基于多源遙感數據的牲畜空間化研究

井梅秀 ，穆天紅★，馬文君，趙慧芳

（1.青海省農牧業區劃遙感中心，青海西寧 810000；2.青海省氣象科學研究所，青海西寧 810000）

1 前言

全球經濟的快速發展，使人類對動物源性食品的需求量急劇增加，加快促進了畜牧業的發展。 畜牧業的發展逐漸引起了人類的高度重視， 畜牧業一定程度上與環境承載力緊密相關，對維持草畜、生態平衡，實現可持續發展、人與自然和諧共生至關重要。目前， 人類掌握牲畜情況依然長期依賴于傳統的統計調查數據， 是以行政區劃為單元進行的逐級數字收集，多以省、市、縣三級為主，尺度比較粗糙，只能滿足以行政區劃為單元的數字分析，在應用上具有局限性，不能反映牲畜的實際分布與自然地理特征之間的關系，不能用于可視化、空間分析和地學模擬。近年來，數據空間化已成為自然社會科學中的研究熱點， 如氣象觀測要素的空間化、 人口統計數據空間化、國民經濟產值數據空間化等，隨著人們對空間化概念的不斷深入， 使得牲畜數據空間化的必要性更加強烈，空間化能夠揭示牲畜在地理空間上的分布位置和數量信息， 參與地理信息空間進行整合計算， 實現空間尺度上的分析和決策。因此，研究牲畜數據的空間化， 將牲畜的統計數據擴展到一定的空間尺度上， 實現社會統計數據與自然數據的整合， 具有重要的理論和現實意義。

青海省是我國傳統的四大牧區之一，牧區主要分布在青海南部地區（青南地區），畜牧業是青南地區重要的經濟基礎，是特色優勢產業。以青南地區為研究區，結合氣候、地理等多源遙感數據的準確、可靠性優勢，開展了基于神經網絡算法的牲畜研究， 探討了神經網絡算法在牲畜統計數據網格化研究中的適用性， 實現了1 千米格網尺度上牲畜的空間化， 解決了傳統的牲畜數據以行政區為單元統計， 難以與地理空間數據融合進行分析決策的問題， 整體的描繪出了青南地區牲畜的空間化情況。

2 方法

2.1 研究區概況

青南地區是指青海境內柴達木盆地、青海南山及八音山以南的地區，包括玉樹、果洛及黃南藏族自治州、海南州的興海同德， 格爾木市的部分地區等地， 面積占全省土地面積的一半左右，約為36 萬平方公里，占青海省總面積的一半，西部、南部與藏北高原、川西高原連成一片。 青南地區具有典型的青藏高原特征， 西部和北部地面較平緩、完整，東部和東南部地區因河流切割，多為高山峽谷，絕大部分地面海拔在4000～5000米以上，區內氣候寒冷，東南部河谷地帶年平均氣溫0℃～3℃，其余地區在零攝氏度以下，年降水量從東南向西北逐漸減少。 植被類型有高寒灌叢草甸、 高寒草甸、 高寒草原、 高寒荒漠草原等， 具有耐寒、生長季節短、生物積累緩慢等特點。 土壤類型有高山草甸土、高山草原土、高山寒漠土、山地草甸土、鈣栗土等。河流從多，冰川廣布，是長江、黃河、瀾滄江的發源地。 耕地、 林地極少，草原廣闊。

表1 數據來源表

2.2 數據來源和處理

放牧是青南地區最主要的牲畜的活動方式之一，羊是青南地區的優良品種，選澤牲畜羊來模擬它的空間分布，包括山羊、綿羊（半細毛羊、藏羊），收集獲取了2021 年青南地區21 個縣、區羊的年末存欄量數據。氣候、地形、地貌等都是影響牲畜活動的主要因素。該地區牲畜主要以天然草地為食，草地的利用率較高，活動范圍主要受土地利用覆蓋的影響。 隨著海拔高度的增加，地形起伏度呈現逐漸升高趨勢，牲畜量也會隨之減少。本文綜合考慮了青南地區地域特色和氣候特征，選取了影響牲畜分布的高程（DEM）、歸一化植被指數（ NDVI）、人口、年降水量、平均濕度、年均溫度、 土地利用數據等11 個多源遙感數據作為研究牲畜空間化的環境變量因子。

借助地理信息系統ArcMap 軟件，將行政區劃數據做適宜性掩蔽處理，剔除區內冰川、常年積雪等不適宜牲畜生存的區域， 結合2021 年羊的年末存欄量數據， 計算獲得各縣羊的密度數據，作為構建牲畜模型的的因變量。 裁剪、計算得到2021 年青南地區人口密度數據、 歸一化植被指數數據、年均濕度、年降水量、年均溫度數據、 坡度數據。 在2021 年土地類型數據基礎上，統計每個公里網格中各地物類別的像元個數， 再除以每個公里網格中包含的總像元個數，得到耕地、草地、林地、未利用地的百分比數據。 將這11 個數據，進行數據預處理，整合到統一的投影、坐標及分辨率，作為構建牲畜模型和模擬空間化的自變量。

2.3 人工神經網絡算法

人工神經網絡（ANN）是由人工構建的、以有向圖為拓撲結構、通過對連續或斷續的輸入做出響應而進行大規模信息處理的動態系統，是一種試圖模擬生物神經網絡的結構和功能的數學模型或計算模型，是集神經科學、數學、統計學、計算機科學等學科于一體的一種綜合技術。 其實質是以大腦生理變化過程為基礎，模仿大腦的結構和功能，是對人腦的某種程度上的抽象、簡化和模仿。 神經網絡結構是由多個神經元相互組合而成的，而神經網絡的學習過程就是連接權重的更新訓練過程。其具有強大的計算能力、學習和歸納能力，應用在各個方面，比如在醫學、油漆成藏、電力等各個行業，取得了較好的效果。

3 結果與分析

3.1 多源遙感數據

經GIS 處理得到影響牲畜的環境變量因子土地利用類型、坡度、年均溫度、年降水量、年均濕度、人口密度、NDVI、DEM 等如圖1 所示。

圖1 多源遙感數據圖

3.2 牲畜模型

采用均值統計分析方法， 獲得各縣的11 個環境變量因子的值， 作為構建牲畜模型的自變量， 牲畜密度值作為因變量， 借助IBM SPSS Modeler 軟件，采用神經網絡算法，構建了牲畜模型。 結果顯示：牲畜模型的精度為94.16%，最大誤差為0.63，絕對平均誤差為0.12，小于2，誤差比較低，牲畜統計數據與各因子之間的線性相關性為0.98， 表明選取的11 個環境變量因子能夠比較準確地反映牲畜的分布情況，訓練的牲畜模型模擬家畜數量是相對準確的。影響牲畜分布最重要的環境變量因子是年降水量，占27%，其次是年均溫度占17%，草地覆蓋占13%，人口密度占10%，其余影響因子占比較小。 青南地區屬青藏高原氣候，條件惡劣、暖季短、冷季長，牲畜主要以草為食，以天然草場放牧為主，降水是直接影響牧草的生長狀況的一個重要條件，在降水豐富、溫度適宜的情況下，牧草生長茂盛，草地資源情況較好， 為牲畜的生存提供了充足的飼料，相反，如果降水過少或者溫度過低，都不適宜牲畜的生存。該地區位于青海南部，地域廣闊，人煙稀少， 牲畜的分布與人口的活動有著緊密的聯系，有人的地區，就有牲畜，無人的地區，牲畜分布就很少，因此人口密度也是影響牲畜活動范圍的重要因子。 由于海拔高、氣候寒冷，種植業難以發展，青南地區耕地很少，有極少的林地分布，因此耕地、林地、植被覆蓋度、未利用地等對牲畜的影響都比較小。 羊主要在平坦的地區放牧，因此坡度等的影響因素比較小。

3.3 牲畜空間化

青南地區牲畜主要分布在黃南藏族自治州貴南縣、貴德縣、貴德縣、同仁縣、尖扎縣、興?？h等地區， 玉樹和果洛藏族自治州等地區分布較少。 從統計調查數據上只能獲得各縣牲畜數字信息，不能獲得地理位置分布信息。 基于GIS 技術，結合多源遙感數據，利用神經網絡計算機牲畜模型， 模擬得到了1 千米格網牲畜空間化結果。 如圖2 所示，從空間上可以看出，東部地區貴南縣、同德縣、貴德縣分布的牲畜多。其次是興?？h、同仁縣、尖扎縣、河南蒙古族自治縣。 瑪多縣、瑪沁縣、稱多縣、曲麻萊分布較少，囊謙縣和班瑪縣等地方最少。 通過實現牲畜的空間化，可直觀地看出牲畜的空間分布狀況，解決了傳統調查數據難以反映與自然地理特征關系的難點，該數據可以和氣象、土壤等地理空間數據進行整合運算，參與評估草蓄平衡，分析草原生態狀況，從更小的地理單元上分析研究牲畜的活動分布情況，對研究畜牧業的現代化發展具有重要意義。

圖2 青南地區牲畜空間化圖

4 討論與結論

4.1 結論

本文以青南地區為研究區域，收集了牲畜的統計數據及影響牲畜分布的多源遙感數據，利用神經網絡算法，構建了牲畜模型。 在牲畜模型的基礎上，選取多源數據作為影響牲畜分布的自變量環境因子，用GIS 技術統一到相同的投影和坐標，進行網格化處理，對青南地區的牲畜進行了網格化模擬，實現了牲畜的空間化。 得出以下結論：

神經網絡算法構建的牲畜模型模擬精度高，達到94.16%。

影響青南地區牲畜分布的主要環境變量因子是年降水量、年均溫、草地覆蓋，其次為人口密度和濕度等。

結合統計、 多源遙感數據實現了牲畜的空間化，從空間上看，牲畜分布最多的在貴南縣、同德縣，最少的是囊謙縣和班瑪縣，該數據可參與農牧業空間運算。

4.2 討論

牲畜的分布還與許多因子相關， 比如居民點、道路等，居民點是人口與牲畜空間分布的重要指示因子，道路的通達性一定程度上也影響牲畜的分布。 因數據收集存在一定的難度，且道路數據、河流數據在空間上也難以實現1 千米格網化分析， 本文在進行牲畜空間化時并未考慮這些因素，在今后的研究中，將繼續對道路、河流等牲畜活動范圍的影響因子，進行深入地分析、計算，更準確地模擬牲畜的空間分布，為實現空間地理數據整合、 預測牲畜空間分布等提供更高更可靠的數據支撐。