的時空一體化表達和對比分析還有待于更進一步地深入研究。同時當前土地利用變化軌跡多采用圖譜的表達方法,即用軌跡代碼的方式來表示一種地類向另一種地類的變化,這種表達方式難以直接對軌跡進行定量的分析和可視化表達。

自組織映射(SOM)是一種采用非監督式學習對輸入樣本數據進行訓練,并將輸入空間的高維數據在低維(通常是二維)進行離散化表示的人工神經網絡。該理論最早是由芬蘭赫爾辛基理工大學Kohonen[8]于1982年提出的,自組織映射方法與其他人工神經網絡方法的不同之處在于它使用了一個鄰近函數來保持輸入空間的拓撲性質,從而可以直接在其輸出面板上進行二次聚類以及軌跡構建。SOM作為一種神經網絡聚類算法常被用來探索空間對象的聚集模式[9- 11]；另外SOM作為一種降維和可視化的工具也常被用來表達和分析識別潛在的模式[12- 15]。在當前研究中,SOM的聚類和可視化的雙重功能多是結合起來運用,并常被各領域用來分析處理高維時空數據,比如SOM已被廣泛的應用于社會經濟變化[16- 18]、流行病[19]、犯罪[20]、航線[21]氣象[22]等領域的時空演變和軌跡分析以及可視化研究中。但到目前為止,將SOM方法應用到土地利用時空演變分析中的研究還比較缺乏。國外像Arribas-Bel等[23-24]已開始嘗試運用SOM方法來研究城市擴張及城市的空間結構,而國內焦利民等[25]也開始嘗試運用SOM方法來對中國主要城市的擴展特征進行對比分析,但還處在較為初級的階段,多是利用SOM輸出面板來表達能反映城市擴展特征的各指標的分布聚集狀況和差異,而對于多時間序列數據的對比以及變化軌跡的分析和表達還需要更進一步的深入研究。

本文基于北京市2005、2007、2009、2011、2013年5期土地利用數據,運用SOM的神經網絡聚類功能將5個時間序列數據同時輸入網絡進行訓練,得到不同時間序列數據在時間和空間上具有可對比性的輸出聚類結果,并將此結果在SOM輸出面板以及地理空間中進行可視化表達與對比分析,并借助SOM的拓撲保持特性在其輸出面板上構建變化軌跡,從而可以直接定量的分析和直觀的表達軌跡的變化方向。因此本研究通過應用SOM方法為多時間序列土地利用變化的時空一體化表達和對比分析提供了一種新的嘗試和探索視角,并基于此來深入分析和揭示北京市郊區2005—2013年間各區土地利用變化的時空模式和發展規律。

1 研究區與研究數據

本文研究區為北京市郊區的14個區,包括朝陽區、海淀區、豐臺區、石景山區、順義區、通州區、大興區、房山區、昌平區、門頭溝區、懷柔區、密云區、延慶區、平谷區。研究數據為北京市2005、2007、2009、2011、2013年5期由SPOT遙感影像解譯獲得的土地利用分類數據(圖1),其中除2005年采用SPOT4全色波段影像和多光譜波段影像的融合結果作為數據源,其余均是以SPOT5多光譜波段影像為數據源,空間分辨率為10m,分類精度均在82%以上。研究數據來自課題組20年來承擔的北京市農村經濟研究中心的長期土地利用監測項目,考慮到遙感數據源的一致性以及從2005年開始的精細監測,本文選用2005年以后的5個監測時相進行研究。由于長期土地利用監測項目的連續性、一致性,土地利用分類標準采用1984年全國農業區劃委員會制定的《土地利用現狀調查技術規程》中的8大類,結合遙感數據分類特點最終將地類劃分為7類：建設用地(將居民點及工礦用地、交通用地合并稱作建設用地)、耕地、林地、牧草地、園地、水域和未利用土地。

圖1 北京市2005—2013年土地利用分類數據Fig.1 Land use classification data of Beijing, 2005—2013

2 研究方法

本文的總體技術流程如圖2所示,主要包括SOM的網絡構建、二次聚類以及土地利用變化軌跡分析等方面的工作。

2.1 SOM方法

圖2 總體技術流程圖Fig.2 Overall flow chart of this study

SOM的網絡是一個兩層網絡,由輸入層與輸出層(又稱競爭層)構成,其中輸入層用于接收輸入的訓練樣本,而輸出層的神經元一般是按照二維陣列排列,兩層各個神經元之間實現雙向連接,SOM網絡通過尋找最優的權值向量即最佳匹配神經元來對輸入模式集合進行分類。SOM算法的步驟為：初始化各權值向量,即對輸出層各權值向量賦小隨機數并進行歸一化；尋找輸入數據的獲勝神經元；調整優勝鄰域內的權值向量；重復尋找輸入數據的獲勝神經元及以后的步驟,直到迭代終止條件被滿足。

實驗中SOM算法是基于Matlab編程實現,對于SOM輸出面板尺寸參數的確定,由于需要對變化的軌跡進行繪制和可視化,所以將SOM輸出面板的尺寸設置的足夠大,從而盡量使得每一個輸入節點在輸出的面板空間中都有只對應于它的單一獲勝節點。本文的輸入數據為北京市5個年份14個區的7種地類屬性即輸入數據共有5a×14區=70條,結合前人研究經驗及多次實驗,設置SOM輸出面板的尺寸為20×20=400,即輸出有400個神經元,要遠大于輸入的節點數,SOM的網絡訓練迭代次數設置為10000次,以保證訓練結果的穩定,從而獲得各特征變量的成分平面圖以及最佳匹配神經元的位置。

2.1.1 SOM輸出成分平面圖

SOM輸入數據為7種地類比例數據構成的7維向量,將這7種地類屬性看作是7個特征變量,經過網絡訓練后,輸出神經元的權值向量即為此7種特征變量構成。根據各輸出神經元的位置對每一特征變量的值進行顯示,得到各特征變量的成分平面圖,可直觀的發現各特征變量值的聚集狀況。

圖3所示為經過網絡訓練后在SOM輸出面板上7個地類屬性各自的分布與聚集狀況,每張圖代表一種地類,顏色越深表示該地類的比例越高、越集中。可以發現在SOM輸出面板上建設用地、耕地、林地、牧草地、園地的分布比較聚集,而水域和未利用土地的分布比較雜亂。其中建設用地比例的高值聚集在SOM輸出面板的右上角(圖3a),耕地比例的高值聚集在左上角(圖3b),林地比例的高值聚集于右下角(圖3c),牧草地比例高值聚集于左下角(圖3d),而園地比例的高值聚集在左邊(圖3e)。由此可以看出經過SOM網絡訓練后的輸入數據在輸入空間中的模式在輸出空間中得以識別和表達。

圖3 SOM輸出成分平面圖Fig.3 Output component planes of SOM

2.1.2 最佳匹配神經元

通過計算歐氏距離尋找距輸入數據最近的輸出神經元作為其最佳匹配神經元,根據輸入數據在SOM輸出面板上最佳匹配神經元的位置,將各年份輸入數據在輸出面板上進行表示(圖4)。結合圖3中的成分平面圖進行對比分析,可以從整體上發現在本研究的所有時相內朝陽區、海淀區、石景山區、豐臺區主要聚集在建設用地比例較高的區域,大興區、通州區、順義區一般聚集在耕地比例較高的區域,延慶區、密云區、懷柔區、門頭溝區等主要聚集在林地比例較高的區域,而平谷區主要在園地比例相對較高的區域。

2.2 二次聚類

將輸出的400個神經元,按其權值向量進行二次聚類,二次聚類采用k-means算法,經多次試驗確定聚類為7類時具有很好的解釋性,并將其分別在SOM輸出空間以及地理空間中進行可視化。圖5中SOM輸出面板的區域劃分代表著二次聚類的結果；圖6中的折線圖表示每個聚類結果的7個屬性值,也即7種地類的面積比例,根據該比例確定各聚類的土地利用結構類型,其中林地過渡型Ⅰ和Ⅱ表示其林地比例相對于林地型為低,但仍占主要優勢比例,林地過渡型Ⅱ中建設用地及耕地也占有不小的比例；圖7是分別將5個年份的聚類結果在地理空間上進行可視化,并以多圖的形式來表現不同年份之間的變化。由于是將不同年份各區域的土地利用數據同時作為輸入數據進行網絡訓練,所以在輸出的結果中,不同時期、不同區域的聚類結果具有可對比性。在圖5、圖6、圖7中所表示的內容均對應著共同的7個聚類,以便于進行時空對比分析。如圖6所示,各聚類的差異主要表現在建設用地、耕地、林地方面的差異,其次是牧草地和園地,水域和未利用土地的貢獻較小。

圖4 SOM最佳匹配神經元Fig.4 Best matching unit of SOM

圖5 二次聚類SOM面板區域劃分 Fig.5 Regional division of SOM output plane by second-step clustering

2.3 軌跡分析

根據不同時期各區輸入數據的最佳匹配神經元在SOM輸出面板中的位置,將各區在不同時期對應的輸出點位依次連接起來,從而在低維空間即SOM輸出面板上構建各區的土地利用變化軌跡,并對變化軌跡進行聚類分析,此時將每個區的各個年份的土地利用結構比例數據按照時間順序依次排列組成一個向量,以此來表示該區的變化軌跡并將其作為軌跡聚類的數據輸入。根據軌跡聚類結果研究區域土地利用的發展模式,同時將其在SOM輸出空間及地理空間上進行可視化。

圖6 二次聚類結果的土地利用類型比例 Fig.6 Percent of different land use type in second-step clustering result

3 北京市土地利用時空演變分析

土地利用時空演變分析包括空間和時間兩個方面,土地利用空間聚集模式可以通過結合SOM輸出面板中各地類屬性的聚集狀況和各年份輸入數據最佳匹配神經元的位置來表達說明；而根據輸出神經元二次聚類結果可獲取各年份的土地利用空間分布模式,并通過多時間序列數據的對比以及變化軌跡的構建、分析與可視化來說明土地利用的時空變化模式。

3.1 土地利用空間聚集模式

首先結合最佳匹配神經元的位置以及SOM輸出成分平面圖中各地類屬性值的分布,可以直觀地發現不同年份各區的聚集狀況,見2.1.2節。根據二次聚類結果可以定量的確定各年份不同區土地利用結構的相似聚集情況,如圖7。可以發現在本研究時段內,北京市郊區主要向兩個方向發展,一是東南平原地區向建設用地型的發展模式,表現為耕地型聚類的減少及建設用地/耕地型聚類的增加；一是西北山區向林地型的發展模式,表現為林地過渡型Ⅱ聚類的減少及林地型聚類的增加。

3.2 土地利用時空變化模式

3.2.1 空間模式演變分析

(1)東南平原地區向建設用地型發展模式。由圖7可以看出順義區、通州區、大興區由2005年和2007年的耕地型轉變為建設用地/耕地型,其中順義區轉變較早(2009年),通州區和大興區轉變較晚(2013年)。該轉變主要是耕地比例的減少以及建設用地、林地及牧草地的增加,這說明順義區、通州區、大興區具有作為城市發展新區的特征。平原區的朝陽區、豐臺區始終屬于建設用地型,位于山區過渡帶的海淀區、石景山區始終屬于建設用地過渡型,該類型的林地比例明顯要高。

(2)西北山區向林地型發展模式。由圖7可以看出房山區、昌平區、平谷區由2005年的林地過渡型Ⅱ轉變為林地過渡型Ⅰ,延慶區、密云區由2005年的林地過渡型Ⅰ轉變為林地型,懷柔區、門頭溝區始終屬于林地型。該轉變主要是林地用地比例的逐漸增加,而耕地等其他地類的比例有所減少,說明這5個區均具有以林地增長為主導的土地利用變化趨勢。

總的來說,從2005年到2013年,平谷區、房山區、昌平區、延慶區和密云區的土地利用變化表現為從林地過渡型Ⅱ到林地過渡型Ⅰ再到林地型的變化模式,順義區、通州區、大興區的土地利用變化表現為從耕地型向建設用地/耕地型的變化模式,而懷柔區、門頭溝區始終屬于林地型,海淀區、石景山區始終屬于建設用地過渡型,朝陽區、豐臺區始終屬于建設用地型。

3.2.2 土地利用變化軌跡

對于14個區所對應的14條軌跡線,通過聚類來分析軌跡方向的相似性,本文采用k-means算法經多次試驗確定將14條軌跡聚為6類時具有很好的解釋性,分別是朝陽區、豐臺區為一類,海淀區、石景山區為一類,順義區、通州區、大興區為一類,昌平區、房山區為一類,平谷區為一類,懷柔區、門頭溝區、延慶區、密云區為一類。各個區的土地利用變化軌跡如圖8所示,其中左圖軌跡線的顏色與右圖各區的顏色一一對應,即相同的顏色表示相同的軌跡聚類。

圖7 不同年份的聚類結果在地理空間中的可視化Fig.7 Geospatial visualization of clustering result in different years

圖8 土地利用變化軌跡與可視化Fig.8 Land use change trajectories and visualization

根據圖8左圖的軌跡聚類圖可以發現朝陽區、豐臺區、海淀區、石景山區的變化軌跡均有向SOM輸出面板右上角的延伸趨勢,說明該區域更趨向于高建設用地比例的土地利用格局發展,即更趨向于中心城區發展；順義區、通州區、大興區趨向于向朝陽區、豐臺區、海淀區、石景山區的方向發展并緊隨其后,表現為向建設用地型發展的過渡階段；懷柔區、門頭溝區、延慶區、密云區的變化軌跡均有向SOM輸出面板右下角的延伸趨勢,說明這些區域更趨向于向林地比例高的土地利用格局發展,即更傾向于向生態涵養功能的發展；昌平區和房山區的軌跡方向介于海淀區、石景山區與密云區、延慶區等之間,而平谷區則始終在園地用地比例較高的區域徘徊。結合圖5所示二次聚類結果的SOM面板,可更加直觀地揭示各區的土地利用變化模式。而且軌跡線不僅可以表現二次聚類類別間的變化,還可以表現某一類別中的變化,像朝陽區、豐臺區在建設用地型中仍然向著建設用地比例更高的方向發展。

4 總結與討論

SOM方法是一種非常有效的可視化數據挖掘方法,可將高維數據映射到二維的平面上,從而更加直觀的表現和識別潛在的模式。本研究運用SOM方法來探索分析北京市區級土地利用的時空演變模式,通過設置足夠大尺寸的SOM輸出面板,借助SOM的拓撲保持特性將多時間序列數據同時輸入SOM網絡進行訓練輸出,從而實現土地利用變化的時空一體化表達和對比分析,為當前土地利用變化研究中存在的對多期數據處理多是基于單期或相鄰兩期兩兩對比[1- 4]的問題提供了一種新的解決思路。

聚類與軌跡分析結果與2006年出臺的北京市“十一五”功能區域發展規劃基本一致,通過對SOM輸出神經元進行二次聚類及在其輸出面板上構建的土地利用變化軌跡,可以發現一些更為精細的結果,像朝陽區、豐臺區、海淀區、石景山區均為城市功能拓展區,但相比與海淀區和石景山區,朝陽區和豐臺區更趨近于中心城區的發展；此外,房山區與昌平區雖然被規劃為城市發展新區,當前仍以林地為主導用地類型,且林地的用地比例有一定的增長趨勢,但從軌跡方向上來看也有一定的朝海淀區與石景山區的發展趨勢；而對于順義區、通州區和大興區,在其區域發展過程中順義區的轉變發生較早。綜上可知,北京市在2005—2013年間土地利用變化的特點主要表現為建設用地和林地的逐年增長以及耕地的逐年減少,說明了城市在向外擴展過程中各地類之間此消彼長的結構變化關系及建設用地對農用地的侵占狀況。因此運用本方法可以很好的發現區域土地利用變化的時空模式,同時也為更多時間序列的土地利用變化數據的時空一體化表達和對比分析提供了一種可供選擇的更加直觀便捷的探索方法。

本研究的輸入數據為70條,設置的輸出神經元個數為400個,但當研究區域更大或者對輸入的空間單元尺度劃分更細時,輸入數據的數量會大大增加,此時輸出神經元的數量也需要相應增多,也即需要更大的SOM輸出面板的尺寸,這樣SOM網絡訓練過程中的計算量就會大大增加,這就需要考慮SOM的算法效率問題。

[1] 楊國安,甘國輝. 基于分形理論的北京市土地利用空間格局變化研究. 系統工程理論與實踐, 2004, 24 (10): 131- 137.

[2] 侍昊, 薛建輝, 馬婉麗. 1991—2006年無錫市土地利用變化動態度及轉換參數分析. 南京林業大學學報: 自然科學版, 2012, 36(6): 63- 68.

[3] Long H L, Tang G P, Li X B, Heilig G K. Socio-economic driving forces of land-use change in Kunshan, the Yangtze River Delta economic area of China. Journal of Environmental Management, 2007, 83(3): 351- 364.

[4] Fan Q D, Ding S Y. Landscape pattern changes at a county scale: a case study in Fengqiu, Henan Province, China from 1990 to 2013. Catena, 2016, 137: 152- 160.

[5] Liu H P, Zhou Q M. Developing urban growth predictions from spatial indicators based on multi-temporal images. Computers, Environment and Urban Systems, 2005, 29(5): 580- 594.

[6] 黃勇, 王鳳友, 蔡體久, 汪東川, 王倩倩, 陳文剛. 環渤海地區景觀格局動態變化軌跡分析. 水土保持學報, 2015, 29(2): 314- 319.

[7] 容芳芳, 塔西甫拉提·特依拜, 田源, 張飛. 于田綠洲土地利用/覆蓋變化軌跡分析. 水土保持研究, 2010, 17(3): 259- 263.

[8] Kohonen T. Self-organized formation of topologically correct feature maps. Biological Cybernetics, 1982, 43(1): 59- 69.

[9] 焦利民, 劉耀林, 任周橋. 基于自組織神經網絡的空間點群聚類及其應用分析. 武漢大學學報: 信息科學版, 2008, 32(2): 168- 171.

[10] 焦利民, 洪曉峰, 劉耀林. 空間和屬性雙重約束下的自組織空間聚類研究. 武漢大學學報: 信息科學版, 2011, 36(7): 862- 866.

[11] Ghaseminezhad M H, Karami A. A novel self-organizing map (SOM) neural network for discrete groups of data clustering. Applied Soft Computing, 2011, 11(4): 3771- 3778.

[12] Ren J H, Chen J C, Wang N. Visual analysis of SOM network in fault diagnosis. Physics Procedia, 2011, 22: 333- 338.

[13] Lamb P F, Mündermann A, Bartlett R M, Robins A. Visualizing changes in lower body coordination with different types of foot orthoses using self-organizing maps (SOM). Gait & Posture, 2011, 34(4): 485- 489.

[14] Varini C, Degenhard A, Nattkemper T W. Visual exploratory analysis of DCE-MRI data in breast cancer by dimensional data reduction: a comparative study. Biomedical Signal Processing and Control, 2006, 1(1): 56- 63.

[15] 廖廣蘭, 李巍華, 史鐵林, 陳勇輝. 基于自組織映射的齒輪箱狀態監測可視化研究. 機械工程學報, 2003, 39(12): 99- 102.

[16] Chen N, Ribeiro B, Vieira A, Chen A. Clustering and visualization of bankruptcy trajectory using self-organizing map. Expert Systems with Applications, 2013, 40(1): 385- 393.

[17] Lee A C D, Rinner C. Visualizing urban social change with self-organizing maps: Toronto neighbourhoods, 1996- 2006. Habitat International, 2015, 45: 92- 98.

[18] Skupin A, Hagelman R. Visualizing demographic trajectories with self-organizing maps. GeoInformatica, 2005, 9(2): 159- 179.

[19] Augustijn E, Zurita-Milla R. Self-organizing maps as an approach to exploring spatiotemporal diffusion patterns. International Journal of Health Geographics, 2013, 12: 60- 60.

[20] Andrienko G, Andrienko N, Bremm S, Schreck T, Von Landesberger T, Bak P, Keim D. Space-in-time and time-in-space self-organizing maps for exploring spatiotemporal patterns. Computer Graphics Forum, 2010, 29(3): 913- 922.

[21] Yan J, Thill J C. Visual data mining in spatial interaction analysis with self-organizing maps. Environment and Planning B-Planning & Design, 2009, 36(3): 466- 486.

[22] Huva R, Dargaville R, Rayner P. The impact of filtering self-organizing maps: a case study with Australian pressure and rainfall. International Journal of Climatology, 2015, 35(4): 624- 633.

[23] Arribas-Bel D, Nijkamp P, Scholten H. Multidimensional urban sprawl in Europe: a self-organizing map approach. Computers, Environment and Urban Systems, 2011, 35(4): 263- 275.

[24] Arribas-Bel D, Schmidt C R. Self-organizing maps and the US urban spatial structure. Environment and Planning B-Planning & Design, 2013, 40(2): 362- 371.

[25] 焦利民, 吳蘇. 利用自組織網絡分析1990—2010年中國主要城市擴展特征. 武漢大學學報: 信息科學版, 2014, 39(12): 1435- 1440, 1471- 1471.

Landusespatial-temporalevolutionanalysisusingaself-organizingmapinBeijing,2005—2013

QI Jianchao1,2,3, LIU Huiping1,2,3,*, YI Yaoguo1,2,3,4

1StateKeyLaboratoryofRemoteSensingScience,BeijingNormalUniversity,Beijing100875,China2BeijingKeyLaboratoryofEnvironmentalRemoteSensingandDigitalCity,BeijingNormalUniversity,Beijing100875,China3SchoolofGeographyandRS,BeijingNormalUniversity,Beijing100875,China4SchoolofGeologyandGeomatics,TianjinChengjianUniversity,Tianjin300384,China

Multiple time series land using spatial-temporal evolution analysis is an important research area. In this study, we investigated the spatial-temporal integrated expression of multiple time series land use change. A self-organizing map (SOM) neural network was used to explore regional land use change modes and to analyze what has driven these changes. Remote sensing data for five land use classification data periods (2005, 2007, 2009, 2011, and 2013) for Beijing were used to train the network, and the outputs identified the aggregation modes for building land, farmland, forest land, grassland, and gardens by using the clustering, dimension-reducing, and visual functions of the SOM. Then we conducted second-step clustering to produce the neuron and build the land use change trajectories that are needed to analyze the spatial-temporal features of Beijing suburban land use changes during the five monitoring periods. The results revealed that there were two land use changes in the Beijing suburbs between 2005 and 2013. One was the development of buildings on farmland located on the plains and the other was the development of forest land in mountainous areas. Furthermore, development in each district had its own time sequences. This meant that we eventually obtained six land use change trajectories in total.

self-organizing map(SOM); land use change; multiple time series; spatial-temporal analysis; trajectory analysis

中央高校基本科研業務費專項資金資助項目；北京市共建項目專項資助；國家自然科學基金項目(40671127)；國土資源部公益性行為科研專項(201411015-03)

2016- 07- 22; < class="emphasis_bold">網絡出版日期

日期:2017- 05- 27

*通訊作者Corresponding author.E-mail: hpliu@bnu.edu.cn

10.5846/stxb201607221487

齊建超,劉慧平,伊堯國.應用自組織映射方法的北京市2005—2013年土地利用時空演變分析.生態學報,2017,37(19):6346- 6354.

Qi J C, Liu H P, Yi Y G.Land use spatial-temporal evolution analysis using a self-organizing map in Beijing, 2005—2013.Acta Ecologica Sinica,2017,37(19):6346- 6354.