第二个典型变量将耕地从其他用地中区分开来，耕地的分布与年降水量呈最大相关（相应的典型载荷分别为－0.995 和－0.744）。在榆林地区，绝大部分耕地 (94.12%) 是旱地，而旱地的分布主要是由降水所决定的；其次，耕地分布受侵蚀的影响较大，其典型载荷为 0.725。侵蚀强度愈大，则耕地分布愈少，这与该区多年来注重生态恢复，丘陵区退耕还林的生产实践相一致。

　　第三个典型变量将林地从剩余的其他用地中区分开来，所呈现的最大相关是林地的分布与海拔高度和侵蚀强度（典型载荷分别为 0.709、0.392 和 0.389）。在本区，林地集中分布于山区、丘陵区和侵蚀强度大的坡地。

　　第四个典型变量将牧草地同未利用地区分开来，这主要受海拔高度、年均温度和干燥度指数等因素限制（其典型载荷分别为 0.659、－0.651 和 0.474）。前者反映出林、草分布具有一致的相关性，后者则主要体现出以沙地为主的未利用地同牧草地的环境差异。

3 检验

　　用于检验典型相关分析统计重要性的最一般方法是看其典型相关系数，即典型变量间的相关系数。图 3 给出了 5 个典型变量的典型相关系数。可以看出，这些系数比较高，它们表明相应的典型变量之间关系密切。尤其是头两个典型相关变量对应的相关系数高达 0.989 和 0.937，表明判别出的解释变量能清晰充分地解释相应标准变量的分布。

图 3 典型变量的典型相关系数
Fig.3 The canonical correlations of the canonical variates

　　判定典型变量有效数目，检验典型相关分析结果的另一个方法是进行冗余度分析。一是看被解释的标准变量组的相关性被其自身典型相关变量解释的百分比，二是看被解释变量组的典型相关性被其对立的解释变量组的典型变量解释的百分比。将二者进行对比，不仅能清楚地揭示目标变量组被自变量组解释的程度，同时也可根据结果来经验性地判定出所提取的典型变量的有效数目。

　　图 4 示意了冗余性分析的结果。可以看出，第一到第四个典型变量具有较高的解释百分比，尤其是第一和第二个典型变量，被解释的目标变量中分别有 95.9% 和 85.7% 的信息可以由解释变量予以解释，反映出二者之间较高的相关性。第五个典型变量的解释百分比较小（为 25.58%），因此由经验判定，前 4 个典型变量对专业分析有效。

图 4 冗余度分析
Fig.4 Redundancy analysis of each variate

4 讨论

　　(1) 土地利用结构是人类长期生产实践的结果，深受人口因素和社会经济因素的影响，但这种影响仍然建立在区域自然地理环境基础之上。尤其在自然条件复杂的高原山区，根据各种自然差异安排土地利用结构，仍是解决人地矛盾的主要途径。而对于受自然因素限制小的土地利用类型，则随着社会经济的发展，主要受工业化、城市化等社会经济因素所控制。

　　(2) 半干旱地区人类对生态环境的破坏，如过度垦殖所造成的水土流失和沙漠化等问题，实质上都是对土地利用结构认识不清，使各类土地利用与其限制的自然地理条件不相适应，结构失调。而“退耕还林还牧”正是追溯土地利用结构的驱动因子，调整使其相适应，从而使土地利用结构协调合理。

　　(3) 考虑到统计分析对样本数目的要求，本项研究采用了乡级数据。而全面获取乡级社会经济及自然因素数据是对统计分析精度的根本保证。因此建立全面综合的区域各级单元的信息系统，对认识土地利用结构，准确定量判别其驱动因素具有重要意义。

参考文献

上一页  [1] [2]