区域土地利用结构及其驱动因子的统计分析_地理论文

提　要　采用经典的数理统计方法——典型相关分析，选择位于干旱半干旱过渡地带的榆林地区作为典型代表，对区域性土地利用结构及其驱动因子进行了统计分析。通过大型社会科学统计软件包 SPSS 操作运行，并对统计结果进行专业分析，定量诊断出各驱动因子对该区土地利用结构分布贡献作用的大小。同时运用典型相关系数和冗余度分析，对诊断结果进行了检验。

关键词　典型相关分析；冗余度分析；土地利用与土地覆盖变化；驱动因子

中图分类号　F301.2

文献标识码　A

文章编号　1000－3037(1999)04－0381－04

　　土地利用与土地覆被变化（LUCC）是全球环境变化最显著的方面，它既受自然因素的制约，又受社会、经济、技术和历史等因素的影响，具有很强的综合性和地域性。通过不同尺度、不同学科的综合研究，建立各种 LUCC 模型，定量分析和预测 LUCC 前景，是研究者们普遍瞩目的方向。作为自然与人为过程交叉最为密切的 LUCC，其自然与社会经济的驱动力分析，也无疑成为一个更为人们所关注的核心。

　　本项研究是对 LUCC 驱动力综合分析的预研究，通过定量分析区域土地利用结构特征及其驱动因子，为进一步分析土地利用结构稳定性乃至 LUCC 的驱动力分析提供依据。

1 研究方法

　　在 LUCC 的研究中，多元统计方法已经愈来愈普遍地得以应用。其中，典型相关分析被广泛认为是定量判别 LUCC 驱动力的有力工具。典型相关分析是一种经典的多元统计方法，它揭示的是两组多元随机变量之间的关系。这两组多元随机变量中一组是自变量组，另一组则是标准变量组。和其他相关统计方法对比，典型相关分析特别适合于所分析的标准变量组，其各个变量之间本身具有较强的相关性。不同的土地利用类型之间相互影响，相互制约，所以典型相关分析法被广泛用来研究土地利用特征同自然—人为因素之间的关系。具体做法是：在第一组变量中提出一个典型变量，在第二组变量中也提出一个典型变量，并使这一典型变量组合具有最大的相关；然后又在每一组变量中提出第二个典型变量，使得在与第一个典型变量不相关的典型变量中，这两个典型变量组合之间的相关是最大的。将此过程继续进行，直至两组变量间的相关被提取完毕为止。可见，典型相关分析把原来较多变量转化为少数几个典型变量，通过这较少的典型变量之间的典型相关系数来综合地描述两组多元随机变量之间的相关关系。

　　本项研究中，标准变量组 Y 为各种土地利用类型的分布；自变量组 X 为自然条件与社会经济条件。

　　标准变量组 Y 包括六种土地利用类型，它们分别是耕地、林地、草地、居民—工矿—交通用地、水域和未利用地。在自变量组 X 中，有 46 个与自然和社会经济条件有关的变量。研究时段为 1992 年。各变量均以乡镇级为单元（262 个乡镇），满足了样本要求。进行统计分析之前，检验每组变量之间是否有高度相关存在，即是否有多重共线性问题存在，对于提高统计诊断模型精度是很重要的。通过大型社会科学统计软件包 SPSS 的数据共线性排除处理，27 个变量最后进入了分析。同样原因，目标变量组中水域变量从分析中排除。

　　SPSS 中的子程序 CANCORR 使用户能直接对数据进行典型相关分析。通过这一宏指令，两组变量之间最大相关的系数可以被判定，结果包括：①典型相关组合；②每一个典型变量的典型载荷 (canonical loadings)；③典型相关系数和冗余度检验结果。同时，根据以上结果还可以计算出每个随机变量在每个空间单元的典型得分 (canonical score)，从而能在空间上反映出典型相关模拟的程度。

2 运行结果与分析

　　由于同一随机变量组内各典型变量之间的样本协方差为零，不同组不对应的典型变量间的样本协方差也为零，这使得分析变量组 Y 和变量组 X 之间的关系转化为只需分析从两组中提取出的相对应的典型变量之间的关系。典型载荷的统计含义就是这种转化关系的反映，它作为典型相关分析的主要结果，以桥梁的作用体现出标准变量组同自变量组之间的相关程度。

　　将结果制成数据点雷达图，能较直观地反映出每一个典型变量所体现的土地利用类型与相应驱动因子的相关关系。图 1 和图 2 就是对前两个典型变量的典型载荷所做的直观显示图。

图 1 第一个典型变量的典型载荷
Fig.1 The canonical loadings of the first canonical variate

图 2 第二个典型变量的典型载荷
Fig.2 The canonical loadings of the second canonical variate

　　从对榆林地区 1992 年土地利用结构的典型相关分析可以看出，该区的土地利用格局由自然条件和社会经济因素的综合作用决定。土地利用结构总体上具有农业型的特点，主要由如海拔高度、温度和降水等自然条件所决定，而非农业型的土地利用类型比重较小，主要由人口、社会经济等条件所决定。

　　第一个典型变量将居民点—工矿—交通用地从其他类用地中区分出来，其典型载荷为 0.998, 自变量组中与之相对应的解释变量主要是人口密度，其典型载荷为 0.97。农用地和非农业用地人口分布的差异正好反映和解释了这种非农业用地和人口密度的最大相关。

　　第二个典型变量将耕地从其他用地中区分开来，耕地的分布与年降水量呈最大相关（相应的典型载荷分别为－0.995 和－0.744）。在榆林地区，绝大部分耕地 (94.12%) 是旱地，而旱地的分布主要是由降水所决定的；其次，耕地分布受侵蚀的影响较大，其典型载荷为 0.725。侵蚀强度愈大，则耕地分布愈少，这与该区多年来注重生态恢复，丘陵区退耕还林的生产实践相一致。

　　第三个典型变量将林地从剩余的其他用地中区分开来，所呈现的最大相关是林地的分布与海拔高度和侵蚀强度（典型载荷分别为 0.709、0.392 和 0.389）。在本区，林地集中分布于山区、丘陵区和侵蚀强度大的坡地。

　　第四个典型变量将牧草地同未利用地区分开来，这主要受海拔高度、年均温度和干燥度指数等因素限制（其典型载荷分别为 0.659、－0.651 和 0.474）。前者反映出林、草分布具有一致的相关性，后者则主要体现出以沙地为主的未利用地同牧草地的环境差异。

3 检验

　　用于检验典型相关分析统计重要性的最一般方法是看其典型相关系数，即典型变量间的相关系数。图 3 给出了 5 个典型变量的典型相关系数。可以看出，这些系数比较高，它们表明相应的典型变量之间关系密切。尤其是头两个典型相关变量对应的相关系数高达 0.989 和 0.937，表明判别出的解释变量能清晰充分地解释相应标准变量的分布。

图 3 典型变量的典型相关系数
Fig.3 The canonical correlations of the canonical variates

　　判定典型变量有效数目，检验典型相关分析结果的另一个方法是进行冗余度分析。一是看被解释的标准变量组的相关性被其自身典型相关变量解释的百分比，二是看被解释变量组的典型相关性被其对立的解释变量组的典型变量解释的百分比。将二者进行对比，不仅能清楚地揭示目标变量组被自变量组解释的程度，同时也可根据结果来经验性地判定出所提取的典型变量的有效数目。

　　图 4 示意了冗余性分析的结果。可以看出，第一到第四个典型变量具有较高的解释百分比，尤其是第一和第二个典型变量，被解释的目标变量中分别有 95.9% 和 85.7% 的信息可以由解释变量予以解释，反映出二者之间较高的相关性。第五个典型变量的解释百分比较小（为 25.58%），因此由经验判定，前 4 个典型变量对专业分析有效。

图 4 冗余度分析
Fig.4 Redundancy analysis of each variate

4 讨论

　　(1) 土地利用结构是人类长期生产实践的结果，深受人口因素和社会经济因素的影响，但这种影响仍然建立在区域自然地理环境基础之上。尤其在自然条件复杂的高原山区，根据各种自然差异安排土地利用结构，仍是解决人地矛盾的主要途径。而对于受自然因素限制小的土地利用类型，则随着社会经济的发展，主要受工业化、城市化等社会经济因素所控制。

　　(2) 半干旱地区人类对生态环境的破坏，如过度垦殖所造成的水土流失和沙漠化等问题，实质上都是对土地利用结构认识不清，使各类土地利用与其限制的自然地理条件不相适应，结构失调。而“退耕还林还牧”正是追溯土地利用结构的驱动因子，调整使其相适应，从而使土地利用结构协调合理。

　　(3) 考虑到