论文部分内容阅读
耕地资源是人类赖以生存的生产资料,是粮食生产发展最重要的保障。分析耕地面积变化的驱动因子,预测耕地面积变化趋势,有利于耕地资源的合理配置,保障粮食生产安全,促进社会和谐发展。湖南省是我国中部最重要的粮食生产基地。作为一个农业大省,其耕地面积的变化与湖南省乃至全国的粮食安全问题息息相关。改革开放以来,尤其是自1990年,国家制定了一系列加快中西部地区开发步伐的政策和措施以后,湖南省经济高速增长,城镇建设迅速向农村蔓延,建筑用地占用耕地资源的情况日益加重,人多地少的矛盾不断恶化。分析湖南省耕地面积变化影响因子,准确预测湖南省耕地面积变化态势,对制定符合湖南省耕地实际情况的可持续发展战略具有积极意义。影响耕地面积变化的驱动因子复杂多变,难以确定。目前,分析耕地面积驱动因子的方法主要有主成分分析法、相关分析法、灰色关联度法等。但这些方法都存在自身的缺陷,选取的因子之间仍然存在一定程度的信息重叠,难以保证耕地面积预测的精度。耕地面积变化数据属于复杂的非线性时间序列数据,其预测方法主要有BP神经网络(Back-propagation Neural Network,BPNN)模型、支持向量回归(Support Vector Machine Regression,SVR)模型和最小二乘支持向量回归(Least Squares Support Vector Machine, LSSVM)模型等。这些预测模型都是非线性的系统模型,对耕地面积的预测达到了一定的精度。但耕地面积还具有显著的时间序列特性,单纯地使用这些传统模型对其进行预测还远远达不到实际生产需求,必须引入相关的时间序列分析技术才能更进一步地提高对耕地面积的预测精度。GS-SVR模型(SVR based on Geo-statistics order determination)是结合地统计学(Geo-statistics,GS)模型定阶原理和SVR模型的一种高精度的时间序列预测方法。本文从湖南省耕地面积和其常用8个驱动因子出发,先基于相关分析法和主成分分析法给出驱动因子的相对重要性排序并对驱动因子进行线性初步筛选;在此基础上,提出一种基于GS-SVR模型的自变量全组合预测均方误差(Mean Squared Error, MSE)最小原则确定耕地面积变化的最优驱动因子组合的方法,最后利用所得到的最有驱动因子组合对湖南省耕地面积变化进行预测。以湖南省1978-1999年耕地面积变化数据为例,通过GS-SVR自变量全组合预测MSE最小原则确定其最优影响因子组合为城市化水平和房地产业产值指数,并进一步通过湖南省2000-2008年耕地面积变化数据为例,验证了所选驱动因子组合的有效性。此外,还通过SVR-CAR、LSSVM、BPNN、ARIMA和MLRR等常用的时间序列预测方法来验证所选取驱动因子组合的合理性。结果表明,采用GS-SVR全组合方式选取的驱动因子组合大幅度提高了各种常用时间序列方法预测耕地面积的精度,城市化水平和房地产业产值指数是影响湖南省耕地面积变化的主要驱动因子。此外,在所有模型中GS-SVR方法的预测精度最高,这说明GS-SVR是一种有效地预测耕地面积变化的方法,可为耕地面积研究者提供有益借鉴。