基于深度学习的玛纳斯土地利用时空格局变化与预测

王娇娇， 尹小君， 刘陕南， 王帝盟

（1.石河子大学信息科学与技术学院，新疆 石河子 832000；2.兵团空间信息工程技术研究中心，新疆 石河子 832000）

在自然资源整合不断加强和土地利用结构日趋复杂的形势下，土地利用管理和规划更加困难。土地利用时空格局演变特征分析和预测不仅有利于了解土地利用与自然因素、社会因素的关系，还可以为人们应对粮食安全和生物多样性等问题提供有效信息。研究土地利用时空格局演变特征和预测对城市规划和自然资源的管理有重要意义［1］。学者们通过土地利用景观格局指数揭示土地利用演变特征。李华林等［2］利用景观指数分析了新疆叶尔羌河流域胡杨林时空格局变化特征。刘斌寅等［3］利用景观生态学理论对淮北市土地利用时空格局变化特征进行分析，并采用ANN-CA（Artificial Neu⁃ral Network-Cellular Automata）模型预测了2025年的土地利用；刘根林等［4］利用景观指数探究了瑞兴于地区土地利用。景观格局时空变化特征和驱动因素。通过景观指数对土地利用时空格局演变特征进行分析，能够量化土地利用空间格局变化。

近年来，土地利用预测相关研究数量激增。由于政策影响和地区特点等原因，使土地利用预测具有较大的不确定性［5］。早期研究者将土地利用预测问题看作一个统计回归问题，常用证据权重法（Weights of Evidence，WOE）、逻辑回归（Logistic Re⁃gression，LR）、Markov 模型［6］来预测土地利用变化。但是通过统计回归方法实现土地利用的预测难以考虑到土地利用的空间位置信息。元胞自动机（Cellular Automata，CA）基于元胞空间、领域关系和转化规则等动态模拟土地利用变化，难以将社会经济因素纳入考虑范围［7］，所以，许多学者将算法或者其他模型和CA［8］相结合实现土地利用变化预测，比如CA-Markov模型［9-11］、FLUS模型［12］、PLUS模型［13］等。

随着遥感（Remote Sensing，RS）和地理信息系统（Geographic Information System，GIS）技术的快速发展，可以获得长时间序列数据，满足深度学习利用大量数据进行训练的需求。深度学习可以充分利用历史数据进行迭代训练，非常适合复杂的土地利用预测问题，比如，利用LSTM预测城市未来土地利用分布［14］、利用IDRISI 软件中的LCM 模块（基于ANN 和马尔可夫链）分析预测未来土地利用状况等［1,15］。LSTM是一种改进的RNN网络，能挖掘长期依赖的信息［15-16］；使用记忆细胞和门机制控制信息的传递，充分提取时间序列的相关性信息，可解决非线性复杂问题［17］。LSTM预测能够充分利用历史数据，较大程度地保留土地利用数据的时空信息。

采用LSTM模型的循环神经网络的自反馈机制和长短时记忆模式，开展长时间序列的土地利用预测研究。通过1992—2020 年的土地利用遥感时空数据，协同深度学习的LSTM算法与景观指数，系统地研究1992—2020 年玛纳斯土地利用时空格局演变特征和变化趋势。对于玛纳斯土地利用可持续发展具有重要意义，为实施生态调整和优化提供科学借鉴和依据。

1 研究区概况与数据来源

1.1 研究区概况

玛纳斯位于新疆腹地，天山山脉北坡中段，地理位置位于85°40′～86°31′32″E，43°21′21″～45°20′N，地貌从南到北分别是山区、平原和沙漠，地势南高北低，属中温带大陆性干旱-半干旱气候。冬季严寒，夏季酷热，干燥少雨，日照充足，蒸发量大，降水少。2020年玛纳斯土地利用类型主要为耕地、草地和未利用地，分别占总面积的34.70%、32.64%和29.06%，耕地主要位于中部平原地区，草地主要位于南部沙漠和北部山区附近，未利用地主要位于南部沙漠和北部山区。

1.2 数据来源

选取1992—2020年空间分辨率为300 m×300 m的土地利用遥感影像数据，在ArcMap 中进行投影、转换和掩膜提取，最后进行重分类。土地利用类型分为6类，包括耕地、林地、草地、水域、建设用地、未利用地（表1）。

表1 土地利用类型分类Tab.1 Classification of land use types

于2021 年10 月在玛纳斯利用GPS 仪器进行两次土地利用数据采集实验（图1），验证土地利用数据准确度。实验数据结果包括土地利用类型和坐标，第一次采集143 个采样点，第2 次采集251 个采样点，其中有效采样点为356个。将2020年土地利用遥感数据与实验数据进行对比分析，数据准确度为92.13%。

图1 研究区概况及采样点示意图Fig.1 Overview of study area and sampling point

地理数据选取3个空间变量包括离公路（国道、省道、乡道）距离、离铁路距离和离水域距离；两个经济因素包括人口和GDP 空间分布公里网格数据集；5个自然属性包括中国土壤质地空间分布数据、DEM、坡度、降水量、气温。数据来源如表2所示。

表2 数据类型及其来源Tab.2 Data type and its source

2 研究方法

2.1 土地利用变化分析方法

采用土地利用动态度对玛纳斯土地利用变化特征进行分析，揭示玛纳斯1992—2020年土地利用时空演变规律以及土地利用开发状态。土地利用动态度表示一定时间范围内土地利用类型的数量变化情况，包括单一动态度和综合动态度。单一动态度反映了某一土地利用类型在一定时期内的变化率，综合动态度反映了整个研究区域的所有土地利用类型土地变化率。

（1）单一动态度

式中：Ks为单一动态度；Li、Lj为研究初期和研究末期土地利用类型的面积；T为研究时段（年）。

（2）综合动态度

式中：Kc是综合动态度；LWi是研究初期土地利用类型；ΔLWi-j是土地利用类型i转向土地利用j的面积绝对值；T是研究时段（年）。

2.2 时空格局变化分析方法

景观格局是指大小和形状各异的景观要素在空间上的排列和组合，表现出规律性的景观格局可以称为时空格局，景观格局指数用于探究不同土地利用类型的时空格局变化［18-20］。选取有代表性的6个景观指数（表3），分析玛纳斯土地利用时空格局变化。

表3 景观指数及其意义Tab.3 Landscape index and its significance

2.3 LSTM预测模型

2.3.1 LSTM土地利用预测 LSTM模型（图2）主要利

图2 LSTM土地利用预测模型Fig.2 LSTM land use prediction model

用1992—2014 年土地利用数据作为训练集进行训练；2015年作为测试集，进行模型精度验证；最后利用2020年土地利用数据，预测2025年土地利用数据。

2.3.2 LSTM 正向传播 遗忘门决定了上一时刻的细胞单元丢弃的信息，公式如下所示：

式中：ft为遗忘门；σ是激活函数；Wf是遗忘门的权重；ht-1是t-1时单元细胞的状态；xt是该细胞单元的输入向量；bf是遗忘门的偏置项。

输入门决定了细胞单元状态存储的信息，由sigmoid层和tanh层两部分组成，sigmoid层决定了需要更新的向量，tanh层创建了新后选值的向量。

式中：it为输入门；C͂t为新的候选向量（当前输入的细胞单元状态）；Wi、WC为权重系数；bi、bC为偏置项；Ct-1、Ct分别为t-1和t时刻细胞单元状态向量。

输出门控制了长期记忆对当前输出的影响，单元细胞的输出门公式如下：

式中：ot为输出门；Wo为输出门的权重；bo为输出门偏置项，ht是单元细胞的输出。

2.3.3 LSTM 反向传播 反向传播通过计算损失函数对每个权重或者偏置的影响，更新网络的参数。误差项分为沿时间传播的误差项和沿网络层传播的误差项。该实验使用的损失函数为softmax。

沿时间反向传播的误差项反向传播到k时刻，计算公式如下：

沿网络层传播的误差项的L-1层传入到L层的误差项为：

2.3.4 模型精度验证 Kappa 系数是一种较好的精度验证方法［21-22］，采用Kappa 系数定量分析模型精度。Kappa系数值越大，模型精度越高。

3 结果与分析

3.1 1992—2020年玛纳斯土地利用变化分析

将玛纳斯1992—2020 年土地利用变化分为3个阶段，前期为1992—2000 年土地利用变化剧烈期，中期为2000—2010 年土地利用变化缓慢期，后期为2010—2020年土地利用变化平稳期。

由土地利用动态度可知（图3），耕地在1992年、2000 年、2010 年和2020 年分别占比为26.48%、31.91%、34.83%和34.70%，整体呈现大幅增长后缓慢减少的趋势。1992—2010 年耕地增加主要是未利用地的垦荒和林地、草地小范围的转入。单一动态度显示2000—2005年耕地增长有所减缓，2005—2010 年耕地增长趋势较前5 a 快，这可能与2006—2010 年天山北坡经济带土地整理工程的实施有关。后期土地利用变化平稳期耕地面积减少，且主要转出为林地、草地和建设用地，这与退耕还林还草工程和城市扩张有着密切的关系。

图3 土地利用动态度Fig.3 Land use dynamic degree

林地以2015年为分界线，呈现先减少后增加的格局。实施退耕还林还草工程20 a来，林地前期一直处于减少状态，主要是转为草地和未利用地。这与玛纳斯自然条件有重要关系，平原地区水资源缺少，主要来源于玛纳斯河和高山冰雪融水，生态脆弱。后期增加主要是耕地和草地转为林地，这表明退耕还林还草具有一定的效果。玛纳斯虽然干旱少雨，但是过渡性植被能够适应该环境，1992—2020 年草地呈现增加的趋势。并且中期增长速度最快，增长了13.75%，主要是未利用地转入，说明玛纳斯的生态环境质量正在逐步提升。

水域前期和中期处于减少状态，减少了11.04%，后期有缓慢增加的趋势，增加了1.03%。未利用地一直呈现减少的趋势，且前期和中期面积减少较多。建设用地占地面积较小且一直呈现增加的格局。建设用地面积在1992—2005 年增加28.17%；2015—2020年增加685.71%。主要是耕地、草地和未利用地转入，分别占总转化面积的57.30%、30.28%和12.42%。数据表明虽然建设用地面积较小，但是近年来城市的快速扩张对耕地和草地造成了一定的负面影响。

3.2 土地利用时空格局变化分析

由图4 可知，在1992—2020 年耕地面积增长了31.06%，斑块数量由353个减少到了212个，最大斑块指数逐年增长，耕地破碎化程度降低，聚集程度增加。斑块形状和复杂程度整体变化不明显，1992—2015年逐年缓慢降低，2015年以后斑块形状逐渐复杂。1992—2020 年林地面积减少9.84%，斑块数量增加6 个，林地破碎化程度加深。草地在1992—2020 年面积增加16.47%，斑块数量减少106个，草地破碎化程度降低。总边缘长度和景观形状指数逐渐减少，表明草地形状复杂程度降低。

图4 不同土地利用类型的景观指标Fig.4 Landscape indicators of different land use types

水域面积相对较小，景观指数变化较为平稳。1992—2015年水域面积处于减少状态，斑块数量增加了2 个，破碎化程度逐渐增加。建设用地的景观指数变化最为剧烈，1992—2020 年斑块数量由2 个激增到88 个，在一定程度上表明人类活动剧烈，城市扩张增强，但在土地利用变化平稳期变化较少。在2015 年之前，景观形状指数增长迅速，散布与并列指数下降明显，人类活动的不规则性加强，破碎化程度逐渐增加。2015年之后，景观形状指数逐渐降低，散布与并列指数逐渐增加，人类活动范围逐渐聚集化。1992—2020年未利用地面积逐年减少，斑块数量逐年增加，最大斑块指数也逐渐降低，破碎化程度加强，景观形状指数逐渐降低，形状趋于规则化。

3.3 玛纳斯土地利用预测

利用LSTM 模型、QGIS 软件MOLUSCE 插件的MLP-ANN 模型和LR 模型及IDRISI 软件的CA-Mar⁃kov 模型预测2020年土地利用数据，将其与2020年实际各个土地利用数据进行Kappa 系数计算，分别为95.31%、93.71%、92.86%和91.16%。由Kappa 系数可知，LSTM模型模拟效果较好，具有较高的可信度（表4）。

表4 2025年土地利用的预测结果Tab.4 Prediction results of land use in 2025

LSTM模型预测的2025年玛纳斯土地利用结果表明（图5），2025年土地利用类型仍以耕地、草地和未利用地为主，耕地和建设用地增加，林地、草地和未利用地减少，水域基本保持不变。自1992 年以来，土地利用类型变化率整体处于降低状态，2020年林地仅占玛纳斯总面积的2.57%，预测的2025 年土地利用数据中林地并未有太大的变化。林草是重要的生态保护屏障，在降低水土流失和防风固沙方面具有重要的作用。玛纳斯的生态保护与生态屏障面临着严峻的挑战，“退耕还林还草”政策的实施对林草面积增加具有一定的积极作用，长期的坚持实施，能有效改善玛纳斯的生态环境。

图5 2025年土地利用预测图Fig.5 Land use prediction map in 2025

4 讨论

通过对玛纳斯土地利用变化进行演变特征分析，可知1992—2010 年玛纳斯耕地处于增长趋势，2010—2020年呈减少趋势，这与玛纳斯河流域的耕地变化趋势稍有差异［23］，但是6 种土地利用类型中耕地面积增加最多，康紫薇等［24］研究的玛纳斯河流域也是如此。玛纳斯林地和水域自2015—2020 年有所增长（分别为5.01%和1.03%），但增长并不明显。建设用地持续增长，未利用地不断减少，这与玛纳斯河流域发展趋势一致［24］。

林丽等［25］用4种模型预测土地利用分布，Kappa系数为0.76～0.90。利用LSTM、MLP-ANN、LR 和CA-Markov模型预测未来土地利用变化，Kappa系数均在0.90 以上。预测未来的土地利用有助于相关部门制定合理的生态保护和土地利用规划，促进生态和经济的良性发展［26］。合理利用长时间序列遥感数据提取特征，将其应用到土地利用预测中，有利于提高土地利用预测精度。研究选取了10 个驱动因子进行模型构建，但是影响土地利用变化的因素复杂且众多，其中人为活动干扰和土地利用政策等对土地利用变化的影响具有较强的不确定性［27］，难以科学合理的融入到土地利用预测模型中。因此，将人为活动干扰和政策因素进行科学量化，融入到土地利用预测模型中，是未来土地利用预测的重要研究方向，可提高预测精度。尺度也是影响预测结果的一个主要因素，将尺度应用到后续土地利用格局分析和预测也是一个重要研究方向。

本文弥补现有研究的不足，利用长时间序列数据进行预测研究，揭示了玛纳斯土地利用演变特征和变化趋势。基于研究结果和玛纳斯现存的问题，建议应在切实保护耕地的基础上，有序开展退耕还林工作，既保证了粮食安全又有利于提高玛纳斯的生态环境质量。在经济和生态发展过程中，应坚持生态优先原则，减少人为活动对景观生态的破坏（比如城市扩张），合理调整土地利用结构。落实耕地保护、加强约束建设用地扩张，提高土地利用效率，进一步加强玛纳斯的生态安全。

5 结论

通过对玛纳斯1992—2020 年土地利用格局变化特征进行分析，对比LSTM 模型、MLP-ANN 模型、LR模型和CA-Markov模型精度，预测了2025年的土地利用变化。得出如下结论：

（1）玛纳斯1992—2020 年各土地利用类型的面积变化为：未利用地＆gt;耕地＆gt;草地＆gt;建设用地＆gt;林地＆gt;水域。土地利用面积变化率最大的是建设用地（907.04%），然后是耕地（31.06%）和未利用地（-30.89%）。草地整体处于增加的状态，林地和水域整体处于减少状态。耕地面积前期和中期的增加主要是未利用地的转入。建设用地虽然占比较小,但逐渐侵占周边的未利用地、耕地和草地面积。

（2）1992—2020 年耕地斑块数量减少39.94%，整体破碎化程度逐步降低。林地和水域的景观指数变化较为稳定。草地的散布与并列指数上升，表明聚集度增加，斑块数量减少19.44%，破碎度减弱。建设用地的景观指数变化较为剧烈，面积增加907.04%，处于扩张状态，景观形状不规则化并且破碎化程度加深。未利用地面积减少30.89%，斑块数量增加24.37%，破碎化程度加强，但是形状逐渐规则化。

（3）以Kappa 系数来对比分析4 种土地利用预测模型的准确性。LSTM 模型的Kappa 系数较其他模型高，具有较好的预测效果。由LSTM 模型预测结果可知，2025 年土地利用类型可能仍以耕地、草地和未利用地为主。