礦產資源綜合區劃功能分區方法研究范文

本站小編為你精心準備了礦產資源綜合區劃功能分區方法研究參考范文，愿這些范文能點燃您思維的火花，激發您的寫作靈感。歡迎深入閱讀并收藏。

摘要：

開展礦產資源綜合區劃功能分區研究，對進行差別化管理政策的制定、空間分區管理有理論和實踐意義。在分析礦產資源綜合區劃影響因素的基礎上，構建以資源條件、開發基礎、生態條件、區域經濟潛能為準則層的礦產資源綜合區劃二級區劃的指標體系和分區體系。分析和討論了礦產資源綜合區劃二級區劃分區方法，并采用BP神經網絡方法對甘肅省礦產資源綜合區劃二級區劃進行分類研究，將甘肅省劃分為重點發展、一般發展、限制發展和禁止發展4類功能區。結果表明，BP神經網絡分類結果符合實際，是對傳統區劃方法的重要補充。

關鍵詞：

綜合區劃；礦產資源；BP神經網絡；功能分區

區劃是從區域角度觀察和研究地域綜合體，探討區域單元的形成發展、分異組合、劃分合并和相互聯系，是對過程和類型綜合研究的概括和總結[1]。綜合區劃是人與環境系統研究對可持續發展的重大理論貢獻[2]，是當前地域系統研究和全球環境變化人文因素研究的熱點[3,4]，不同部門綜合區劃研究也取得很多理論成果[5-9]。第三輪礦產資源規劃編制要求開展礦產資源基礎、開發條件、生態約束、區域發展需求等各因素整合起來的礦產資源綜合區劃研究，為分區規劃、分類指導礦產資源勘查、開發利用與保護，為礦產資源規劃編制提供理論依據。楊博等[10,11]已對礦產資源綜合區劃的概念內涵、區劃體系、劃分方法等作了大量研究，提出了較重要的理論成果。候華麗等[12]將礦產資源綜合區劃體系劃分為兩級，一級為地域分區，二級為功能分區。并認為二級區劃指標體系應包含礦產資源基礎條件、礦產資源開發條件、生態條件、地區經濟發展水平等綜合性指標。本文擬探討礦產資源綜合區劃二級區劃指標體系、分區方法，并以縣區為基本單位，采用BP神經網絡方法開展甘肅省礦產資源綜合區劃二級區劃功能分區研究，為豐富和拓展區劃的方法和途徑，并為礦產資源綜合區劃分區研究和礦產資源規劃提供理論依據和實證參考。

1礦產資源綜合區劃二級區劃指標體系與分區體系

1.1礦產資源綜合區劃二級區劃指標體系

綜合考慮礦產資源勘查、開發利用與保護全過程，可以發現其受到資源因素、環境因素、社會因素、經濟因素等四個方面的影響。基于這些影響因素，在遵循全面性與可操作性、數據可獲得性與可對比性、系統性和導向性等原則基礎上，構建礦產資源綜合區劃二級區劃指標體系，從而實現區域劃分。其中目標層為礦產資源合理開發與區劃可持續發展，準則層包括礦產資源條件、開發基礎、生態條件和區域經濟潛能等四個方面。準則層又由若干指標組成（表1）。

1.2礦產資源綜合區劃二級區劃分區體系

依據礦產資源綜合區劃的定義，以及礦產資源綜合區劃指標體系，按照區劃的目標和功能，劃分礦產資源綜合區劃二級區劃體系。根據礦產資源綜合區劃影響因素指標分析，可以知道礦產資源基礎為綜合區劃核心要素，其他如開發條件、區域經濟發展水平等因素是綜合區劃的重要影響因素，而生態條件礦產資源綜合區劃約束性因素。因此，本文認為礦產資源綜合區劃二級區區劃應該包含重點發展、禁止開發、限制發展、一般發展等四種類型區，其中一般發展區為其他三類發展區的補充，不單獨劃分。因此，礦產資源綜合區劃二級區可劃分為：礦產資源重點發展區、生態保護區（禁止開發區）、限制發展區和一般發展區。

2基于BP神經網絡的礦產資源綜合區劃功能分區

2.1礦產資源綜合區劃二級區劃分區方法

礦產資源綜合區劃受自然、社會、環境、經濟的綜合影響，影響因子多，難以提取主要因子，同時不同因子之間又存在一定相關性，且每個因子貢獻率也不同，導致礦產資源綜合區劃難以劃分。現有比較常見的區劃分析方法有：主導標志法、相關分析法、專家集成定性分析法、最終分類評價矩陣分類法[13]，逐步歸并模型定量法等[14]。朱傳耿等[15]采用最終分類評價矩陣分類法對地域主體功能區劃進行實證研究，取得良好的成果，是目前常用的地域功能識別和劃分方法方法。劉玉邦[16]等運用主成分與聚類分析方法進行農業水資源高效利用綜合分區，這種方法可以避免人為的主觀確定因子的權值，同時可以消除不同因子之間的相關性干擾，但此方法也易受影響[17]，導致聚類中心偏移。神經網絡方法在區域劃分中取得了很好地效果[18-23]，但表1礦產資源綜合區劃指標體系目標層準則層指標層具體指標礦產資源合理開發與區劃可持續發展資源條件基礎地質調查工作覆蓋率查明資源儲量大中型礦產地年度開采總量大中型礦山數量基礎地質調查工作覆蓋率基礎儲量資源量大型礦產地中型礦產地年度開采總量大型礦山數量中型礦山數量開發基礎可利用土地資源可利用水資源交通優勢度適宜建設用地率可利用水資源潛力交通密度交通干線交通樞紐生態條件生態重要性生態脆弱性生物多樣性保護重要性水源涵養重要性土壤保持重要性防風固沙重要性地質災害危險性礦山地質環境影響性水土流失易發性森林覆蓋率區域經濟潛能工業化階段礦業所占比重三次產業產值結構人均GDP礦業經濟占GDP比重目前應用神經網絡進行庫上次資源綜合區劃分區的案例還未見報道。本文擬選取產資源條件、開發基礎、生態條件和區域經濟潛能等指標層和指標因子，運用BP神經網絡方法，進行礦產資源綜合區劃二級區劃分區劃分，目的在于探索實踐定量途徑在區劃劃分中的應用，拓展區劃的方法和途徑。

2.2BP神經網絡及其理論基礎

2.2.1神經網絡的分類

神經網絡理論的研究工作始于上世紀中頁，McMulloch和Pitts首先提出神經元的形式化模型[24]，并進行邏輯函數運算，開啟了人工神經網絡的理論研究。經過多年的發展，人工神經網絡的理論和應用研究在數學和工程學方面取得了豐碩的成果，產生出了諸如向前神經網絡、反饋神經網絡、隨機神經網絡及自組織神經網絡等30多種不同類型、結構的神經網絡等，這些模型又大致分為三類：前向神經網絡（以BP網絡為典型代表），反饋神經網絡（以Hopfidld網絡為典型代表）以及自組織神經網絡（以SOFM網絡為典型代表）。從系統角度來看，BP最適合解決分類問題，因為分類問題可視為分析計算靜態的非線性映射f，BP這種前向網絡通過非線性處理能力可較好的逼近映射f。

2.2.2BP神經網絡模型的理論分析

BP神經網絡是基于BP算法的多層前饋網絡，其網絡結構簡單，算法成熟，具有自學習和自適應等優點。BP算法通過輸入、輸出數據樣本集，根據誤差反向傳遞的原理，對網絡進行訓練，其學習過程包括信息的正向傳播過程以及誤差的反向傳播這兩個過程，對其反復訓練，連續不斷地在相對誤差函數梯度下降的方向上，對網絡權值和偏差的變化進行計算，逐漸逼近目標。典型的BP神經網絡由一個輸入層、至少一個隱含層和一個輸出層組成[25]（圖1）。BP神經網絡模擬預測過程由以下四個階段組成：（1）模式順傳播過程；（2）誤差逆傳播過程；（3）記憶訓練過程；（4）學習收斂過程。最終形成模擬預測結果。

2.3BP神經網絡聚類步驟

2.3.1BP神經網絡構成

指標因子輸入。在輸入層輸入指標因子，本文將12個指標層因子列為指標因子，即基礎地質調查工作覆蓋率、查明資源儲量、大中型礦產地、年度開采總量、大中型礦山數量、可利用土地資源、可利用水資源、交通優勢度、生態重要性、生態脆弱性、工業化階段、礦業所占比重等。隱含層。進行BP網絡建模時，隱層數的確定至關重要。隱層數沒有強制的規定，隱層數越多，模型識別訓練樣本的差異性越好，但計算機運行的中間過程越復雜，耗時越多，對于檢驗樣本誤差可能會增大。所以一般原則是：隱層數小于訓練樣本數的前提下，達到精度要求時的隱層數越少越好，本文將隱含層也設為12層。輸出層。輸出層根據研究目的而確定，筆者以農用地的土地適宜性為輸出層。在BP網絡結構中，每層都是用數值來刻畫，而農用地適宜性只是一個概念性的模型，因此筆者將概念模型用數值進行刻畫。根據礦產資源綜合區劃二級區劃分區體系，綜合礦產資源不同功能分區，即開發強度、限制性強度和生態保護能力的高低，將二級區劃開發適宜性分為4等，4為高度適宜，3為較適宜，2為一般適宜，1為不適宜。

2.3.2訓練樣品的選取

根據甘肅省實際，結合專家的知識經驗，確定14個市州的12個指標層形成的二級區劃開發適宜性指標作為訓練樣本，即給定14個市州二級區劃開發適宜性評分，作為實際建模選擇的樣本。

2.4研究實例

2.4.1數據分析與處理

本研究以甘肅省為對象展開實證分析，以縣區為基本單位進行數據收集和處理，主要針對二級區劃指標層指標逐一收集，數據資源主要來源于《甘肅統計年鑒2013年》、《2013年甘肅省國土資源公報》等。主要針對指標層數據進行逐一分析說明：基礎地質調查工作覆蓋率：引用2013年甘肅省已完成的1：5萬礦產遠景調查圖幅和面積，并與相關縣域國土面積相比，得出各縣的基礎地質調查工作覆蓋率；各縣查明資源儲量、大中型礦產地、年度開采總量、大中型礦山數量引用2013年礦產資源儲量年報數據；可利用土地資源引用2008年土地總體利用規劃數據；可利用水資源引用2013年甘肅統計年鑒數據；各縣區交通優勢度采用金鳳君[26]等計算方法，依據甘肅省2013年鐵路、公路網地理圖屬性數據計算得到；各縣區生態重要性和生態脆弱性指標數據來源于甘肅省生態功能區劃；各縣區工業化階段和礦業所占比重來源于2013年甘肅統計年鑒數據。礦產資源綜合區劃指標體系包括4項準則層，12項評價指標及項基礎指標，每項指標都有不同的量綱單位，若要對指標進行BP神經網絡分析時，就必須要消除量綱的影響，進行無量綱化處理[27]。

2.4.2BP神經網絡計算

在Matlab平臺下，首先錄入訓練樣本，即14個市州的指標數據進行網絡訓練，進而錄入其他各縣的各類指標數據，使用newff函數創建級聯前向神經網絡，輸入層和輸出層的神經元采用tansig傳遞函數，隱含層與輸出層采用purelin函數，訓練算法為trainlm。采取的訓練精度設置為0.001。計算結果如圖2所示。

2.4.3結果分析

從圖2可得，BP神經網絡分類結果的空間聚集性較高，基本反映了甘肅省礦產資源分布的區域特征。BP神經網絡輸出結果為4類區域。第一類為礦產資源重點發展區，第二類為礦產資源一般發展區，第三類為礦產資源限制發展區，第四類為生態保護區（禁止開發區）。每一類發展區都包括若干縣區，每類發展區與所保護的縣區都有很強的相關性，如重點發展區包含：金川區、平川區、崇信縣、華亭縣等4個縣區，這些縣都是礦產資源儲量豐富，礦產資源開發強度高，礦業產值高的地區；限制發展區大都為礦產資源儲量較為匱乏，或者開發基礎條件較差，不適宜大規模進行礦產資源開發的地區；生態保護區（禁止開發區）如卓尼縣、舟曲縣、碌曲縣、肅南縣等，大都位于自然保護區，不適宜進行礦產資源開發。

3討論

基于BP神經網絡開展的礦產資源綜合區劃二級區劃分區，你搞過預測結果和驗證分析，結果表明模型的建立與選擇是符合實際的，且有以下優點：（1）能夠快速把握區域的分異特點，進行大范圍的區劃工作；（2）BP網絡模型可以避免聚類分析的噪音影響帶來的評價誤差；（3）與專家經驗集成的區劃方法相比，BP神經網絡方法更加客觀。但也有需要完善的地方，如典型樣本（訓練樣本）的選擇上，有一定的主觀性；只進行了一種神經網絡方法的分類研究，研究論證不夠全面等等。但總體上，基于BP神經網絡進行的礦產資源綜合區劃二級區劃分具有劃分層次明顯、區域分割清晰、客觀性強等優點，是對傳統區劃方法的重要補充。在未來的工作中，應該加強對因子選擇、典型樣本選取方法研究，同時要運用多種神經網絡方法開展分區研究，通過對不同方法的對比分析，總結出最優區劃方案。

參考文獻：

[1]鄭度，葛全勝，張雪芹，等.中國區劃工作的回顧與展望[J].地理研究，2005，24（3）：330-344.

[2]劉燕華，葛全勝，張雪芹.關于中國全球環境變化人文因素研究發展方向的思考[J].地球科學進展，2004，19（6）：889-895.

[3]吳紹洪.綜合區劃的初步設想[J].地理研究，1998，17（4）：367-374.

[4]劉燕華，鄭度，葛全勝，等.關于開展中國綜合區劃研究若干問題的認識[J].地理研究，2005，24（3）：321-329.

[5]楊勤業，鄭度，吳紹洪，等.20世紀50年代以來中國綜合自然地理研究進展[J].地理研究，2005，24（6）：89-91．

[6]毛漢英，方創琳.我國新一輪國土規劃編制的基本構想[J].地理研究，2002，21（3）：267-275

[7]陳守煜，李亞偉.基于模糊迭代聚類的水資源分區研究[J].遼寧工程技術大學學報，2004，23（6）：848-851.

[8]馮紅燕，譚永忠，王慶日.中國土地利用分區研究綜述[J].中國土地科學，2010，24（8）：71-76.

[9]金貴，王占岐，姚小薇，等.國土空間分區的概念與方法探討[J].中國土地科學，2013，27（5）：48-53.

[10]楊博，呂新彪，魏彥芳.礦產資源綜合區劃的概念與方法探討[J].國土與自然資源研究，2015（3）：50-53.

[11]楊博，呂新彪，魏彥芳.省級尺度礦產資源綜合區劃方法與應用[J].國土與自然資源研究，2015（6）：19-22.

[12]侯華麗，吳尚昆，張玉韓，周璞.對我國開展礦產資源綜合區劃相關問題的思考[J].國土資源科技管理，2015（03）：78-83.

[13]陳雯，段學軍，陳江龍，等.空間開發功能區劃的方法[J].地理學報，2004，59（增刊）：53-58.

[14]黃桂芝，董平，吳霜.可持續發展理論基本模式新探及數學模型研究[J].太原理工大學學報，2005，36（1）：103-106.

[15]朱傳耿，仇方道，馬曉冬，等.地域主體功能區劃理論與方法的初步研究[J].地理科學，2007，27（2）：136-141.

[16]劉玉邦，梁川.基于主成分和模糊C-均值聚類算法的農業水資源高效利用綜合分區[J].水文，2011，31（5）：57-63.

[17]秦福高，孫悅娟.聚類與關聯規則挖掘進行結合的研究[J].電腦知識與技術，2011，7（14）：3418-3419.

[18]黃嬌，高陽，趙志強，等.基于GIS與SOFM網絡的中國綜合自然區劃[J].地理研究，2011，30（9）：1648-1659.

[19]劉婭，朱文博，韓雅，等.基于SOFM神經網絡的京津冀地區水源涵養功能分區[J].環境科學研究，2015，28（3）：369-376.

[20]王江思，馬傳明，王文梅.基于SPSS和GIS的BP神經網絡農用地適宜性評價[J].地質科技情報，2013，32（2）：138-143.

[21]黃亞捷，葉回春，張世文.基于自組織特征映射神經網絡的中國耕地生產力分區[J].中國農業科學，2015，48（6）：1136-1150.

[22]張學儒，張鐿鋰，劉林山.基于SOFM神經網絡模型的土地類型分區嘗試—以青藏高原東部樣帶為例[J].地理研究，2013，32（5）：839-847.

[23]袁滿，劉耀林，危小建.基于模糊自組織神經網絡的土地用途分區研究[J].國土資源科技管理，2013，30（6）：74-80.

[24]謝承泮.神經網絡發展綜述[J].科技情報開發與經濟，2006，16（12）：148-150.

[25]李朝靜，唐幼純，黃霞.BP神經網絡的應用綜述[J].勞動保障世界，2012（8）：71-74.

[26]金鳳君，王成金，李秀偉.中國區域交通優勢的甄別方法及應用分析[J].地理學報，2008，63（8）：787-798.

[27]蔣維楊，趙嵩正，劉丹，等.大樣本評價的定量指標無量綱化方法[J].統計與決策，2012，365（17）：4-9

作者：楊博 呂新彪 魏彥芳 單位：中國地質大學(武漢)資源學院 甘肅省國土資源廳 甘肅煤炭地質勘查院