汉中市土地利用变化驱动力分析

以1996—2011年社会经济数据为基础,定量分析了汉中市土地利用变化的驱动力.通过相关分析法、主成分分析法和曲线回归分析法,选取社会经济等18个指标,分析土地利用变化的主要驱动因子,阐明其驱动机制.结果表明,社会经济驱动力综合得分由2003年以前的波动变化转向持续上升,2007年综合得分为正值(0.062 3),呈快速上升态势;非农业人口的增长、三次产业结构的调整(尤其是农业内部结构优化和第三产业的发展)及城镇化建设对汉中市土地利用变化有较大的影响;国家土地政策对用地类型起到了一定的引导和干预作用,用地类型由单纯的经济效益向经济-生态效益相结合的用地类型转变.     

辽河源头区的土地利用变化及驱动力分析

利用2005年和2010年2期遥感影像和地理信息系统(GIS)软件技术,对辽河源头区土地利用类型变化进行综合分析;基于统计产品与服务解决方案(SPSS)软件和社会经济统计数据,利用主成分分析法分析土地利用变化的根本驱动力,并建立多元线性回归方程.结果表明,辽河源头区土地利用变化的主要驱动因素包括:人口因素、经济因素、工业化与城镇化和农业发展因素.     

农村居民点用地演变及驱动力分析——以重庆市九龙坡区为例

以1996-2005年重庆市九龙坡区的社会经济统计数据和土地利用变更调查为依据,对该区的农村居民点用地变化进行定量分析,从而弄清楚该区农村居民点用地的时空演变特点和规律。在此基础上利用spss分析软件和主成分分析法,揭示影响农村居民点用地变化的驱动力机制,并提出合理组织农村居民点用地的对策建议.     

1996-2002年成都市土地利用变化分析

利用1996-2002年土地利用、社会和经济统计数据,以数理统计与定性分析相结合的方法,对成都市土地利用变化及其驱动力进行了分析,结果表明,成都市土地利用变化显著,土地利用程度变化逐年提高.相关分析表明,导致成都市土地利用变化的主要驱动因素是人文社会因素,其中区域经济发展、人口增长与城市化等是成都市土地利用变化的主要驱动力.     

兰州市土地利用变化及其社会驱动力研究

以典型河谷型大城市兰州市为例,剖析了其1980—2000年20年来土地利用结构、土地利用动态度和土地利用程度的变化情况;运用灰色关联分析法对土地利用变化的社会驱动力进行了分析.结果表明,由于河谷地形影响,兰州市城市空间扩展受到限制,20年来土地利用虽然处于发展期,但土地利用类型总的变化速度不大;城市化和工业化、人口增长、经济发展是其土地利用变化的主要社会驱动力.     

鄂南贫困丘陵山区耕地时空变化及驱动力分析

耕地变化是区域土地利用变化的核心，其变化和流向反映了社会经济的基本态势．利用鄂南贫困丘陵山区的统计资料，对本区近50年来的耕地数量变化的时空特征进行了分析研究，并应用相关分析法、主成分分析法和回归分析法对近10年来鄂南丘陵山区耕地资源变化的驱动力因子进行了定量研究，建立驱动因子回归模型．结果表明：鄂南丘陵山区耕地总体上呈下降趋势，北部平原丘陵地区下降快，南部丘陵山区下降慢；近10年来，鄂南贫困丘陵山区耕地资源变化主要受经济因子、人口、房地产政策及耕地开发强度的影响，特别是经济、人口因子强烈影响耕地面积的变化，是耕地变化的主要驱动因子．这为合理地利用和保护耕地提供了科学依据．     

城市化背景下的衡阳市土地利用变化及其驱动力分析

在概述衡阳市城市化过程基础上,文章进行了衡阳市土地利用变化及其驱动力分析。分析结果显示衡阳市自1994年到2007年土地利用变动的总体方向是耕地和未利用地向林地、园地和建设用地转化,区域土地利用变化的强度呈现出阶段性和波动性特征,且地区差异性大。作者选取了10个有关城市化驱动因素变量,构建了土地利用变化的驱动机制模型,模型显示衡阳市土地利用变化的主要驱动因素是经济、人口的增长和城市化水平的提高。     

土地利用驱动力分析——以虎林市为例

为了探求土地利用变化的驱动机制,本文结合虎林市的社会经济统计资料,选取了19个社会经济指标,应用Matlab语言编程,用灰色关联方法对研究区近10年来的土地利用变化的驱动因子作了定量分析。研究表明:经济、人口、农业基础建设是虎林市土地利用变化的主要原因。     

土地利用驱动力分析——以虎林市为例

为了探求土地利用变化的驱动机制,本文结合虎林市的社会经济统计资料,选取了19个社会经济指标,应用Matlah语言编程,用灰色关联方法对研究区近10年来的土地利用变化的驱动因子作了定量分析。研究表明：经济、人口、农业基础建设是虎林市土地利用变化的主要原因。     

重庆都市区土地利用/覆盖变化驱动机制分析

本文阐明了1998—2005年重庆都市区土地利用/覆盖变化(LUCC)的驱动机制,为区域生态环境建设和社会经济发展提供科学依据。利用重庆市都市区的土地利用变更数据与社会经济统计资料,采用主成分分析与逐步回归分析方法。结果表明:研究期内,重庆都市区耕地、未利用土地和水域面积减少,其他用地类型面积增加;农业发展与结构、经济发展、农业技术进步、人口、生活水平、建设性投资和粮食安全保障等社会经济因素是该区LUCC的主要驱动力;气温、降水等自然因子对区域LUCC也有一定影响,但作用相对较小。通过研究有效揭示了重庆市都市区土地利用/覆盖动态变化的内在机制。     

黑龙江北部边境样带土地利用时空变化特征及其驱动因素

选取黑龙江省北部边境24个县市为样带,基于1995、2015年2期土地利用/覆被数据,利用空间分析、多元线性回归和地理探测器等方法,从时空耦合角度对样带的土地利用变化的时空特征进行分析,并以林地-耕地转换为例,探索土地利用变化的驱动因素．结果表明:1)1995—2015年,样带以耕地面积增长、林地和未利用地面积减少为土地利用/土地覆被变化的主要特征．研究区中的大兴安岭区、小兴安岭区、三江平原区耕地面积的增加速度逐渐加快,相应林地和未利用地面积减少的速度逐渐加快．林地-耕地类型的转移是研究区土地利用变化的主要类型,空间上集中分布在三江平原和小兴安岭北部的农林交错区;2)相对于自然资源因素,社会经济因素对农林交错区的林地-耕地转移的影响更大,主要受人口增长、产量增收和经济效益提高的影响;3)根据不同区域林耕转换的主导因素与驱动机制差异,将林地-耕地转移的典型县市划分为人口主导型、产量主导型和经济效益主导型3种地域类型．      

花江示范区土地利用变化的驱动力分析

以我国典型的喀斯特脆弱生态区———贵州省花江示范区为例,在分析其土地利用动态变化特征的基础上,对影响花江示范区土地利用变化的驱动因子进行了定性分析和定量验证。结果表明,经济利益、人口增长、政策驱动、土地资源条件和价值观念取向是花江示范区土地利用变化的主要驱动力,并提出相应的措施,以尽可能避免土地向不利于可持续发展的方向变化。     

村镇尺度土地利用变化特征及人文驱动力分析

城乡过渡带是城市化进程的产物,深入研究城乡过渡带土地利用变化规律和驱动机制,对于区域可持续发展具有重要意义.本文以北京市典型城乡过渡带马坡-牛栏山镇为研究对象,采用土地转移矩阵和Logistic耦合模型深入分析当地土地利用变化特征及人文驱动机制.研究结果表明:2001—2015年期间,马坡-牛栏山镇基质景观类型由耕地转为建设用地,耕地、水域、未利用地面积不断减少,建设用地、林地面积持续增加,园地较为稳定;在村镇尺度的研究中,土地利用变化受社会经济和区位因素共同作用而发生,区位因素对建设用地、园地、未利用地的变化具有主导作用,社会经济因素对耕地、林地、水域的变化具有主导作用.本文为探讨北京城乡过渡带土地利用变化特征、改善土地利用结构、实现城乡过渡带土地资源的可持续利用提供重要理论依据.     

城市交通与土地利用的相互作用机制研究

通过分析城市交通与土地利用相互作用的关键因素，探讨二者之间的相互作用机制．认为特定的土地利用模式会导致某种相应的城市交通模式，而交通建设带来的可达性提高扣外部性利益又引导着土地利用的方向；可达性、出行成本、地租等都是影响城市交通与土地利用相互作用的重要因素．同时，二者的协调发展还需要有相应的法律、法规及规划等外部因素来保障．     

黄石市土地利用变化的生态安全评价

湖北省黄石市是典型的资源型城市，多年粗放开采，致使区域生态环境恶化．从系统论思想出发，运用生态学的理论，建立起黄石市土地资源生态安全评价的代表性指标体系，运用层次分析法确定其指标权重，利用1996年和2004年的土地利用相关数据，对该市进行土地生态安全评价．结果表明黄石的土地生态安全状况2004年较1996年稍有改善．主要影响因素是区域土地利用／覆被的空间格局及其变化．     

土地利用/覆盖变化研究进展

概述了国内外关于土地利用/覆盖变化的研究进展,分析了目前土地利用/覆盖变化研究的主要方法,提出了我国在土地利用/覆盖变化研究中存在的问题。认为,解决好资料的统一性和相关性问题以及土地利用/土地覆被变化与城镇化之间的关系将是我国今后关于土地覆被变化研究的重要领域。     

Integrating genetic algorithm method with neural network for land use classification using SZ- 3 CMODIS data

This paper presents a methodology on land use mapping using CMODIS (Chinese Moderate Resolution Imaging Spectroradiometer) data on-board SZ-3 (Shenzhou 3) spacecraft. The integrated method is composed of genetic algorithm (GA) for feature extraction and neural network classifier for land use classification. In the data preprocessing, a moment matching method was adopted to remove the stripes in the images. Then by using the reproduction, crossover and mutation operators of GA based on the mechanism of “natural selection”, and with Jeffries-Matusita distance as its discriminate rule and the training samples, the optimal band combination for land use classification was obtained. To generate a land use map, the three layers back propagation neural network classifier is used for training the samples and classification. Compared with the Maximum Likelihood classification algorithm, the results show that the accuracy of land use classification is obviously improved by using our proposed method, the selected band number in the classification process is reduced, and the computational performance for training and classification is improved. The result also shows that the CMODIS data can be effectively used for land use/land cover classification and change monitoring at regional and global scale.