农村宅基地整治潜力的空间显式测算与模拟

邹 琳，赵 翔，江 平，孔雪松

农村宅基地整治潜力的空间显式测算与模拟

邹 琳1，赵 翔2※，江 平2，孔雪松2

（1. 广东省地质测绘院，广州 510800；2. 武汉大学资源与环境科学学院，武汉 430079）

把握农民拆旧整治意愿是准确估计农村宅基地整治潜力的基本前提。现有的农村宅基地整治潜力测算模型在农民拆旧整治意愿建模和潜力空间显式测算表达方面依然存在一定局限性。该研究尝试利用机器学习算法和土地利用多源时空数据，研究面向区域农村宅基地整治潜力测算的农民拆旧整治意愿模拟模型，实现农村宅基地整治潜力的空间显式估算。研究首先利用高分遥感和土地利用数据，提取以废旧建筑物为主的拆旧潜力区；在此基础上，利用单分类支持向量机算法和区域拆旧整治历史样本对区域农民群体的拆旧整治意愿进行模拟，从而实现区域宅基地拆旧整治潜力的空间显式测算。研究选取广东信宜市平塘镇作为研究区对模型的性能进行了验证和评估。结果表明，模型的总体模拟精度达96.36%，其中正向样本模拟精度为96.88%，负向样本模拟精度为80.14%。根据模型预测结果，平塘镇实际可供整治的废旧宅基地面积约为36.02 hm2，占平塘镇废旧宅基地总面积的34.65%。研究结果将为中国正在实施的全域土地综合整治和国土空间规划决策提供重要的决策依据。

土地利用；整治；农村居民点；智能体建模；单分类

0 引 言

近年来中国经历了大规模快速城市化过程。城乡人口结构与规模的快速、大规模变迁引发了城乡人地关系的失衡问题：一方面，城镇人口规模的快速增长导致城镇建设用地供需矛盾日益尖锐；另一方面，乡村人口的大量流失和村庄规划的相对滞后则引发了村庄土地闲置和低效利用问题[1-3]。“人口减少，居民点面积反增”的农村人地关系失调现象在全国范围内普遍存在[4]。因此，开展全域土地综合整治、盘活农村存量低效与闲置的建设用地，对于缓解城乡建设用地供需矛盾、改善乡村人居环境和耕地保护具有非常重要的现实意义。

农村废旧宅基地是农村土地整治的主要潜力来源[5]。准确识别废旧宅基地的空间分布与规模，不仅能为国土空间规划编制、土地综合整治规划与项目选址提供必要的决策依据，也是促进农村建设用地集约利用、优化国土空间开发格局的必然要求。由于土地调查数据精细度等问题，现有研究大多以农村居民点整治潜力的估算为主，而对农村废旧宅基地整治潜力的测算研究相对不足。现有的农村宅基地和居民点整治潜力测算方法主要有：人（户）均用地指标法[6-9]、土地闲置率法[10]、基于GIS和多因素综合评价技术的潜力系数修订法[11-14]、基于高分辨率遥感和GIS技术的潜力测算方法[15-16]、农民意愿调查法[5, 17-20]和多方法融合[15]的估算方法。

现有方法依然存在一定局限性，主要表现在：1）非空间显式（Non-Spatially Explicit）。现有模型大多难以在地块尺度对整治潜力进行空间显式建模和预测，不能为土地整治规划与项目选址提供具有指导意义的决策依据。2）缺乏有效的农民整治意愿模拟与仿真方法。农民的拆旧意愿是影响区域宅基地整治潜力规模的直接因素和决定性因素，准确把握区域农民拆旧整治意愿是获取准确的潜力时空分布的前提。在现有潜力测算方法中，人（户）均用地指标法和土地闲置率法通常只能得出区域总体潜力规模，而无法在微观尺度对农民的整治意愿及整治潜力的空间分布进行模拟与预测。融合遥感和GIS技术的潜力估算方法虽然能够较为准确的识别区域废旧宅基地地块及其空间分布，却无法对区域农民的整治意愿进行有效模拟与仿真。此外，基于农户意愿调查的方法尽管能够准确的获得农民的拆旧意愿及潜力空间分布，然而实地调查需要耗费大量的人力和物力成本，难以在大区域的土地整治规划决策中进行规模化应用。

针对现有研究的局限性，本文将利用高分遥感和GIS技术，构建面向区域农村宅基地整治潜力预测的空间显式建模框架；进而基于区域土地整治工程的历史数据和时空数据挖掘方法，对区域农民群体的拆旧与整治意愿进行自动化、定量化和空间显式模拟与预测；从而提高农村宅基地整治潜力测算结果的准确性，为国土空间规划编制和区域土地综合整治规划与项目选址提供准确、可行的决策依据。

1 研究区概况与数据

1.1 研究区概况

选取广东茂名信宜市平塘镇为研究区。平塘镇位于广东省西南部，属亚热带季风气候区，年降雨量1 477～1 941 mm，年气温16.5～22.8℃。全镇国土面积约192.36 km2，境内山脉纵横，四面高山环绕，中间为狭长盆地，海拔在123～1 329 m之间（图1）。平塘镇是农业为主的山区镇，2018年末全镇工农业总产值为16.71亿元，其中农业总产值为11.93亿元，产业结构相对单一；农民人均年收入为15 421元，以农业收入为主。截至2019年年末，平塘镇下辖21个行政村，共有农村户籍人口64 118人，14 194户。抽样调查结果表明，全镇常住人口比例仅占户籍总人口的61.9%。

图1 平塘镇的地理区位与土地利用情况

根据第三次国土调查成果数据，平塘镇现有农村宅基地面积约343.70 hm2，占农村建设用地总面积的88.50%；户均宅基地面积约242 m2/户，超过广东省规定的：“山区户均宅基地面积不超过150 m2”标准。平塘镇位于广东省相对落后的山区，区域农民群体通过务工、经商等途径实现城镇化的愿望非常强烈。因此，在尊重农民意愿的前提下，推进区域城乡建设用地增减挂钩、拆旧复垦和土地综合整治等工程，对于缓解区域城镇化用地矛盾、改善农村人居环境和提高农民收入水平具有非常重要的作用。

2019年下半年，在征得各村集体同意的基础上，信宜市政府在平塘镇开展了城乡建设用地增减挂钩的试点工作。该项试点涉及全镇21个行政村，1 141户农民，释放建设用地潜力约118.67 hm2，有效改善了区域生态环境和农业基础设施，提高了土地利用效率和农民收入水平。

图2 平塘镇宅基地分布及决策影响因素

1.2 数据来源与预处理

基于建模需要，本文研究数据主要包括：1）平塘镇第三次国土调查数据库；2）2019年上半年获取的最新0.2 m分辨率遥感图像；3）信宜市统计年鉴（2015－2019）；4）平塘镇小学、道路分布情况；5）平塘镇DEM栅格数据；6）平塘镇2019年下半年竣工的增减挂钩拆旧项目区边界矢量数据。所有空间数据采用国家2 000坐标系进行存储。根据研究区的实际情况，废旧宅基地是该区域的主要潜力来源和整治对象。从第三次国土调查数据库中提取宅基地图斑作为试验区数据处理和潜力预测的基本边界。为了消除多边形图斑形状、大小对算法精度的影响，兼顾数据处理效率，将宅基地图斑转换为5 m空间分辨率的栅格图像，以转换后的栅格像元作为模型训练和潜力预测的基本单元（图2）。在此基础上，按照同样的空间分辨率和范围，完成研究区坡度数据的生成与重采样、计算各潜力预测单元与小学和道路的欧氏距离。

2 农村宅基地整治潜力测算模型

2.1 模型总体框架与数据处理流程

农村宅基地整治潜力的空间显式测算模型总体包括以下几个方面（图3）：1）决策环境数据处理。按照主导因素原则，参考国内外相关研究[20]，并结合试验区的实际情况，选取“邻域平均坡度”、“与道路距离”、“与小学距离”和“邻域土地利用”作为影响居民拆旧整治意愿的决策环境因素。利用GIS空间分析方法，基于区域土地利用现状数据、道路和小学分布、坡度数据，完成环境因素数据的预处理。2）宅基地图斑的遥感分类。根据废旧建筑物和新建建筑物在高分辨率遥感图像上的纹理与色彩特征差异，将宅基地图斑划分为新建建筑区和拆旧潜力区；3）农民拆旧整治意愿的智能化模拟。基于区域土地整治历史项目数据和机器学习算法，构建农民意愿模拟模型；4）拆旧潜力的空间显式预测。利用农民整治意愿模拟模型预测拆旧潜力区内每个像元处的农民整治意愿；5）潜力图斑面积统计。将预测结果标记为“同意拆旧”、空间连片的拆旧潜力区像元转换为矢量图斑，并统计各矢量图斑的面积；6）最小潜力图斑面积筛选。根据项目区土地整治施工标准，将小于施工面积标准的小图斑剔除即可得到区域整治潜力图斑的空间分布与规模。

2.2 基于高分遥感数据的拆旧潜力区提取

由于建设年代的不同，农村废旧建筑和近年新建建筑所采取的施工技术和建材存在明显的差异，使得其在遥感图像上呈现出明显的纹理特征差异（图4）。例如，本研究区内的废旧房屋大多为砖木结构、深色瓦面屋顶的单层房屋，在高分辨率遥感图像上通常表现为暗黑色；而近年新建的房屋则多为混泥土结构的多层楼房，在遥感图像上表现为灰白色。两者在纹理和颜色上的强烈对比，使得利用高分辨率遥感图像识别新建建筑区和拆旧潜力区成为可能。

注：OCSVM为单分类支持向量机。下同。

图4 研究区内废旧建筑与新建建筑的典型纹理特征与色彩差异

废旧农村宅基地是研究区土地整治潜力的主要来源。为提高计算效率，利用宅基地矢量图斑和区域土地整治历史项目地块边界对研究区高分遥感图像进行裁切，仅保留潜力预测和正向样本训练特征提取需要的区域；在此基础上，根据新建建筑物的纹理、颜色和形状特征，利用面向对象的遥感图像分类技术从高分遥感图像上自动识别出区域新建建筑物；识别结果经过人工检验和修正后，将其与宅基地图斑进行叠加后即可得到不能整治的新建建筑区和以废旧建筑物为主的拆旧潜力区。

通过高分辨率遥感图像获取的拆旧潜力区是本研究中潜力预测和模拟的主要对象，以栅格数据存储。拆旧潜力区栅格上代表废旧建筑物的栅格像元构成了整治潜力预测和模拟的基本单元。

2.3 农民拆旧整治意愿的智能化模拟

作为复杂人地系统的重要组成部分，农民个体的决策行为通常受到宏观政策与社会经济发展水平、区位环境和农民个人自身条件等多种因素的影响，具有较强的不确定性和不可预测性。另一方面，现代复杂系统理论认为：复杂系统中相互关联的系统组分能够呈现出与孤立组分及其总和所不具备的、可被识别与描述的系统整体“涌现特征”[21]。复杂系统的“涌现”理论为群体行为建模与仿真提供了一条全新的路径[22]。随着机器学习和人工智能技术的快速发展，群体行为的智能化模拟与仿真技术已在土地利用建模研究中得到了广泛应用[23-25]。因此，对农民群体的拆旧整治意愿进行建模与仿真在理论上是可行的。

利用人工神经网络（Artificial neural network, ANN）、支持向量机（Support vector machine, SVM）和决策树（Decision tree, DT）等监督学习算法从行为群体决策样本数据中自动提取决策主体的行为偏好与规则，是当前国际上土地利用主体行为模式自动化建模与仿真的主要方法[26-29]；其基本原理是通过多类型样本训练分类器，从而构建决策因子与不同决策结果之间的联系。为了获得相对准确的建模结果，监督分类算法通常要求训练集中不同类型的样本数量总体上是均衡分布的，即不同类型样本的数量大致是相同的，且具有代表性[30]。对于农民拆旧意愿模拟问题，通过遥感、GIS等手段获得的土地利用时空数据能够提供丰富的正向决策样本（征得农民同意并进行了整治的样本）。然而，由于农民决策行为的不确定性，负向决策样本的获取成本和难度较高，使得大多数情况下获得的训练样本集是失衡的（Imbalanced），即：正向样本占绝大多数，负向样本占少数甚至缺失。因此，传统的二分类和多分类机器学习方法不适用于农民拆旧意愿的建模和仿真。

针对负向样本缺失或训练样本不均衡分布的分类问题，Moya等提出了有别于传统二分和多分类算法的单分类（One-class classification, OCC）算法[31]。在单分类算法中，除特定的目标类别（正向样本）外，负向样本（其他类型的样本）的选取无需具有代表性，在极端条件下甚至无需负向样本[30]。现有研究中，单分类支持向量机（One-class Support Vector Machine, OCSVM）是目前应用最为广泛的一类单分类方法[32-33]，并已在遥感图像分类[34-37]、模式识别[38]和异常检测[39]等多个领域得到了成功应用。

OCSVM算法的基本原理是利用SVDD（Support Vector Data Description）算法[40]定义一个包围所有正向样本的超球面，从而将目标对象与其他对象进行分割（图5）。与传统人工神经网络，决策树和支持向量机等监督分类算法不同，OCSVM算法本质上是是一种半监督分类算法。用于训练的样本集均为无标签样本，且以正向样本为主，混入少量异常的负向样本。训练前，OCSVM分类器预先只知道异常样本占训练样本集的比例，而不知训练样本集中各样本的具体类型。通过半监督学习训练后，分类器将训练样本进行分类。将该分类结果与已知的样本类型进行对比，即可对分类器的精度和性能进行评估。

农民拆旧意愿模拟问题是典型的OCC问题，即：通过遥感和GIS等手段，可以从区域土地整治历史项目数据中可以获得大量的农民同意拆旧整治的正向样本。由于土地整治不仅受到农民自身决策偏好的影响，同时也受到国土空间规划、补偿政策等宏观因素的影响。因此，不能将区域内暂时未实施整治的废旧宅基地笼统的划分为负向样本，即：由于农民不同意而未实施拆旧整治的负向样本难以大量获取。由此可见，OCCSVM算法为解决农民群体的拆旧整治意愿建模与仿真提供了新路径。根据平塘镇农民拆旧意愿访谈情况，结合国内外现有研究成果[27]，选取地形坡度、与小学的距离、与道路的距离，邻域土地利用情况作为农民拆旧意愿决策的主要因素，构建农民整治意愿模拟模型见图6。

图5 OCSVM算法的分类原理

图6 OCSVM算法模拟农民拆旧整治意愿

根据OCC问题的基本特点，OCSVM算法主要利用正向样本进行训练。为检验算法的预测精度，训练时混入少量负向样本，形成无标签的训练样本集。正向样本通过区域内近年内开展的城乡建设用地增减挂钩、拆旧复垦等土地整治地块数据获取。其中，研究区整治地块数据参照宅基地图斑的处理方法转换为栅格像元。由于废旧宅基地内部多为平地，宅地基周围的地形起伏状况可能对农民的拆旧意愿产生影响。因此，对于任意像元，其摩尔邻域内的区域平均坡度SLP按照如下公式进行计算：

式中表示像元的阶摩尔邻域内有效像元的总数；S表示摩尔邻域内第个像元处的坡度值。

农民的拆旧意愿也受到宅基地相邻地块的土地利用状况的影响。根据研究区的实际情况，对于任意像元,按照公式（2）分别统计其阶摩尔邻域内耕地、园地、林地、交通用地、新建建筑区和拆旧潜力区的面积占比作为该像元样本的特征参数。

式中表示像元的阶摩尔邻域内第种地类的占比；表示像元的阶摩尔邻域内第种地类像元的个数。

图7展示了对于任意潜力评价像元的阶摩尔邻域的定义范围。由图7可知，摩尔邻域定义的阶数影响到式（1）和（2）中邻域的统计范围。根据本研究试验区的栅格取值范围和数据分析、测试情况，选取10阶摩尔邻域（10对应105 m×105 m区域）计算样本特征参数。

图7 潜力评价像元的k阶摩尔邻域

按照上述方法，分别计算样本像元和潜力评价像元的样本特征值。在此基础上，利用无标签样本对OCSVM算法进行训练，进而利用自动提取的分类规则对输入样本进行分类；最后，将算法对无标签样本的分类结果与各训练样本的真实类型进行对比，即可对分类器的精度进行验证和评估。经过精度评估与验证的分类器即可用于对区域农民拆旧整治意愿的模拟和预测。

3 潜力测算结果

3.1 基于传统方法的整治潜力测算结果

为评估模型的可靠性，以户均宅基地面积标准法对平塘镇宅基地整治潜力进行估算，即：将区域现状户均宅基地面积与广东省规定的户均宅基地面积标准之间的差值作为区域宅基地整治潜力。尽管平塘镇户籍乡村人口在2015－2019年间增加了1291人，考虑到平塘镇社会经济发展水平以及常住人口逐年下降的实际情况，本研究采取略微保守的方案，即以平塘镇2019年末的户籍乡村人口户数作为潜力测算依据。按照广东省山区户均宅基地150 m2的标准，以行政村为单位、按照户均宅基地面积标准法估计得到的平塘镇各村宅基地的整治潜力见表1。

按照户均宅基地指标法，平塘镇宅基地整治的潜力规模约为130.9 hm2，占现有宅基地总量的38.07%。除镇政府驻地林垌村外，其余各村的现状户均宅基地面积均超过了广东省规定的标准。然而，户均指标法没有考虑农民的实际拆旧整治意愿，往往不具备现实指导意义。另一方面，该方法的准确度强烈依赖于规划期户籍和常住人口数据的准确性。因此，利用该方法得到的潜力结果往往难以为国土空间规划、土地整治、城乡建设用地增减挂钩项目的规划决策和选址提供有价值且具有可行性的指导意见。

表1 传统方法估算的平塘镇宅基地整治潜力

3.2 废弃宅基地整治潜力空间显式建模与测算结果

基于潜力测算与模拟模型对研究区的废弃宅基地整治潜力进行测算。

3.2.1 模型的训练和精度评估

选取平塘镇2019年末已经实施的城乡建设用地增减挂钩试点项目数据作为模型的训练样本。将该项目中已经实施了拆旧整治的宅基地地块（图8）按照统一的分辨率进行栅格化后，共得到4 449个栅格像元作为正向样本。

图8 训练样本的空间分布

为评估算法的性能，从三调宅基地图斑集合中随机选取少量近年新建了楼房的地块作为干扰项混入训练样本。干扰地块栅格化后，得到141个像元作为负向样本。按照本文前述的方法，利用正向与负向样本混合后的4 590个无标签训练样本集构建面向区域农民拆旧整治意愿模拟的OCSVM分类器，预测精度评估结果见表2。

表2 农民拆旧整治意愿模拟精度评估

如表2，对4 590个无标签样本的总体分类精度为96.36%，其中：同意拆旧整治的4 449个正向样本的分类精度为96.88%，141个负向样本的分类精度为80.14%，分类精度总体满足测算区域农民整治意愿的要求。

3.2.2 整治潜力模拟与测算

基于高分辨率遥感图像，将平塘镇2019年末实施增减挂钩后剩余的343.70 hm2的农村宅基地划分为新建建筑区和拆旧潜力区，得到以废旧建筑物为主的拆旧潜力图斑总面积为103.96 hm2，低于户均宅基地指标法测算得到的130.9 hm2。由此可见，基于传统的户均宅基地面积标准等方法测算得到的整治潜力结果不具可实施性。

在识别区域废旧宅基地的基础上，利用训练得到的OCSVM分类器对拆旧潜力区的农民拆旧整治意愿进行预测，将被标记为“同意拆旧”、且空间连片的拆旧潜力区像元转换为矢量图斑，并统计各矢量图斑的面积，得到各村的潜力规模见表3。

表3 平塘镇各村宅基地整治潜力预测结果

土地整治工程实践中往往要求被整治地块满足一定的面积规模。例如，信宜市2019年城乡建设用地增减挂钩试点要求拆旧复垦地块面积不得低于0.1 hm2。因此，考虑施工要求，只有面积规模满足要求的潜力地块才能最终转化为现实潜力。对平塘镇潜力预测结果图斑面积进行分组统计，结果见图9。

图9 平塘镇预测潜力图斑面积统计分布

平塘镇的废旧房屋零星分布在交通条件不便的山区区域。从潜力图斑面积分布来看，潜力图斑面积大多分布在250～500 m2区间，100～250 m2区间次之；即，对照表1中平塘镇的户均宅基地面积，由模型预测得到的大部分潜力图斑里只包含1～2栋废旧房屋。若整治施工的最小图斑面积标准设为1 000 m2，则全镇宅基地整治潜力预测规模为36.02 hm2，占拆旧潜力区总面积的34.65%。各村宅基地的整治潜力规模及潜力地块分布见图10。

图10 平塘镇宅基地整治潜力地块分布

如图10所示，平塘镇的农村宅基地整治潜力主要分布在北中、坳垌、甘垌和平塘村等现状户均宅基地面积较大的村庄。例如，甘垌村现状户均宅基地面积为283.73 m2，平塘村293.75 m2，北中村为283.73 m2，坳垌村为254.39 m2，均高于平塘镇的平均值（242.22 m2）。此外，根据模型的预测结果，茅垌村和榃棉村同样具有一定规模的废旧宅基地整治潜力。然而由于地形的影响，两个村内的废旧宅基地均呈现为零星分布，没有相对大片的可整治区域。因此，按照最小整治图斑面积标准进行筛选后，两村最终可实施整治的潜力规模为0。另一方面，若将最小整治图斑面积降低到500 m2后，全镇宅基地整治潜力规模约到60.51 hm2，约占全镇模型预测潜力规模的63.87%。由此可见，在山区和丘陵地区，除农民自身的拆旧整治意愿外，地形和宅基地的零星分布也影响宅基地整治潜力释放的重要因素。

4 结论与讨论

4.1 结 论

1）农民的拆旧整治意愿是影响区域建设用地整治潜力的直接决定因素。准确掌握农民的拆旧整治意愿是对区域农村宅基地整治潜力进行精确预测的基本前提。按照户均宅基地面积标准法测算，平塘镇的宅基地整治潜力为130.9 hm2，占现有宅基地总量的38.07%。由于规划期户籍和常住人口数据预测的不确定性，以及缺乏对农民实际拆旧意愿的准确把握，使用该方法测算得到的潜力规模不具现实指导意义。

2）机器学习和人工智能方法为农民拆旧整治意愿的模拟与仿真提供了新的路径。OCSVM算法仅需正向样本和少量负向样本即可完成对复杂规则的自动学习，较好的回避了农民意愿模拟中负向样本难以获取的难题。在本研究中，OCSVM算法在研究区对4 590个无标签样本的总体预测精度达96.36%，正向样本预测精度为96.88%，负向样本预测精度为80.14%，预测精度较好。

3）高分辨率遥感技术和GIS空间分析方法为农民拆旧整治意愿的模拟提供丰富了决策基础数据，并为整治潜力的空间显式预测和模拟提供了建模框架。基于高分辨率遥感图像分类得到平塘镇以废旧建筑物为主的拆旧潜力区103.96 hm2，低于户均指标法的预测潜力规模。其中，经OCSVM模型预测能获得农民同意的潜在拆旧整治区面积约为94.74 hm2。参照信宜市土地整治施工最小图斑面积标准，平塘镇实际可供整治的潜力地块总面积为36.02 hm2，占平塘镇拆旧潜力区总面积的34.65%。在山区、丘陵地区，宅基地的零星、破碎分布和地形因素是除农民主观意愿外影响理论潜力转换为现实潜力的重要因素。

4.2 讨 论

处于人地复杂系统中的农民其决策行为受到多种不确定性因素的影响。农民的拆旧整治意愿通常受到宏观政策、区位条件和家庭条件等众多因素的影响。这些复杂的影响因素相互之间是否存在联系、存在何种类型的联系，依然有待深入、系统研究。因此，对农民群体的拆旧复垦意愿进行定量建模和仿真，是一项非常具有挑战的科学难题。复杂系统理论认为，在宏观尺度对群体决策行为的“涌现特征”进行建模与仿真具有可行性。近年来，随着大数据和人工智能技术的兴起，利用时空大数据和深度学习等方法对人群的行为偏好进行建模与仿真，已成为当前国际相关领域研究热点，并已经在广告推送等众多领域得到了成功应用。本文尝试利用OCSVM机器学习算法，在高分遥感数据和土地利用多源时空数据的支持下，对农民拆旧整治意愿行为的模拟与仿真进行了初步探索。本文设计的农民拆旧整治意愿模拟模型的模拟精度总体是令人满意的。相对于系统动力学、回归分析等“白盒”模型，以OCSVM、人工神经网络为代表的“黑盒”机器学习算法无需对复杂、不确定性的影响因素及其相互关系进行定量建模和表达，往往具有更高的模拟和预测精度。此外，模型依据真实样本数据实现农民决策意愿规则的自动学习，由此预测得到的潜力预测结果相对于传统模型更具实事说服力；从而为农村宅基地整治潜力预测提供了一种新思路。目前有关农民群体行为建模的研究依然处于探索阶段。本文利用土地利用多源时空数据和OCSVM智能机器学习算法初步构建了农民拆旧复垦意愿模拟和宅基地整治潜力测算理论模型框架。由于决策过程的复杂性，有关农民拆旧复垦意愿行为的建模依然有待深入研究：如何利用时空大数据，将宏观政策和农民个人条件等因素纳入农民群体的行为建模将是本文后续研究工作的主要方向。

[1]龙花楼，屠爽爽. 土地利用转型与乡村振兴[J]. 中国土地科学，2018，32(7)：1-6.

Long Hualou, Tu Shuangshuang. Land use transition and rural vitalization[J]. China Land Science, 2018, 32(7): 1-6. (in Chinese with English abstract)

[2]龙花楼. 论土地利用转型与乡村转型发展[J]. 地理科学进展，2012，31(2)：131-138.

Long Hualou. Land use transition and rural transformation development[J]. Progress in Geography, 2012, 31(2)：131-138. (in Chinese with English abstract)

[3]龙花楼. 区域土地利用转型与土地整理[J]. 地理科学进展，2003, 22(2)：133-140.

Long Hualou. Land rehabilitation and regional land use transition[J]. Progress in Geography, 2003, 22(2): 133-140. (in Chinese with English abstract)

[4]刘继来，刘彦随，李裕瑞，等. 2007－2015年中国农村居民点用地与农村人口时空耦合关系[J]. 自然资源学报，2018，33(11)：1861-1871.

Liu Jilai, Liu Yansui, Li Yurui, et al. Coupling analysis of rural residential land and rural population in China during 2007-2015[J]. Journal of Natural Resources, 2018, 33(11): 1861-1871. (in Chinese with English abstract)

[5]陈荣清，张凤荣，张军连，等. 农村居民点整理潜力调查：以山东省文登市侯家镇为例[J]. 中国土地科学，2008, 22(10)：70-73.

Chen Rongqing, Zhang Fengrong, Zhang Junlian, et al. Investigation on the reconsolidation potential of rural housing land: A case of Houjia Town in Wendeng County of Shandong Province[J]. China Land Science, 2008, 22(10): 70-73. (in Chinese with English abstract)

[6]党慧，郑新奇，白书建，等. 农村居民点集约用地潜力测算方法研究[J]. 地域研究与开发，2016，35(5)：124-127.

Dang Hui, Zheng Xinqi, Bai Shujian, et al. Study on the methods of potential calculation for rural residential area[J]. Areal Research and Development, 2016, 35(5): 124-127. (in Chinese with English abstract)

[7]屠爽爽，龙花楼，刘永强，等. 农村居民点整治潜力测算方法研究进展与展望[J]. 自然资源学报，2015，30(11)：1956-1968.

Tu Shuangshuang, Long Hualou, Liu Yongqiang, et al. Research progress and prospects in the methodology of assessing the potential of rural residential land consolidation[J]. Journal of Nature Resources, 2015, 30(11): 1956-1968. (in Chinese with English abstract)

[8]石诗源，张小林. 江苏省农村居民点用地现状分析与整理潜力测算[J]. 中国土地科学，2009，23(9)：52-58.

Shi Shiyuan, Zhang Xiaolin. Current situation analysis and land reconsolidation potential calculation of rural residential areas in Jiangsu province[J]. China Land Science, 2009, 23(9): 52-58. (in Chinese with English abstract)

[9]周克昊，谭荣辉，刘艳芳，等. 基于人均建设用地标准的区域土地利用节地潜力评估[J]. 农业工程学报，2012，28(19)：222-231.

Zhou Kehao, Tan Ronghui, Liu Yanfang, et al. Assessing of land-saving potential in Hubei province based on per capita constructive land standards[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2012, 28(19): 222-231. (in Chinese with English abstract)

[10]宋伟，陈百明，姜广辉. 中国农村居民点整理潜力研究综述[J]. 经济地理，2010，30(11)：1871-1877.

Song Wei, Chen Baiming, Jiang Guanghui. Research on land consolidation potential of rural habitat in China: Review and preview[J]. Economic Geography, 2010, 30(11): 1871-1877. (in Chinese with English abstract)

[11]王楠，郝晋珉，李牧，等. 生计转型背景下河北省农村宅基地整理分区与潜力研究[J]. 农业工程学报，2019，35(9)：255-264.

Wang Nan, Hao Jinmin, Li Mu, et al. Zoning and potential of rural housing land consolidation in Hebei province under background of livelihoods transformation[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(9): 255-264. (in Chinese with English abstract)

[12]郭杰，肖善才，欧名豪，等. 基于参与主体意愿的农村居民点整理现实潜力测算[J]. 中国土地科学，2017，31(10)：86-94.

Guo Jie, Xiao Shancai, Ou Minghao, et al. Realistic potential calculation of rural settlements consolidation based on willingness of participants[J]. China Land Science, 2017. 31(10): 86-94. (in Chinese with English abstract)

[13]刘敏，李满春，黄秋昊，等. 基于GIS与FAHP的城镇建设用地整治潜力评价：以常州市武进区为例[J]. 江西农业大学学报，2013，35(6)：1318-1324.

Liu Min, Li Manchun, Huang Qiuhao, et al. The evaluation the remediation potential of urban construction land based on GIS and FAHP: Taking Wujin District Changzhou City as an example[J]. Acta Agriculturae Universitatis Jiangxiensis, 2013, 35(6): 1318-1324. (in Chinese with English abstract)

[14]刘善开，韦素琼，陈松林，等. 基于Voronoi图的农村居民点空间分布特征及其整理潜力评价：以福建省德化县为例[J]. 资源科学，2014，36(11)：2282-2290.

Liu Shankai, Wei Suqiong, Chen Songlin, et al. Voronoi diagram-based research on spatial distribution characteristics of rural settlements and consolidation potential evaluation[J]. Resources Science, 2014, 36(11): 2282-2290. (in Chinese with English abstract)

[15]胡银根，吴欣，廖成泉，等. 两湖平原区农村宅基地退出潜力测算方法研究[J]. 地域研究与开发，2018，37(2)：116-120，132.

Hu Yingen, Wu Xin, Liao Chengquan, et al. Measurement methods of homestead release potential in two lakes plain[J]. Areal Research and Development, 2018, 37(2): 116-120, 132. (in Chinese with English abstract)

[16]朱晓华，陈秧分，刘彦随，等. 空心村土地整治潜力调查与评价技术方法：以山东省禹城市为例[J]. 地理学报，2010，65(6)：736-744.

Zhu Xiaohua, Chen Yangfen, Liu Yansui, et al. Technique and method of rural land consolidation potential investigation and assessment: A case study of Yucheng City, Shandong province[J]. Acta Geographica Sinica, 2010, 65(6): 736-744. (in Chinese with English abstract)

[17]徐修桥，周楷淳，李晓青，等. 基于农户意愿调查的宅基地整理潜力测算：以湘乡市11个村为例[J]. 湖南师范大学自然科学学报，2020, 43(2)：27-34.

Xu Xiuqiao, Zhou Kaichun, Li Xiaoqing, et al. Calculation of homestead consolidation potential based on survey of farmers' willingness: Taking 11 villages in Xiangxiang City as an example[J]. Journal of Natural Science of Hunan Normal University, 2020, 43(2): 27-34. (in Chinese with English abstract)

[18]宇林军，孙大帅，张定祥，等. 基于农户调研的中国农村居民点空心化程度研究[J]. 地理科学，2016，36(7)：1043-1049.

Yu Linjun, Sun Dashuai, Zhang Dingxiang, et al. Rural household survey based analysis of hollowing of rural residential land in China[J]. Scientia Geographica Sinica, 2016, 36(7): 1043-1049. (in Chinese with English abstract)

[19]黎孔清，陈银蓉，余雪振. 湖北省随县农村居民点整治现实潜力测算及整治策略：基于农户意愿的调查分析[J]. 自然资源学报，2013，28(3)：459-469.

Li Kongqing, Chen Yinrong, Yu Xuezhen. Calculation of realistic potential and strategy of land consolidation in rural residential areas based on households’ willingness[J]. Journal of Natural Resources, 2013, 28(3): 459-469. (in Chinese with English abstract)

[20]孔雪松，刘艳芳，邹亚锋，等. 基于农户意愿的农村居民点整理潜力测算与优化[J]. 农业工程学报，2010，26(8)：296-301.

Kong Xuesong, Liu Yanfang, Zou Yafeng, et al. Calculation of land consolidation potential and optimization of rural residential areas based on households’willingness[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2010, 26(8): 296-301. (in Chinese with English abstract)

[21]金士尧，任传俊，黄红兵. 复杂系统涌现与基于整体论的多智能体分析[J]. 计算机工程与科学，2010，32(3)：1-6.

Jin Shiyao, Ren Chuanjun, Huang Hongbing. Emergence of complex systems and the multi-agent analysis based on holism[J]. Computer Engineering and Science, 2010, 32(3): 1-6. (in Chinese with English abstract)

[22]岳峰，胡晓峰，李志强，等. 多智能体涌现生成的群体行为仿真[J]. 系统仿真学报，2008，20(S1)：205-208.

Yue Feng, Hu Xiaofeng, Li Zhiqiang, et al. Generating crowd behavior simulation from multi-agent’s emergence[J]. Journal of System Simulation, 2008, 20(S1): 205-208. (in Chinese with English abstract)

[23]刘敬杰，夏敏，刘友兆，等. 基于多智能体与CA结合模型分析的农村土地利用变化驱动机制[J]. 农业工程学报，2018，34(6)：242-252.

Liu Jingjie, Xia Min, Liu Youzhao, et al. Driving mechanism of rural land use change based on multi-agent system and cellular automata[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(6): 242-252. (in Chinese with English abstract)

[24]袁满，刘耀林. 基于多智能体遗传算法的土地利用优化配置[J]. 农业工程学报，2014，30(1)：191-199.

Yuan Man, Liu Yaolin. Land use optimization allocation based on multi-agent genetic algorithm[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(1): 191-199. (in Chinese with English abstract)

[25]刘小平，黎夏，艾彬，等. 基于多智能体的土地利用模拟与规划模型[J]. 地理学报，2006, 61(10)：1101-1112.

Liu Xiaoping, Li Xia, Ai Bin, et al. Multi-agent systems for simulating and planning land use development[J]. Acta Geographica Sinica, 2006, 61(10): 1101-1112. (in Chinese with English abstract)

[26]Li Feixue, Li Zhifeng, Chen Honghua, et al. An agent-basedlearning-embedded model (ABM-learning) for urban land use planning: A case study of residential land growth simulation in Shenzhen, China[J]. Land Use Policy, 2020, 95(6): 1-9.

[27]Zhao Xiang, Ma Xiaoya, Tang Wenwu, et al. An adaptive agent-based optimization model for spatial planning: A case study of Anyue County, China[J]. Sustainable Cities And Society, 2019, 51(11): 1-17.

[28]Huang Qiang, Song Wei. A land-use spatial optimum allocation model coupling a multi-agent system with the shuffled frog leaping algorithm[J]. Computers Environment And Urban Systems, 2019, 77(9): 1-19.

[29]Li Feixue, Xie Zhongkai, Clarke Keith, et al. An agent-based procedure with an embedded agent learning model for residential land growth simulation: The case study of Nanjing, China[J]. Cities, 2019, 88(5): 155-165.

[30]Tax David. One-class Classification- concept-learning in the Absence of Counter-examples[D]. Delft: Technische Universiteit Delft, 2001.

[31]Moya M M, Hush D R, Network constraints and multi-objective optimization for one-class classification[J]. Neural Networks, 1996, 9(3): 463-474.

[32]Khan Shehroz, Madden Michael. A survey of recent trends in one class classification[C]//Berlin, Heidelberg: Springer Berlin Heidelberg, 2010: 188-197.

[33]Xiao Yingchao, Wang Huangang, Xu Wenli. Ramp loss based robust one-class SVM[J]. Pattern Recognition Letters, 2017,85(1): 15-20.

[34]Deng Xueqing, Li Wenkai, Liu, Xiaoping, et al., One-class remote sensing classification: one-class vs. binary classifiers[J]. International Journal of Remote Sensing, 2018, 39(6): 1890-1910.

[35]Ao Zurui, Su Yanjun, Li Wenkai, et al. One-class classification of airborne LiDAR data in urban areas using a presence and background learning algorithm[J]. Remote Sensing, 2017, 9(10) : 1001-1015.

[36]Li Wenkai, Guo Qinghua, Elkan Charles. A positive and unlabeled learning algorithm for one-class classification of remote-sensing data[J]. IEEE Transactions On Geoscience And Remote Sensing, 2011, 49(2): 717-725.

[37]Sanchez-Hernandez Carolina, Boyd Doreen S, Foody Giles M. One-class classification for mapping a specific land-cover class: SVDD classification of fenland[J]. IEEE Transactions On Geoscience And Remote Sensing, 2007, 45(4): 1061-1073.

[38]Camci Fatih, Chinnam Ratna Babu. General support vector representation machine for one-class classification of non-stationary classes[J]. Pattern Recognition, 2008, 41(10): 3021-3034.

[39]Hejazi Maryamsadat, Singh Yashwant Prasad. One-class support vector machines approach to anomaly detection[J]. Applied Artificial Intelligence, 2013, 27(5): 351-366.

[40]Tax D M J, Duin R P W. Support vector data description[J]. Machine Learning, 2004, 54(1): 45-66.

Spatially explicit calculation and simulation of estimating housing land consolidation potential in rural areas

Zou Lin1, Zhao Xiang2※, Jiang Ping2, Kong Xuesong2

(1.,510800,; 2.,,430079,)

Modeling of farmers' willingness to consolidation of abandoned homesteads plays an essential role in the prediction of regional land consolidation potential. Previous prediction models on land consolidation potential still have some limitations in the simulation of farmers' consolidation willingness and the spatial explicit prediction. The complex system modeling and machine learning provide effective tools for the behaviors simulation of land-use stakeholders. Land consolidation potential depends mainly on the farmers' willingness to consolidation, as well as the policies and land use planning. It is difficult to obtain enough negative training samples from the non-reclaimed area where farmers are opposed to the consolidation. There is a balance on the training samples, meaning that most training samples are positive. One-class classification approach has provided a good solution for the classification of imbalanced samples, due to only positive samples is selected to complete the training of classifiers. Hence, one-class classification can be used to solve the negative samples in the modeling of farmers' willingness to land consolidation. Therefore, an one class support vector machine (OCSVM) was selected to simulate the decision-making behaviors of the farmers. The OCSVM has been widely used as a type of one-class classification in image recognition and abnormal detection. A geographic information system (GIS) was used to build the model, in order to predict the land consolidation potential in a spatially explicit way. Furthermore, high-resolution remote sensing images were used to identify the abandoned homesteads in the study region. Pingtang was selected as the study area to evaluate the accuracy of model, where a mountainous and poverty town located in western Guangdong province, China. 4 449 positive samples were obtained, where the farmers would like to confer from the historical land consolidation project data in the study area. Another 141 negative samples were randomly selected from the non-reclaimed areas to evaluate the accuracy of model. Thus, a total of 4 590 unlabeled samples were obtained to train the model. The experimental results showed that the overall accuracy of model reached 96.36%, the prediction accuracy of positive sample was 96.88%, and the accuracy of negative samples was 80.14%, indicating that the performance of model was reliable for the potential prediction of land consolidation. The model was used to predict the land consolidation potential in the whole study area.The total area of abandoned homesteads identified by high-resolution remote sensing images was about 103.96 hm2, whereas, the predicted potential obtained by the model was about 94.74 hm2. However, there were many small spots in the study area that were too fragmented to be reclaimed. According to the land consolidation of Pingtang, the abandoned homesteads that can be reclaimed was only 36.02 hm2, accounting for 34.65% of the total areas. Consequently, terrain factors were also essential to affect the consolidation potential in mountainous and hilly areas. The model can be expected to better support the decision-making of land use planning, regional land remediation planning, and site selection in land remediation project.

land use; consolidation; rural settlements; agent-based modeling; one-class classification

邹琳，赵翔，江平，等. 农村宅基地整治潜力的空间显式测算与模拟[J]. 农业工程学报，2020，36(24)：247-256.doi：10.11975/j.issn.1002-6819.2020.24.029 http://www.tcsae.org

Zou Lin, Zhao Xiang, Jiang Ping, et al. Spatially explicit calculation and simulation of estimating housing land consolidation potential in rural areas[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(24): 247-256. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2020.24.029 http://www.tcsae.org

2020-09-21

2020-12-11

国家重点研发计划课题“县域村镇发展潜力评价关键技术”（2018YFD1100801）。

邹琳，高级工程师。主要研究方向为国土空间规划与土地整治。Email：240228189@qq.com

赵翔，博士，讲师。主要研究方向为智能空间优化决策。Email：zhaoxiang@whu.edu.cn

10.11975/j.issn.1002-6819.2020.24.029

F301.2

A

1002-6819(2020)-24-0247-10