Quick and Automatic Segmentation of Retinal Layers in OCT Images Using Residual and Attention U-net
-
摘要: 利用计算机图像处理技术自动分割视网膜图像，获得各层的厚度，可对多种视网膜疾病进行直观评估. 为了快速准确地对OCT视网膜图像进行自动分层，提出一种结合RAU-net和图像搜索的视网膜图像自动分层方法. 该方法在U-net的基础上加入了残差块结构和注意力门结构，残差块结构在构建更深的网络、获取高级特征的同时，有效避免了梯度消失和梯度爆炸问题，注意力门结构突出了模型对视网膜图像重要特征的学习. 由模型预测后得到的分割结果获取9条边界的感兴趣区域，然后运用图像搜索对分层图像进行边界优化，得到精确的视网膜分层图像. 结果表明：该RAU-net算法与手动分层的误差约为1像素，且完成1帧OCT视网膜图像的分层只需要4 s. 通过RAU-net与图像搜索相结合的方法为视网膜疾病的临床诊断和治疗提供了快速准确的定量分析方法.Abstract: Computer image processing technology is used to segment the retinal image automatically and compute the thickness of each layer. The thickness can be used to assess various retinal diseases directly. In order to segment retinal layers quickly and accurately, a new segmentation method combining RAU-net (Residual and Attention U-net, RAU-net) and graph search is proposed. This method adds residual block structure and attention gate structure to the basis of U-net. The residual block structure avoids the problems of gradient disappearance and gradient explosion effectively while obtaining advanced features by building deeper networks. Models trained with attention gate structure highlights the learning of salient features of retinal images. The segmentation results obtained after the model prediction gain nine boundary regions of interest, and then the graph search method is used to optimize the layer boundary for accurate retinal layer. The results show that the error between the RAU-net algorithm and manual segmentation is just about one pixel, and it only takes 4 s to complete segmentation of an OCT retinal image. Combining RAU-net and the graph search algorithm, the method provides a fast and accurate quantitative analysis tool for the clinical diagnosis and treatment of retinal diseases.
-
Keywords:
- retinal layer segmentation /
- residual block /
- attention gate /
- U-net /
- graph search
-
土地利用转型是指在社会经济的变化发展及转型升级的驱动下，某区域在特定时段内的一种土地利用形态(包含显性形态与隐性形态)转变为另一种土地利用形态的过程[1]。改革开放以来，我国在社会、经济和生态环境方面都发生了翻天覆地的变化，土地利用在广度及深度上均发生显著转型。土地利用转型在时空上整合了社会和环境变化过程[2]，已成为土地变化科学相关研究的重点。
1995年，GRAINGER[3]提出了土地利用转型的概念与内涵。2005年，龙花楼和李秀彬[4]将土地利用转型应用于长江沿线样带农村宅基地等土地利用转型的相关研究中，并对该概念与内涵进行了更全面的拓展。国内学者结合我国国情广泛展开了对土地利用转型的拓展研究，主要包括关于土地利用转型与城乡发展、土地资源管理的关系[5-7]，建设用地、耕地和农村宅基地利用转型[8-11]以及土地利用转型的生态环境和社会经济效应[12-14]等方面。已有研究的时间跨度多为10~20年，而土地利用形态的转型较为复杂，时间跨度过小可能导致研究结果相对片面或缺乏规律性检验；研究方法趋向于定量化、空间化和精细化，多采用面板数据模型、空间叠加分析模型、地理加权回归模型、空间计量回归模型和空间成本加权模型等，运用地理探测器模型分析土地利用转型驱动机制的研究鲜有报道，而由王劲峰和徐成东[15]提出的地理探测器模型能从庞大的空间数据中提取有效的空间关联规则。
已有的对珠三角地区土地利用的相关研究主要集中在探究时空格局特征[16-18]、驱动力[19]和模拟预测[20]等方面，对于改革开放前沿地带尤其是发展生态经济地区的土地利用转型的关注度亟需提高。珠海市处于珠三角经济快速发展地区和改革开放的前沿，是我国最早设立的经济特区之一。作为珠江西岸的核心城市和粤港澳大湾区创新高地，其城市建设、产业结构和人口流入等方面均将受到更优的正向带动，迎来多重利好。在发展社会经济的过程中，珠海市始终将生态文明建设放在第一位，为珠三角城市绿色高质量发展探索新路径。鉴于此，本文运用空间技术方法，对1973—2018年珠海市的区域土地利用转型及其驱动机制进行分析，探究其土地利用转型模式，并提出相应的土地利用资源配给建议和管理的新思路、新方法，以期促进珠海市以及其他类似区域的土地集约节约利用和社会经济的协调发展，为实际土地利用提供参考和借鉴。
1. 研究区概况与数据说明
1.1 研究区概况
珠海市(21°48′ N~22°27′ N，113°03′ E~114°19′E)地处中国的南方，广东省的南部，珠江三角洲的南部前缘，珠江口的西岸，濒临南海，东与香港特别行政区、深圳市隔江相望，南接澳门特别行政区，与广东省会广州市的距离约为140 km，地理位置优越(图 1)。由《珠海统计年鉴—2020》[21]可知：至2019年年末，全市土地总面积为1 736.46 km2。珠海市整体地势平缓，倚山临海，以平原和丘陵为主，海域辽阔，有100余个海岛分布于珠江口外。珠海市气候舒适宜人，属典型的南亚热带季风海洋性气候，冬夏季风交替明显。全市下辖香洲区、金湾区和斗门区3个行政区，15个镇，10个街道，5个经济功能区(横琴新区、珠海高新技术产业开发区、珠海保税区、珠海高栏港经济区、珠海万山海洋开发试验区)。至2019年末，珠海市全市常住人口达202.37万人，比上年末增加了13.26万人，增幅为7.0%；人口城镇比为90.72%[21]。2019年, 全市GDP达3 435.89亿元，增幅为6.8%，高于全国(6.1%)和全省(6.2%)的平均水平[21]。
![]()
图 1 珠海市位置示意图注：该图基于自然资源部标准地图(审图号：GS(2019)3266号)制作，底图无修改。Figure 1. Location map of Zhuhai1.2 数据说明
1.2.1 数据来源
本文所使用的数据分为3种类型(表 1)：一是土地利用数据，二是自然地理数据，三是社会经济数据。其中，土地利用数据是人机交互式解译结果，采用的遥感影像(1973年的Landsat MSS，1988、1998、2008年的Landsat 4-5 TM，2018年的Landsat 8 OLI TIRS)来源于我国地理空间数据云网站，影像分辨率高(30 m)、云量均低于10%、地物特征明显，符合遥感解译的需求；自然地理数据(如DEM数据)来源于中国科学院资源环境科学数据中心；社会经济数据来源于《广东统计年鉴》《珠海统计年鉴》《珠海市国民经济和社会发展统计公报》。
表 1 研究区数据类型、内容与来源Table 1. The data types, contents and resourses of study area数据类型 数据内容 数据来源 土地利用数据 1973、1988、1998、2008、2018年珠海市卫星遥感影像 地理空间数据云(http://www.gscloud.cn/) 自然地理数据 DEM、水系、公路、铁路矢量数据 中国科学院资源环境科学数据中心 社会经济数据 人口数、GDP、第二产业总值、第三产业总值 《广东统计年鉴》《珠海统计年鉴》《珠海市国民经济和社会发展统计公报》 1.2.2 数据处理
通过ENVI 5.3软件平台和ArcGIS 10.6软件平台对5期遥感影像数据分别进行了辐射定标、大气校正和图像裁剪等预处理；在GIS环境下，借助珠海市统计年鉴相关数据、珠海市土地变更调查统计数据、地形图和相应的野外调查资料，对遥感影像进行人机交互式解译；依据国家土地利用现状分类标准并结合研究区土地利用情况和研究需要，将珠海市土地利用类型划分为林地、耕地、水域、建设用地和未利用地5种类型(表 2)，最终生成珠海市土地利用现状图。对遥感图像的分类结果进行精度检验，结果表明总体解译精度在87%左右，符合研究要求。
表 2 土地利用类型分类标准Table 2. Classification criteria for land use types土地利用类型 分类标准 林地 指生长乔木、竹类、灌木、沿海红树林以及种植多年生木本和草本作物的土地，包括乔木林地、竹林地、灌木林地和其他林地等。 耕地 指种植农作物的土地，包括灌溉水田、旱地和水浇地等。 水域 指陆地范围内的河流湖泊水面、水库水面、坑塘水面和养殖水面等。 建设用地 指建造建筑物、构筑物的土地，包括城镇村及工矿用地、交通运输用地、其他建设用地等。 未利用地 除上述地类以外的其他土地，包括滩涂、沙地、裸岩石砾地和空闲地等。 2. 研究方法
2.1 土地利用转型幅度模型
本文采用土地利用转型幅度模型来反映研究时段内各地类面积变化的程度，其计算公式为：
R=ST−StSt×100%, (1) 其中，R为研究区某研究时段内某地类转型的幅度，S为某地类面积，T为研究期末年份，t为研究期初年份。
2.2 土地利用转型速度模型
本文利用珠海市各地类的单一土地利用动态度、综合土地利用动态度来表征珠海市的土地利用转型速度：土地利用动态度越大，表明土地利用转型速度越快，即土地利用越不稳定，受人类活动影响程度越大。
(1) 单一土地利用动态度。反映某区域一定时间范围内特定土地利用类型的变化情况，其计算公式为[22]：
V=ST−StSt×1ΔT×100%, (2) 其中，V为研究区某研究时段内某地类转型的动态度，S为某地类面积，T为研究期末年份，t为研究期初年份，ΔT为研究时段的长度。本文中的单一土地利用动态度可理解为某区域特定地类的年变化率。
(2) 综合土地利用动态度。反映研究区土地利用受人类活动影响的程度，其计算公式为[22]：
G=(n∑i=1ΔSij2n∑i=1Si)×1T×100%, (3) 其中，G为研究区某研究时段内土地利用转型的综合动态度，ΔSij为研究时段内第i种地类转化为其他地类的面积的绝对值，S为某地类面积, Si为第i种地类在研究期初的面积，T为研究年限。
2.3 核密度估计法
地理事件可以发生在空间的任何位置，事件发生在不同位置的概率有所不同[23]。核密度估计法(KDE)可以探索土地利用转型的强度格局，其计算公式为：
ˆK=1nhn∑i=1H(x−xiy), (4) 其中，H(·)为核密度方程，h为阈值，y为阈值范围内的点数。该方程的几何意义为：每个xi点的中心处的密度最高，距离中心越远则密度越低，距离中心达到一定阈值范围处的密度为0。本文中，某区域的核密度值越高，说明该区域的土地利用转型强度越大，即该区域是土地利用转型的热点区域。
2.4 地理探测器
地理探测器可用于探测空间分异性并揭示其驱动力[15]。其核心思想是若某个自变量对某个因变量有重要影响，那么两者的空间分布应具有相似性，可基于空间分异理论获得两者的相关性[24-25]。运用地理探测器计算各因子对研究区域土地利用转型的解释程度，用q值表示，其计算公式为：
q=1−1nσ2n∑i=1niσ2i, (5) 其中，q∈[0, 1], ni为变量Y或驱动因子X的分层i的样本数，n为研究区的总样本数，σi2为层i的离散方差，σ2为区域内总方差。q值越大，表明该因子对土地利用转型时空演变的驱动作用越强，反之则越弱。
交互探测可用于分析驱动因子X1和X2在共同作用时，是否会增强或削弱对因变量Y的驱动作用，或各因子的驱动作用是否独立。具体如下：首先，计算2个影响因子X1和X2对因变量Y的q值(q(X1)和q(X2))；然后，计算2个影响因子X1和X2相交时的q值(q(X1∩X2))；最后，比较q(X1)、q(X2)和q(X1∩X2)。若q(X1∩X2)＞q(X1)+q(X2)，则表明因子X1、X2交互后非线性增强；若q(X1∩X2)=q(X1)+q(X2)，则表明两因子独立；若q(X1∩X2)＞max(q(X1)，q(X2))，则表明因子X1、X2交互后双因子增强；若min(q(X1)，q(X2))＜q(X1∩X2)＜max(q(X1)，q(X2))，则表明因子X1、X2交互后单因子非线性减弱；若q(X1∩X2)＜min(q(X1)，q(X2))，则表明因子X1、X2交互后非线性减弱[15]。
3. 珠海市土地利用转型时空特征分析
3.1 土地利用转型数量结构变化分析
在1973、1988、1998、2008、2018年5期珠海市土地利用分类结果的基础上，借助ArcGIS 10.6软件对土地利用数据进行叠加分析与统计，研究1973—2018年珠海市土地利用类型的数量与结构。由结果(表 3)可知：1973—2018年，珠海市各土地利用类型均发生不同程度的变化，其中未利用地的面积相对稳定。具体表述如下：(1)1973、1988年，珠海市土地利用类型以林地和耕地为主，面积最多，呈现缓慢减少的趋势; 建设用地面积极少，但呈现缓慢增加的趋势。对比1973年和1988年的土地利用面积及其比例可以发现，1988年的耕地面积比例虽然下降了，但其面积数量却有所增加，究其原因为珠海市填海造地，市域面积扩大。(2)1998年，耕地和林地面积比例下降，建设用地骤增。(3)珠海市的林地、耕地、水域和建设用地在2008年左右处于一种相对平衡的状态。(4)2018年，建设用地的面积比例大幅上升，已成为珠海市的主要土地利用类型。
表 3 1973—2018年珠海市各土地利用类型面积Table 3. The area of each land use type in Zhuhai from 1973 to 2018土地利用类型 1973年 1988年 1998年 2008年 2018年 面积/hm2 占比/% 面积/hm2 占比/% 面积/hm2 占比/% 面积/hm2 占比/% 面积/hm2 占比/% 林地 58 323.76 41.44 59 398.05 39.53 56 730.15 34.22 49 160.52 28.21 47 159.33 27.16 耕地 59 533.78 42.30 62 261.81 41.43 54 023.80 32.58 36 664.81 21.04 30 085.39 17.33 水域 13 195.14 9.38 15 802.45 10.52 23 815.50 14.36 39 033.48 22.40 35 424.38 20.40 建设用地 5 793.74 4.12 8 789.10 5.85 26 059.37 15.72 44 573.62 25.58 56 422.73 32.49 未利用地 3 891.75 2.77 4 024.53 2.68 5 169.17 3.12 4 839.49 2.78 4 553.89 2.62 3.1.1 土地利用转型幅度分析
由1973—2018年珠海市土地利用转型幅度情况(表 4)可知：1973—2018年间，珠海市的林地面积先增加后减少，但变化幅度不大。具体表述如下：(1)珠海市的耕地面积的增减模式与林地的增减模式基本同步，都经历了小幅增长而后逐步减少的过程，差异在于耕地面积的增减幅度相对较大。(2)水域面积在整个研究时段内有明显增长趋势，但在近10年有所减少。(3)建设用地面积持续显著增长，由1973年的5 793.74 hm2增加到2018年的56 422.73 hm2，增幅达873.86%，且增长模式呈现“弱—强—弱”的抛物线模式。(4)未利用地面积在研究时段内的变化并不明显。其中，1973—1998年未利用地面积增加，主要以沿海与内陆滩涂和沙地为主；1998年后，由于开发建设占用，未利用地面积逐步缩减。
表 4 1973—2018年珠海市土地利用转型幅度Table 4. Land use transition range of Zhuhai from 1973 to 2018土地利用类型 1973—1988年 1988—1998年 1998—2008年 2008—2018年 1973—2018年 面积增减/hm2 幅度/% 面积增减/hm2 幅度/% 面积增减/hm2 幅度/% 面积增减/hm2 幅度/% 面积增减/hm2 幅度/% 林地 1 074.29 1.84 -2 667.89 -4.49 -7 569.64 -13.34 -2 001.18 -4.07 -11 164.43 -19.14 耕地 2 728.03 4.58 -8 238.01 -13.23 -17 358.99 -32.13 -6 579.42 -17.94 -29 448.39 -49.47 水域 2 607.31 19.76 8 013.04 50.71 15 217.98 63.90 -3 609.10 -9.25 22 229.24 168.47 建设用地 2 995.37 51.70 17 270.27 196.50 18 514.25 71.05 11 849.11 26.58 50 628.99 873.86 未利用地 132.78 3.41 1 144.64 28.44 -329.68 -6.38 -285.60 -5.90 662.14 17.01 3.1.2 土地利用转型速度分析
由单一土地利用动态度(表 5)可知：(1)1973—1988年，各地类变化均为增长动态。其中，建设用地的动态度(3.45%)最大；其次为水域的动态度(1.32%)；林地的动态度(0.12%)最小。(2)1988—1998年，林地和耕地的动态度为负值，水域、建设用地和未利用地的动态度为正值。其中，建设用地的动态度高达19.65%，说明其面积以相当快的速度增长；林地的动态度(-0.45%)最小。(3)1998—2008年，建设用地的动态度(7.10%)最大，其次为水域的动态度(6.39%)，未利用地的动态度(-0.64%)最小。(4)2008—2018年，各土地利用类型中仅有建设用地为增长动态变化，动态度为2.66%；其余地类变化均为减少动态，且动态度小(-1.79%~-0.41%)。
表 5 1973—2018年珠海市单一土地利用动态度Table 5. The dynamic degree of single land use in Zhuhai from 1973 to 2018% 土地利用类型 1973—1988年 1988—1998年 1998—2008年 2008—2018年 1973—2018年 林地 0.12 -0.45 -1.33 -0.41 -0.43 耕地 0.31 -1.32 -3.21 -1.79 -1.10 水域 1.32 5.07 6.39 -0.92 3.74 建设用地 3.45 19.65 7.10 2.66 19.42 未利用地 0.23 2.84 -0.64 -0.59 0.38 整体来看，珠海市在1973—2018年间转型速度最快的土地利用类型是建设用地(动态度为19.42%)，究其原因为：工业化、城镇化的快速发展以及设立特区的政策支持，工矿建设用地、城镇建设用地、交通运输用地等建设用地面积快速增长，极大地推动了珠海市的建设用地转型；其次为水域(动态度为3.74%)，主要由于养殖水面增加，但改造条件有限，转型速度比较缓慢；林地和耕地的动态度分别为-0.43%和-1.10%，主要原因为城市开发建设占用，而其面积基数大，且受到政策保护，故其转型速率较低；未利用地的动态度(0.38%)最小，主要原因为其面积基数小，且沿海与内陆滩涂和沙地等空闲地开发潜力低，故转型速率最低。
由式(3)可得1973—1988、1988—1998、1998—2008、2008—2018年4个研究时段的综合土地利用动态度分别为0.23%、1.24%、1.78%、0.02%，表明1988—1998年和1998—2008年2个研究时段的土地利用受人类活动的影响程度较大，土地利用转型强度较大，这与珠海市在该研究时段内建设用地面积的急速增长有关。
3.2 土地利用转型空间变化分析
土地利用转型的空间变化特征能够更加清晰直观地体现不同区域状况对土地利用转型的影响。本文依据遥感解译分类结果，分别对珠海市在研究时段内各土地利用类型的空间分布格局进行分析，并采用核密度模型制作出土地利用转型热点区域图，以体现珠海市土地利用转型强度在空间分布上的差异。
3.2.1 土地利用现状空间分布格局变化分析
由遥感解译得到的珠海市在1973、1988、1998、2008、2018年的土地利用现状(图 2)可知：珠海市土地利用空间格局的区域差异较为明显，按行政区划看，香洲区的土地利用以林地和建设用地为主，其余地类极少；斗门区的土地利用较为均衡，林地、建设用地和耕地和水域呈以林地为圆心的同心圆环状分布的布局模式；金湾区北部以耕地和水域为主，南部以林地和建设用地为主，东部沿海分布少量未利用地。
![]()
图 2 1973、1988、1998、2008、2018年珠海市土地利用现状图Figure 2. Status of land use in Zhuhai in 1973, 1988, 1998, 2008, 20183.2.2 土地利用转型热点区域分析
借助ArcGIS软件对土地利用现状进行空间分析，得到各研究时段的土地利用类型空间转移分布图(图 3)和热点区域分布图(图 4)。由图 3可知：1973—2018年，珠海市转型强度较大的地类为建设用地和耕地，耕地是建设用地面积增加的最主要来源。由图 4可知：1973—2018年，珠海市的土地利用转型强度(即热力值)的变化呈现抛物线趋势。其中，1973—1988年的土地利用转型强度最低；1988—1998年的土地利用转型强度升高；1998—2008年的土地利用转型强度最高；2008—2018年的土地利用转型强度有所下降。热点区域的范围经历了从集中→扩散→相对集中的大致从东部地区逐渐转移到西部地区的变化过程，说明珠海市东部地区已大部分完成了土地利用转型，目前重点发展转型的区域主要在西部。
![]()
图 3 1973—2018年珠海市土地利用类型空间转移分布图Figure 3. Map of spatial shifts in land use types in Zhuhai from 1973 to 2018![]()
图 4 1973—2018年珠海市土地利用转型热点区域分布图Figure 4. Distribution of hot spots of land use transition in Zhuhai from 1973 to 20184. 珠海市土地利用转型驱动因子探测
4.1 驱动因子选取
土地利用转型受自然条件和人文条件的作用和制约，其中，自然条件是土地利用类型转变的基础。参考相关研究[26-28]，并考虑到因子的可量化性和可获取性，本文从自然环境、社会经济和交通区位3个方面进行土地利用转型的驱动因子分析，包括高程(X1)、坡度(X2)、距河流的距离(X3)、人口密度(X4)、人均GDP(X5)、第二产业产值(X6)、第三产业产值(X7)、距公路的距离(X8)和距铁路的距离(X9)共9个指标。社会经济数据来源于《统计年鉴》，其他数据来源于中国科学院资源环境科学数据中心，坡度基于高程数据分析得到，距离均采用欧氏距离。由于地理探测器的原理保证了其对多自变量共线性免疫，因此不做共线性诊断处理[15]。驱动因子选取具体如下：
(1) 自然环境因子。自然环境包括地形地貌、气候和水文等，是引起土地利用变化的客观条件，属于长期、稳定的影响。从空间角度来看，地形地貌因子由于其空间差异性，是驱动力研究中的重要因子；气候因子通常应用于大尺度或中等尺度研究范围，由于本文研究范围内的气候差异较小，故本研究不选用该因子。据此，选取高程(X1)、坡度(X2)和距河流距离(X3)作为自然环境驱动因子。
(2) 社会经济因子。在较短时期内，社会经济等人类活动对于土地利用变化的驱动效果较为显著[11, 26]。因此，本文选择人口密度(X4)、人均GDP(X5)、第二产业产值(X6)和第三产业产值(X7)作为社会经济驱动因子。
(3) 交通区位因子。一般来说，交通便利区域的土地用途转变较频繁，对于土地利用结构影响较大，交通可达性提升在一定程度上促进经济发展，造成土地利用转型剧烈。本文选取距公路距离(X8)、距铁路距离(X9)为交通区位驱动因子。
4.2 探测结果分析
基于1 km×1 km格网单元的研究尺度，以珠海市土地利用转型强度作为地理探测器的因变量Y，以9个驱动因子作为自变量Xi(i=1, 2, …, 9)，应用地理探测器对各因子的驱动贡献率和交互作用进行定量分析，探究珠海市土地利用转型时空演变的主导驱动因子和各因子之间的交互作用类型。由于地理探测器探测驱动因子时，类型变量优于连续型变量，而对于顺序量、比值量或间隔量，需要将自变量进行适当的离散化，因此，本文将各因子指标都用自然断点法分成1~5五类，便于在地理探测器中进行分析。
本文通过对比9个指标因子的贡献率大小来分析各因子的相对重要性。由因子探测结果(表 6)可知：(1)珠海市土地利用转型的空间异质性受到自然地理、社会经济和交通区位等因子共同驱动作用，各个因子按照q值大小由高至低依次排序为：人口密度、坡度、高程、第二产业产值、第三产业产值、人均GDP、距河流距离、距铁路距离、距公路距离。(2)人口密度对土地利用转型的驱动作用最大(q值为0.295 6)，坡度、高程、第二产业产值和第三产业产值的q值均在0.2~0.3之间，表明地形条件、人类活动和产业发展是造成珠海市土地利用转型强度空间分异的主要原因。人均GDP、距河流的距离和距铁路的距离是驱动珠海市土地利用转型的次要原因，其q值均大于0.1。距公路距离对土地利用转型的驱动作用较弱，其q值(0.077 6)最小。
表 6 珠海市土地利用转型驱动因子探测结果Table 6. The detection results of land use transition drivers in Zhuhai因子指标 X1 X2 X3 X4 X5 X6 X7 X8 X9 q值 0.252 3 0.254 1 0.181 7 0.295 6 0.185 6 0.238 6 0.210 8 0.077 6 0.120 8 注：X1为高程，X2为坡度，X3为距河流距离，X4为人口密度，X5为人均GDP，X6为第二产业产值，X7为第三产业产值，X8为距公路距离，X9为距铁路距离。 进一步地，利用地理探测器对珠海市土地利用转型驱动因子作交互探测。结果(表 7)表明：(1)珠海市土地利用转型驱动因子的交互类型均为双因子增强关系，且在所有因子中，任意2个因子的共同驱动均大于单因子影响，从而表明珠海市土地利用转型不是由单一因素造成的，而是由众多因素共同驱动作用的结果。(2)坡度和第二产业产值的交互作用对土地利用转型的影响最强，q值达到了0.376 8；交互探测因子q值达到0.3以上的组合主要是高程、坡度因子与其他因子的交互组合，其余组合主要是距河流距离与社会经济因子的交互组合以及各社会经济因子之间的交互组合；剩下的因子交互类型的q值虽然均在0.3以下，但均大于单一因子的q值，表明双因子驱动更容易促使土地利用转型；距公路距离与距铁路距离的交互作用对于土地利用转型的影响最弱，交互探测因子q值为0.184 5。
表 7 珠海市土地利用转型驱动因子交互探测结果Table 7. The interaction detection results of land use transition drivers in ZhuhaiXi∩Xj q(Xi) q(Xj) q(Xi∩Xj) 交互类型 Xi∩Xj q(Xi) q(Xj) q(Xi∩Xj) 交互类型 X1∩X2 0.252 3 0.254 1 0.305 1 双因子增强 X3∩X7 0.181 7 0.210 8 0.318 8 双因子增强 X1∩X3 0.252 3 0.181 7 0.314 1 双因子增强 X3∩X8 0.181 7 0.077 6 0.175 4 双因子增强 X1∩X4 0.252 3 0.295 6 0.351 7 双因子增强 X3∩X9 0.181 7 0.120 8 0.201 6 双因子增强 X1∩X5 0.252 3 0.185 6 0.362 2 双因子增强 X4∩X5 0.295 6 0.185 6 0.338 9 双因子增强 X1∩X6 0.252 3 0.238 6 0.303 7 双因子增强 X4∩X6 0.2956 0.238 6 0.351 5 双因子增强 X1∩X7 0.252 3 0.210 8 0.319 8 双因子增强 X4∩X7 0.295 6 0.210 8 0.329 0 双因子增强 X1∩X8 0.252 3 0.077 6 0.310 9 双因子增强 X4∩X8 0.295 6 0.077 6 0.296 1 双因子增强 X1∩X9 0.252 3 0.120 8 0.300 4 双因子增强 X4∩X9 0.295 6 0.120 8 0.294 2 双因子增强 X2∩X3 0.2541 0.181 7 0.326 6 双因子增强 X5∩X6 0.185 6 0.238 6 0.318 7 双因子增强 X2∩X4 0.254 1 0.295 6 0.371 2 双因子增强 X5∩X7 0.185 6 0.210 8 0.319 4 双因子增强 X2∩X5 0.254 1 0.185 6 0.341 8 双因子增强 X5∩X8 0.185 6 0.077 6 0.220 2 双因子增强 X2∩X6 0.254 1 0.238 6 0.376 8 双因子增强 X5∩X9 0.185 6 0.120 8 0.204 3 双因子增强 X2∩X7 0.254 1 0.210 8 0.363 9 双因子增强 X6∩X7 0.238 6 0.210 8 0.294 4 双因子增强 X2∩X8 0.254 1 0.077 6 0.323 1 双因子增强 X6∩X8 0.238 6 0.077 6 0.279 1 双因子增强 X2∩X9 0.254 1 0.120 8 0.344 1 双因子增强 X6∩X9 0.238 6 0.120 8 0.279 5 双因子增强 X3∩X4 0.181 7 0.295 6 0.328 7 双因子增强 X7∩X8 0.210 8 0.077 6 0.256 0 双因子增强 X3∩X5 0.181 7 0.185 6 0.263 6 双因子增强 X7∩X9 0.210 8 0.120 8 0.259 2 双因子增强 X3∩X6 0.181 7 0.238 6 0.309 6 双因子增强 X8∩X9 0.077 6 0.120 8 0.184 5 双因子增强 注：X1为高程，X2为坡度，X3为距河流距离，X4为人口密度，X5为人均GDP，X6为第二产业产值，X7为第三产业产值，X8为距公路距离，X9为距铁路距离。 综合地理探测器的结果可以发现，对于珠海市土地利用转型来说，自然环境因素和社会经济因素对于土地利用转型的影响力大于交通区位因素，其中，人口增长、地形条件和经济产业发展的驱动作用最显著。具体表述如下：
(1) 人口增长。人口作为一个内容复杂且极度活跃的社会实体，对区域的土地利用有着深远影响。1988年，珠海市常住总人口为56.19万人，非农业人口为18.52万人；2018年末，珠海市常住总人口为189.11万人，其中非农业人口为127.40万人。随着城镇化进程的加快和户籍制度的改革，人口从农村向城市转移成为人口流动的一大特征。珠海市城镇人口的快速增加导致住宅用地、商业服务用地、交通运输用地等建设用地规模不断扩大，促进了建设用地转型；相应地，珠海市耕地面积逐渐缩减的主要驱动力是农业人口的减少。
(2) 地形条件。自然环境是土地利用的物质载体，对土地利用的空间分布格局发挥着重要作用。由于研究区范围较小，其内部气候、土壤等自然环境因素的差异不显著，故本文主要从地形因素来分析自然环境对土地利用转型的影响。在高程低、坡度小的区域，人类可利用的土地资源较为多样化，土地利用转型活跃；反之，在高程高、坡度大的区域，土地利用方式受到约束，土地利用转型相对不活跃。珠海市平均海拔为114.84 m，最高海拔为581 m，最低海拔为20 m。珠海市海拔多在50~200 m范围内，大多为丘陵山区；坡度范围多为0°~5°。珠海市高程较高、坡度较大的地区主要分布在香洲区中部、斗门区中部以及金湾区的东部和南部，这些地区的土地利用类型主要是林地，可利用的土地利用方式单一，开发建设难度大，不利于土地利用转型；而珠海市中高程较低、坡度较小的地形相对平缓的地区多为耕地、水域和建设用地，适宜农业发展与建设用地开发，由上文对土地利用转型的空间分布变化特征的分析可知，1973—2018年间珠海市土地利用转型的热点区域均分布在这些地区，尤其是耕地转型和建设用地转型的热点区域。
(3) 经济产业发展。人均GDP及第二、三产业产值不断增加，一定程度上反映了产业用地需求相应扩大，这种产业结构的变化促使人们对住宅、公共服务设施和绿地等有更高的需求。由统计数据可知，1988—2018年间珠海市的人均生产总值快速增加，从1988年的4 379元/人增长到2018年的159 428元/人，说明珠海市的经济状况在该阶段飞速增长，工业化和城镇化快速发展促使产业结构转型升级，导致建设用地快速扩展，从而改变该区域土地利用的空间布局。同时，第二、三产业的快速发展导致建设用地面积剧增，耕地面积因被占用而逐渐减少。由此可见，珠海市产业结构的优化升级极大地促进了其土地利用转型。
已有研究[27-28]指出珠海市耕地减少是基于特定的自然因素和人文因素共同作用而发生的，其中高程、坡度、距城镇中心距离、距交通线距离和户籍人口密度是影响耕地变化的主要驱动因素，经济发展和人口增长是珠海市城市空间扩展的最直接驱动力。本文对于珠海市土地利用转型驱动因子的探测结果与该结论基本一致，表明研究结果的可靠性较强。
此外，一个国家或地区的土地利用模式往往都是在某特定的政策环境下形成的，政策作为国家宏观调控的手段之一，对区域土地利用有着直接且强制的现实影响。对于珠海市来说，国家高度重视珠海市的发展，政策扶持力度大，经济特区政策因素在珠海市的土地利用转型中发挥着极其重要的作用。但由于政策驱动因素难以量化，本文未选取该方面因子加入探测。
5. 结论与讨论
本文以土地利用转型的理论框架为基础，以珠海市作为典型案例研究区域，运用土地利用转型幅度和速度模型、土地利用转型空间转移和热点分析等方法，探讨其1973—2018年间的土地利用转型的时空演变特征，并采用地理探测器模型对其驱动因子进行定量研究。主要结论如下：
(1) 1973—2018年，珠海市的土地利用显性形态转型的主要特点是建设用地和水域面积增加，同时耕地、林地、未利用地面积减少。从土地利用转型幅度来看，建设用地增幅最大(增长了873.86%)，水域(增长了168.47%)；耕地减幅最大(缩减了49.47%)，其次为林地(缩减了19.14%)。从土地利用转型速度来看，建设用地的动态度最高，其次为水域，而林地、耕地和未利用地的转型速度相对较低。
(2) 在空间变化方面：1973—2018年，珠海市土地利用空间格局变化的区域差异较为明显，香洲区的土地利用以林地和建设用地为主，斗门区和金湾区的土地利用较为均衡；土地利用转型热点区域的范围从集中到扩散、再到相对集中，呈现从东部的香洲区逐渐蔓延至西部的斗门区和金湾区的整体趋势。
(3) 运用地理探测器模型探究珠海市土地利用转型时空演变的主导驱动因子和各因子之间的交互作用类型的结果表明：珠海市土地利用转型的空间异质性受到自然地理、社会经济和交通区位等因子的共同驱动作用，自然环境因素和社会经济因素对于土地利用转型的影响力大于交通区位因素，多种因子共同驱动作用大于单因子驱动作用。其中，人口密度的因子探测器q值(0.295 6)最大；坡度、高程、第二产业产值与第三产业产值的q值均在0.2~0.3之间；坡度与第二产业产值的交互作用对土地利用转型的影响最强，q值达0.376 8；自然环境因素与社会经济因素之间的交互探测q值基本在0.3以上。
区域土地资源的开发利用管理与科学合理的规划、管控密切相关，因此，在定量分析珠海市土地利用转型现状问题与重要驱动因子的基础上，结合珠海市发展现状，本文提出以下对策建议：一是严格实施耕地保护制度，保障粮食安全；二是合理管控建设用地规模，提高土地节约集约利用水平；三是科学编制国土空间规划，优化土地利用布局。
土地利用转型的内涵和动力机制错综复杂，关联的影响因素诸多，研究方法各异。土地利用形态可分为数量、结构、空间分布等显性形态和质量、功能、经营模式等隐性形态，下一步研究可在土地利用转型完整的内涵框架下，统筹土地利用的显性、隐性形态，使土地利用转型研究具有层次性和综合性。值得注意的是，本文所选取的研究时间跨度较长，而时间比较久远的指标数据无法从可查阅的相关文献中获取，导致研究时段内部分基础数据缺失，对研究结果的完整性有一定影响，未来应尽量弥补由于数据缺失而导致无法科学量化分析的部分，更新并完善研究结果。再者，本文在驱动分析中缺乏政策考量，如何量化多种政策对区域土地利用转型的综合影响作用是下一步研究的方向。
-
![]()
表 1 2种方法的像素级评估
Table 1 The pixel-level evaluation of both methods
边界 MAE RMSE FANG的方法[11] RAU-net+Dijkstra FANG的方法[11] RAU-net+Dijkstra ILM 1.686 2 0.899 4 2.101 7 1.222 0 RNFL-GCL 1.661 7 1.485 4 2.630 0 1.936 7 IPL-INL 3.395 7 1.656 3 4.163 2 2.127 3 INL-OPL 2.815 8 0.798 8 3.760 8 1.111 0 OPL-ONL 1.652 3 1.219 7 2.063 0 1.723 9 ELM 2.482 7 0.707 0 3.219 1 1.084 3 IS-OS 1.243 6 0.693 4 1.593 2 0.960 1 OS-RPE 1.458 1 0.986 3 1.889 1 1.273 2 BM 1.701 5 1.138 7 2.080 6 1.519 4 注：受试数为5个. 
下载: 导出CSV
-
[1] HUANG D, SWANSON E A, LIN C P, et al. Optical coherence tomography[J]. Science, 1991, 254: 1178-1181. doi: 10.1126/science.1957169
[2] 朱良慧, 曾毛毛, 赵佳玮, 等. 基于OCT图像的组织散射系数提取方法及其应用[J]. 华南师范大学学报(自然科学版), 2016, 48(4): 31-34. doi: 10.6054/j.jscnun.2016.05.008 ZHU L H, ZENG M M, ZHAO J W, et al. Quantify wound skin by extracting tissue scattering coefficient from OCT image[J]. Joumal of South China Normal University (Natural Science Edition), 2016, 48(4): 31-34. doi: 10.6054/j.jscnun.2016.05.008
[3] READ S A, ALONSO-CANEIRO D, VINCENT S J. Longitudinal changes in macular retinal layer thickness in pediatric populations: myopic vs non-myopic eyes[J]. PloS One, 2017, 12(6): e0180462/1-22. http://pubmedcentralcanada.ca/pmcc/articles/PMC5491256/
[4] CHAUHAN B C, VIANNA J R, SHARPE G P, et al. Differential effects of aging in the macular retinal layers, neuroretinal rim, and peripapillary retinal nerve fiber layer[J]. Ophthalmology, 2020, 127(2): 177-185. doi: 10.1016/j.ophtha.2019.09.013
[5] BUSSEL I I, WOLLSTEIN G, SCHUMAN J S. OCT for glaucoma diagnosis, screening and detection of glaucoma progression[J]. British Journal of Ophthalmology, 2014, 98(S2): 15-19.
[6] LEE W J, KIM Y K, KIM Y W, et al. Rate of macular ganglion cell-inner plexiform layer thinning in glaucomatous eyes with vascular endothelial growth factor inhibition[J]. Journal of Glaucoma, 2017, 26(11): 980-986. doi: 10.1097/IJG.0000000000000776
[7] NOVOSEL J, THEPASS G, LEMIJ H G, et al. Loosely coupled level sets for simultaneous 3D retinal layer segmentation in optical coherence tomography[J]. Medical Image Analysis, 2015, 26(1): 146-158. doi: 10.1016/j.media.2015.08.008
[8] SUN Y, NIU S, GAO X, et al. Adaptive-guided-coupling-probability level set for retinal layer segmentation[J]. IEEE Journal of Biomedical and Health Informatics, 2020, 24(11): 3236-3247. doi: 10.1109/JBHI.2020.2981562
[9] GARVIM M K, ABRAMOFF M D, WU X, et al. Automated 3-D intraretinal layer segmentation of macular spectral-domain optical coherence tomography images[J]. IEEE Transactions on Medical Imaging, 2009, 28(9): 1436-1447. doi: 10.1109/TMI.2009.2016958
[10] CHIU S J, LI X T, NICHOLAS P, et al. Automatic segmentation of seven retinal layers in SDOCT images congruent with expert manual segmentation[J]. Optics Express, 2010, 18: 19413-19428. doi: 10.1364/OE.18.019413
[11] FANG L, CUNEFARE D, WANG C, et al. Automatic segmentation of nine retinal layer boundaries in OCT images of non-exudative AMD patients using deep learning and graph search[J]. Biomedical Optics Express, 2017, 8(5): 2732-2744. doi: 10.1364/BOE.8.002732
[12] LANG A, CARASS A, HAUSER M, et al. Retinal layer segmentation of macular OCT images using boundary classification[J]. Biomedical Optics Express, 2013, 4(7): 1133-1152. doi: 10.1364/BOE.4.001133
[13] LIU Y, CARASS A, SOLOMON S D, et al. Multi-layer fast level set segmentation for macular OCT[C]//Proceedings of the 2018 IEEE 15th International Symposium on Biomedical Imaging. Washington: IEEE, 2018: 1445-1448.
[14] 唐小煜, 黄进波, 冯洁文, 等. 基于U-net和YOLOv4的绝缘子图像分割与缺陷检测[J]. 华南师范大学学报(自然科学版), 2020, 52(6): 15-21. doi: 10.6054/j.jscnun.2020088 TANG X Y, HUANG J B, FENG J W, et al. Image segmentation and defect detection of insulators based on U-net and YOLOv4[J]. Joumal of South China Normal University (Natural Science Edition), 2020, 52(6): 15-21. doi: 10.6054/j.jscnun.2020088
[15] HE K, ZHANG X, REN S, et al. Deep residual learning for image recognition[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. Las Vegas: IEEE, 2016: 770-778.
[16] DIJKSTRA E W. A note on two problems in connexion with graphs[J]. Numerische Mathematik, 1959, 1(1): 269-271. doi: 10.1007/BF01386390
[17] HINTON G E, SRIVASTAVA N, KRIZHEVSKY A, et al. Improving neural networks by preventing co-adaptation of feature detectors[J/OL]. (2012-07-03)[2020-06-18]. https://arxiv.org/pdf/1207.0580.
[18] VASWANI A, SHAZEER N, PARMAR N, et al. Attention is all you need[C]//Proceedings of neural information processing systems. Long Beach: NIPS, 2017: 5998-6008.
[19] OKTAY O, SCHLEMPER J, FOLGOC L L, et al. Attention U-net: learning where to look for the pancreas[J/OL]. (2018-05-20)[2020-06-18]. https://arxiv.org/pdf/1804.03999.
-
期刊类型引用(1)
1. 谢巍. 区域水生态环境现状分析与综合治理措施探析. 能源与环保. 2022(01): 107-112 . 
百度学术
其他类型引用(0)
计量
- 文章访问数: 962
- HTML全文浏览量: 707
- PDF下载量: 132
- 被引次数: 1
