基于聚类分析法的土地利用分区研究_冯仁德
- 格式:pdf
- 大小:320.30 KB
- 文档页数:2
基于聚类分析法的土地利用功能分区研究摘要:土地利用功能分区是土地利用总体规划中的重要内容,为区域建设规划、生态保护和土地管制提供了科学依据。
本文以广西壮族自治区罗城县为研究对象,在充分考虑区域自然、社会、经济和土地利用现状的基础上,筛选和确定土地功能分区指标因子,建立区域土地功能分区指标体系,采用聚类分析方法,计算确定样本之间的相似性或差异性,以地域相似性和差异性,划分区域土地利用功能区。
结果表明:将研究区域划分为优先建设、重点建设、引导建设和限制建设区,与该区域土地利用和经济发展水平是吻合的。
关键词:土地利用功能分区聚类分析法罗城县引言我国人口的迅速增加、经济的快速增长和城镇化进程的高速发展,加剧了人类对土地的迫切需求,使人地关系矛盾日益突出。
在土地供需不平衡的市场条件下,土地利用功能分区作为土地利用规划的重要内容,对规范土地开发秩序、调控土地开发规模、优化土地利用结构、促进区域协调发展具有重要的意义[1、2]。
在“十一五”规划中提出了“根据资源环境承载力,现有开发密度和发展潜力,统筹考虑未来我国人口分布、经济布局、国土利用和城镇化格局,将国土空间划分为优化开发、重点开发、限制开发和禁止开发四类主体功能区[3]”。
“十二五”规划再次明确“实施主体功能区战略,优化国土空间开发格局。
实施分类管理的区域政策。
实施各有侧重的绩效评价和建立健全衔接协调机制[4]”。
同时,上世纪80年代开始,我国众多学者对土地利用分区理论和方法已展开了研究,随着土地利用分区理论的不断完善和计算机以及软件技术的深入应用,土地利用分区研究也取得了一定的进展[5]。
在技术方法上,专题图叠置法、定性分析法、系统聚类分析法、主成分分析法、综合评价法等是土地功能分区常用方法,其中,系统聚类分析法运用较为广泛[6]。
本文选取罗城县为研究对象,结合系统聚类分析方法和定性分析法划定该区域土地利用功能区,为该区域实施土地有效利用和土地差别化管理提供科学合理的依据。
聚类分析在江苏省经济区域划分中的应用摘要:本文探讨了如何运用SPSS中的聚类分析对江苏省十三个市按国民经济的相关指标进行经济区域的划分,以便对十三个市的经济发展分类指导,做到有的放矢,从而更好地带动江苏经济的发展。
首先阐述了聚类分析的相关原理及指标体系,然后根据相关原始数据,对其标准化后进行聚类分析,最后得出江苏省应划分苏南、苏中、苏北三个经济区。
关键字:聚类分析,经济区域,江苏省1 引言研究一个省的经济发展状况,通常需要对该省所有地级市根据不同国民经济发展状况进行经济区域的划分,以便进行分类指导。
江苏省共拥有十三个地级市,不同地级市的国民经济发展状况各不相同。
如何对这十三个地级市进行合理区分,从而从每个地区的经济情况做到有的放矢,这对整个江苏经济的发展有着十分重要的作用。
通常,描述一个地区的经济发展状况会有很多的指标,那么如何根据这些指标合理地进行区域的划分呢?利用世界著名的统计软件SPSS的聚类分析功能效果会比较理想。
本文对江苏省十三个地级市(南京、无锡、徐州、常州、苏州、南通、连云港、淮安、盐城、扬州、镇江、泰州、宿迁)经济区域的划分就利用了聚类分析的功能。
2 聚类分析的基本原理及其指标体系2.1 基本原理聚类分析的基本原理是:首先将一定数量的样本各自看成一类,然后根据样本之间的亲疏程度,将亲密程度最高的两类进行合并;然后考虑合并后的类与其他类之间的亲疏程度,再进行合并;重复这一过程,直至将所有的样本合并为一类。
聚类分析的实质是建立一种分类方法,它能够将一批样本数据按照他们在性质上的亲密程度在没有先验知识的情况下自动进行分类。
这个类指的是一个具有相似性个体的集合,不同类之间具有明显的区别。
聚类分析的方法主要有两种,一种是快速聚类,一种是层次聚类。
如果观察值的个数非常多(200个以上),则宜采用快速聚类的方法。
在本例中用到的是层次聚类,并且是层次聚类中的R型聚类,R型聚类是对研究对象的观察变量进行分类,使具有共同特点的变量聚集在一起。
聚类方法在规划分区中的应用——以模糊聚类为例摘要关键词引言1.聚类分析聚类分析可以看做是一种非监督的分类方法,在分类时只依赖对象自身所具有的属性来区分对象之间的相似程度。
将总体中的个体分类以发现数据中的结构,希望一个类中的个体彼此接近或相似,而与其它类中的个体相异,这样就可以对划分出来的每一类进行深入的分析从而概括出每一类的特点。
[1]利用聚类结果,我们能够提取数据集中隐藏的信息,对未来数据进行预测和分类。
目前聚类算法主要分为层次化聚类方法,划分式聚类方法,基于密度的聚类方法,基于网格的聚类方法,基于核的聚类算法,基于谱的聚类方法,基于模型的聚类方法,基于遗传算法的聚类方法,基于SVM 的聚类方法,基于神经网络的聚类方法等等[2]。
通常聚类分析算法一般包含四个部分:(1)特征获取与选择;(2)计算相似度;(3)分组;(4)聚类结果展示;(5)聚类结果评价。
相似度一般用距离函数表示,包括形态、语义、状态、密度、时间等产生的差距,用来度量模式之间的相似程度。
常见的距离函数有欧式距离,马氏距离,夹角余弦距离,Pearson 相关系数,Tanimoto 测度等。
在进行聚类分析时一般根据应用的场合来设计不同的距离函数,目前还没有一个可以通用的距离函数[2]。
2.各种聚类方法1.1层次聚类方法层次聚类算法又称为树聚类算法或系统聚类算法,层次的方法按数据分层建立簇,形成一棵以簇为节点的树。
这种算法的基本思路是首先将所有对象看成独立的个体类,通过计算类间的距离来选择最小距离的两个类合并成一个新类,再重新计算新类和其它类之间的距离,选择最小距离的两个类合并,依次迭代合并直到没有合并为止。
有基于聚集和基于分割的聚类两种,分别是基于数据的最小距离和最大距离原理。
层次聚类算法可以在不同粒度水平上对数据进行探测,而且很容易实现相似度量或距离度量,对于圆形和球形分布的数据具有较好的效果。
但是层次聚类算法由于合并或分裂簇的操作不可逆,也给聚类结果带来不准确性[3]1.2划分式聚类方法划分式聚类方法的主要思想为,对于一个给定的n 个数据对象的数据集,需要预先指定聚类数目或聚类中心,通过反复迭代运算,逐步降低目标函数的误差值,当目标函数值收敛时,得到最终聚类结果。
浅析聚类分析在土地工程能力评价中的应用随着中国经济的快速发展,城市化进程的大步迈进,土地工程的发展和应用对城市化建设和经济的推动有着不可名状的作用和贡献,所以我们要充分认识和认知土地工程这个项目。
只有对这个项目做好提前的了解和把握,才能在使用过程中应用自如。
反观土地工程的使用是一项复杂而且多元化的工作,就要求我们在使用前要掌握牢固的理论知识和基础,对整个城市的规模做到了如指掌,这样方能在土地工程使用工程中得心应手,挥洒自如。
标签土地工程能力;聚类方法;聚类分析;南徐新城土地工程能力的评价需要多元化的因素和方案以及扎实的知识理论,对土地的认知还必须从多方面着手把握和了解,这样在分析过程中才能对土地工程能力作出最直接,最正确,最明了的答案。
城市化工程的建设规模日益扩大,城市地质环境所受到的迫害和影响也同样是有增无减。
因此为了城市工程的百年大计,需要我们对土地工程能力做详细的分析和规划,这样方能使得土地在使用的工程中更好恰如其分,发挥其最大功效,避免土地在使用工程中,大肆浪费,尸位素餐。
本文笔者就针对如何科学合理的采用浅析聚类分析法来对土地工程能力做精确到位的评价详细落笔,到位分析,希望大家可以参考和借鉴。
1 土地工程能力土地工程能力评价基础是工程地质条件的各种各样的评价信息,同时把土地资源的最佳利用作为最终的目标,这是城市工程地质环境分析的最终目的,而且也同样成为城市规划控制的重要依据之一。
然而跟随城市化发展的快速步伐和工程开发技术的大幅迈进,人们反而忽视了土地的工程能力,通过高强度的土地开发来降低土地的单位成本,这种得不偿失的行为在不经意以及长期使用过程中往往给城市带来无法估量的失衡和不良,降低了土地的最大利用效益,而且其损失也同样是难以计算。
因此,土地开发利用要以土地工程能力为依据,既要避免由于超过土地工程能力而造成的失衡或灾害,又要充分利用其工程能力避免土地资源的浪费。
如何客观综合地评价土地的工程能力,成为工程地质学工作者十分关注的问题。
土地利用情况聚类分析第小组【摘要】本文首先将所给的数据录入matlab,然后计算样本点之间的距离系统聚类数等相关信息,并求出这些信息与原始数据的距离之间的相关性,然后选出最合适的距离进行分类。
再依据所选的距离,对样本进行分类,然后对所分类别进行分析。
【关键词】土地利用聚类分析数学模型1.问题的提出2003 年我国各省市土地利用情况(资料来源:《中国统计年鉴》2004)单位:Y请做聚类分析,你有什么发现?你有什么建议?2.假设条件在具体分析问题之前,,我们先做如下假设,以确保研究各组数据的准确性:(1)我们认定图表中所给出的数据都是真实可靠的。
3.问题的解决第一步:将数据导入matlab第二步:计算样本点之间的距离系统聚类数等相关信息,并求出这些信息与原始数据的距离之间的相关性,然后选出最合适的距离进行分类。
编写程序如下:x=[11.92,0.2,25.74,2.48,2.62;3.68,0.06,23.53,1.46,6.42;57.54,81.5,146 .98 ,10.03,12.13;28.56,65.44,73.88,5.66,3.21;7.33,6622.21,116.9,13.71 ,8.96;60.7,36.99,110.43,8.03,14.2;11.59,104.74,82.6,6.14,15.47;6.04,2 28.08,114.13,11.33,20.76;1.08,0,20.74,1.75,0.19;29.57,0.51,144.48,10. 17,19.8;56.82,0.15,66.7,6.34,14.38;34.31,3.77,128.37,8.62,22.88;61.43 ,0.27,44.17,6.32,5.93;26.99,0.38,62.37,6.17,20.35;102.38,4.14,193.6,1 4.93,25.03;32.08,1.45,183.25,11.04,18.16;42.57,5.46,96.92,7.79,29.73;50.25,10.51,104.11,8.81,19.31;84.95,2.82,133.34,10.82,21.1;47.01,73.8 3,65.56,7.31,14.79;53.02,1.94,21.74,1.33,6.02;21,23.84,45.66,3.93,4.4 ;69.52,1373.43,131.18,12.35,9.81;11.32,162.18,43.8,5.22,3.5;78.12,78. 48,58.52,8.85,7.54;0.17,6444.58,3.8,2.09,0.09;65.1,315.99,69.07,5.84, 3.92;19.38,1264.78,87.12,6.07,2.82;0.77,4038.57,23.95,2.69,4.39;3.38, 233.39,16.66,1.52,0.51;29.58,5131.49,96.12,5.76,18.08];y1=pdist(x);y2=pdist(x,'seuclid');y3=pdist(x,'mahal');y4=pdist(x,'cityblock');z1=linkage(y1);z2=linkage(y2);z3=linkage(y3);z4=linkage(y4);a1=cophenet(z1,y1);a2=cophenet(z2,y2);a3=cophenet(z3,y3);a4=cophenet(z4,y4);a1=0.9662a2=0.6345a3=0.7171a4=0.9669其中,“a4=0.9669”最大,说明此时应用布洛克距离最好。