基于SOFM神经网络模型的土地类型分区尝试——以青藏高原东部样带为例

发布时间：2020-08-31 13:22

　　基于土地类型自下而上的自然区划能够确立更加清晰的自然区划界线,是自然区划研究取得突破的关键。以青藏高原东部山区为研究区,采用神经网络模型与GIS技术,开展基于土地类型自下而上的区划研究。通过计算得到研究区地形综合指数、温暖指数、湿润指数、地被指数和水文指数5个自然指数指标,并将这些指标作为变量输入层,输入到建立的Self-Organizing Feature Maps神经网络模型中,对土地类型单元自下而上合并,生成青藏高原东部山区自然区划图,实现以土地类型单元为控制本底的定量化分区。结果表明:①可以将土地类型单元聚合成高原高寒稀疏植被区、高原高寒草甸草原区、高原高寒灌丛草甸区、高山深谷灌丛草甸区和高山深谷针叶林区5个自然带区域。②分区结果与中国生态地理区域划分的自然界线比较接近,相似性较高,分区结果较理想。
【部分图文】：

影像,位置,高原,青藏高原

峁┮恢中碌难芯克悸贰?2研究区概况研究区位于青藏高原东部山区，是青藏高原东南缘与四川盆地西部边缘山地交替接触地带，也是中国阶梯状地势第一个阶梯与第二个阶梯的过渡地[16]。在96°92'～104°40'E和31°04'～35°64'N之间，面积74865.1km2，包含了高山峡谷区、山原区和高原区3种不同的大地貌类型，横跨青海、四川两省，涉及玛多、达日、班玛、色达、壤塘、马尔康、金川7县，呈西北东南走向的条带状，属于高原与高山峡谷、高原游牧与河谷农耕、高寒草甸-高原灌丛与川西森林的过渡地带，是青藏高原中的敏感区（图1）。另外，研究区海拔自西北向东南递减，垂直梯度变化较大，基本可涵盖青藏高原主要的地貌和植被类型，土地类型丰富，对探讨青藏高原的土地类型分区研究具有典型的代表意义。3数据来源与研究方法3.1数据来源（1）遥感数据为提取植被类型，选用了两期成像时间相近且为植物生长季的无云LandsatTM数据，其来自U.S.GeologicalSurvey（USGS）和GlobalLandCoverFacility（GLCF）。轨道号为：134035、133035、134036、133036、134037、133037、132037、132038、131038，成像日期多为2009年和1989年夏秋季节，少数质量不高的影像用相近年份的代替。（2）DEM数据来自于美国航空航天管理局(NASA)和日本经贸及工业部(METI)于2009年7月2日共同发布的全球最新的空间分辨率为30m的DEM(ASTERGDEM)。（3）矢量数据1:10万研究区土地类型图；1:100万中国植被图（中国科学院中国植被图编辑委员会，2000年）；1:10万研究区各县土地利用/土地覆被数据（中国科学院数据中心，1985年、2000年）。图1研究区位置示意Fig.1Thelocationofthestudyarea840

空间分布,空间分布,指数,组成要素

地理研究32卷（2）土地类型单元确立对景观法进行定量化改进，采用基于分级排序土地组成要素重要性比较的方法，构建主导性、内部一致性、外部差异性、地理因子丰富度、数据可得性、直观性、稳定性、研究区特点适宜性、尺度适宜性、地域分异规律显著性10个土地组成要素重要性比较评价指标，依据指标体系对各土地组成要素进行排序，实现了对不同量纲的土地组成要素的图2研究区各自然指数空间分布Fig.2Thenaturalindexesinthestudyarea842

算法流程,神经网络模型,土地类型,高山区

率0.1，最大循环次数为3000次，其余参数采用默认值。运行模型将研究区分为两个自然区域，各土地类型的分类结果如表1。由表1可以看出：除高原丘陵森林地和高原小起伏山地森林地两个面积比重不足1%的土地类型被错分为高山区以外，其他土地类型很好地分为高山区和高原区，分类结果较理想。在此基础上，在高山区基于二级土地类型单元的自然指数数据，再次聚类，将高山区细分为两个自然带，将高原区分为3个自然带。并根据区划的共轭性、连通性等原则，将分属不同自然带的碎斑单元合并到邻近自然带中，完成基于土地类型的区划。图3SOFM神经网络模型算法流程Fig.3ThecalculationflowofSOFMmodel843

【参考文献】