齊建超,劉慧平,*,伊堯國,4

1 遙感科學(xué)國家重點(diǎn)實(shí)驗(yàn)室,北京 100875 2 環(huán)境遙感與數(shù)字城市北京市重點(diǎn)實(shí)驗(yàn)室,北京 100875 3 北京師范大學(xué)地理學(xué)與遙感科學(xué)學(xué)院,北京 100875 4 天津城建大學(xué)地質(zhì)與測繪學(xué)院,天津 300384

應(yīng)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(xué)國家重點(diǎn)實(shí)驗(yàn)室,北京 100875 2 環(huán)境遙感與數(shù)字城市北京市重點(diǎn)實(shí)驗(yàn)室,北京 100875 3 北京師范大學(xué)地理學(xué)與遙感科學(xué)學(xué)院,北京 100875 4 天津城建大學(xué)地質(zhì)與測繪學(xué)院,天津 300384

時間序列土地利用時空演變規(guī)律分析是當(dāng)前的研究熱點(diǎn)之一,通過應(yīng)用自組織映射神經(jīng)網(wǎng)絡(luò)方法進(jìn)行多時間序列土地利用變化時空一體化表達(dá)與演變規(guī)律分析,探索區(qū)域土地利用變化模式?；诒本┦?005、2007、2009、2011、2013年5期土地利用遙感分類數(shù)據(jù),構(gòu)建自組織映射神經(jīng)網(wǎng)絡(luò)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(shù)據(jù)同時進(jìn)行訓(xùn)練輸出,發(fā)現(xiàn)建設(shè)用地、耕地、林地、牧草地、園地的聚集模式,并通過對輸出神經(jīng)元進(jìn)行二次聚類以及土地利用變化軌跡分析,獲得北京市郊區(qū)5個監(jiān)測時相土地利用變化的時空演變特征。結(jié)果揭示出北京市郊區(qū)2005—2013年土地利用變化具有明顯的耕地型向建設(shè)用地型發(fā)展的平原區(qū)演變特征,以及向林地型發(fā)展的山區(qū)演變特征,且各區(qū)的發(fā)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(shù)據(jù)的增加,其演變分析的難度和復(fù)雜度也在增加,而常用來分析高維時空數(shù)據(jù)的自組織映射方法可同時處理多時間序列數(shù)據(jù),為多時間序列土地利用時空演變規(guī)律與發(fā)展模式分析提供便捷,為土地利用空間布局的合理優(yōu)化提供支持。

當(dāng)前關(guān)于土地利用變化的研究已取得了很多成果,楊國安等[1]運(yùn)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?jǐn)?shù)維及不穩(wěn)定指數(shù)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(shù)據(jù)相鄰兩期的兩兩對比的方式,通過計(jì)算土地利用變化動態(tài)度、轉(zhuǎn)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(yùn)用變化軌跡分析方法研究土地利用空間格局的變化規(guī)律。土地利用變化的時空分析包括時間和空間兩個方面,當(dāng)前的研究雖然多是從時空角度來分析,但對二者的結(jié)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(jìn)行分析。當(dāng)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(shù)據(jù)的處理多是基于單期或兩期數(shù)據(jù)之間的比較,對于超過兩個監(jiān)測時相的多時間序列土地利用變化數(shù)據(jù)的時空一體化表達(dá)和對比分析還有待于更進(jìn)一步地深入研究。同時當(dāng)前土地利用變化軌跡多采用圖譜的表達(dá)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(dá)方式難以直接對軌跡進(jìn)行定量的分析和可視化表達(dá)。

自組織映射(SOM)是一種采用非監(jiān)督式學(xué)習(xí)對輸入樣本數(shù)據(jù)進(jìn)行訓(xùn)練,并將輸入空間的高維數(shù)據(jù)在低維(通常是二維)進(jìn)行離散化表示的人工神經(jīng)網(wǎng)絡(luò)。該理論最早是由芬蘭赫爾辛基理工大學(xué)Kohonen[8]于1982年提出的,自組織映射方法與其他人工神經(jīng)網(wǎng)絡(luò)方法的不同之處在于它使用了一個鄰近函數(shù)來保持輸入空間的拓?fù)湫再|(zhì),從而可以直接在其輸出面板上進(jìn)行二次聚類以及軌跡構(gòu)建。SOM作為一種神經(jīng)網(wǎng)絡(luò)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(dá)和分析識別潛在的模式[12- 15]。在當(dāng)前研究中,SOM的聚類和可視化的雙重功能多是結(jié)合起來運(yùn)用,并常被各領(lǐng)域用來分析處理高維時空數(shù)據(jù),比如SOM已被廣泛的應(yīng)用于社會經(jīng)濟(jì)變化[16- 18]、流行病[19]、犯罪[20]、航線[21]氣象[22]等領(lǐng)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(yīng)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(yùn)用SOM方法來研究城市擴(kuò)張及城市的空間結(jié)構(gòu),而國內(nèi)焦利民等[25]也開始嘗試運(yùn)用SOM方法來對中國主要城市的擴(kuò)展特征進(jìn)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(dá)能反映城市擴(kuò)展特征的各指標(biāo)的分布聚集狀況和差異,而對于多時間序列數(shù)據(jù)的對比以及變化軌跡的分析和表達(dá)還需要更進(jìn)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(shù)據(jù),運(yùn)用SOM的神經(jīng)網(wǎng)絡(luò)聚類功能將5個時間序列數(shù)據(jù)同時輸入網(wǎng)絡(luò)進(jìn)行訓(xùn)練,得到不同時間序列數(shù)據(jù)在時間和空間上具有可對比性的輸出聚類結(jié)果,并將此結(jié)果在SOM輸出面板以及地理空間中進(jìn)行可視化表達(dá)與對比分析,并借助SOM的拓?fù)浔３痔匦栽谄漭敵雒姘迳蠘?gòu)建變化軌跡,從而可以直接定量的分析和直觀的表達(dá)軌跡的變化方向。因此本研究通過應(yīng)用SOM方法為多時間序列土地利用變化的時空一體化表達(dá)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(qū)2005—2013年間各區(qū)土地利用變化的時空模式和發(fā)展規(guī)律。

1 研究區(qū)與研究數(shù)據(jù)

本文研究區(qū)為北京市郊區(qū)的14個區(qū),包括朝陽區(qū)、海淀區(qū)、豐臺區(qū)、石景山區(qū)、順義區(qū)、通州區(qū)、大興區(qū)、房山區(qū)、昌平區(qū)、門頭溝區(qū)、懷柔區(qū)、密云區(qū)、延慶區(qū)、平谷區(qū)。研究數(shù)據(jù)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(shù)據(jù)(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(jié)果作為數(shù)據(jù)源,其余均是以SPOT5多光譜波段影像為數(shù)據(jù)源,空間分辨率為10m,分類精度均在82%以上。研究數(shù)據(jù)來自課題組20年來承擔(dān)的北京市農(nóng)村經(jīng)濟(jì)研究中心的長期土地利用監(jiān)測項(xiàng)目,考慮到遙感數(shù)據(jù)源的一致性以及從2005年開始的精細(xì)監(jiān)測,本文選用2005年以后的5個監(jiān)測時相進(jìn)行研究。由于長期土地利用監(jiān)測項(xiàng)目的連續(xù)性、一致性,土地利用分類標(biāo)準(zhǔn)采用1984年全國農(nóng)業(yè)區(qū)劃委員會制定的《土地利用現(xiàn)狀調(diào)查技術(shù)規(guī)程》中的8大類,結(jié)合遙感數(shù)據(jù)分類特點(diǎn)最終將地類劃分為7類：建設(shè)用地(將居民點(diǎn)及工礦用地、交通用地合并稱作建設(shè)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(shù)據(jù)Fig.1 Land use classification data of Beijing, 2005—2013

2 研究方法

本文的總體技術(shù)流程如圖2所示,主要包括SOM的網(wǎng)絡(luò)構(gòu)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(shù)流程圖Fig.2 Overall flow chart of this study

SOM的網(wǎng)絡(luò)是一個兩層網(wǎng)絡(luò),由輸入層與輸出層(又稱競爭層)構(gòu)成,其中輸入層用于接收輸入的訓(xùn)練樣本,而輸出層的神經(jīng)元一般是按照二維陣列排列,兩層各個神經(jīng)元之間實(shí)現(xiàn)雙向連接,SOM網(wǎng)絡(luò)通過尋找最優(yōu)的權(quán)值向量即最佳匹配神經(jīng)元來對輸入模式集合進(jìn)行分類。SOM算法的步驟為：初始化各權(quán)值向量,即對輸出層各權(quán)值向量賦小隨機(jī)數(shù)并進(jìn)行歸一化；尋找輸入數(shù)據(jù)的獲勝神經(jīng)元；調(diào)整優(yōu)勝鄰域內(nèi)的權(quán)值向量；重復(fù)尋找輸入數(shù)據(jù)的獲勝神經(jīng)元及以后的步驟,直到迭代終止條件被滿足。

實(shí)驗(yàn)中SOM算法是基于Matlab編程實(shí)現(xiàn),對于SOM輸出面板尺寸參數(shù)的確定,由于需要對變化的軌跡進(jìn)行繪制和可視化,所以將SOM輸出面板的尺寸設(shè)置的足夠大,從而盡量使得每一個輸入節(jié)點(diǎn)在輸出的面板空間中都有只對應(yīng)于它的單一獲勝節(jié)點(diǎn)。本文的輸入數(shù)據(jù)為北京市5個年份14個區(qū)的7種地類屬性即輸入數(shù)據(jù)共有5a×14區(qū)=70條,結(jié)合前人研究經(jīng)驗(yàn)及多次實(shí)驗(yàn),設(shè)置SOM輸出面板的尺寸為20×20=400,即輸出有400個神經(jīng)元,要遠(yuǎn)大于輸入的節(jié)點(diǎn)數(shù),SOM的網(wǎng)絡(luò)訓(xùn)練迭代次數(shù)設(shè)置為10000次,以保證訓(xùn)練結(jié)果的穩(wěn)定,從而獲得各特征變量的成分平面圖以及最佳匹配神經(jīng)元的位置。

2.1.1 SOM輸出成分平面圖

SOM輸入數(shù)據(jù)為7種地類比例數(shù)據(jù)構(gòu)成的7維向量,將這7種地類屬性看作是7個特征變量,經(jīng)過網(wǎng)絡(luò)訓(xùn)練后,輸出神經(jīng)元的權(quán)值向量即為此7種特征變量構(gòu)成。根據(jù)各輸出神經(jīng)元的位置對每一特征變量的值進(jìn)行顯示,得到各特征變量的成分平面圖,可直觀的發(fā)現(xiàn)各特征變量值的聚集狀況。

圖3所示為經(jīng)過網(wǎng)絡(luò)訓(xùn)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?？梢园l(fā)現(xiàn)在SOM輸出面板上建設(shè)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(shè)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(jīng)過SOM網(wǎng)絡(luò)訓(xùn)練后的輸入數(shù)據(jù)在輸入空間中的模式在輸出空間中得以識別和表達(dá)。

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(jīng)元

通過計(jì)算歐氏距離尋找距輸入數(shù)據(jù)最近的輸出神經(jīng)元作為其最佳匹配神經(jīng)元,根據(jù)輸入數(shù)據(jù)在SOM輸出面板上最佳匹配神經(jīng)元的位置,將各年份輸入數(shù)據(jù)在輸出面板上進(jìn)行表示(圖4)。結(jié)合圖3中的成分平面圖進(jìn)行對比分析,可以從整體上發(fā)現(xiàn)在本研究的所有時相內(nèi)朝陽區(qū)、海淀區(qū)、石景山區(qū)、豐臺區(qū)主要聚集在建設(shè)用地比例較高的區(qū)域,大興區(qū)、通州區(qū)、順義區(qū)一般聚集在耕地比例較高的區(qū)域,延慶區(qū)、密云區(qū)、懷柔區(qū)、門頭溝區(qū)等主要聚集在林地比例較高的區(qū)域,而平谷區(qū)主要在園地比例相對較高的區(qū)域。

2.2 二次聚類

將輸出的400個神經(jīng)元,按其權(quán)值向量進(jìn)行二次聚類,二次聚類采用k-means算法,經(jīng)多次試驗(yàn)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(jìn)行可視化。圖5中SOM輸出面板的區(qū)域劃分代表著二次聚類的結(jié)果；圖6中的折線圖表示每個聚類結(jié)果的7個屬性值,也即7種地類的面積比例,根據(jù)該比例確定各聚類的土地利用結(jié)構(gòu)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(yōu)勢比例,林地過渡型Ⅱ中建設(shè)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(jié)果在地理空間上進(jìn)行可視化,并以多圖的形式來表現(xiàn)不同年份之間的變化。由于是將不同年份各區(qū)域的土地利用數(shù)據(jù)同時作為輸入數(shù)據(jù)進(jìn)行網(wǎng)絡(luò)訓(xùn)練,所以在輸出的結(jié)果中,不同時期、不同區(qū)域的聚類結(jié)果具有可對比性。在圖5、圖6、圖7中所表示的內(nèi)容均對應(yīng)著共同的7個聚類,以便于進(jìn)行時空對比分析。如圖6所示,各聚類的差異主要表現(xiàn)在建設(shè)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(xiàn)較小。

圖4 SOM最佳匹配神經(jīng)元Fig.4 Best matching unit of SOM

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

2.3 軌跡分析

根據(jù)不同時期各區(qū)輸入數(shù)據(jù)的最佳匹配神經(jīng)元在SOM輸出面板中的位置,將各區(qū)在不同時期對應(yīng)的輸出點(diǎn)位依次連接起來,從而在低維空間即SOM輸出面板上構(gòu)建各區(qū)的土地利用變化軌跡,并對變化軌跡進(jìn)行聚類分析,此時將每個區(qū)的各個年份的土地利用結(jié)構(gòu)比例數(shù)據(jù)按照時間順序依次排列組成一個向量,以此來表示該區(qū)的變化軌跡并將其作為軌跡聚類的數(shù)據(jù)輸入。根據(jù)軌跡聚類結(jié)果研究區(qū)域土地利用的發(fā)展模式,同時將其在SOM輸出空間及地理空間上進(jìn)行可視化。

圖6 二次聚類結(jié)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(jié)合SOM輸出面板中各地類屬性的聚集狀況和各年份輸入數(shù)據(jù)最佳匹配神經(jīng)元的位置來表達(dá)說明；而根據(jù)輸出神經(jīng)元二次聚類結(jié)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(shù)據(jù)的對比以及變化軌跡的構(gòu)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(jié)合最佳匹配神經(jīng)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(fā)現(xiàn)不同年份各區(qū)的聚集狀況,見2.1.2節(jié)。根據(jù)二次聚類結(jié)果可以定量的確定各年份不同區(qū)土地利用結(jié)構(gòu)的相似聚集情況,如圖7?？梢园l(fā)現(xiàn)在本研究時段內(nèi),北京市郊區(qū)主要向兩個方向發(fā)展,一是東南平原地區(qū)向建設(shè)用地型的發(fā)展模式,表現(xiàn)為耕地型聚類的減少及建設(shè)用地/耕地型聚類的增加；一是西北山區(qū)向林地型的發(fā)展模式,表現(xiàn)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(qū)向建設(shè)用地型發(fā)展模式。由圖7可以看出順義區(qū)、通州區(qū)、大興區(qū)由2005年和2007年的耕地型轉(zhuǎn)變?yōu)榻ㄔO(shè)用地/耕地型,其中順義區(qū)轉(zhuǎn)變較早(2009年),通州區(qū)和大興區(qū)轉(zhuǎn)變較晚(2013年)。該轉(zhuǎn)變主要是耕地比例的減少以及建設(shè)用地、林地及牧草地的增加,這說明順義區(qū)、通州區(qū)、大興區(qū)具有作為城市發(fā)展新區(qū)的特征。平原區(qū)的朝陽區(qū)、豐臺區(qū)始終屬于建設(shè)用地型,位于山區(qū)過渡帶的海淀區(qū)、石景山區(qū)始終屬于建設(shè)用地過渡型,該類型的林地比例明顯要高。

(2)西北山區(qū)向林地型發(fā)展模式。由圖7可以看出房山區(qū)、昌平區(qū)、平谷區(qū)由2005年的林地過渡型Ⅱ轉(zhuǎn)變?yōu)榱值剡^渡型Ⅰ,延慶區(qū)、密云區(qū)由2005年的林地過渡型Ⅰ轉(zhuǎn)變?yōu)榱值匦?懷柔區(qū)、門頭溝區(qū)始終屬于林地型。該轉(zhuǎn)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(qū)均具有以林地增長為主導(dǎo)的土地利用變化趨勢。

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

3.2.2 土地利用變化軌跡

對于14個區(qū)所對應(yīng)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(jīng)多次試驗(yàn)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(qū)、豐臺區(qū)為一類,海淀區(qū)、石景山區(qū)為一類,順義區(qū)、通州區(qū)、大興區(qū)為一類,昌平區(qū)、房山區(qū)為一類,平谷區(qū)為一類,懷柔區(qū)、門頭溝區(qū)、延慶區(qū)、密云區(qū)為一類。各個區(qū)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(qū)的顏色一一對應(yīng),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(jié)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(jù)圖8左圖的軌跡聚類圖可以發(fā)現(xiàn)朝陽區(qū)、豐臺區(qū)、海淀區(qū)、石景山區(qū)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(qū)域更趨向于高建設(shè)用地比例的土地利用格局發(fā)展,即更趨向于中心城區(qū)發(fā)展；順義區(qū)、通州區(qū)、大興區(qū)趨向于向朝陽區(qū)、豐臺區(qū)、海淀區(qū)、石景山區(qū)的方向發(fā)展并緊隨其后,表現(xiàn)為向建設(shè)用地型發(fā)展的過渡階段；懷柔區(qū)、門頭溝區(qū)、延慶區(qū)、密云區(qū)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(qū)域更趨向于向林地比例高的土地利用格局發(fā)展,即更傾向于向生態(tài)涵養(yǎng)功能的發(fā)展；昌平區(qū)和房山區(qū)的軌跡方向介于海淀區(qū)、石景山區(qū)與密云區(qū)、延慶區(qū)等之間,而平谷區(qū)則始終在園地用地比例較高的區(qū)域徘徊。結(jié)合圖5所示二次聚類結(jié)果的SOM面板,可更加直觀地揭示各區(qū)的土地利用變化模式。而且軌跡線不僅可以表現(xiàn)二次聚類類別間的變化,還可以表現(xiàn)某一類別中的變化,像朝陽區(qū)、豐臺區(qū)在建設(shè)用地型中仍然向著建設(shè)用地比例更高的方向發(fā)展。

4 總結(jié)與討論

SOM方法是一種非常有效的可視化數(shù)據(jù)挖掘方法,可將高維數(shù)據(jù)映射到二維的平面上,從而更加直觀的表現(xiàn)和識別潛在的模式。本研究運(yùn)用SOM方法來探索分析北京市區(qū)級土地利用的時空演變模式,通過設(shè)置足夠大尺寸的SOM輸出面板,借助SOM的拓?fù)浔３痔匦詫⒍鄷r間序列數(shù)據(jù)同時輸入SOM網(wǎng)絡(luò)進(jìn)行訓(xùn)練輸出,從而實(shí)現(xiàn)土地利用變化的時空一體化表達(dá)和對比分析,為當(dāng)前土地利用變化研究中存在的對多期數(shù)據(jù)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(jié)果與2006年出臺的北京市“十一五”功能區(qū)域發(fā)展規(guī)劃基本一致,通過對SOM輸出神經(jīng)元進(jìn)行二次聚類及在其輸出面板上構(gòu)建的土地利用變化軌跡,可以發(fā)現(xiàn)一些更為精細(xì)的結(jié)果,像朝陽區(qū)、豐臺區(qū)、海淀區(qū)、石景山區(qū)均為城市功能拓展區(qū),但相比與海淀區(qū)和石景山區(qū),朝陽區(qū)和豐臺區(qū)更趨近于中心城區(qū)的發(fā)展；此外,房山區(qū)與昌平區(qū)雖然被規(guī)劃為城市發(fā)展新區(qū),當(dāng)前仍以林地為主導(dǎo)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(qū)與石景山區(qū)的發(fā)展趨勢；而對于順義區(qū)、通州區(qū)和大興區(qū),在其區(qū)域發(fā)展過程中順義區(qū)的轉(zhuǎn)變發(fā)生較早。綜上可知,北京市在2005—2013年間土地利用變化的特點(diǎn)主要表現(xiàn)為建設(shè)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(kuò)展過程中各地類之間此消彼長的結(jié)構(gòu)變化關(guān)系及建設(shè)用地對農(nóng)用地的侵占狀況。因此運(yùn)用本方法可以很好的發(fā)現(xiàn)區(qū)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(shù)據(jù)的時空一體化表達(dá)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(shù)據(jù)為70條,設(shè)置的輸出神經(jīng)元個數(shù)為400個,但當(dāng)研究區(qū)域更大或者對輸入的空間單元尺度劃分更細(xì)時,輸入數(shù)據(jù)的數(shù)量會大大增加,此時輸出神經(jīng)元的數(shù)量也需要相應(yīng)增多,也即需要更大的SOM輸出面板的尺寸,這樣SOM網(wǎng)絡(luò)訓(xùn)練過程中的計(jì)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(tǒng)工程理論與實(shí)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(tài)度及轉(zhuǎn)換參數(shù)分析. 南京林業(yè)大學(xué)學(xué)報: 自然科學(xué)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(huán)渤海地區(qū)景觀格局動態(tài)變化軌跡分析. 水土保持學(xué)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(jīng)網(wǎng)絡(luò)的空間點(diǎn)群聚類及其應(yīng)用分析. 武漢大學(xué)學(xué)報: 信息科學(xué)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(xué)學(xué)報: 信息科學(xué)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(tài)監(jiān)測可視化研究. 機(jī)械工程學(xué)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(wǎng)絡(luò)分析1990—2010年中國主要城市擴(kuò)展特征. 武漢大學(xué)學(xué)報: 信息科學(xué)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(yè)務(wù)費(fèi)專項(xiàng)資金資助項(xiàng)目；北京市共建項(xiàng)目專項(xiàng)資助；國家自然科學(xué)基金項(xiàng)目(40671127)；國土資源部公益性行為科研專項(xiàng)(201411015-03)

2016- 07- 22; < class="emphasis_bold">網(wǎng)絡(luò)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(yīng)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(tài)學(xué)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.