農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. 廣東省地質測繪院，廣州 510800；2. 武漢大學資源與環境科學學院，武漢 430079）

把握農民拆舊整治意愿是準確估計農村宅基地整治潛力的基本前提?，F有的農村宅基地整治潛力測算模型在農民拆舊整治意愿建模和潛力空間顯式測算表達方面依然存在一定局限性。該研究嘗試利用機器學習算法和土地利用多源時空數據，研究面向區域農村宅基地整治潛力測算的農民拆舊整治意愿模擬模型，實現農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據，提取以廢舊建筑物為主的拆舊潛力區；在此基礎上，利用單分類支持向量機算法和區域拆舊整治歷史樣本對區域農民群體的拆舊整治意愿進行模擬，從而實現區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作為研究區對模型的性能進行了驗證和評估。結果表明，模型的總體模擬精度達96.36%，其中正向樣本模擬精度為96.88%，負向樣本模擬精度為80.14%。根據模型預測結果，平塘鎮實際可供整治的廢舊宅基地面積約為36.02 hm2，占平塘鎮廢舊宅基地總面積的34.65%。研究結果將為中國正在實施的全域土地綜合整治和國土空間規劃決策提供重要的決策依據。

土地利用；整治；農村居民點；智能體建模；單分類

0 引 言

近年來中國經歷了大規?？焖俪鞘谢^程。城鄉人口結構與規模的快速、大規模變遷引發了城鄉人地關系的失衡問題：一方面，城鎮人口規模的快速增長導致城鎮建設用地供需矛盾日益尖銳；另一方面，鄉村人口的大量流失和村莊規劃的相對滯后則引發了村莊土地閑置和低效利用問題[1-3]。“人口減少，居民點面積反增”的農村人地關系失調現象在全國范圍內普遍存在[4]。因此，開展全域土地綜合整治、盤活農村存量低效與閑置的建設用地，對于緩解城鄉建設用地供需矛盾、改善鄉村人居環境和耕地保護具有非常重要的現實意義。

農村廢舊宅基地是農村土地整治的主要潛力來源[5]。準確識別廢舊宅基地的空間分布與規模，不僅能為國土空間規劃編制、土地綜合整治規劃與項目選址提供必要的決策依據，也是促進農村建設用地集約利用、優化國土空間開發格局的必然要求。由于土地調查數據精細度等問題，現有研究大多以農村居民點整治潛力的估算為主，而對農村廢舊宅基地整治潛力的測算研究相對不足?，F有的農村宅基地和居民點整治潛力測算方法主要有：人（戶）均用地指標法[6-9]、土地閑置率法[10]、基于GIS和多因素綜合評價技術的潛力系數修訂法[11-14]、基于高分辨率遙感和GIS技術的潛力測算方法[15-16]、農民意愿調查法[5, 17-20]和多方法融合[15]的估算方法。

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

針對現有研究的局限性，本文將利用高分遙感和GIS技術，構建面向區域農村宅基地整治潛力預測的空間顯式建?？蚣?；進而基于區域土地整治工程的歷史數據和時空數據挖掘方法，對區域農民群體的拆舊與整治意愿進行自動化、定量化和空間顯式模擬與預測；從而提高農村宅基地整治潛力測算結果的準確性，為國土空間規劃編制和區域土地綜合整治規劃與項目選址提供準確、可行的決策依據。

1 研究區概況與數據

1.1 研究區概況

選取廣東茂名信宜市平塘鎮為研究區。平塘鎮位于廣東省西南部，屬亞熱帶季風氣候區，年降雨量1 477～1 941 mm，年氣溫16.5～22.8℃。全鎮國土面積約192.36 km2，境內山脈縱橫，四面高山環繞，中間為狹長盆地，海拔在123～1 329 m之間（圖1）。平塘鎮是農業為主的山區鎮，2018年末全鎮工農業總產值為16.71億元，其中農業總產值為11.93億元，產業結構相對單一；農民人均年收入為15 421元，以農業收入為主。截至2019年年末，平塘鎮下轄21個行政村，共有農村戶籍人口64 118人，14 194戶。抽樣調查結果表明，全鎮常住人口比例僅占戶籍總人口的61.9%。

圖1 平塘鎮的地理區位與土地利用情況

根據第三次國土調查成果數據，平塘鎮現有農村宅基地面積約343.70 hm2，占農村建設用地總面積的88.50%；戶均宅基地面積約242 m2/戶，超過廣東省規定的：“山區戶均宅基地面積不超過150 m2”標準。平塘鎮位于廣東省相對落后的山區，區域農民群體通過務工、經商等途徑實現城鎮化的愿望非常強烈。因此，在尊重農民意愿的前提下，推進區域城鄉建設用地增減掛鉤、拆舊復墾和土地綜合整治等工程，對于緩解區域城鎮化用地矛盾、改善農村人居環境和提高農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上，信宜市政府在平塘鎮開展了城鄉建設用地增減掛鉤的試點工作。該項試點涉及全鎮21個行政村，1 141戶農民，釋放建設用地潛力約118.67 hm2，有效改善了區域生態環境和農業基礎設施，提高了土地利用效率和農民收入水平。

圖2 平塘鎮宅基地分布及決策影響因素

1.2 數據來源與預處理

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

2 農村宅基地整治潛力測算模型

2.1 模型總體框架與數據處理流程

農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方面（圖3）：1）決策環境數據處理。按照主導因素原則，參考國內外相關研究[20]，并結合試驗區的實際情況，選取“鄰域平均坡度”、“與道路距離”、“與小學距離”和“鄰域土地利用”作為影響居民拆舊整治意愿的決策環境因素。利用GIS空間分析方法，基于區域土地利用現狀數據、道路和小學分布、坡度數據，完成環境因素數據的預處理。2）宅基地圖斑的遙感分類。根據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和拆舊潛力區；3）農民拆舊整治意愿的智能化模擬。基于區域土地整治歷史項目數據和機器學習算法，構建農民意愿模擬模型；4）拆舊潛力的空間顯式預測。利用農民整治意愿模擬模型預測拆舊潛力區內每個像元處的農民整治意愿；5）潛力圖斑面積統計。將預測結果標記為“同意拆舊”、空間連片的拆舊潛力區像元轉換為矢量圖斑，并統計各矢量圖斑的面積；6）最小潛力圖斑面積篩選。根據項目區土地整治施工標準，將小于施工面積標準的小圖斑剔除即可得到區域整治潛力圖斑的空間分布與規模。

2.2 基于高分遙感數據的拆舊潛力區提取

由于建設年代的不同，農村廢舊建筑和近年新建建筑所采取的施工技術和建材存在明顯的差異，使得其在遙感圖像上呈現出明顯的紋理特征差異（圖4）。例如，本研究區內的廢舊房屋大多為磚木結構、深色瓦面屋頂的單層房屋，在高分辨率遙感圖像上通常表現為暗黑色；而近年新建的房屋則多為混泥土結構的多層樓房，在遙感圖像上表現為灰白色。兩者在紋理和顏色上的強烈對比，使得利用高分辨率遙感圖像識別新建建筑區和拆舊潛力區成為可能。

注：OCSVM為單分類支持向量機。下同。

圖4 研究區內廢舊建筑與新建建筑的典型紋理特征與色彩差異

廢舊農村宅基地是研究區土地整治潛力的主要來源。為提高計算效率，利用宅基地矢量圖斑和區域土地整治歷史項目地塊邊界對研究區高分遙感圖像進行裁切，僅保留潛力預測和正向樣本訓練特征提取需要的區域；在此基礎上，根據新建建筑物的紋理、顏色和形狀特征，利用面向對象的遙感圖像分類技術從高分遙感圖像上自動識別出區域新建建筑物；識別結果經過人工檢驗和修正后，將其與宅基地圖斑進行疊加后即可得到不能整治的新建建筑區和以廢舊建筑物為主的拆舊潛力區。

通過高分辨率遙感圖像獲取的拆舊潛力區是本研究中潛力預測和模擬的主要對象，以柵格數據存儲。拆舊潛力區柵格上代表廢舊建筑物的柵格像元構成了整治潛力預測和模擬的基本單元。

2.3 農民拆舊整治意愿的智能化模擬

作為復雜人地系統的重要組成部分，農民個體的決策行為通常受到宏觀政策與社會經濟發展水平、區位環境和農民個人自身條件等多種因素的影響，具有較強的不確定性和不可預測性。另一方面，現代復雜系統理論認為：復雜系統中相互關聯的系統組分能夠呈現出與孤立組分及其總和所不具備的、可被識別與描述的系統整體“涌現特征”[21]。復雜系統的“涌現”理論為群體行為建模與仿真提供了一條全新的路徑[22]。隨著機器學習和人工智能技術的快速發展，群體行為的智能化模擬與仿真技術已在土地利用建模研究中得到了廣泛應用[23-25]。因此，對農民群體的拆舊整治意愿進行建模與仿真在理論上是可行的。

利用人工神經網絡（Artificial neural network, ANN）、支持向量機（Support vector machine, SVM）和決策樹（Decision tree, DT）等監督學習算法從行為群體決策樣本數據中自動提取決策主體的行為偏好與規則，是當前國際上土地利用主體行為模式自動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練分類器，從而構建決策因子與不同決策結果之間的聯系。為了獲得相對準確的建模結果，監督分類算法通常要求訓練集中不同類型的樣本數量總體上是均衡分布的，即不同類型樣本的數量大致是相同的，且具有代表性[30]。對于農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空數據能夠提供豐富的正向決策樣本（征得農民同意并進行了整治的樣本）。然而，由于農民決策行為的不確定性，負向決策樣本的獲取成本和難度較高，使得大多數情況下獲得的訓練樣本集是失衡的（Imbalanced），即：正向樣本占絕大多數，負向樣本占少數甚至缺失。因此，傳統的二分類和多分類機器學習方法不適用于農民拆舊意愿的建模和仿真。

針對負向樣本缺失或訓練樣本不均衡分布的分類問題，Moya等提出了有別于傳統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，除特定的目標類別（正向樣本）外，負向樣本（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向樣本[30]?，F有研究中，單分類支持向量機（One-class Support Vector Machine, OCSVM）是目前應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]、模式識別[38]和異常檢測[39]等多個領域得到了成功應用。

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

農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，可以從區域土地整治歷史項目數據中可以獲得大量的農民同意拆舊整治的正向樣本。由于土地整治不僅受到農民自身決策偏好的影響，同時也受到國土空間規劃、補償政策等宏觀因素的影響。因此，不能將區域內暫時未實施整治的廢舊宅基地籠統的劃分為負向樣本，即：由于農民不同意而未實施拆舊整治的負向樣本難以大量獲取。由此可見，OCCSVM算法為解決農民群體的拆舊整治意愿建模與仿真提供了新路徑。根據平塘鎮農民拆舊意愿訪談情況，結合國內外現有研究成果[27]，選取地形坡度、與小學的距離、與道路的距離，鄰域土地利用情況作為農民拆舊意愿決策的主要因素，構建農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算法模擬農民拆舊整治意愿

根據OCC問題的基本特點，OCSVM算法主要利用正向樣本進行訓練。為檢驗算法的預測精度，訓練時混入少量負向樣本，形成無標簽的訓練樣本集。正向樣本通過區域內近年內開展的城鄉建設用地增減掛鉤、拆舊復墾等土地整治地塊數據獲取。其中，研究區整治地塊數據參照宅基地圖斑的處理方法轉換為柵格像元。由于廢舊宅基地內部多為平地，宅地基周圍的地形起伏狀況可能對農民的拆舊意愿產生影響。因此，對于任意像元，其摩爾鄰域內的區域平均坡度SLP按照如下公式進行計算：

式中表示像元的階摩爾鄰域內有效像元的總數；S表示摩爾鄰域內第個像元處的坡度值。

農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。根據研究區的實際情況，對于任意像元,按照公式（2）分別統計其階摩爾鄰域內耕地、園地、林地、交通用地、新建建筑區和拆舊潛力區的面積占比作為該像元樣本的特征參數。

式中表示像元的階摩爾鄰域內第種地類的占比；表示像元的階摩爾鄰域內第種地類像元的個數。

圖7展示了對于任意潛力評價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影響到式（1）和（2）中鄰域的統計范圍。根據本研究試驗區的柵格取值范圍和數據分析、測試情況，選取10階摩爾鄰域（10對應105 m×105 m區域）計算樣本特征參數。

圖7 潛力評價像元的k階摩爾鄰域

按照上述方法，分別計算樣本像元和潛力評價像元的樣本特征值。在此基礎上，利用無標簽樣本對OCSVM算法進行訓練，進而利用自動提取的分類規則對輸入樣本進行分類；最后，將算法對無標簽樣本的分類結果與各訓練樣本的真實類型進行對比，即可對分類器的精度進行驗證和評估。經過精度評估與驗證的分類器即可用于對區域農民拆舊整治意愿的模擬和預測。

3 潛力測算結果

3.1 基于傳統方法的整治潛力測算結果

為評估模型的可靠性，以戶均宅基地面積標準法對平塘鎮宅基地整治潛力進行估算，即：將區域現狀戶均宅基地面積與廣東省規定的戶均宅基地面積標準之間的差值作為區域宅基地整治潛力。盡管平塘鎮戶籍鄉村人口在2015－2019年間增加了1291人，考慮到平塘鎮社會經濟發展水平以及常住人口逐年下降的實際情況，本研究采取略微保守的方案，即以平塘鎮2019年末的戶籍鄉村人口戶數作為潛力測算依據。按照廣東省山區戶均宅基地150 m2的標準，以行政村為單位、按照戶均宅基地面積標準法估計得到的平塘鎮各村宅基地的整治潛力見表1。

按照戶均宅基地指標法，平塘鎮宅基地整治的潛力規模約為130.9 hm2，占現有宅基地總量的38.07%。除鎮政府駐地林垌村外，其余各村的現狀戶均宅基地面積均超過了廣東省規定的標準。然而，戶均指標法沒有考慮農民的實際拆舊整治意愿，往往不具備現實指導意義。另一方面，該方法的準確度強烈依賴于規劃期戶籍和常住人口數據的準確性。因此，利用該方法得到的潛力結果往往難以為國土空間規劃、土地整治、城鄉建設用地增減掛鉤項目的規劃決策和選址提供有價值且具有可行性的指導意見。

表1 傳統方法估算的平塘鎮宅基地整治潛力

3.2 廢棄宅基地整治潛力空間顯式建模與測算結果

基于潛力測算與模擬模型對研究區的廢棄宅基地整治潛力進行測算。

3.2.1 模型的訓練和精度評估

選取平塘鎮2019年末已經實施的城鄉建設用地增減掛鉤試點項目數據作為模型的訓練樣本。將該項目中已經實施了拆舊整治的宅基地地塊（圖8）按照統一的分辨率進行柵格化后，共得到4 449個柵格像元作為正向樣本。

圖8 訓練樣本的空間分布

為評估算法的性能，從三調宅基地圖斑集合中隨機選取少量近年新建了樓房的地塊作為干擾項混入訓練樣本。干擾地塊柵格化后，得到141個像元作為負向樣本。按照本文前述的方法，利用正向與負向樣本混合后的4 590個無標簽訓練樣本集構建面向區域農民拆舊整治意愿模擬的OCSVM分類器，預測精度評估結果見表2。

表2 農民拆舊整治意愿模擬精度評估

如表2，對4 590個無標簽樣本的總體分類精度為96.36%，其中：同意拆舊整治的4 449個正向樣本的分類精度為96.88%，141個負向樣本的分類精度為80.14%，分類精度總體滿足測算區域農民整治意愿的要求。

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2019年末實施增減掛鉤后剩余的343.70 hm2的農村宅基地劃分為新建建筑區和拆舊潛力區，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法測算得到的130.9 hm2。由此可見，基于傳統的戶均宅基地面積標準等方法測算得到的整治潛力結果不具可實施性。

在識別區域廢舊宅基地的基礎上，利用訓練得到的OCSVM分類器對拆舊潛力區的農民拆舊整治意愿進行預測，將被標記為“同意拆舊”、且空間連片的拆舊潛力區像元轉換為矢量圖斑，并統計各矢量圖斑的面積，得到各村的潛力規模見表3。

表3 平塘鎮各村宅基地整治潛力預測結果

土地整治工程實踐中往往要求被整治地塊滿足一定的面積規模。例如，信宜市2019年城鄉建設用地增減掛鉤試點要求拆舊復墾地塊面積不得低于0.1 hm2。因此，考慮施工要求，只有面積規模滿足要求的潛力地塊才能最終轉化為現實潛力。對平塘鎮潛力預測結果圖斑面積進行分組統計，結果見圖9。

圖9 平塘鎮預測潛力圖斑面積統計分布

平塘鎮的廢舊房屋零星分布在交通條件不便的山區區域。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區間，100～250 m2區間次之；即，對照表1中平塘鎮的戶均宅基地面積，由模型預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準設為1 000 m2，則全鎮宅基地整治潛力預測規模為36.02 hm2，占拆舊潛力區總面積的34.65%。各村宅基地的整治潛力規模及潛力地塊分布見圖10。

圖10 平塘鎮宅基地整治潛力地塊分布

如圖10所示，平塘鎮的農村宅基地整治潛力主要分布在北中、坳垌、甘垌和平塘村等現狀戶均宅基地面積較大的村莊。例如，甘垌村現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，均高于平塘鎮的平均值（242.22 m2）。此外，根據模型的預測結果，茅垌村和榃棉村同樣具有一定規模的廢舊宅基地整治潛力。然而由于地形的影響，兩個村內的廢舊宅基地均呈現為零星分布，沒有相對大片的可整治區域。因此，按照最小整治圖斑面積標準進行篩選后，兩村最終可實施整治的潛力規模為0。另一方面，若將最小整治圖斑面積降低到500 m2后，全鎮宅基地整治潛力規模約到60.51 hm2，約占全鎮模型預測潛力規模的63.87%。由此可見，在山區和丘陵地區，除農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 結論與討論

4.1 結 論

1）農民的拆舊整治意愿是影響區域建設用地整治潛力的直接決定因素。準確掌握農民的拆舊整治意愿是對區域農村宅基地整治潛力進行精確預測的基本前提。按照戶均宅基地面積標準法測算，平塘鎮的宅基地整治潛力為130.9 hm2，占現有宅基地總量的38.07%。由于規劃期戶籍和常住人口數據預測的不確定性，以及缺乏對農民實際拆舊意愿的準確把握，使用該方法測算得到的潛力規模不具現實指導意義。

2）機器學習和人工智能方法為農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向樣本即可完成對復雜規則的自動學習，較好的回避了農民意愿模擬中負向樣本難以獲取的難題。在本研究中，OCSVM算法在研究區對4 590個無標簽樣本的總體預測精度達96.36%，正向樣本預測精度為96.88%，負向樣本預測精度為80.14%，預測精度較好。

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

4.2 討 論

處于人地復雜系統中的農民其決策行為受到多種不確定性因素的影響。農民的拆舊整治意愿通常受到宏觀政策、區位條件和家庭條件等眾多因素的影響。這些復雜的影響因素相互之間是否存在聯系、存在何種類型的聯系，依然有待深入、系統研究。因此，對農民群體的拆舊復墾意愿進行定量建模和仿真，是一項非常具有挑戰的科學難題。復雜系統理論認為，在宏觀尺度對群體決策行為的“涌現特征”進行建模與仿真具有可行性。近年來，隨著大數據和人工智能技術的興起，利用時空大數據和深度學習等方法對人群的行為偏好進行建模與仿真，已成為當前國際相關領域研究熱點，并已經在廣告推送等眾多領域得到了成功應用。本文嘗試利用OCSVM機器學習算法，在高分遙感數據和土地利用多源時空數據的支持下，對農民拆舊整治意愿行為的模擬與仿真進行了初步探索。本文設計的農民拆舊整治意愿模擬模型的模擬精度總體是令人滿意的。相對于系統動力學、回歸分析等“白盒”模型，以OCSVM、人工神經網絡為代表的“黑盒”機器學習算法無需對復雜、不確定性的影響因素及其相互關系進行定量建模和表達，往往具有更高的模擬和預測精度。此外，模型依據真實樣本數據實現農民決策意愿規則的自動學習，由此預測得到的潛力預測結果相對于傳統模型更具實事說服力；從而為農村宅基地整治潛力預測提供了一種新思路。目前有關農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空數據和OCSVM智能機器學習算法初步構建了農民拆舊復墾意愿模擬和宅基地整治潛力測算理論模型框架。由于決策過程的復雜性，有關農民拆舊復墾意愿行為的建模依然有待深入研究：如何利用時空大數據，將宏觀政策和農民個人條件等因素納入農民群體的行為建模將是本文后續研究工作的主要方向。

[1]龍花樓，屠爽爽. 土地利用轉型與鄉村振興[J]. 中國土地科學，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. 論土地利用轉型與鄉村轉型發展[J]. 地理科學進展，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. 區域土地利用轉型與土地整理[J]. 地理科學進展，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年中國農村居民點用地與農村人口時空耦合關系[J]. 自然資源學報，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. 農村居民點整理潛力調查：以山東省文登市侯家鎮為例[J]. 中國土地科學，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. 農村居民點集約用地潛力測算方法研究[J]. 地域研究與開發，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，等. 農村居民點整治潛力測算方法研究進展與展望[J]. 自然資源學報，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. 江蘇省農村居民點用地現狀分析與整理潛力測算[J]. 中國土地科學，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. 基于人均建設用地標準的區域土地利用節地潛力評估[J]. 農業工程學報，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. 中國農村居民點整理潛力研究綜述[J]. 經濟地理，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. 生計轉型背景下河北省農村宅基地整理分區與潛力研究[J]. 農業工程學報，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村居民點整理現實潛力測算[J]. 中國土地科學，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的城鎮建設用地整治潛力評價：以常州市武進區為例[J]. 江西農業大學學報，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圖的農村居民點空間分布特征及其整理潛力評價：以福建省德化縣為例[J]. 資源科學，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. 兩湖平原區農村宅基地退出潛力測算方法研究[J]. 地域研究與開發，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查與評價技術方法：以山東省禹城市為例[J]. 地理學報，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. 基于農戶意愿調查的宅基地整理潛力測算：以湘鄉市11個村為例[J]. 湖南師范大學自然科學學報，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. 基于農戶調研的中國農村居民點空心化程度研究[J]. 地理科學，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. 湖北省隨縣農村居民點整治現實潛力測算及整治策略：基于農戶意愿的調查分析[J]. 自然資源學報，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. 基于農戶意愿的農村居民點整理潛力測算與優化[J]. 農業工程學報，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. 復雜系統涌現與基于整體論的多智能體分析[J]. 計算機工程與科學，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，等. 多智能體涌現生成的群體行為仿真[J]. 系統仿真學報，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結合模型分析的農村土地利用變化驅動機制[J]. 農業工程學報，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化配置[J]. 農業工程學報，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劃模型[J]. 地理學報，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. 農村宅基地整治潛力的空間顯式測算與模擬[J]. 農業工程學報，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

國家重點研發計劃課題“縣域村鎮發展潛力評價關鍵技術”（2018YFD1100801）。

鄒琳，高級工程師。主要研究方向為國土空間規劃與土地整治。Email：240228189@qq.com

趙翔，博士，講師。主要研究方向為智能空間優化決策。Email：zhaoxiang@whu.edu.cn

10.11975/j.issn.1002-6819.2020.24.029

F301.2

A

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