在土地用途分区中，常用的方法有：综合分析法、主导因素法、叠置法和聚类法(王万茂，韩桐魁，2002)。综合分析法、主导因素法是定性的分区方法，一般采用手工作业方式，自动化程度不高，而且受操作人员的经验影响较大。而聚类法是一种定量的分区方法，在分区时主要考虑了基本单元各种土地利用指标的相似性，把相似性程度较高的单元划分在相同的区片。但目前此方法也具有3个明显的缺陷：①它仅仅考虑了单元属性上的相似性，没有考虑单元的空间分区特征和分区原则；②现有的聚类法获得结果并不能保证分区结果中，各区片的完整连续性；③在确定分区时，还需要遵照区域整体性和便于实施管理的分区原则，人工进行调整和改进。
实际上，土地用途分区问题是一种比较复杂的图斑聚类问题，即有的研究中没有考虑的以上3个问题，因此其应用受到一定的限制。将土地用途分区问题视为需要知识指导下的空间聚类问题，并构建一种基于多目标优化的聚类模型是本研究的重点。它能够帮助用户在同时兼顾多种准则和约束条件，在保证区片完整连续的前提下迅速高效的获取土地用途分区方案。下面对土地用途分区的模型进行探讨。
土地用途分区问题既包括了数量分配，还包含空间布局的问题，而且它是土地利用规划的核心。传统的土地用途分区模型解决了土地利用在数量结构上的优化，但是规划人员和土地管理者无法实现土地利用的空间优化配置。计算机技术、GIS和空间数据挖掘理论与技术的发展，为土地用途分区提供了重要的技术支撑，将智能和GIS功能相结合，同时实现土地利用在数量上和空间上的合理布局，成为目前研究热点，推动了土地利用规划科学研究的发展。(www.xing528.com)
本研究提出了面向土地用途分区的空间数据挖掘模型。基于多目标优化的聚类模型可以将土地用途分区分为3个阶段：问题的定义和描述、方案设计、方案评价，如图2-7所示。对于土地用途分区问题，应该做到：①根据其定义和内涵，明确其约束知识体系，并进行形式化表达；②进行必要的数据预处理为优化分区计算做好准备；③通过经验知识和空间数据挖掘算法获取相关知识；④在知识的指导下基于改进的克隆选择算法获取分区方案；⑤对方案进行表达、评价，以确定最终的分区方案。此模型中，问题的定义和描述智能算法是该模型的两大核心。
图2-7 基于多目标优化的聚类模型
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
