農(nóng)村宅基地整治潛力的空間顯式測算與模擬

鄒 琳，趙 翔，江 平，孔雪松

農(nóng)村宅基地整治潛力的空間顯式測算與模擬

鄒 琳1，趙 翔2※，江 平2，孔雪松2

（1. 廣東省地質(zhì)測繪院，廣州 510800；2. 武漢大學(xué)資源與環(huán)境科學(xué)學(xué)院，武漢 430079）

把握農(nóng)民拆舊整治意愿是準(zhǔn)確估計(jì)農(nóng)村宅基地整治潛力的基本前提?，F(xiàn)有的農(nóng)村宅基地整治潛力測算模型在農(nóng)民拆舊整治意愿建模和潛力空間顯式測算表達(dá)方面依然存在一定局限性。該研究嘗試?yán)脵C(jī)器學(xué)習(xí)算法和土地利用多源時(shí)空數(shù)據(jù)，研究面向區(qū)域農(nóng)村宅基地整治潛力測算的農(nóng)民拆舊整治意愿模擬模型，實(shí)現(xiàn)農(nóng)村宅基地整治潛力的空間顯式估算。研究首先利用高分遙感和土地利用數(shù)據(jù)，提取以廢舊建筑物為主的拆舊潛力區(qū)；在此基礎(chǔ)上，利用單分類支持向量機(jī)算法和區(qū)域拆舊整治歷史樣本對區(qū)域農(nóng)民群體的拆舊整治意愿進(jìn)行模擬，從而實(shí)現(xiàn)區(qū)域宅基地拆舊整治潛力的空間顯式測算。研究選取廣東信宜市平塘鎮(zhèn)作為研究區(qū)對模型的性能進(jìn)行了驗(yàn)證和評估。結(jié)果表明，模型的總體模擬精度達(dá)96.36%，其中正向樣本模擬精度為96.88%，負(fù)向樣本模擬精度為80.14%。根據(jù)模型預(yù)測結(jié)果，平塘鎮(zhèn)實(shí)際可供整治的廢舊宅基地面積約為36.02 hm2，占平塘鎮(zhèn)廢舊宅基地總面積的34.65%。研究結(jié)果將為中國正在實(shí)施的全域土地綜合整治和國土空間規(guī)劃決策提供重要的決策依據(jù)。

土地利用；整治；農(nóng)村居民點(diǎn)；智能體建模；單分類

0 引 言

近年來中國經(jīng)歷了大規(guī)模快速城市化過程。城鄉(xiāng)人口結(jié)構(gòu)與規(guī)模的快速、大規(guī)模變遷引發(fā)了城鄉(xiāng)人地關(guān)系的失衡問題：一方面，城鎮(zhèn)人口規(guī)模的快速增長導(dǎo)致城鎮(zhèn)建設(shè)用地供需矛盾日益尖銳；另一方面，鄉(xiāng)村人口的大量流失和村莊規(guī)劃的相對滯后則引發(fā)了村莊土地閑置和低效利用問題[1-3]?！叭丝跍p少，居民點(diǎn)面積反增”的農(nóng)村人地關(guān)系失調(diào)現(xiàn)象在全國范圍內(nèi)普遍存在[4]。因此，開展全域土地綜合整治、盤活農(nóng)村存量低效與閑置的建設(shè)用地，對于緩解城鄉(xiāng)建設(shè)用地供需矛盾、改善鄉(xiāng)村人居環(huán)境和耕地保護(hù)具有非常重要的現(xiàn)實(shí)意義。

農(nóng)村廢舊宅基地是農(nóng)村土地整治的主要潛力來源[5]。準(zhǔn)確識(shí)別廢舊宅基地的空間分布與規(guī)模，不僅能為國土空間規(guī)劃編制、土地綜合整治規(guī)劃與項(xiàng)目選址提供必要的決策依據(jù)，也是促進(jìn)農(nóng)村建設(shè)用地集約利用、優(yōu)化國土空間開發(fā)格局的必然要求。由于土地調(diào)查數(shù)據(jù)精細(xì)度等問題，現(xiàn)有研究大多以農(nóng)村居民點(diǎn)整治潛力的估算為主，而對農(nóng)村廢舊宅基地整治潛力的測算研究相對不足?，F(xiàn)有的農(nóng)村宅基地和居民點(diǎn)整治潛力測算方法主要有：人（戶）均用地指標(biāo)法[6-9]、土地閑置率法[10]、基于GIS和多因素綜合評價(jià)技術(shù)的潛力系數(shù)修訂法[11-14]、基于高分辨率遙感和GIS技術(shù)的潛力測算方法[15-16]、農(nóng)民意愿調(diào)查法[5, 17-20]和多方法融合[15]的估算方法。

現(xiàn)有方法依然存在一定局限性，主要表現(xiàn)在：1）非空間顯式（Non-Spatially Explicit）?，F(xiàn)有模型大多難以在地塊尺度對整治潛力進(jìn)行空間顯式建模和預(yù)測，不能為土地整治規(guī)劃與項(xiàng)目選址提供具有指導(dǎo)意義的決策依據(jù)。2）缺乏有效的農(nóng)民整治意愿模擬與仿真方法。農(nóng)民的拆舊意愿是影響區(qū)域宅基地整治潛力規(guī)模的直接因素和決定性因素，準(zhǔn)確把握區(qū)域農(nóng)民拆舊整治意愿是獲取準(zhǔn)確的潛力時(shí)空分布的前提。在現(xiàn)有潛力測算方法中，人（戶）均用地指標(biāo)法和土地閑置率法通常只能得出區(qū)域總體潛力規(guī)模，而無法在微觀尺度對農(nóng)民的整治意愿及整治潛力的空間分布進(jìn)行模擬與預(yù)測。融合遙感和GIS技術(shù)的潛力估算方法雖然能夠較為準(zhǔn)確的識(shí)別區(qū)域廢舊宅基地地塊及其空間分布，卻無法對區(qū)域農(nóng)民的整治意愿進(jìn)行有效模擬與仿真。此外，基于農(nóng)戶意愿調(diào)查的方法盡管能夠準(zhǔn)確的獲得農(nóng)民的拆舊意愿及潛力空間分布，然而實(shí)地調(diào)查需要耗費(fèi)大量的人力和物力成本，難以在大區(qū)域的土地整治規(guī)劃決策中進(jìn)行規(guī)?；瘧?yīng)用。

針對現(xiàn)有研究的局限性，本文將利用高分遙感和GIS技術(shù)，構(gòu)建面向區(qū)域農(nóng)村宅基地整治潛力預(yù)測的空間顯式建模框架；進(jìn)而基于區(qū)域土地整治工程的歷史數(shù)據(jù)和時(shí)空數(shù)據(jù)挖掘方法，對區(qū)域農(nóng)民群體的拆舊與整治意愿進(jìn)行自動(dòng)化、定量化和空間顯式模擬與預(yù)測；從而提高農(nóng)村宅基地整治潛力測算結(jié)果的準(zhǔn)確性，為國土空間規(guī)劃編制和區(qū)域土地綜合整治規(guī)劃與項(xiàng)目選址提供準(zhǔn)確、可行的決策依據(jù)。

1 研究區(qū)概況與數(shù)據(jù)

1.1 研究區(qū)概況

選取廣東茂名信宜市平塘鎮(zhèn)為研究區(qū)。平塘鎮(zhèn)位于廣東省西南部，屬亞熱帶季風(fēng)氣候區(qū)，年降雨量1 477～1 941 mm，年氣溫16.5～22.8℃。全鎮(zhèn)國土面積約192.36 km2，境內(nèi)山脈縱橫，四面高山環(huán)繞，中間為狹長盆地，海拔在123～1 329 m之間（圖1）。平塘鎮(zhèn)是農(nóng)業(yè)為主的山區(qū)鎮(zhèn)，2018年末全鎮(zhèn)工農(nóng)業(yè)總產(chǎn)值為16.71億元，其中農(nóng)業(yè)總產(chǎn)值為11.93億元，產(chǎn)業(yè)結(jié)構(gòu)相對單一；農(nóng)民人均年收入為15 421元，以農(nóng)業(yè)收入為主。截至2019年年末，平塘鎮(zhèn)下轄21個(gè)行政村，共有農(nóng)村戶籍人口64 118人，14 194戶。抽樣調(diào)查結(jié)果表明，全鎮(zhèn)常住人口比例僅占戶籍總?cè)丝诘?1.9%。

圖1 平塘鎮(zhèn)的地理區(qū)位與土地利用情況

根據(jù)第三次國土調(diào)查成果數(shù)據(jù)，平塘鎮(zhèn)現(xiàn)有農(nóng)村宅基地面積約343.70 hm2，占農(nóng)村建設(shè)用地總面積的88.50%；戶均宅基地面積約242 m2/戶，超過廣東省規(guī)定的：“山區(qū)戶均宅基地面積不超過150 m2”標(biāo)準(zhǔn)。平塘鎮(zhèn)位于廣東省相對落后的山區(qū)，區(qū)域農(nóng)民群體通過務(wù)工、經(jīng)商等途徑實(shí)現(xiàn)城鎮(zhèn)化的愿望非常強(qiáng)烈。因此，在尊重農(nóng)民意愿的前提下，推進(jìn)區(qū)域城鄉(xiāng)建設(shè)用地增減掛鉤、拆舊復(fù)墾和土地綜合整治等工程，對于緩解區(qū)域城鎮(zhèn)化用地矛盾、改善農(nóng)村人居環(huán)境和提高農(nóng)民收入水平具有非常重要的作用。

2019年下半年，在征得各村集體同意的基礎(chǔ)上，信宜市政府在平塘鎮(zhèn)開展了城鄉(xiāng)建設(shè)用地增減掛鉤的試點(diǎn)工作。該項(xiàng)試點(diǎn)涉及全鎮(zhèn)21個(gè)行政村，1 141戶農(nóng)民，釋放建設(shè)用地潛力約118.67 hm2，有效改善了區(qū)域生態(tài)環(huán)境和農(nóng)業(yè)基礎(chǔ)設(shè)施，提高了土地利用效率和農(nóng)民收入水平。

圖2 平塘鎮(zhèn)宅基地分布及決策影響因素

1.2 數(shù)據(jù)來源與預(yù)處理

基于建模需要，本文研究數(shù)據(jù)主要包括：1）平塘鎮(zhèn)第三次國土調(diào)查數(shù)據(jù)庫；2）2019年上半年獲取的最新0.2 m分辨率遙感圖像；3）信宜市統(tǒng)計(jì)年鑒（2015－2019）；4）平塘鎮(zhèn)小學(xué)、道路分布情況；5）平塘鎮(zhèn)DEM柵格數(shù)據(jù)；6）平塘鎮(zhèn)2019年下半年竣工的增減掛鉤拆舊項(xiàng)目區(qū)邊界矢量數(shù)據(jù)。所有空間數(shù)據(jù)采用國家2 000坐標(biāo)系進(jìn)行存儲(chǔ)。根據(jù)研究區(qū)的實(shí)際情況，廢舊宅基地是該區(qū)域的主要潛力來源和整治對象。從第三次國土調(diào)查數(shù)據(jù)庫中提取宅基地圖斑作為試驗(yàn)區(qū)數(shù)據(jù)處理和潛力預(yù)測的基本邊界。為了消除多邊形圖斑形狀、大小對算法精度的影響，兼顧數(shù)據(jù)處理效率，將宅基地圖斑轉(zhuǎn)換為5 m空間分辨率的柵格圖像，以轉(zhuǎn)換后的柵格像元作為模型訓(xùn)練和潛力預(yù)測的基本單元（圖2）。在此基礎(chǔ)上，按照同樣的空間分辨率和范圍，完成研究區(qū)坡度數(shù)據(jù)的生成與重采樣、計(jì)算各潛力預(yù)測單元與小學(xué)和道路的歐氏距離。

2 農(nóng)村宅基地整治潛力測算模型

2.1 模型總體框架與數(shù)據(jù)處理流程

農(nóng)村宅基地整治潛力的空間顯式測算模型總體包括以下幾個(gè)方面（圖3）：1）決策環(huán)境數(shù)據(jù)處理。按照主導(dǎo)因素原則，參考國內(nèi)外相關(guān)研究[20]，并結(jié)合試驗(yàn)區(qū)的實(shí)際情況，選取“鄰域平均坡度”、“與道路距離”、“與小學(xué)距離”和“鄰域土地利用”作為影響居民拆舊整治意愿的決策環(huán)境因素。利用GIS空間分析方法，基于區(qū)域土地利用現(xiàn)狀數(shù)據(jù)、道路和小學(xué)分布、坡度數(shù)據(jù)，完成環(huán)境因素?cái)?shù)據(jù)的預(yù)處理。2）宅基地圖斑的遙感分類。根據(jù)廢舊建筑物和新建建筑物在高分辨率遙感圖像上的紋理與色彩特征差異，將宅基地圖斑劃分為新建建筑區(qū)和拆舊潛力區(qū)；3）農(nóng)民拆舊整治意愿的智能化模擬?；趨^(qū)域土地整治歷史項(xiàng)目數(shù)據(jù)和機(jī)器學(xué)習(xí)算法，構(gòu)建農(nóng)民意愿模擬模型；4）拆舊潛力的空間顯式預(yù)測。利用農(nóng)民整治意愿模擬模型預(yù)測拆舊潛力區(qū)內(nèi)每個(gè)像元處的農(nóng)民整治意愿；5）潛力圖斑面積統(tǒng)計(jì)。將預(yù)測結(jié)果標(biāo)記為“同意拆舊”、空間連片的拆舊潛力區(qū)像元轉(zhuǎn)換為矢量圖斑，并統(tǒng)計(jì)各矢量圖斑的面積；6）最小潛力圖斑面積篩選。根據(jù)項(xiàng)目區(qū)土地整治施工標(biāo)準(zhǔn)，將小于施工面積標(biāo)準(zhǔn)的小圖斑剔除即可得到區(qū)域整治潛力圖斑的空間分布與規(guī)模。

2.2 基于高分遙感數(shù)據(jù)的拆舊潛力區(qū)提取

由于建設(shè)年代的不同，農(nóng)村廢舊建筑和近年新建建筑所采取的施工技術(shù)和建材存在明顯的差異，使得其在遙感圖像上呈現(xiàn)出明顯的紋理特征差異（圖4）。例如，本研究區(qū)內(nèi)的廢舊房屋大多為磚木結(jié)構(gòu)、深色瓦面屋頂?shù)膯螌臃课?，在高分辨率遙感圖像上通常表現(xiàn)為暗黑色；而近年新建的房屋則多為混泥土結(jié)構(gòu)的多層樓房，在遙感圖像上表現(xiàn)為灰白色。兩者在紋理和顏色上的強(qiáng)烈對比，使得利用高分辨率遙感圖像識(shí)別新建建筑區(qū)和拆舊潛力區(qū)成為可能。

注：OCSVM為單分類支持向量機(jī)。下同。

圖4 研究區(qū)內(nèi)廢舊建筑與新建建筑的典型紋理特征與色彩差異

廢舊農(nóng)村宅基地是研究區(qū)土地整治潛力的主要來源。為提高計(jì)算效率，利用宅基地矢量圖斑和區(qū)域土地整治歷史項(xiàng)目地塊邊界對研究區(qū)高分遙感圖像進(jìn)行裁切，僅保留潛力預(yù)測和正向樣本訓(xùn)練特征提取需要的區(qū)域；在此基礎(chǔ)上，根據(jù)新建建筑物的紋理、顏色和形狀特征，利用面向?qū)ο蟮倪b感圖像分類技術(shù)從高分遙感圖像上自動(dòng)識(shí)別出區(qū)域新建建筑物；識(shí)別結(jié)果經(jīng)過人工檢驗(yàn)和修正后，將其與宅基地圖斑進(jìn)行疊加后即可得到不能整治的新建建筑區(qū)和以廢舊建筑物為主的拆舊潛力區(qū)。

通過高分辨率遙感圖像獲取的拆舊潛力區(qū)是本研究中潛力預(yù)測和模擬的主要對象，以柵格數(shù)據(jù)存儲(chǔ)。拆舊潛力區(qū)柵格上代表廢舊建筑物的柵格像元構(gòu)成了整治潛力預(yù)測和模擬的基本單元。

2.3 農(nóng)民拆舊整治意愿的智能化模擬

作為復(fù)雜人地系統(tǒng)的重要組成部分，農(nóng)民個(gè)體的決策行為通常受到宏觀政策與社會(huì)經(jīng)濟(jì)發(fā)展水平、區(qū)位環(huán)境和農(nóng)民個(gè)人自身?xiàng)l件等多種因素的影響，具有較強(qiáng)的不確定性和不可預(yù)測性。另一方面，現(xiàn)代復(fù)雜系統(tǒng)理論認(rèn)為：復(fù)雜系統(tǒng)中相互關(guān)聯(lián)的系統(tǒng)組分能夠呈現(xiàn)出與孤立組分及其總和所不具備的、可被識(shí)別與描述的系統(tǒng)整體“涌現(xiàn)特征”[21]。復(fù)雜系統(tǒng)的“涌現(xiàn)”理論為群體行為建模與仿真提供了一條全新的路徑[22]。隨著機(jī)器學(xué)習(xí)和人工智能技術(shù)的快速發(fā)展，群體行為的智能化模擬與仿真技術(shù)已在土地利用建模研究中得到了廣泛應(yīng)用[23-25]。因此，對農(nóng)民群體的拆舊整治意愿進(jìn)行建模與仿真在理論上是可行的。

利用人工神經(jīng)網(wǎng)絡(luò)（Artificial neural network, ANN）、支持向量機(jī)（Support vector machine, SVM）和決策樹（Decision tree, DT）等監(jiān)督學(xué)習(xí)算法從行為群體決策樣本數(shù)據(jù)中自動(dòng)提取決策主體的行為偏好與規(guī)則，是當(dāng)前國際上土地利用主體行為模式自動(dòng)化建模與仿真的主要方法[26-29]；其基本原理是通過多類型樣本訓(xùn)練分類器，從而構(gòu)建決策因子與不同決策結(jié)果之間的聯(lián)系。為了獲得相對準(zhǔn)確的建模結(jié)果，監(jiān)督分類算法通常要求訓(xùn)練集中不同類型的樣本數(shù)量總體上是均衡分布的，即不同類型樣本的數(shù)量大致是相同的，且具有代表性[30]。對于農(nóng)民拆舊意愿模擬問題，通過遙感、GIS等手段獲得的土地利用時(shí)空數(shù)據(jù)能夠提供豐富的正向決策樣本（征得農(nóng)民同意并進(jìn)行了整治的樣本）。然而，由于農(nóng)民決策行為的不確定性，負(fù)向決策樣本的獲取成本和難度較高，使得大多數(shù)情況下獲得的訓(xùn)練樣本集是失衡的（Imbalanced），即：正向樣本占絕大多數(shù)，負(fù)向樣本占少數(shù)甚至缺失。因此，傳統(tǒng)的二分類和多分類機(jī)器學(xué)習(xí)方法不適用于農(nóng)民拆舊意愿的建模和仿真。

針對負(fù)向樣本缺失或訓(xùn)練樣本不均衡分布的分類問題，Moya等提出了有別于傳統(tǒng)二分和多分類算法的單分類（One-class classification, OCC）算法[31]。在單分類算法中，除特定的目標(biāo)類別（正向樣本）外，負(fù)向樣本（其他類型的樣本）的選取無需具有代表性，在極端條件下甚至無需負(fù)向樣本[30]。現(xiàn)有研究中，單分類支持向量機(jī)（One-class Support Vector Machine, OCSVM）是目前應(yīng)用最為廣泛的一類單分類方法[32-33]，并已在遙感圖像分類[34-37]、模式識(shí)別[38]和異常檢測[39]等多個(gè)領(lǐng)域得到了成功應(yīng)用。

OCSVM算法的基本原理是利用SVDD（Support Vector Data Description）算法[40]定義一個(gè)包圍所有正向樣本的超球面，從而將目標(biāo)對象與其他對象進(jìn)行分割（圖5）。與傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)，決策樹和支持向量機(jī)等監(jiān)督分類算法不同，OCSVM算法本質(zhì)上是是一種半監(jiān)督分類算法。用于訓(xùn)練的樣本集均為無標(biāo)簽樣本，且以正向樣本為主，混入少量異常的負(fù)向樣本。訓(xùn)練前，OCSVM分類器預(yù)先只知道異常樣本占訓(xùn)練樣本集的比例，而不知訓(xùn)練樣本集中各樣本的具體類型。通過半監(jiān)督學(xué)習(xí)訓(xùn)練后，分類器將訓(xùn)練樣本進(jìn)行分類。將該分類結(jié)果與已知的樣本類型進(jìn)行對比，即可對分類器的精度和性能進(jìn)行評估。

農(nóng)民拆舊意愿模擬問題是典型的OCC問題，即：通過遙感和GIS等手段，可以從區(qū)域土地整治歷史項(xiàng)目數(shù)據(jù)中可以獲得大量的農(nóng)民同意拆舊整治的正向樣本。由于土地整治不僅受到農(nóng)民自身決策偏好的影響，同時(shí)也受到國土空間規(guī)劃、補(bǔ)償政策等宏觀因素的影響。因此，不能將區(qū)域內(nèi)暫時(shí)未實(shí)施整治的廢舊宅基地籠統(tǒng)的劃分為負(fù)向樣本，即：由于農(nóng)民不同意而未實(shí)施拆舊整治的負(fù)向樣本難以大量獲取。由此可見，OCCSVM算法為解決農(nóng)民群體的拆舊整治意愿建模與仿真提供了新路徑。根據(jù)平塘鎮(zhèn)農(nóng)民拆舊意愿訪談情況，結(jié)合國內(nèi)外現(xiàn)有研究成果[27]，選取地形坡度、與小學(xué)的距離、與道路的距離，鄰域土地利用情況作為農(nóng)民拆舊意愿決策的主要因素，構(gòu)建農(nóng)民整治意愿模擬模型見圖6。

圖5 OCSVM算法的分類原理

圖6 OCSVM算法模擬農(nóng)民拆舊整治意愿

根據(jù)OCC問題的基本特點(diǎn)，OCSVM算法主要利用正向樣本進(jìn)行訓(xùn)練。為檢驗(yàn)算法的預(yù)測精度，訓(xùn)練時(shí)混入少量負(fù)向樣本，形成無標(biāo)簽的訓(xùn)練樣本集。正向樣本通過區(qū)域內(nèi)近年內(nèi)開展的城鄉(xiāng)建設(shè)用地增減掛鉤、拆舊復(fù)墾等土地整治地塊數(shù)據(jù)獲取。其中，研究區(qū)整治地塊數(shù)據(jù)參照宅基地圖斑的處理方法轉(zhuǎn)換為柵格像元。由于廢舊宅基地內(nèi)部多為平地，宅地基周圍的地形起伏狀況可能對農(nóng)民的拆舊意愿產(chǎn)生影響。因此，對于任意像元，其摩爾鄰域內(nèi)的區(qū)域平均坡度SLP按照如下公式進(jìn)行計(jì)算：

式中表示像元的階摩爾鄰域內(nèi)有效像元的總數(shù)；S表示摩爾鄰域內(nèi)第個(gè)像元處的坡度值。

農(nóng)民的拆舊意愿也受到宅基地相鄰地塊的土地利用狀況的影響。根據(jù)研究區(qū)的實(shí)際情況，對于任意像元,按照公式（2）分別統(tǒng)計(jì)其階摩爾鄰域內(nèi)耕地、園地、林地、交通用地、新建建筑區(qū)和拆舊潛力區(qū)的面積占比作為該像元樣本的特征參數(shù)。

式中表示像元的階摩爾鄰域內(nèi)第種地類的占比；表示像元的階摩爾鄰域內(nèi)第種地類像元的個(gè)數(shù)。

圖7展示了對于任意潛力評價(jià)像元的階摩爾鄰域的定義范圍。由圖7可知，摩爾鄰域定義的階數(shù)影響到式（1）和（2）中鄰域的統(tǒng)計(jì)范圍。根據(jù)本研究試驗(yàn)區(qū)的柵格取值范圍和數(shù)據(jù)分析、測試情況，選取10階摩爾鄰域（10對應(yīng)105 m×105 m區(qū)域）計(jì)算樣本特征參數(shù)。

圖7 潛力評價(jià)像元的k階摩爾鄰域

按照上述方法，分別計(jì)算樣本像元和潛力評價(jià)像元的樣本特征值。在此基礎(chǔ)上，利用無標(biāo)簽樣本對OCSVM算法進(jìn)行訓(xùn)練，進(jìn)而利用自動(dòng)提取的分類規(guī)則對輸入樣本進(jìn)行分類；最后，將算法對無標(biāo)簽樣本的分類結(jié)果與各訓(xùn)練樣本的真實(shí)類型進(jìn)行對比，即可對分類器的精度進(jìn)行驗(yàn)證和評估。經(jīng)過精度評估與驗(yàn)證的分類器即可用于對區(qū)域農(nóng)民拆舊整治意愿的模擬和預(yù)測。

3 潛力測算結(jié)果

3.1 基于傳統(tǒng)方法的整治潛力測算結(jié)果

為評估模型的可靠性，以戶均宅基地面積標(biāo)準(zhǔn)法對平塘鎮(zhèn)宅基地整治潛力進(jìn)行估算，即：將區(qū)域現(xiàn)狀戶均宅基地面積與廣東省規(guī)定的戶均宅基地面積標(biāo)準(zhǔn)之間的差值作為區(qū)域宅基地整治潛力。盡管平塘鎮(zhèn)戶籍鄉(xiāng)村人口在2015－2019年間增加了1291人，考慮到平塘鎮(zhèn)社會(huì)經(jīng)濟(jì)發(fā)展水平以及常住人口逐年下降的實(shí)際情況，本研究采取略微保守的方案，即以平塘鎮(zhèn)2019年末的戶籍鄉(xiāng)村人口戶數(shù)作為潛力測算依據(jù)。按照廣東省山區(qū)戶均宅基地150 m2的標(biāo)準(zhǔn)，以行政村為單位、按照戶均宅基地面積標(biāo)準(zhǔn)法估計(jì)得到的平塘鎮(zhèn)各村宅基地的整治潛力見表1。

按照戶均宅基地指標(biāo)法，平塘鎮(zhèn)宅基地整治的潛力規(guī)模約為130.9 hm2，占現(xiàn)有宅基地總量的38.07%。除鎮(zhèn)政府駐地林垌村外，其余各村的現(xiàn)狀戶均宅基地面積均超過了廣東省規(guī)定的標(biāo)準(zhǔn)。然而，戶均指標(biāo)法沒有考慮農(nóng)民的實(shí)際拆舊整治意愿，往往不具備現(xiàn)實(shí)指導(dǎo)意義。另一方面，該方法的準(zhǔn)確度強(qiáng)烈依賴于規(guī)劃期戶籍和常住人口數(shù)據(jù)的準(zhǔn)確性。因此，利用該方法得到的潛力結(jié)果往往難以為國土空間規(guī)劃、土地整治、城鄉(xiāng)建設(shè)用地增減掛鉤項(xiàng)目的規(guī)劃決策和選址提供有價(jià)值且具有可行性的指導(dǎo)意見。

表1 傳統(tǒng)方法估算的平塘鎮(zhèn)宅基地整治潛力

3.2 廢棄宅基地整治潛力空間顯式建模與測算結(jié)果

基于潛力測算與模擬模型對研究區(qū)的廢棄宅基地整治潛力進(jìn)行測算。

3.2.1 模型的訓(xùn)練和精度評估

選取平塘鎮(zhèn)2019年末已經(jīng)實(shí)施的城鄉(xiāng)建設(shè)用地增減掛鉤試點(diǎn)項(xiàng)目數(shù)據(jù)作為模型的訓(xùn)練樣本。將該項(xiàng)目中已經(jīng)實(shí)施了拆舊整治的宅基地地塊（圖8）按照統(tǒng)一的分辨率進(jìn)行柵格化后，共得到4 449個(gè)柵格像元作為正向樣本。

圖8 訓(xùn)練樣本的空間分布

為評估算法的性能，從三調(diào)宅基地圖斑集合中隨機(jī)選取少量近年新建了樓房的地塊作為干擾項(xiàng)混入訓(xùn)練樣本。干擾地塊柵格化后，得到141個(gè)像元作為負(fù)向樣本。按照本文前述的方法，利用正向與負(fù)向樣本混合后的4 590個(gè)無標(biāo)簽訓(xùn)練樣本集構(gòu)建面向區(qū)域農(nóng)民拆舊整治意愿模擬的OCSVM分類器，預(yù)測精度評估結(jié)果見表2。

表2 農(nóng)民拆舊整治意愿模擬精度評估

如表2，對4 590個(gè)無標(biāo)簽樣本的總體分類精度為96.36%，其中：同意拆舊整治的4 449個(gè)正向樣本的分類精度為96.88%，141個(gè)負(fù)向樣本的分類精度為80.14%，分類精度總體滿足測算區(qū)域農(nóng)民整治意愿的要求。

3.2.2 整治潛力模擬與測算

基于高分辨率遙感圖像，將平塘鎮(zhèn)2019年末實(shí)施增減掛鉤后剩余的343.70 hm2的農(nóng)村宅基地劃分為新建建筑區(qū)和拆舊潛力區(qū)，得到以廢舊建筑物為主的拆舊潛力圖斑總面積為103.96 hm2，低于戶均宅基地指標(biāo)法測算得到的130.9 hm2。由此可見，基于傳統(tǒng)的戶均宅基地面積標(biāo)準(zhǔn)等方法測算得到的整治潛力結(jié)果不具可實(shí)施性。

在識(shí)別區(qū)域廢舊宅基地的基礎(chǔ)上，利用訓(xùn)練得到的OCSVM分類器對拆舊潛力區(qū)的農(nóng)民拆舊整治意愿進(jìn)行預(yù)測，將被標(biāo)記為“同意拆舊”、且空間連片的拆舊潛力區(qū)像元轉(zhuǎn)換為矢量圖斑，并統(tǒng)計(jì)各矢量圖斑的面積，得到各村的潛力規(guī)模見表3。

表3 平塘鎮(zhèn)各村宅基地整治潛力預(yù)測結(jié)果

土地整治工程實(shí)踐中往往要求被整治地塊滿足一定的面積規(guī)模。例如，信宜市2019年城鄉(xiāng)建設(shè)用地增減掛鉤試點(diǎn)要求拆舊復(fù)墾地塊面積不得低于0.1 hm2。因此，考慮施工要求，只有面積規(guī)模滿足要求的潛力地塊才能最終轉(zhuǎn)化為現(xiàn)實(shí)潛力。對平塘鎮(zhèn)潛力預(yù)測結(jié)果圖斑面積進(jìn)行分組統(tǒng)計(jì)，結(jié)果見圖9。

圖9 平塘鎮(zhèn)預(yù)測潛力圖斑面積統(tǒng)計(jì)分布

平塘鎮(zhèn)的廢舊房屋零星分布在交通條件不便的山區(qū)區(qū)域。從潛力圖斑面積分布來看，潛力圖斑面積大多分布在250～500 m2區(qū)間，100～250 m2區(qū)間次之；即，對照表1中平塘鎮(zhèn)的戶均宅基地面積，由模型預(yù)測得到的大部分潛力圖斑里只包含1～2棟廢舊房屋。若整治施工的最小圖斑面積標(biāo)準(zhǔn)設(shè)為1 000 m2，則全鎮(zhèn)宅基地整治潛力預(yù)測規(guī)模為36.02 hm2，占拆舊潛力區(qū)總面積的34.65%。各村宅基地的整治潛力規(guī)模及潛力地塊分布見圖10。

圖10 平塘鎮(zhèn)宅基地整治潛力地塊分布

如圖10所示，平塘鎮(zhèn)的農(nóng)村宅基地整治潛力主要分布在北中、坳垌、甘垌和平塘村等現(xiàn)狀戶均宅基地面積較大的村莊。例如，甘垌村現(xiàn)狀戶均宅基地面積為283.73 m2，平塘村293.75 m2，北中村為283.73 m2，坳垌村為254.39 m2，均高于平塘鎮(zhèn)的平均值（242.22 m2）。此外，根據(jù)模型的預(yù)測結(jié)果，茅垌村和榃棉村同樣具有一定規(guī)模的廢舊宅基地整治潛力。然而由于地形的影響，兩個(gè)村內(nèi)的廢舊宅基地均呈現(xiàn)為零星分布，沒有相對大片的可整治區(qū)域。因此，按照最小整治圖斑面積標(biāo)準(zhǔn)進(jìn)行篩選后，兩村最終可實(shí)施整治的潛力規(guī)模為0。另一方面，若將最小整治圖斑面積降低到500 m2后，全鎮(zhèn)宅基地整治潛力規(guī)模約到60.51 hm2，約占全鎮(zhèn)模型預(yù)測潛力規(guī)模的63.87%。由此可見，在山區(qū)和丘陵地區(qū)，除農(nóng)民自身的拆舊整治意愿外，地形和宅基地的零星分布也影響宅基地整治潛力釋放的重要因素。

4 結(jié)論與討論

4.1 結(jié) 論

1）農(nóng)民的拆舊整治意愿是影響區(qū)域建設(shè)用地整治潛力的直接決定因素。準(zhǔn)確掌握農(nóng)民的拆舊整治意愿是對區(qū)域農(nóng)村宅基地整治潛力進(jìn)行精確預(yù)測的基本前提。按照戶均宅基地面積標(biāo)準(zhǔn)法測算，平塘鎮(zhèn)的宅基地整治潛力為130.9 hm2，占現(xiàn)有宅基地總量的38.07%。由于規(guī)劃期戶籍和常住人口數(shù)據(jù)預(yù)測的不確定性，以及缺乏對農(nóng)民實(shí)際拆舊意愿的準(zhǔn)確把握，使用該方法測算得到的潛力規(guī)模不具現(xiàn)實(shí)指導(dǎo)意義。

2）機(jī)器學(xué)習(xí)和人工智能方法為農(nóng)民拆舊整治意愿的模擬與仿真提供了新的路徑。OCSVM算法僅需正向樣本和少量負(fù)向樣本即可完成對復(fù)雜規(guī)則的自動(dòng)學(xué)習(xí)，較好的回避了農(nóng)民意愿模擬中負(fù)向樣本難以獲取的難題。在本研究中，OCSVM算法在研究區(qū)對4 590個(gè)無標(biāo)簽樣本的總體預(yù)測精度達(dá)96.36%，正向樣本預(yù)測精度為96.88%，負(fù)向樣本預(yù)測精度為80.14%，預(yù)測精度較好。

3）高分辨率遙感技術(shù)和GIS空間分析方法為農(nóng)民拆舊整治意愿的模擬提供豐富了決策基礎(chǔ)數(shù)據(jù)，并為整治潛力的空間顯式預(yù)測和模擬提供了建?？蚣??；诟叻直媛蔬b感圖像分類得到平塘鎮(zhèn)以廢舊建筑物為主的拆舊潛力區(qū)103.96 hm2，低于戶均指標(biāo)法的預(yù)測潛力規(guī)模。其中，經(jīng)OCSVM模型預(yù)測能獲得農(nóng)民同意的潛在拆舊整治區(qū)面積約為94.74 hm2。參照信宜市土地整治施工最小圖斑面積標(biāo)準(zhǔn)，平塘鎮(zhèn)實(shí)際可供整治的潛力地塊總面積為36.02 hm2，占平塘鎮(zhèn)拆舊潛力區(qū)總面積的34.65%。在山區(qū)、丘陵地區(qū)，宅基地的零星、破碎分布和地形因素是除農(nóng)民主觀意愿外影響理論潛力轉(zhuǎn)換為現(xiàn)實(shí)潛力的重要因素。

4.2 討 論

處于人地復(fù)雜系統(tǒng)中的農(nóng)民其決策行為受到多種不確定性因素的影響。農(nóng)民的拆舊整治意愿通常受到宏觀政策、區(qū)位條件和家庭條件等眾多因素的影響。這些復(fù)雜的影響因素相互之間是否存在聯(lián)系、存在何種類型的聯(lián)系，依然有待深入、系統(tǒng)研究。因此，對農(nóng)民群體的拆舊復(fù)墾意愿進(jìn)行定量建模和仿真，是一項(xiàng)非常具有挑戰(zhàn)的科學(xué)難題。復(fù)雜系統(tǒng)理論認(rèn)為，在宏觀尺度對群體決策行為的“涌現(xiàn)特征”進(jìn)行建模與仿真具有可行性。近年來，隨著大數(shù)據(jù)和人工智能技術(shù)的興起，利用時(shí)空大數(shù)據(jù)和深度學(xué)習(xí)等方法對人群的行為偏好進(jìn)行建模與仿真，已成為當(dāng)前國際相關(guān)領(lǐng)域研究熱點(diǎn)，并已經(jīng)在廣告推送等眾多領(lǐng)域得到了成功應(yīng)用。本文嘗試?yán)肙CSVM機(jī)器學(xué)習(xí)算法，在高分遙感數(shù)據(jù)和土地利用多源時(shí)空數(shù)據(jù)的支持下，對農(nóng)民拆舊整治意愿行為的模擬與仿真進(jìn)行了初步探索。本文設(shè)計(jì)的農(nóng)民拆舊整治意愿模擬模型的模擬精度總體是令人滿意的。相對于系統(tǒng)動(dòng)力學(xué)、回歸分析等“白盒”模型，以O(shè)CSVM、人工神經(jīng)網(wǎng)絡(luò)為代表的“黑盒”機(jī)器學(xué)習(xí)算法無需對復(fù)雜、不確定性的影響因素及其相互關(guān)系進(jìn)行定量建模和表達(dá)，往往具有更高的模擬和預(yù)測精度。此外，模型依據(jù)真實(shí)樣本數(shù)據(jù)實(shí)現(xiàn)農(nóng)民決策意愿規(guī)則的自動(dòng)學(xué)習(xí)，由此預(yù)測得到的潛力預(yù)測結(jié)果相對于傳統(tǒng)模型更具實(shí)事說服力；從而為農(nóng)村宅基地整治潛力預(yù)測提供了一種新思路。目前有關(guān)農(nóng)民群體行為建模的研究依然處于探索階段。本文利用土地利用多源時(shí)空數(shù)據(jù)和OCSVM智能機(jī)器學(xué)習(xí)算法初步構(gòu)建了農(nóng)民拆舊復(fù)墾意愿模擬和宅基地整治潛力測算理論模型框架。由于決策過程的復(fù)雜性，有關(guān)農(nóng)民拆舊復(fù)墾意愿行為的建模依然有待深入研究：如何利用時(shí)空大數(shù)據(jù)，將宏觀政策和農(nóng)民個(gè)人條件等因素納入農(nóng)民群體的行為建模將是本文后續(xù)研究工作的主要方向。

[1]龍花樓，屠爽爽. 土地利用轉(zhuǎn)型與鄉(xiāng)村振興[J]. 中國土地科學(xué)，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]龍花樓. 論土地利用轉(zhuǎn)型與鄉(xiāng)村轉(zhuǎn)型發(fā)展[J]. 地理科學(xué)進(jìn)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]龍花樓. 區(qū)域土地利用轉(zhuǎn)型與土地整理[J]. 地理科學(xué)進(jìn)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]劉繼來，劉彥隨，李裕瑞，等. 2007－2015年中國農(nóng)村居民點(diǎn)用地與農(nóng)村人口時(shí)空耦合關(guān)系[J]. 自然資源學(xué)報(bào)，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]陳榮清，張鳳榮，張軍連，等. 農(nóng)村居民點(diǎn)整理潛力調(diào)查：以山東省文登市侯家鎮(zhèn)為例[J]. 中國土地科學(xué)，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]黨慧，鄭新奇，白書建，等. 農(nóng)村居民點(diǎn)集約用地潛力測算方法研究[J]. 地域研究與開發(fā)，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，龍花樓，劉永強(qiáng)，等. 農(nóng)村居民點(diǎn)整治潛力測算方法研究進(jìn)展與展望[J]. 自然資源學(xué)報(bào)，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]石詩源，張小林. 江蘇省農(nóng)村居民點(diǎn)用地現(xiàn)狀分析與整理潛力測算[J]. 中國土地科學(xué)，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，譚榮輝，劉艷芳，等. 基于人均建設(shè)用地標(biāo)準(zhǔn)的區(qū)域土地利用節(jié)地潛力評估[J]. 農(nóng)業(yè)工程學(xué)報(bào)，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]宋偉，陳百明，姜廣輝. 中國農(nóng)村居民點(diǎn)整理潛力研究綜述[J]. 經(jīng)濟(jì)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，郝晉珉，李牧，等. 生計(jì)轉(zhuǎn)型背景下河北省農(nóng)村宅基地整理分區(qū)與潛力研究[J]. 農(nóng)業(yè)工程學(xué)報(bào)，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，歐名豪，等. 基于參與主體意愿的農(nóng)村居民點(diǎn)整理現(xiàn)實(shí)潛力測算[J]. 中國土地科學(xué)，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]劉敏，李滿春，黃秋昊，等. 基于GIS與FAHP的城鎮(zhèn)建設(shè)用地整治潛力評價(jià)：以常州市武進(jìn)區(qū)為例[J]. 江西農(nóng)業(yè)大學(xué)學(xué)報(bào)，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]劉善開，韋素瓊，陳松林，等. 基于Voronoi圖的農(nóng)村居民點(diǎn)空間分布特征及其整理潛力評價(jià)：以福建省德化縣為例[J]. 資源科學(xué)，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]胡銀根，吳欣，廖成泉，等. 兩湖平原區(qū)農(nóng)村宅基地退出潛力測算方法研究[J]. 地域研究與開發(fā)，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]朱曉華，陳秧分，劉彥隨，等. 空心村土地整治潛力調(diào)查與評價(jià)技術(shù)方法：以山東省禹城市為例[J]. 地理學(xué)報(bào)，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]徐修橋，周楷淳，李曉青，等. 基于農(nóng)戶意愿調(diào)查的宅基地整理潛力測算：以湘鄉(xiāng)市11個(gè)村為例[J]. 湖南師范大學(xué)自然科學(xué)學(xué)報(bào)，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]宇林軍，孫大帥，張定祥，等. 基于農(nóng)戶調(diào)研的中國農(nóng)村居民點(diǎn)空心化程度研究[J]. 地理科學(xué)，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，陳銀蓉，余雪振. 湖北省隨縣農(nóng)村居民點(diǎn)整治現(xiàn)實(shí)潛力測算及整治策略：基于農(nóng)戶意愿的調(diào)查分析[J]. 自然資源學(xué)報(bào)，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，劉艷芳，鄒亞鋒，等. 基于農(nóng)戶意愿的農(nóng)村居民點(diǎn)整理潛力測算與優(yōu)化[J]. 農(nóng)業(yè)工程學(xué)報(bào)，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]金士堯，任傳俊，黃紅兵. 復(fù)雜系統(tǒng)涌現(xiàn)與基于整體論的多智能體分析[J]. 計(jì)算機(jī)工程與科學(xué)，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，胡曉峰，李志強(qiáng)，等. 多智能體涌現(xiàn)生成的群體行為仿真[J]. 系統(tǒng)仿真學(xué)報(bào)，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]劉敬杰，夏敏，劉友兆，等. 基于多智能體與CA結(jié)合模型分析的農(nóng)村土地利用變化驅(qū)動(dòng)機(jī)制[J]. 農(nóng)業(yè)工程學(xué)報(bào)，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]袁滿，劉耀林. 基于多智能體遺傳算法的土地利用優(yōu)化配置[J]. 農(nóng)業(yè)工程學(xué)報(bào)，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]劉小平，黎夏，艾彬，等. 基于多智能體的土地利用模擬與規(guī)劃模型[J]. 地理學(xué)報(bào)，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

鄒琳，趙翔，江平，等. 農(nóng)村宅基地整治潛力的空間顯式測算與模擬[J]. 農(nóng)業(yè)工程學(xué)報(bào)，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

國家重點(diǎn)研發(fā)計(jì)劃課題“縣域村鎮(zhèn)發(fā)展?jié)摿υu價(jià)關(guān)鍵技術(shù)”（2018YFD1100801）。

鄒琳，高級(jí)工程師。主要研究方向?yàn)閲量臻g規(guī)劃與土地整治。Email：240228189@qq.com

趙翔，博士，講師。主要研究方向?yàn)橹悄芸臻g優(yōu)化決策。Email：zhaoxiang@whu.edu.cn

10.11975/j.issn.1002-6819.2020.24.029

F301.2

A

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