基于空間數據挖掘的廣東省“旱改水”優先區選擇

孫姝藝　劉洛　胡月明

摘要：隨著新型城鎮化水平的不斷提高，大量耕地將會被占用。為有效遏制水田面積減少趨勢，提升耕地質量，保障糧食安全，各地政府開始實施“旱改水”工程改造，即將同等數量的旱地改造為水田的方式間接開發水田。旱改水優先區域選擇是實施改造先后順序的重要評判標準。借助WEKA軟件，基于空間數據挖掘的方法來選擇“旱改水”優先區：（1）通過屬性選擇獲取相關性較高的9個改造因子，實現數據的預處理;（2）通過K-means聚類分析將研究對象劃分成5類簇;（3）通過Apriori關聯規則挖掘出分區因子屬性之間最強關聯關系作為決策挖掘出優先改造的簇，并對結果進行分析。應用于我國廣東省，試驗證明，空間數據挖掘有效地從龐大數據量中提取信息，耦合空間關系，把數據轉化為有用的知識，使用空間數據挖掘的方法選擇優先區是可行和科學的。

關鍵詞：旱改水;優先區;空間數據挖掘;廣東省

中圖分類號：S126? 文獻標志碼： A? 文章編號：1002-1302（2019）04-0216-07

耕地不僅是人類勞動的對象，也是重要的生產資料，是人類生存與發展的基礎，隨著工業化、城市化的不斷發展，人地矛盾的日益尖銳，糧食需求壓力的逐步增加，迫使人們更加關注我國有限的耕地資源[1]。在嚴格的土地管理制度背景下，為保證國家糧食安全而制定的耕地保護政策——占補平衡制度將在未來會不斷地強化和完善。為貫徹黨中央、國務院關于最嚴格耕地保護制度的總體要求，明確關于建設占用耕地要“占優補優、占水田補水田”的規定，有效遏制水田面積減少趨勢，提升耕地質量進一步挖掘耕地后備資源，解決新增建設用地占用水田補充平衡問題，各地政府開始實施“旱改水”工程改造。“旱改水”是保護耕地提升耕地質量的重要手段，有利于農業增產、農民增收，能夠有效提高土地的產出效益，形成穩定的生產能力，做到藏糧于田[2-3]。

受地形地貌水源條件等因素的限制，補充耕地中水田比例不高，實現占優補優難度很大，因此選擇區位條件較好、有灌溉水源、土壤肥力較高的部分旱地改造成水田。但又受資金、社會環境、自然環境、生態等因素影響，各級政府在一定時期內投資改造水田的規模是有限的，因此改造水田的選擇在空間和時間上存在著先后順序，而“旱改水”優先區選擇是改造區域先后順序的重要評判標準。

現階段國內關于“旱改水”分區的研究較少，與此相關的研究主要集中在通過傳統的“旱改水”適宜性評價來進行潛力分區[4-6]。傳統的“旱改水”適宜性評價存在專家打分不確定性強、強調分值為分區依據而非空間關系、不能挖掘其區域分布規律及因子內在聯系等缺點，因此缺乏一種科學的、定量的方法。廣東省“旱改水”分區包括大量的空間數據分析，為了有效耦合空間位置和屬性相關性，筆者提出一種結合空間聚類和關聯規則的數據挖掘方法，選擇優先區，并進一步發現優先區域分布規律和分區因子之間的關聯關系。

空間聚類作為聚類分析的一個研究方向，是指根據空間異質性將空間對象分成由相似對象組成的類[7]。目前，己有許多研究提出了針對不同數據類型的基于多種空間聚類算法的土地分區，由于空間聚類方法能根據空間對象的屬性對空間對象進行分類劃分，因而空間聚類方法也是土地分區的一種重要方法。迄今為止，人們已提出了大量的空間聚類算法，本研究在試驗分析的基礎上，選擇適用于數值型大數據集的K-means算法對試驗數據進行聚類，典型的K-means算法在空間聚類各算法中一直處于核心地位，該算法以平方誤差準則較好地實現了空間聚類，對于大數據集的處理效率較高[6]。

關聯規則挖掘是數據挖掘研究領域中的一個重要任務，旨在挖掘事務數據庫中有意義的關聯，找出隱藏在數據間的相互關系。隨著大量數據被不停地收集和存儲，從數據庫中挖掘關聯規則顯得越來越有必要性，本研究采用最經典的Apriori算法，求出最強關聯的分區因子，進而推出他們的關系，然后將這些規則轉換來選擇優先區，為決策提供重要的依據。

1 材料與方法

1.1 研究區與數據來源

1.1.1 研究區概況 廣東省全境位于20°09′～25°31′N和109°45′～117°20′E之間。地處我國大陸最南部，東鄰福建省，北接江西省、湖南省，西連廣西省，南臨南海，珠江口東西2側分別與香港、澳門特別行政區接壤，西南部雷州半島隔瓊州海峽與海南省相望。全省擁有豐富的耕地資源，目前全省已儲備位列全國第2的可用于占補平衡的耕地指標11.3萬hm2。然而，由于快速的城鎮化和受可開發資源所限，全省儲備的耕地指標中水田、水澆地較少，難以滿足“占優補優、占水田補水田”的新要求，因此“旱改水”優先區選擇對于提高改造效率是迫切需要的。

1.1.2 數據來源 本研究的對象為廣東省旱地、可調整地類、未利用地以及全省現有補充耕地項目（歷年園地山坡地開發補充耕地項目，項目紅線在空間上已和上述3種地類進行疊加分析處理，空間位置不重疊），以包含13個地級市123個縣的1 683 403塊圖斑作為分區單元。基礎數據來源于廣東省2013年土地利用變更調查數據地類圖斑;廣東省1 ∶ 50萬DEM數字高程模型，2013年廣東省各縣（市、區）耕地質量年度更新成果用于圖層屬性的獲取;道路、居民點、水系等基礎地理數據，第2次土壤普查數據、2010—2015年各年度水資源年報數據等用于相關指標數據獲取。

1.2 研究方法

1.2.1 屬性選擇 數據預處理是數據挖掘的重要一環，要使挖掘內核更有效地挖掘出知識，就必須為它提供干凈、準確、簡潔的數據。屬性選擇通常作為數據挖掘的一個預處理步驟，在數據選擇和為數據挖掘做準備的過程中起著重要的作用[8]。這個過程就是通過搜索數據中所有可能的屬性組合，刪除不相關和（或）冗余的屬性選出1個有m（m? ? ?一般來說，屬性選擇算法由4個基本步驟組成：子集產生、子集評估、停止準則和結果有效性驗證[9]。屬性選擇基本步驟見圖1。

子集產生是一個搜索過程，它產生用于評估的屬性子集。子集產生過程所生成的每個子集都需要用事先確定的評估準則進行評估，并且與先前符合準則最好的子集進行比較，如果它更好一些，那么就用它替換前一個最優的子集。屬性選擇過程可以在滿足以下的條件之一時停止：（1）一個預先定義所要選擇的屬性數;（2）預先定義的迭代次數;（3）是否增加（或刪除）任何屬性都不產生更好的子集;（4）已經根據確定的評估標準獲得最優的子集。選擇的最優子集需要通過在所選子集和原屬性集間進行不同的測試和比較，使用人工和現實世界的數據集所產生的結果進行有效性驗證。

手工選擇屬性既煩瑣又容易出錯，自動的屬性選擇方法通常更快更好。為了實現屬性自動化，本研究借助WEKA軟件設立的CfSubsetEval屬性評估器和BestFirst搜索方法進行屬性選擇。（1）CfSubsetEval評估器評估每個屬性的預測能力及其相互之間的冗余度，傾向于選擇與類別屬性相關度高，但相互之間相關度低的屬性。選項迭代添加與類別屬性相關度最高的屬性，只要子集中不包含與當前屬性相關度更高的屬性。評估器將缺失值視為單獨值，也可以將缺失值記為與出現頻率成正比的其他值。（2）BestFirst搜索方法執行帶回溯的貪婪爬山法，用戶可以指定在系統回溯之前，必須連續遇到多少個無法改善的節點。它可以從空屬性集開始向前搜索，也可以從全集開始向后搜索，還可以從中間點（通過屬性索引列表指定）開始雙向搜索并考慮所有可能的單個屬性的增刪操作。

1.2.2 數據標準化 為了統一量化各個因子之間的關系和對總目標的貢獻，首先需要對分區指標進行一致性處理與指標無量綱化，將數據表進行極差標準化和文本標準化處理。

1.2.2.1 極差標準化 由于有效土層厚度、有機質含量、障礙層深度要求“越大越好”，采用上限效果測度，即：

式中：Atj為標準化后的指標;Xtj為原數據，代表第t個單元第j個指標。標準化之后，各要素的最大值為1，最小值為0，其余數值都在0和1之間，這樣就對所有單元的數據進行了標準化。

對于中向指標pH值，以6.0～7.9左右2邊分別進行正向標準化和負向標準化。

1.2.2.2 文本標準化 以表層土壤質地、剖面構型、灌溉保證率、排水條件作為文本數據，需要根據因子等級進行賦分，然后轉換為數值型數據再進行正向的極差標準化處理。

1.2.3 K-means空間聚類 空間聚類（spatial clustering）是要在一個較大的多維數據集中采用距離度量以標志出聚類，使得同一聚類中的對象有較高的相似度，而不同聚類中的對象彼此不同，是空間數據挖掘的一個重要組成部分[10-11]。

K-means算法是很典型的基于距離的聚類算法，采用距離作為相似性的評價指標，根據給定的k值隨機產生k個分組中心，將所有實例分為圍繞這些中心的k個分組，然后通過反復迭代不斷改進分組，直至分組效果最佳，即組內實例距離最近，組間實例距離最遠，最后形成k個簇。該算法對于數值型屬性的聚類效果較好，并且對于大數據集具有快速、簡單、效率高的優點，算法基本思想和一般步驟如下：（1）設數據集合D={x1，x2，…，xn}，從n個地塊中隨機選取其中的k個地塊作為初始聚類中心Mi（i=1，2，…，k）。（2）分別計算各地塊xm（m=1，2，…，n）到k個初始聚類中心Mi的距離，根據最小距離劃分數據集合，將各個元素歸到與其距離最小的類中，形成k個類簇。（3）計算各類簇中元素平均值作為新的聚類中心。（4）相似度的計算采用歐氏距離，即2點之間的歐式空間直線距離。考慮鄰近度為歐氏距離的數據，通常使用聚類的平方誤差作為度量聚類質量的目標函數。聚類平方誤差E定義如下：

式中：ki為第i個類簇中包含地塊的數量，重復步驟（2）、步驟（3），直至平方誤差E穩定在最小值，直到簇不再發生變化，最后獲得k個聚類具有各聚類內部緊湊、聚類間相異的特點。

本研究在試驗分析的基礎上，選擇適用于數值型大數據集的K-means算法對數據進行聚類，在聚類中心的選取上，通過不斷調節參數使誤差平方和最小，來確定最優k。聚類過程借助WEKA 3.8軟件和ArcGIS 10.2實現。

1.2.4 Apriori關聯規則 數據關聯是數據庫中存在的一類重要的可被發現的知識。若2個或多個變量的取值之間存在某種規律性，就稱為關聯。關聯分析的目的是找出數據庫中隱藏的關聯網。有時并不知道數據庫中數據的關聯函數，即使知道也是不確定的，因此關聯分析生成的規則帶有可信度。

關聯規則是數據挖掘技術中的一種挖掘信息的技術，是從海量的數據中找到項與項之間有用的關聯關系，關聯規則挖掘就是從大量的數據中挖掘出有價值描述數據項之間相互聯系的有關知識，有助于發現數據庫中不同屬性之間的聯系[12-13]。

Apriori算法是關聯分析中應用最廣泛的一種算法，是基于關聯規則的基礎，首先找到頻繁集，再由頻繁集推出關聯的規則。算法的核心思想是基于頻繁集理論的一種遞推方法，其目的是根據最小支持度閾值和最小置信度閾值從給定的數據集中挖掘出期望的關聯規則[9]。

該算法利用了一個層次順序搜索的循環方法來完成頻繁項集的挖掘工作。基本過程如下：

（1）首先計算所有的C1;（2）掃描數據庫，刪除其中的非頻繁子集，生成L1（1-頻繁項集）;（3）將L1與自己連接生成C2（候選2-項集）;（4）掃描數據庫，刪除C2中的非頻繁子集，生成L2（2-頻繁項集）;（5）依此類推，通過Lk-1（k-1-頻繁項集）與自己連接生成Ck（候選k-項集），然后掃描數據庫，生成Lk（頻繁k-項集），直到不再有頻繁項集產生為止。

滿足最小支持度閾值和最小信任度閾值的關聯規則稱為強規則。通過使用數據挖掘軟件WEKA及關聯算法Apriori可以分析數據庫中一些項集的關聯性關系，找出某些強關聯規則。

2 結果與分析

2.1 分區指標體系

作為廣東省旱地改水田區域劃分的分析研究，是基于土地適宜性評價的基礎上進行篩選分區指標。結合廣東省的實際情況，分別從地形、氣候、水源、土壤、交通、社會經濟條件等影響因素出發，參考農用地質量分等規程、農用地定級規程等資料來確定，選定具有典型性和穩定性的主導因子，包括高程、地形坡度、田面坡度、水源保障程度、排水條件、交通通達度、連片性、有效土層厚度、表層土壤質地、土壤剖面構型、pH值、障礙層次、地表巖石露頭度、土壤鹽漬化程度等可選分區因子。

通過自動屬性選擇，按照相關度的大小，選取地形坡度、有效土層厚度、表層土壤質地、剖面構型、有機質含量、pH值、障礙層深度、灌溉保證率、排水條件9個屬性因子，廣東省旱改水分區指標體系見表1。

土壤是影響耕地質量的最基本要素[14-15]。在眾多影響土壤質量的因素中，表土質地、剖面構型、pH值直接影響土壤結構、土壤耕性、土壤陽離子交換量、土壤容重、土壤空隙狀況等其他土壤理化性狀;有效土層厚度和土壤有機質含量是最能反映土壤自然生產潛力的指標。

地形是影響耕地質量的重要因素。根據國家規定，25°以上坡地不能開發，小于25°的范圍，坡度越小，越適宜改造。地表起伏越大坡度越陡，土壤侵蝕作用越強，水土流失越嚴重;地形起伏越小，對農田水利化越有利。

補充水田潛力是改造水田的關鍵條件，灌溉保證率是灌溉用水量的保證程度，農田排水是改善農業生產條件，保證作物高產穩產的重要措施之一。灌溉保證率和排水條件越好，說明越適宜改造。

2.2 聚類分區結果分析

在WEKA中選定SimpleK means算法，隨機選擇聚類數numClusters，設定參數為“SimpleK means N 5-S 10”，Cluster mode選取“Use training set”。經過多次不同k值和樣本種子值運算比較誤差大小，最終選擇k=5，seed=20時誤差平方和為最小。

聚類運算的結果中，數據集中的區域被分為5個相似的分組，聚類中心k的各因子屬性和標準差見表2，在省級行政圖上表示出5類區域的空間分布見圖3。

各項標準差均不超過0.5，說明同一分組的實例間距離較近，分組有效，無須剔除異常值。

從整體分布來看，5類區域在廣東省各縣區分布比較均勻，但由于地理條件的差異，西部地區種類相對密集。從各分類來看，聚類0中限制性因子障礙層深度遠遠高于其他幾類，地形坡度、有效土層厚度值相對較低，主要分布在珠三角平原中部，粵東沿海區西北部一些坡度陡、土壤條件稍差的地區;聚類1、聚類2是分布最少的2類，聚類1中地形坡度、有效土層厚度最高，但表土質地最低，零星分布在雷州半島和珠三角南部、粵東沿海地帶一些地形平緩、土壤自然生產潛力較高的地區，但由于海水的作用產生土壤鹽漬化使得土壤肥力差;而聚類2中pH值、排水條件最低，其他屬性值較均勻，處于中等位置，與聚類1分布相似，只是多為內陸地區，可能由于該地區土壤呈酸性;聚類3中地形坡度、有機質含量、灌溉保證率、障礙層深度最低，尤其是灌溉保證率、障礙層深度為0而排水條件卻最高，均勻分布在全省各個地區，以粵西沿海區東北部、粵西北山區北部、粵東沿海區東部較為集中，該地區坡度較大，土壤自然生產潛力較低，水源灌溉條件差，可能不適宜進行改造;聚類4分布也較為廣泛，集中在粵西北山區大部、粵西沿海區，該類地區表土質地、剖面構型、有機質含量、pH值、灌溉保證率都是最高，其他幾個屬性值也都不低，該地區地勢平坦、土壤肥沃、水源豐富，比較適宜改造。

2.3 關聯規則挖掘結果分析

WEKA平臺中的Filtered Associator增加了數據過濾器，將經過篩選轉換的數據在WEKA所支持的任意基本關聯算法中進行分析。根據關聯規則，將研究數據設置為這樣的項目集：I={地形坡度、有效土層厚度、表土質地、剖面構型、有機質含量、pH值、障礙層深度、灌溉保證率、排水條件}。由于Apriori算法無法對數值型數據進行操作，在做關聯分析前將原數據類型轉換為9個類別的分類型數據，數據轉換完成后，設置參數“Apriori-N 10-T 0-C 0.9-D 0.05-U 1.0-M 0.1-S-1.0-c-1”進行關聯分析。不斷掃描數據樣本后產生的關聯規則如下：

Best rules found：

（1）PMGX=TTR 1 003 787==>BTZD=R 972 990lift：（1.15） lev：（0.08）[85 355]conv：（5.23）;

（2）PMGX=TTR YJZHL=2-3 482 938==>BTZD=R 475 644lift：（1.17）lev：（0.05）[47 915]conv：（10.3）;

（3）PMGX=TTR GGBZL=1j 467 383==>BTZD=R 458 865lift：（1.16）lev：（0.04）[45 035]conv：（9.07）;

（4）PMGX=TTR PSTJ=1j 393 078==>BTZD=R 384 780lift：（1.16）lev：（0.04）[38 708]conv：（8.13）;

（5）PMGX=TTR PHZ=6-7.9 381 444==>BTZD=R 372 374lift：（1.16）lev：（0.05）[49 997]conv：（6.51）;

（6）PMGX=TTR ZACSD=<30 724 958==>BTZD=R 700 451lift：（1.15）lev：（0.06）[59 086]conv：（4.81）;

（7）YXTCHD=>=100 PMGX=TTR ZACSD=<30 509 355==>BTZD=R 492 916lift：（1.12）lev：（0.03）[13 953]conv：（3.25）;

（8）PMGX=TTR YJZHL=2-3 ZACSD=<30 104 102==>BTZD=R 102 718lift：（1.15）lev：（0.03）[13 745]conv：（10.92）;

（9）PMGX=TTR GGBZL=1j ZACSD=<30 110 655==>BTZD=R 108 576lift：（1.15）lev：（0.03）[14 002]conv：（7.73）;

（10）YXTCHD=>=100 PMGX=TTR ZACSD=<30 138 634==>BTZD=R 132 439lift：（1.12）lev：（0.03）[13 953]conv：（3.25）。

觀察關聯規則，每條規則的置信度均很高（表3至表5），從中可以獲取改造因子不同屬性之間的聯系，篩選置信度最高（0.98）的關聯規則得出：（1）由剖面構型是通體壤、有機質含量2～3、障礙層深度<30與表土質地為壤土的關聯規則可知，剖面構型是通體壤、有機質含量在2～3且限制性因子障礙層深度滿 足<30 的地塊，它們的表土質地也相對應是最優的壤土。（2）同樣，剖面構型是通體壤，灌溉保證率是1級或排水條件是1級或者pH值在6.0～7.9的地塊通常表土質地也是最優的。

2.4 優先區的選擇結果分析

由于空間聚類分區結果并不能直觀地表明優先區為哪一類，為了挖掘出到底哪一類是最優先區，將9個指標屬性的所有分區單元進行關聯規則挖掘。土壤是影響耕地質量的最基本要素，而表土質地是壤土作為最頻繁項集，本身就是土壤的最優條件，因此和與它形成最強關聯的因子屬性的組合作為選擇優先區的決策標準。

將置信度最高的6條關聯規則作為選擇優先區的標準，基于已經劃分好的聚類區，發現符合最強關聯規則的聚類區是聚類4，廣東省旱改水改造最優先區分布見圖4。

（1）從優先區地塊數量來看，共涉及13個市，62個縣區，408 841個地塊，共計975 628.35 hm2，占總數的28.36%。（2）從圖3可以看出，從整體分布來看，優先區主要分布在地勢平坦、水資源充足的粵西北山區和粵西沿海區，其中粵西沿海區的優先改造區多集中在雷州半島。這些地區的旱地及耕地后備的灌溉保證率、地形坡度等條件相對優越，并且廣東省旱地和望天田主要分布在湛江市、清遠市、陽江市、韶關市等地，尤以湛江市為最，55%的耕地為旱地和望天田，較為適宜于“旱改水”工程土地整治。珠三角平原區僅在江門市、肇慶市、惠州市分布，這是因為此地區河流水網密布，灌溉條件優越，水田占據較大比例，開發水田的潛力已經基本用盡。（3）從各縣區潛力來看，雷州縣、廉江縣、臺山縣、英德縣優先區地塊占較高比例，潛力較大。這些區域距水源相對較近，地面坡度較小，有效土層相對較厚，稍經整治便會具有較好的農業生產條件。

3 討論與結論

筆者是以農用地定級和分等規程劃分的指標為依據，基于空間數據挖掘的方法開展的“旱改水”優先區選擇研究嘗試，在實踐中難免存在一些不足之處，并與其他分區結果有一定的差別。需要說明的是：（1）分區指標體系中指標沒有考慮權重，主要是因為指標的篩選不是通過專家打分，而是數據的自動屬性選擇的相關性大的指標，通過數據標準化轉換為數值型數據來統一運算。（2）分區結果中同一縣區可能呈現不同類別，這是因為研究以圖斑作為分區單元而不是縣級行政區，這樣可以避免同一縣區雷同性。（3）關聯規則主要作為分區結果的進一步決策，更科學地表明聚類4是優先區，不作為主要的研究結果。（4）分區結果與其他學者的分區方案存在一定的差異，這主要歸因于研究角度、指標體系和分區依據等的差別。（5）本研究的目的在于為廣東省“旱改水”改造順序提供一定的科學依據，對于各地詳細的改造順序，還需要在實踐中結合縣（市）的具體社會經濟特點進一步探索研究。

通過研究獲得如下結論：（1）以廣東省1 683 403塊旱地為分區單元，結合研究區域的地形、土壤、補充水田潛力等條件，從可選的14個指標中通過屬性選擇相關性較高的地形條件、土壤條件和補充水田潛力條件9個指標，建立了“旱改水”分區指標體系。（2）通過K-means聚類分析得到5類區域，并以Apriori關聯規則挖掘出的最強關聯作為決策選擇出優先區，主要分布在粵西北山區和粵西沿海區，并分析了該區域的實際條件和作為優先區的原因。（3）研究結果表明，采用空間聚類和關聯規則相結合的數據挖掘方法，科學地挖掘出“旱改水”優先區，為各級政府“旱改水”改造工作提供重要的科學依據，有利于節省資金和人力物力資源。

參考文獻：

[1]齊艷紅，潘 旭，趙映慧. 浙江省江山市旱改水適宜性評價[J]. 安徽農業科學，2016（35）：202-204.

[2]劉正國，游振波，黃 俊. 江西省旱地改水田土地整治研究——以永豐縣瑤田鎮湖西村旱改水項目為例[J]. 安徽農業科學，2015（36）：185-187，229.

[3]王 君. 旱地改水田項目中新增水田的適宜性評價方法研究——以湖南省華容縣梅田湖鎮北剅口村金雞村旱地改水田項目為例[J]. 農業與技術，2015（24）：55-56.

[4]陳印軍，肖碧林，陳京香. 我國耕地“占補平衡”與土地開發整理效果分析與建議[J]. 中國農業資源與區劃，2010（1）：1-6.

[5]張 琳，張鳳榮，薛永森，等. 中國各省耕地數量占補平衡趨勢預測[J]. 資源科學，2007（6）：114-119.

[6]胡 科，石培基. 甘肅省耕地質量評價研究[J]. 中國土地科學，2008（11）：38-43.

[7]王大龍，秦 琦. 關于數據挖掘原理與算法的淺析[J]. 科技創新導報，2010（2）：193-193.