基于Logistic回归的耕地数量演变及其空间要素边际效应分析
发布时间:2021-01-11 08:12
厘清耕地演变的驱动机制对中国耕地资源可持续利用具有重要现实意义。该研究以鄂南地区为例,利用2000—2005、2005—2010和2010—2015年3期Landsat遥感影像解译成果、15类POI(PointofInterest)空间数据等,采用主成分分析、多元Logistic回归模型、边际效应分析等方法,系统分析了研究区近15a以来耕地动态变化及其时空演变规律,并着重探讨了空间要素在驱动机制方面的双向边际效应。结果表明:1)耕地演变类型在空间上表现出相同类型的集聚性,转换类型受周边同类用地空间溢出效应影响明显。在时间上表现出不同转换类型的差异性,转换类型受土地利用政策宏观调控影响向建设用地单一转化趋势明显。2000—2015年间,耕地向建设用地的转换比例自28%过渡至44%后,迅速上升至96%,主要集中在城镇周边、主要道路沿线等区域。2)空间要素对不同时期耕地不同转化类型存在不同的边际效应,2000—2015年间耕地不同转化类型的边际效应变化幅度逐渐减小、不同转化类型边际效应曲线同类交点呈同向移动趋势。自然区位因素对耕地向建设用地转换和耕地向水域转换在POI空间要素不同取值时边际效...
【文章来源】:农业工程学报. 2020,36(11)北大核心
【文章页数】:10 页
【部分图文】:
研究区示意图
图3展示了2000—2015年间耕地演变转化类型及其对应数量关系,由图3a可知,耕地向水域、建设用地和林地演变转化明显,其转化量分别占基期耕地转化量的54%、28%和16%,占末期各地类转入总量的比例分别为78%、65%和95%。由图3b可知,2005 —2010年间耕地向其他地类转化依旧呈现多元趋势,其中向建设用地、 林地与水域用地演变转化量分别占基期耕地转化量的44%、37%和17%,占末期各地类转入总量的比例分别为57%、68%和70%。由图3c可知,2010—2015年间耕地向建设用地演变转化占绝对优势,而向其他地类转化量锐减,其转化量占基期耕地总转化量的比例达到96%, 占末期建设用地总转入量的60%,耕地与林地成为这一时期建设用地的主要来源。3.3 Logistic回归因变量主成分筛选
在评价指标相关性分析与对数相关性分析显著性指标筛选基础上(P=0.01,双侧),为了进一步消除指标之间可能存在的信息冗余及共线性,以提升边际效用分析的针对性,并精简Logistic回归方程,采用SPSS软件分别对2000—2005、2005—2010和2010—2015年三期数据进行主成分分析。采用因子最小特征值大于1提取主成分数目,主成分旋转采用最大方差法,3期KMO统计量分别为0.78、0.79和0.76,巴特利特球形检验结果均小于0.01,适合主成分分析。2000—2015年3期主成分分析结果中,第2主成分因子最小特征值分别为1.697、1.366和1.741,此后主成分因子最小特征值都小于1(表3,表中只列出前3个主成分),所以每期都提取出前2个主成分用于后续分析。由旋转后的主成分载荷矩阵(表4)可知,2000—2005年间,在第1个主成分因子上变量P1、P2和P3的载荷超过0.9,变量P4载荷为0.731,表明公共服务、商业服务、娱乐休闲3类POI所代表的公共服务业发展水平、工业规模和商业发展,以及自然村镇等人文要素交织综合作用显著。在第2个主成分上变量S2和S1较大的载荷表明高程坡度等自然因素状况、D1和D2较大的载荷说明到主要公路、水域等距离因素综合作用显著,二者综合归纳为自然区位因素。
本文编号:2970411
【文章来源】:农业工程学报. 2020,36(11)北大核心
【文章页数】:10 页
【部分图文】:
研究区示意图
图3展示了2000—2015年间耕地演变转化类型及其对应数量关系,由图3a可知,耕地向水域、建设用地和林地演变转化明显,其转化量分别占基期耕地转化量的54%、28%和16%,占末期各地类转入总量的比例分别为78%、65%和95%。由图3b可知,2005 —2010年间耕地向其他地类转化依旧呈现多元趋势,其中向建设用地、 林地与水域用地演变转化量分别占基期耕地转化量的44%、37%和17%,占末期各地类转入总量的比例分别为57%、68%和70%。由图3c可知,2010—2015年间耕地向建设用地演变转化占绝对优势,而向其他地类转化量锐减,其转化量占基期耕地总转化量的比例达到96%, 占末期建设用地总转入量的60%,耕地与林地成为这一时期建设用地的主要来源。3.3 Logistic回归因变量主成分筛选
在评价指标相关性分析与对数相关性分析显著性指标筛选基础上(P=0.01,双侧),为了进一步消除指标之间可能存在的信息冗余及共线性,以提升边际效用分析的针对性,并精简Logistic回归方程,采用SPSS软件分别对2000—2005、2005—2010和2010—2015年三期数据进行主成分分析。采用因子最小特征值大于1提取主成分数目,主成分旋转采用最大方差法,3期KMO统计量分别为0.78、0.79和0.76,巴特利特球形检验结果均小于0.01,适合主成分分析。2000—2015年3期主成分分析结果中,第2主成分因子最小特征值分别为1.697、1.366和1.741,此后主成分因子最小特征值都小于1(表3,表中只列出前3个主成分),所以每期都提取出前2个主成分用于后续分析。由旋转后的主成分载荷矩阵(表4)可知,2000—2005年间,在第1个主成分因子上变量P1、P2和P3的载荷超过0.9,变量P4载荷为0.731,表明公共服务、商业服务、娱乐休闲3类POI所代表的公共服务业发展水平、工业规模和商业发展,以及自然村镇等人文要素交织综合作用显著。在第2个主成分上变量S2和S1较大的载荷表明高程坡度等自然因素状况、D1和D2较大的载荷说明到主要公路、水域等距离因素综合作用显著,二者综合归纳为自然区位因素。
本文编号:2970411
本文链接:https://www.wllwen.com/jingjilunwen/nongyejingjilunwen/2970411.html