基于SOFM神經網絡的土地整治時空配置分區研究

江志猛，陳文波，鄭 蕉

（1.江西農業大學國土資源與環境學院，江西 南昌 330045；2.江西農業大學南昌市景觀與環境重點實驗室，江西 南昌 330045；3.江西農業大學計算機與信息工程學院，江西 南昌 330045）

1 引言

近年來，中國政府多措并舉，農業穩中調優，糧食連獲豐收[1]。但人多地少是中國的基本國情[2]，土地資源利用中因人地矛盾導致的結構失衡與生態問題仍十分突出[3]，農業土地正由單一生產功能向生態和生活功能拓展[4]，土地整治也逐步走向多類型化和多目標化，有序可依、合理布局成為土地整治的新要求。土地整治時空配置是依據區域生態系統條件、自然資源稟賦及社會經濟狀況等因素，確定土地整治的空間組織與投入時序[5]的行為，對提升土地整治成效具有重要意義。如何通過優化時空配置分區高水平實現土地整治目標是當前土地科學研究面臨的挑戰。

中共十九大報告指出，當前中國國土空間綜合整治的核心內容是“加快生態文明體制改革，建設美麗中國”[6]，土地利用邁入轉型期，土地整治與生態文明建設、鄉村振興有了新的互饋關系[7]，原有的國土生態—生產—生活（“三生”）空間面臨數量與空間再配置的壓力，土地整治思路將由追求總量向“N位一體” 轉變。多年實踐表明土地整治或多或少會對區域生態產生直接或間接的負面影響[8-10]，然而當前土地整治時空配置分區研究主要考慮土地整治需求程度和適宜程度等因素，較少關注土地整治伴生的生態風險問題[11]。如何在科學考慮土地整治生態風險等因素的基礎上研究土地整治時空配置分區，合理布局土地整治項目，依托土地整治重構“三生”空間穩態并與“三生”功能協同優化，是新時期助力鄉村生態文明建設、促進“土地整治+多元要素”聯動共榮的關鍵。當前土地整治時空配置分區研究常用的方法有多因素綜合評價法[12]、矩陣分析法[13]和系統聚類法[14]等數學方法，這些方法通常未同時考慮時間和空間雙重維度特征，分區過程中主觀性較強[5]，分區結果的空間集中度較低[15],分區方法需要改進與創新。自組織特征映射（Self-organizing Feature Mapping，SOFM）神經網絡采用競爭學習機制實現對數據集的自組織聚類，具有自組織概率分布特性和保持拓撲能力，劃分出的結果空間連續、屬性相近[16]，適用于對未歸類的多維數據集進行分類，目前已成功運用于模式識別、機器人、通信、數據挖掘及知識發現等領域。運用SOFM神經網絡進行土地整治時空配置分區，可兼顧土地整治的地理位置和空間屬性特征，提高分區結果的客觀性和應用性。

本文以江西省萍鄉市湘東區為研究區，綜合考慮土地整治生態風險、迫切性和適宜性等多維影響因素，基于SOFM神經網絡對土地整治時空配置分區進行實證研究，結果將為新時期土地整治時空配置分區研究提供新思路。

2 研究區概況與數據來源

湘東區位于江西省萍鄉市西部，地處湘贛邊境，地勢南高北低，下轄10個鄉鎮140個行政村，全區總人口41.30萬人，其中農業人口30.18萬人，土地總面積85 780 hm2，其中耕地15 258 hm2、林地56 295 hm2、農村居民點5 552 hm2、采礦用地486 hm2、未利用地2 991 hm2。湘東區近年城鎮化、工業化快速發展，城鎮用地擴張明顯，為緩解土地資源壓力，湘東區多年來推行了一系列土地整治項目，《湘東區土地整治規劃（2016—2020年）》安排的整治項目面積達4 975 hm2（其中農用地整理4 209 hm2、農村建設用地整理128 hm2、土地復墾115 hm2、土地開發523 hm2），但在實施過程中因缺乏科學的時序安排和空間組織引導，土地整治取得的成效不佳。以湘東區為研究區，具有較強的典型性和代表性。研究使用的土地利用現狀數據來源于湘東區土地利用變更數據庫（2018）、農用地質量分等數據庫（2017），地形數據來源于湘東區DEM，風險源數據來源于湘東區土地整治規劃（2016—2020年）和土地利用總體規劃（2016—2020年）數據庫，其他相關環境、社會經濟等數據來源于《湘東區統計年鑒》（2018）、耕地后備資源調查成果及實地勘測和調研資料等。

3 研究思路與方法

土地整治時空配置分區具有時間和空間的雙重維度特征，需同時考慮土地整治的時序安排和空間組織。本文首先從生態風險、農業生產條件、土地整治潛力等角度構建指標體系分析土地整治的生態風險、時間迫切性和空間適宜性大小，并以其為屬性空間域，以行政村幾何中心點坐標為地理空間域，通過SOFM神經網絡實現土地整治時空配置分區，探討土地整治的重點方向。研究技術路線如圖1。

圖1 研究技術路線圖Fig.1 Flow chart of the research method

3.1 土地整治生態風險分析

采用相對風險模型（Relative Risk Model，RRM）分析土地整治生態風險。RRM具有評價結果易于量化、實用性較強等特點，當前已廣泛運用區域生態風險研究[17]，具體步驟為：（1）劃分風險單元，確定各類風險源、生境和生態受體；（2）構建暴露—響應概念模型，明晰三者的相互作用路徑；（3）計算風險源密度、生境豐度、暴露系數和響應系數，進行暴露—危害分析；（4）構建RRM，對暴露—危害分析結果進行風險表征，據式（1）計算各單元相對風險值。

式（1）中：RSi為第i個單元的相對風險值；j為風險源；k為生境類型；m為生態受體類型；Sij為風險源密度；Hik為生境豐度；Xjk為暴露系數；Ekm為響應系數。風險源密度（生境豐度）為單元內某一風險源（生境）面積與單元中此項風險源（生境）面積的最大值的比值；暴露系數（Xjk）為生境中某個風險源的面積與該生境總面積的比值。

3.2 土地整治迫切性和適宜性分析主導因素確定

影響土地整治迫切性和適宜性的各因素間具有交錯性和動態性，需篩選出其主導因素。灰色關聯Xi分析法將系統發展過程中參考數列Xo和若干比較數列Xi的變化態勢進行比對，若變化態勢相對一致，則認為兩數列間關聯度大，否則稱其關聯度小，具體步驟為：選定反映系統行為特征的參考數列和影響系統行為的比較數列 ,將指標分為正向和逆向指標，運用極差法對指標進行無量綱化，基于下式計算灰色關聯度。

式（2）—式（3）中：ξ0i（k）為第k個單元無量綱化后Xo與Xi的灰色關聯系數；λ為分辨系數，取0.5；η0i為Xo變化值與第i個比較數列的灰色關聯度。根據實際設定影響因素灰色關聯度閾值，結果大于閾值的因素為主導因素。

3.3 基于SOFM的土地整治時空配置方法

SOFM神經網絡是T KOHONEN根據人腦中的神經元具有后天學習能力這一特性提出的一種新的無監督聚類方法，由全互連接的輸入層和輸出層組成。本文采用SOFM神經網絡和混合距離進行雙重屬性聚類，進而檢測空間異常值，修正分區邊界，再結合屬性空間特征得到最終的分區結果，具體步驟如下：

（1）建立SOFM神經網絡，設定各參數，對數據集坐標和屬性空間指標進行無量綱化。

（2）構造混合距離，在自組織分區時，空間距離和屬性距離都可度量聚類對象在空間域和屬性域上的鄰近關系，故采用混合距離來表征采樣點間的相似性，設具有雙重屬性的點集定義如下。

式（4）—式（5）中：{g1N,g2N, …,gGN}為地理空間（G取1，2，3）；{a1N,a2N, …,aND}為屬性空間（D為屬性個數）；Disj為兩點之間的地理空間距離（歐氏距離）；ωd為屬性d的權值，∑ωd=1；adi、adj分別為點i和j屬性d的取值；ωS、ωa分別為地理空間和屬性空間權值，ωS+ωa=1。

（3）隨機選取第n點的屬性向量作為輸入向量，并基于混合距離衡量最佳匹配點。

（4）據領域函數和學習率函數，修正神經元權值。

4 結果與分析

4.1 土地整治生態風險分析

土地整治生態風險分析的研究對象為湘東區全域，涉及因素眾多且相互關系復雜，加之湘東區土地整治項目實施和權屬變更均以鄉鎮為基礎，故以鄉鎮為單元分析湘東區土地整治規劃（2016—2020）的生態風險并以此刻畫湘東區土地整治的生態風險[18]。結合已有研究和湘東區近年來土地整治的實施情況，依據土地整治類型確定風險源，參照土地整治活動中風險源的影響程度，選取受土地整治工程實施影響較大的耕地、農村居民點、采礦用地和其他土地為生境；考慮各類生態受體暴露于土地整治壓力下的概率大小，確定生態受體為土壤、水環境、生物物種、景觀格局和人類。風險源釋放脅迫因子作用于生態受體，生態受體對脅迫因子的干擾作出響應[19]，根據這一過程，構建揭示風險源—生境—生態受體之間作用路徑的暴露—響應概念模型（表1）。借鑒王同偉等[20]和郭凱等[21]的方法，采用“弱（0.1）、較弱（0.3）、中（0.5）、較強（0.7）、強（0.9）”5級表示風險源的影響程度，并在充分征詢湘東區農業、自然資源、環保等部門17位專家意見的基礎上，結合各單元各類生境的實際利用程度，經綜合分析確定響應系數（表2）。據式（1）求得湘東區土地整治生態風險值（表3）。

4.2 土地整治迫切性和土地整治適宜性分析

考慮湘東區土地整治發展現狀并結合相關規程與因素的可觀測性，基于“三生”空間重構的時間迫切性和空間適宜性角度，選取農民整治意愿為迫切性分析參考數列（農民對開展土地整治的愿望越強，即土地整治迫切性越大），結合農業生產條件和社會經濟發展對土地整治的拉動力選取地形坡度、耕地破碎

度指數、耕作便捷度、土壤質地、灌溉保證率、森林覆蓋度、農用地利用系數、耕地損毀率、耕地后備資源面積和人均耕地面積等為迫切性分析比較數列；選取人均工農業總產值為適宜性分析參考數列（產值越高，表明該地區經濟發展越好，實施土地整治的保障性越大，越適宜整治），結合土地整治潛力與可行度選取新增耕地率、耕地質量可提升度、農村青壯年人口比例、生態服務價值增加量、農戶文化水平、墾殖率、生物多樣性和農業從業人員比重等為適宜性分析比較數列。據式（2）和式（3）求得土地整治迫切性比較數列的灰色關聯度分別為0.834、0.765、0.793、0.656、0.803、0.775、0.790、0.739、0.674、0.804；土地整治適宜性比較數列的灰色關聯系數分別為0.802、0.739、0.618、0.728、0.757、0.712、0.623、0.743。結合湘東區實際，以關聯度大于0.7為標準[22]，選定土地整治迫切性的主導因素為：地形坡度、耕地破碎度指數、耕作便捷度、灌溉保證率、森林覆蓋度、農用地利用系數、耕地損毀率和人均耕地面積；土地整治適宜性的主導因素為：新增耕地率、耕地質量可提升度、生態服務價值增加量、農戶文化水平、墾殖率和農業從業人員比重。

表1 土地整治生態風險暴露—響應概念模型Tab.1 The ecological risk exposure-response model for land reclamation

表2 生境—生態受體響應系數Tab.2 The response coefficients of habitat and ecological receptors

表3 土地整治生態風險Tab.3 Ecological risk of land reclamation

4.3 權重確定與指標量化

采用極差標準化法對原始指標數據進行無量綱化，運用AHP-熵值法，邀請農業、土地、生態等相關專業11位專家對各指標相對重要程度進行排序，構建初始判斷矩陣，計算最終組合權重（表4）。選取適合的分級標準，得到土地整治生態風險、迫切性和適宜性的量化值如圖2。

表4 土地整治時空配置分區指標體系及其權重Tab.4 Index system and relevant weights of temporal-spatial allocation zoning of land reclamation

4.4 土地整治時空配置分區

基于MATLAB軟件神經網絡工具箱構建SOFM網絡。將各行政村幾何中心點的x、y坐標作為計算變差函數的輸入地理空間變量，土地整治生態風險、迫切性和適宜性3個變量作為輸入屬性空間變量，構建3×140輸入層矩陣作為SOFM神經網絡輸入層參數。設計網絡參數：初始權值為［0，1］的隨機數，基本學習速率為0.1，最大訓練次數為1500，地理空間權值為0.4、屬性空間權值為0.6，由表4中準則層的權重乘以0.6得出屬性空間3個變量的權重，其他參數為默認值。權向量和鄰近神經元之間的距離如圖3。

不同SOFM聚類數目產生的結果不同，當數目為8時的分區邊界較為完整（圖4）。把分屬不同區的細碎行政村歸并至鄰近項目區中，將湘東區140個行政村分為8個項目區（圖5（b））。

圖2 土地整治時空配置分區指標空間分布Fig.2 The spatial distribution of temporal-spatial allocation zoning indicators for land reclamation

圖3 訓練次數為1 500的權向量及鄰近神經元之間的距離Fig.3 The weight vector with 1500 training times and the distance between adjacent neurons

圖4 不同聚類數目的SOFM分區結果Fig.4 SOFM zoning results with different cluster numbers

圖5 湘東區土地整治時空配置分區格局Fig.5 Temporal-spatial allocation zoning pattern of land reclamation in Xiangdong District

采用面積加權平均法計算各項目區內土地整治生態風險、迫切性和適宜性的平均等級，生態風險等級越低，土地整治對生態造成的壓力越小，優先進行整治；土地整治迫切性等級越高的區域對開展土地整治需求越大，優先進行整治；土地整治適宜性等級越高的區域整治潛力和可行度越高，優先進行整治。得出綜合目標導向下的土地整治時空配置分區格局如表5和圖（5（d））：近期優先整治區含白竺鄉和廣寒寨鄉，土地整治生態風險較小，農業生產機械化作業條件較優，但農業發展落后，亟需通過土地整治來改善現狀，適宜推行“土地整治+現代農業+精準扶貧”模式，以改善農業生產條件為依托重點提升生產空間資源質量。近期適度整治區位于荷堯鎮、臘市鎮和下埠鎮，土地整治適宜性較高，環境生態保護完好，自然風光秀美，交通便利，適合開展“土地整治+鄉村旅游” 模式，以人居環境建設等為重點提升生活空間條件。中期緊縮整治區包括湘東鎮、老關鎮和東橋鎮南部，湘東鎮是湘東區的經濟文化中心，土地整治易對人類生活造成影響，老關鎮和東橋鎮地勢起伏大，當前可整治土地條件不佳，建議實行“土地整治+新型城鎮化”模式，以發展集約型農業促進生產、生態和生活空間高效協同優化，推進城鄉良性協調發展。遠期限制整治區包括排上鎮、麻山鎮和東橋鎮北部，土地整治生態風險高，整治條件較差，近期內不適宜實施土地整治項目，若確實因脫貧攻堅等需要進行土地整治，也應以保護和修復生態為第一要義因地制宜地開展“土地整治+生態治理”，基于生態保護措施建設維持生態空間穩態。

表5 土地整治時空配置分區結果Tab.5 Temporal-spatial allocation zoning results of land reclamation

5 結論與討論

本文綜合考慮土地整治生態風險、迫切性和適宜性因素，將生態文明建設、鄉村振興、“三生”空間重構等作為主要目標，構建體現湘東區土地整治特征的定量分析指標體系，針對土地整治具有時間和空間雙重維度性質，引入兼顧地理空間和屬性特征的SOFM神經網絡進行土地整治時空配置分區研究，在總結各分區特點的基礎上提出“三生”空間重構和“土地整治+”的重點方向。結果表明：（1）綜合考慮土地整治生態風險、迫切性和適宜性進行土地整治時空配置分區，既把增強耕地產能、提升資源集約利用度作為土地整治的重要目標，同時也考慮了土地整治對區域生態可能造成的風險，符合新時期土地整治的目標和要求；（2）通過SOFM神經網絡并結合指標特征將湘東區140個行政村分為近期優先、近期適度、中期緊縮和遠期限制整治區，結果較為符合湘東區土地整治實際，研究結果具有較優的科學性和應用性。

本文采用了傳統多因素綜合評價法的分區方法與SOFM神經網絡方法進行比較，結果存在差異：運用多因素綜合評價法確定的土地整治區空間分布零散（圖5（a）），而基于SOFM神經網絡劃分的結果區域連片程度較高（圖5（b）），更利于全域推進土地整治。同時，進一步調查比較是否考慮生態風險時的分區結果發現：不考慮生態風險時，湘東區劃分為6個項目區（圖5（c）），湘東鎮和荷堯鎮、麻山鎮和白竺鄉的部分行政村被劃分為同一項目區，但實際上湘東鎮和麻山鎮的生態環境及土地整治規劃現狀較荷堯鎮和白竺鄉差異較大，分區結果不夠科學。綜合對比分析表明：考慮土地整治生態風險并基于SOFM神經網絡的土地整治時空配置分區方法在目標導向和成果應用上具有顯著優勢，有利于合理管控土地整治的生態風險并增強土地整治的區域協同力，對新時期的土地整治專項規劃編制與實施具有一定參考價值。