基于SOFM神经网络的土地整治时空配置分区研究

江志猛，陈文波，郑 蕉

（1.江西农业大学国土资源与环境学院，江西 南昌 330045；2.江西农业大学南昌市景观与环境重点实验室，江西 南昌 330045；3.江西农业大学计算机与信息工程学院，江西 南昌 330045）

1 引言

近年来，中国政府多措并举，农业稳中调优，粮食连获丰收[1]。但人多地少是中国的基本国情[2]，土地资源利用中因人地矛盾导致的结构失衡与生态问题仍十分突出[3]，农业土地正由单一生产功能向生态和生活功能拓展[4]，土地整治也逐步走向多类型化和多目标化，有序可依、合理布局成为土地整治的新要求。土地整治时空配置是依据区域生态系统条件、自然资源禀赋及社会经济状况等因素，确定土地整治的空间组织与投入时序[5]的行为，对提升土地整治成效具有重要意义。如何通过优化时空配置分区高水平实现土地整治目标是当前土地科学研究面临的挑战。

中共十九大报告指出，当前中国国土空间综合整治的核心内容是“加快生态文明体制改革，建设美丽中国”[6]，土地利用迈入转型期，土地整治与生态文明建设、乡村振兴有了新的互馈关系[7]，原有的国土生态—生产—生活（“三生”）空间面临数量与空间再配置的压力，土地整治思路将由追求总量向“N位一体” 转变。多年实践表明土地整治或多或少会对区域生态产生直接或间接的负面影响[8-10]，然而当前土地整治时空配置分区研究主要考虑土地整治需求程度和适宜程度等因素，较少关注土地整治伴生的生态风险问题[11]。如何在科学考虑土地整治生态风险等因素的基础上研究土地整治时空配置分区，合理布局土地整治项目，依托土地整治重构“三生”空间稳态并与“三生”功能协同优化，是新时期助力乡村生态文明建设、促进“土地整治+多元要素”联动共荣的关键。当前土地整治时空配置分区研究常用的方法有多因素综合评价法[12]、矩阵分析法[13]和系统聚类法[14]等数学方法，这些方法通常未同时考虑时间和空间双重维度特征，分区过程中主观性较强[5]，分区结果的空间集中度较低[15],分区方法需要改进与创新。自组织特征映射（Self-organizing Feature Mapping，SOFM）神经网络采用竞争学习机制实现对数据集的自组织聚类，具有自组织概率分布特性和保持拓扑能力，划分出的结果空间连续、属性相近[16]，适用于对未归类的多维数据集进行分类，目前已成功运用于模式识别、机器人、通信、数据挖掘及知识发现等领域。运用SOFM神经网络进行土地整治时空配置分区，可兼顾土地整治的地理位置和空间属性特征，提高分区结果的客观性和应用性。

本文以江西省萍乡市湘东区为研究区，综合考虑土地整治生态风险、迫切性和适宜性等多维影响因素，基于SOFM神经网络对土地整治时空配置分区进行实证研究，结果将为新时期土地整治时空配置分区研究提供新思路。

2 研究区概况与数据来源

湘东区位于江西省萍乡市西部，地处湘赣边境，地势南高北低，下辖10个乡镇140个行政村，全区总人口41.30万人，其中农业人口30.18万人，土地总面积85 780 hm2，其中耕地15 258 hm2、林地56 295 hm2、农村居民点5 552 hm2、采矿用地486 hm2、未利用地2 991 hm2。湘东区近年城镇化、工业化快速发展，城镇用地扩张明显，为缓解土地资源压力，湘东区多年来推行了一系列土地整治项目，《湘东区土地整治规划（2016—2020年）》安排的整治项目面积达4 975 hm2（其中农用地整理4 209 hm2、农村建设用地整理128 hm2、土地复垦115 hm2、土地开发523 hm2），但在实施过程中因缺乏科学的时序安排和空间组织引导，土地整治取得的成效不佳。以湘东区为研究区，具有较强的典型性和代表性。研究使用的土地利用现状数据来源于湘东区土地利用变更数据库（2018）、农用地质量分等数据库（2017），地形数据来源于湘东区DEM，风险源数据来源于湘东区土地整治规划（2016—2020年）和土地利用总体规划（2016—2020年）数据库，其他相关环境、社会经济等数据来源于《湘东区统计年鉴》（2018）、耕地后备资源调查成果及实地勘测和调研资料等。

3 研究思路与方法

土地整治时空配置分区具有时间和空间的双重维度特征，需同时考虑土地整治的时序安排和空间组织。本文首先从生态风险、农业生产条件、土地整治潜力等角度构建指标体系分析土地整治的生态风险、时间迫切性和空间适宜性大小，并以其为属性空间域，以行政村几何中心点坐标为地理空间域，通过SOFM神经网络实现土地整治时空配置分区，探讨土地整治的重点方向。研究技术路线如图1。

图1 研究技术路线图Fig.1 Flow chart of the research method

3.1 土地整治生态风险分析

采用相对风险模型（Relative Risk Model，RRM）分析土地整治生态风险。RRM具有评价结果易于量化、实用性较强等特点，当前已广泛运用区域生态风险研究[17]，具体步骤为：（1）划分风险单元，确定各类风险源、生境和生态受体；（2）构建暴露—响应概念模型，明晰三者的相互作用路径；（3）计算风险源密度、生境丰度、暴露系数和响应系数，进行暴露—危害分析；（4）构建RRM，对暴露—危害分析结果进行风险表征，据式（1）计算各单元相对风险值。

式（1）中：RSi为第i个单元的相对风险值；j为风险源；k为生境类型；m为生态受体类型；Sij为风险源密度；Hik为生境丰度；Xjk为暴露系数；Ekm为响应系数。风险源密度（生境丰度）为单元内某一风险源（生境）面积与单元中此项风险源（生境）面积的最大值的比值；暴露系数（Xjk）为生境中某个风险源的面积与该生境总面积的比值。

3.2 土地整治迫切性和适宜性分析主导因素确定

影响土地整治迫切性和适宜性的各因素间具有交错性和动态性，需筛选出其主导因素。灰色关联Xi分析法将系统发展过程中参考数列Xo和若干比较数列Xi的变化态势进行比对，若变化态势相对一致，则认为两数列间关联度大，否则称其关联度小，具体步骤为：选定反映系统行为特征的参考数列和影响系统行为的比较数列 ,将指标分为正向和逆向指标，运用极差法对指标进行无量纲化，基于下式计算灰色关联度。

式（2）—式（3）中：ξ0i（k）为第k个单元无量纲化后Xo与Xi的灰色关联系数；λ为分辨系数，取0.5；η0i为Xo变化值与第i个比较数列的灰色关联度。根据实际设定影响因素灰色关联度阈值，结果大于阈值的因素为主导因素。

3.3 基于SOFM的土地整治时空配置方法

SOFM神经网络是T KOHONEN根据人脑中的神经元具有后天学习能力这一特性提出的一种新的无监督聚类方法，由全互连接的输入层和输出层组成。本文采用SOFM神经网络和混合距离进行双重属性聚类，进而检测空间异常值，修正分区边界，再结合属性空间特征得到最终的分区结果，具体步骤如下：

（1）建立SOFM神经网络，设定各参数，对数据集坐标和属性空间指标进行无量纲化。

（2）构造混合距离，在自组织分区时，空间距离和属性距离都可度量聚类对象在空间域和属性域上的邻近关系，故采用混合距离来表征采样点间的相似性，设具有双重属性的点集定义如下。

式（4）—式（5）中：{g1N,g2N, …,gGN}为地理空间（G取1，2，3）；{a1N,a2N, …,aND}为属性空间（D为属性个数）；Disj为两点之间的地理空间距离（欧氏距离）；ωd为属性d的权值，∑ωd=1；adi、adj分别为点i和j属性d的取值；ωS、ωa分别为地理空间和属性空间权值，ωS+ωa=1。

（3）随机选取第n点的属性向量作为输入向量，并基于混合距离衡量最佳匹配点。

（4）据领域函数和学习率函数，修正神经元权值。

4 结果与分析

4.1 土地整治生态风险分析

土地整治生态风险分析的研究对象为湘东区全域，涉及因素众多且相互关系复杂，加之湘东区土地整治项目实施和权属变更均以乡镇为基础，故以乡镇为单元分析湘东区土地整治规划（2016—2020）的生态风险并以此刻画湘东区土地整治的生态风险[18]。结合已有研究和湘东区近年来土地整治的实施情况，依据土地整治类型确定风险源，参照土地整治活动中风险源的影响程度，选取受土地整治工程实施影响较大的耕地、农村居民点、采矿用地和其他土地为生境；考虑各类生态受体暴露于土地整治压力下的概率大小，确定生态受体为土壤、水环境、生物物种、景观格局和人类。风险源释放胁迫因子作用于生态受体，生态受体对胁迫因子的干扰作出响应[19]，根据这一过程，构建揭示风险源—生境—生态受体之间作用路径的暴露—响应概念模型（表1）。借鉴王同伟等[20]和郭凯等[21]的方法，采用“弱（0.1）、较弱（0.3）、中（0.5）、较强（0.7）、强（0.9）”5级表示风险源的影响程度，并在充分征询湘东区农业、自然资源、环保等部门17位专家意见的基础上，结合各单元各类生境的实际利用程度，经综合分析确定响应系数（表2）。据式（1）求得湘东区土地整治生态风险值（表3）。

4.2 土地整治迫切性和土地整治适宜性分析

考虑湘东区土地整治发展现状并结合相关规程与因素的可观测性，基于“三生”空间重构的时间迫切性和空间适宜性角度，选取农民整治意愿为迫切性分析参考数列（农民对开展土地整治的愿望越强，即土地整治迫切性越大），结合农业生产条件和社会经济发展对土地整治的拉动力选取地形坡度、耕地破碎

度指数、耕作便捷度、土壤质地、灌溉保证率、森林覆盖度、农用地利用系数、耕地损毁率、耕地后备资源面积和人均耕地面积等为迫切性分析比较数列；选取人均工农业总产值为适宜性分析参考数列（产值越高，表明该地区经济发展越好，实施土地整治的保障性越大，越适宜整治），结合土地整治潜力与可行度选取新增耕地率、耕地质量可提升度、农村青壮年人口比例、生态服务价值增加量、农户文化水平、垦殖率、生物多样性和农业从业人员比重等为适宜性分析比较数列。据式（2）和式（3）求得土地整治迫切性比较数列的灰色关联度分别为0.834、0.765、0.793、0.656、0.803、0.775、0.790、0.739、0.674、0.804；土地整治适宜性比较数列的灰色关联系数分别为0.802、0.739、0.618、0.728、0.757、0.712、0.623、0.743。结合湘东区实际，以关联度大于0.7为标准[22]，选定土地整治迫切性的主导因素为：地形坡度、耕地破碎度指数、耕作便捷度、灌溉保证率、森林覆盖度、农用地利用系数、耕地损毁率和人均耕地面积；土地整治适宜性的主导因素为：新增耕地率、耕地质量可提升度、生态服务价值增加量、农户文化水平、垦殖率和农业从业人员比重。

表1 土地整治生态风险暴露—响应概念模型Tab.1 The ecological risk exposure-response model for land reclamation

表2 生境—生态受体响应系数Tab.2 The response coefficients of habitat and ecological receptors

表3 土地整治生态风险Tab.3 Ecological risk of land reclamation

4.3 权重确定与指标量化

采用极差标准化法对原始指标数据进行无量纲化，运用AHP-熵值法，邀请农业、土地、生态等相关专业11位专家对各指标相对重要程度进行排序，构建初始判断矩阵，计算最终组合权重（表4）。选取适合的分级标准，得到土地整治生态风险、迫切性和适宜性的量化值如图2。

表4 土地整治时空配置分区指标体系及其权重Tab.4 Index system and relevant weights of temporal-spatial allocation zoning of land reclamation

4.4 土地整治时空配置分区

基于MATLAB软件神经网络工具箱构建SOFM网络。将各行政村几何中心点的x、y坐标作为计算变差函数的输入地理空间变量，土地整治生态风险、迫切性和适宜性3个变量作为输入属性空间变量，构建3×140输入层矩阵作为SOFM神经网络输入层参数。设计网络参数：初始权值为［0，1］的随机数，基本学习速率为0.1，最大训练次数为1500，地理空间权值为0.4、属性空间权值为0.6，由表4中准则层的权重乘以0.6得出属性空间3个变量的权重，其他参数为默认值。权向量和邻近神经元之间的距离如图3。

不同SOFM聚类数目产生的结果不同，当数目为8时的分区边界较为完整（图4）。把分属不同区的细碎行政村归并至邻近项目区中，将湘东区140个行政村分为8个项目区（图5（b））。

图2 土地整治时空配置分区指标空间分布Fig.2 The spatial distribution of temporal-spatial allocation zoning indicators for land reclamation

图3 训练次数为1 500的权向量及邻近神经元之间的距离Fig.3 The weight vector with 1500 training times and the distance between adjacent neurons

图4 不同聚类数目的SOFM分区结果Fig.4 SOFM zoning results with different cluster numbers

图5 湘东区土地整治时空配置分区格局Fig.5 Temporal-spatial allocation zoning pattern of land reclamation in Xiangdong District

采用面积加权平均法计算各项目区内土地整治生态风险、迫切性和适宜性的平均等级，生态风险等级越低，土地整治对生态造成的压力越小，优先进行整治；土地整治迫切性等级越高的区域对开展土地整治需求越大，优先进行整治；土地整治适宜性等级越高的区域整治潜力和可行度越高，优先进行整治。得出综合目标导向下的土地整治时空配置分区格局如表5和图（5（d））：近期优先整治区含白竺乡和广寒寨乡，土地整治生态风险较小，农业生产机械化作业条件较优，但农业发展落后，亟需通过土地整治来改善现状，适宜推行“土地整治+现代农业+精准扶贫”模式，以改善农业生产条件为依托重点提升生产空间资源质量。近期适度整治区位于荷尧镇、腊市镇和下埠镇，土地整治适宜性较高，环境生态保护完好，自然风光秀美，交通便利，适合开展“土地整治+乡村旅游” 模式，以人居环境建设等为重点提升生活空间条件。中期紧缩整治区包括湘东镇、老关镇和东桥镇南部，湘东镇是湘东区的经济文化中心，土地整治易对人类生活造成影响，老关镇和东桥镇地势起伏大，当前可整治土地条件不佳，建议实行“土地整治+新型城镇化”模式，以发展集约型农业促进生产、生态和生活空间高效协同优化，推进城乡良性协调发展。远期限制整治区包括排上镇、麻山镇和东桥镇北部，土地整治生态风险高，整治条件较差，近期内不适宜实施土地整治项目，若确实因脱贫攻坚等需要进行土地整治，也应以保护和修复生态为第一要义因地制宜地开展“土地整治+生态治理”，基于生态保护措施建设维持生态空间稳态。

表5 土地整治时空配置分区结果Tab.5 Temporal-spatial allocation zoning results of land reclamation

5 结论与讨论

本文综合考虑土地整治生态风险、迫切性和适宜性因素，将生态文明建设、乡村振兴、“三生”空间重构等作为主要目标，构建体现湘东区土地整治特征的定量分析指标体系，针对土地整治具有时间和空间双重维度性质，引入兼顾地理空间和属性特征的SOFM神经网络进行土地整治时空配置分区研究，在总结各分区特点的基础上提出“三生”空间重构和“土地整治+”的重点方向。结果表明：（1）综合考虑土地整治生态风险、迫切性和适宜性进行土地整治时空配置分区，既把增强耕地产能、提升资源集约利用度作为土地整治的重要目标，同时也考虑了土地整治对区域生态可能造成的风险，符合新时期土地整治的目标和要求；（2）通过SOFM神经网络并结合指标特征将湘东区140个行政村分为近期优先、近期适度、中期紧缩和远期限制整治区，结果较为符合湘东区土地整治实际，研究结果具有较优的科学性和应用性。

本文采用了传统多因素综合评价法的分区方法与SOFM神经网络方法进行比较，结果存在差异：运用多因素综合评价法确定的土地整治区空间分布零散（图5（a）），而基于SOFM神经网络划分的结果区域连片程度较高（图5（b）），更利于全域推进土地整治。同时，进一步调查比较是否考虑生态风险时的分区结果发现：不考虑生态风险时，湘东区划分为6个项目区（图5（c）），湘东镇和荷尧镇、麻山镇和白竺乡的部分行政村被划分为同一项目区，但实际上湘东镇和麻山镇的生态环境及土地整治规划现状较荷尧镇和白竺乡差异较大，分区结果不够科学。综合对比分析表明：考虑土地整治生态风险并基于SOFM神经网络的土地整治时空配置分区方法在目标导向和成果应用上具有显著优势，有利于合理管控土地整治的生态风险并增强土地整治的区域协同力，对新时期的土地整治专项规划编制与实施具有一定参考价值。