基于ANN-CA模型的F县季节性闲置耕地模拟及预测

王静祎 王加胜

摘要 为保护耕地和提高耕地利用率，促进农业可持续发展，本研究利用ANN-CA模型对F县的季节性闲置耕地情况进行模拟预测。模拟结果表明，在α=2，T=0.8的参数组合下，各类用地变化的模拟精度较高，模拟出的用地变化情况与2020年的实际用地情况较为贴近；根据季节性闲置耕地识别规则模拟出F县未来耕地季节性闲置现象呈现明显好转趋势，预测2025年F县季节性闲置耕地主要集中在东北部和南部，面积为25.831 8 km2。生产中，注意对耕地进行科学合理的养护和利用，以保障农作物的产量和质量，确保农业可持续发展。

关键词 季节性闲置耕地；ANN-CA模型；模拟预测；耕地利用率；土地养护

中图分类号 S151   文献标识码 A

文章编号 1007-7731（2024）10-0133-06

Simulation and prediction of seasonally idle cropland in F County based on ANN-CA model

WANG Jingyi    WANG Jiasheng

（Faculty of Geography， Yunnan Normal University， Kunming 650500， China）

Abstract In order to protect arable land and improve its utilization rate， promote sustainable agricultural development， used the ANN-CA model to simulate and predict the seasonal idle arable land situation in F County. The simulation results showed that under the parameter combination of α=2， T=0.8， the simulation accuracy of various land use changes was high， and the simulated land use changes were closer to the actual land use situation in 2020. According to the recognition rules of seasonal idle farmland， it was simulated that the seasonal idle farmland phenomenon in F County would show an improvement trend in the future. It was predicted that in 2025， the seasonal idle farmland in F County would mainly be concentrated in the northeast and south， with an area of 25.831 8 km2. In production， attention should be paid to the scientific and reasonable maintenance and utilization of arable land to ensure the yield and quality of crops and ensure the sustainable development of agriculture.

Keywords seasonally idle cropland; ANN-CA model; simulation prediction; cultivated land utilization rate; land conservation

季節性闲置耕地是指为提升耕地质量，不连续耕种导致其季节性荒芜的一种特殊土地利用变化现象[1]。随着城镇化进程加快，部分农村人口流动、耕地碎片化、灌溉条件受限、耕作交通不便、机械化程度和农业生产收益不高等因素影响耕地利用，以及有机生态农业需要，部分耕地出现了季节性闲置现象[2]，这在一定程度上影响了耕地资源的有效利用，对区域粮食安全可能产生了一定的不利影响。对季节性闲置耕地进行模拟分析对于发展区域农业，夯实粮食安全根基，提升土地价值，促进乡村振兴具有重要意义[3]。

季节性闲置耕地是土地利用变化的一种类型，建立模拟和预测模型，评估未来一段时间的土地利用变化情况，模拟季节性闲置耕地的变化趋势对于相关耕地保护政策的制定具有重要意义[4-6]。评估季节性闲置耕地变化趋势所使用的模拟模型和预测模型可分为两类：空间统计模型和系统动力学模型，空间统计模型一般是利用回归分析模型对季节性闲置耕地模拟与预测[7]，这种方法依赖于指标因素的选择，并且与指标因素具有高度的相关性[8-9]；系统动力学模型是季节性闲置耕地研究的第二类模拟与预测模型，如Dyna-CLUE、forer-sce等，借助这些模型可以模拟出不同情境下[2-3]闲置耕地的空间分布。数量模型有灰色预测（GM）模型、马尔可夫链（Markov）模型等，空间分析模型有元胞自动机（CA）模型、CLUE和CLUE-S模型等，各模型的特点有所不同[10-11]。目前，有关季节性闲置耕地的模拟预测分为两个方面：一是直接对季节性闲置耕地进行模拟，宋世雄等[12]在多智能体（MAS）模型理论基础上建立基于Category-Belief-Desire-Intention（CBDI）决策结构进行耕地季节性闲置模拟；二是从土地利用类型变化的角度来模拟，郭欢欢等[8]利用不同情景下的人口迁移模型对农村土地利用进行影响因素的分析。相关学者在模型模拟土地利用变化上不断完善，使得模型更加丰富，综合考虑各种模型的优缺点，探索出具有较大优势的土地利用类型耦合模型，其中，ANN-CA作为一种耦合模型，在进行土地模拟时具备较大优势。

F县地处西南喀斯特区域，受地形影响，该区域部分耕地较散碎，生态环境较脆弱，部分耕地季节性闲置现象较常见。本研究基于季节性闲置耕地时空分布数据，利用ANN-CA模型对F县季节性闲置耕地进行模拟预测，为该地区未来的耕地保护提供参考。

1 材料与方法

1.1 研究区基本情况

F县地处云南高原东部，地势西北高东南低，地形为山地、峡谷，乌蒙山支脉自北向南纵贯全境，属亚热带季风气候，降水丰富，四季温和，年均气温14 ℃左右。农业生产方面，魔芋种植面积较大，粮食作物一般为玉米和稻谷。

1.2 数据来源与预处理

1.2.1 数据来源  （1）季节性闲置耕地数据集与土地利用数据集。2010—2020年的季节性闲置耕地时空数据集，参照Zhao等[13]的部分研究成果，该数据空间分辨率为30 m，季节性闲置耕地精度为0.94。土地利用数据集参照王丽蒙[14]使用随机森林分类得到，将土地利用类型分为5类，分别为耕地、草地、林地、水体和建筑物。

（2）自然影响因子数据。长时间平均气温、降水、日照时长和土壤侵蚀指数数据均来源于地球资源数据云。所用年均气温、降水量的空间分辨率为1 km，数据类型为浮点型，是对2 472个气象观测点数据进行插值获取，具有精度高、分辨率高和时序长等特点。

（3）社会经济影响因子数据。人口密度数据来源于East View Cartographic（https：//landscan.ornl.gov）的LandScan全球人口数据集，空间分辨率为1 km，提供了高分辨率的人口分布信息；夜间灯光数据来自海洋和大气管理网站（https：//ngdc.noaa.gov），空间分辨率750 m；GDP空间格网数据来自地理遥感生态网（http：//www.gisrs.cn/），空间分辨率500 m，该栅格数据集是在GDP统计数据的基础上，综合分析了与人类活动密切相关的土地利用类型、夜间灯光数据亮度和居民点密度的GDP分布权重，该数据集反映了GDP的详细分布状况。道路矢量数据集是来自OpenStreetMap平台（https：//openmaptiles.org/）的公路图层；河流数据来自地球资源数据云。

1.2.2 数据预处理  本研究结合实际情况选取了多种限制性因素作为土地利用类型变化的约束性因素[6]。从实际出发，考虑土地利用变化受到的影响和制约，使用欧氏距离（Euclidean Distance）生成距离河流、主要公路的空间可达性变量。将人口密度、GDP数据和夜间灯光数据列为社会经济因素，高程、坡度、年均气溫、年均降水、日照时长和土壤侵蚀指数作为自然影响因素（表1），并且对这些数据进行预处理，空间分辨率与投影坐标系必须与土地利用类型数据保持一致，空间分辨率30 m，投影坐标为WGS_1984_UTM_Zone_48N，以上各类影响因素均利用ArcGIS 10.8软件中的模糊隶属度工具将各类影响因素数值归一化为0～1。

1.3 试验方法

1.3.1 ANN-CA模拟方法  ANN-CA具有强大的空间运算能力，常用于自组织系统演变过程的研究[15]。ANN-CA是利用神经网络来代替转换规则，并通过对神经网络的训练来获取模型参数[16]。ANN-CA训练阶段：通过抽样数据训练人工神经网络，获得网络权重值；其输入数据为影响因子、邻域窗口内各土地利用类型统计值以及当前的土地利用类型；输出值为各种土地利用类型的概率值。通过人工神经网络得到应该转换的类型，判别当前栅格是否可以转换[17]。达到终止条件时结束模拟过程，模拟时通过ANN得到所有用地的概率值，最大值对应需转换的土地利用类型，再进行阈值比较等判别，决定是否可以进行转换[18]。具体计算公式如下。

元胞k时刻t第l种土地利用类型转换概率P=随机因素×人工神经网络计算概率×邻域发展密度×转换适宜性。式（1）中，[（-lnγ）α]为随机因素；[Pann（k， t， l）]为已训练的人工神经网络计算的某种土地利用类型的转换概率；[Ωtk]为所定义的邻域窗口中城市用地的密度；[con（Stk）]为两个区域的土地之间转换适宜性。每次循环计算过程中，利用神经网络内部的输出层计算N种土地不同类型的转换概率数据，利用最大值判定土地的利用类型。

1.3.2 季节性闲置耕地识别方法  根据季节性闲置耕地识别方法[13]来计算闲置耕地的面积，主要表现在耕地直接向草地的转化，其构建的识别规则：以模拟前一年为基准年，判断模拟当年每个像元的土地利用类型在模拟前一年耕地范围内的变化情况。如果[Pi]为林地、水体或者建筑，则认为该像元发生了土地利用类型转化，不属于季节性闲置耕地；如果[Pi]为草地，则认为该像元发生了季节性闲置情况，计算公式如下。

式（2）中，Pi-1为模拟前一年某像元的土地利用类型；[Pi]为模拟当年相同位置上像元的土地利用类型；[Ai]表示模拟当年某像元的土地利用类型转化情况。具体转化情况如表2所示。

根据表2所示的土地利用类型转化情况，本研究将耕地类别设置为“1”，草地设置为“2”，林地设置为“3”，水体设置为“4”，建筑设置为“5”。季节性闲置耕地的发生则是由前一年的耕地变成当年的草地，由表2可知，“102”像元就是由耕地变成草地，即当年耕地发生季节性闲置。

2 结果与分析

2.1 土地利用变化模拟

以2014、2016、2018和2020年土地利用数据为基础对2020年土地季节性闲置状况展开模拟分析，同时添加11个空间约束因子，在模拟过程中，抽样比例设定为5%，邻域窗口大小设定为7，进行数据抽样。完成人工神经网络训练，再利用2016、2018年的土地利用类型数据获取研究区2020年的土地利用情况模拟图。

输入模拟开始年份以及结束年份对应的土地利用数据时，利用2016、2018年的耕地季节性闲置转换过程，以上述转换过程对应的栅格转换数据作为模拟过程的终止条件。用0、1值表示土地利用类型是否可以进行相互转换，1对应为可转换，0对应为不可转换。利用扩散参数针对干扰强弱进行控制，其对应的取值一般维持在1～10。阈值对应的取值维持在0～1。刷新频率设定为每10次刷新1次。参数设定的差异也会对模型的模拟结果产生影响，为了研究在ANN-CA模型应用的过程中较合理的参数组合，设定了4组不同的参数组合，并且将得到的模拟土地利用情况图和实际数据进行对比分析，以获取对比模拟精度，确定优化的参数组合，具体参数组合及模拟精度见表3。表3 不同参数组合下的ANN-CA模拟精度

将模拟图斑与2020年实际的土地利用现状图进行对比，无论是图斑分布（图1），还是各土地类型的元胞个数对比，均以α=2，T=0.8时更加贴近真实情况。因此本次模拟选取α=2，T=0.8作为控制参数，其模拟效果最佳，后续模拟2025年土地利用情况时沿用此参数。

2.2 土地利用变化预测

按照2020年模拟最优参数组合，分别输入2010、2015年和2012、2016年两组的土地利用图当作模型的应用规则，同时添加11个影响因子，输入模拟开始年份2015、2016年以及结束年份2020年对应的土地利用值，利用2010—2020年用地变化过程中，以2010—2020年用地变化过程对应的栅格转换数据当作该模拟过程的终止条件，设置适宜性矩阵，利用0、1值表示土地利用类型是否可以进行相互转换，1对应为可转换，0为不可转换，最终预测出2024和2025年的土地利用类型数据如图2所示。

2024、2025年预测的土地利用类型使用的是已验证过精度的2020年实验组的参数，因此其模拟结果的精准度使用Kappa系数验证即可。对模拟结果进行分析可知，总精度83.56%，Kappa系数0.685。以此标准，本次模拟精准程度较好，但模拟结果表现一般。

2.3 季节性闲置耕地提取及分析

按照上述建立的规则，对2024、2025年预测的土地利用数据进行逐像元栅格运算，预测得到2025年季节性闲置耕地空间分布，结果如图3所示。从图3可知，预测2025年研究区季节性闲置耕地集中在东北部、中部和南部区域。研究区距市中心较远，一定程度上影响了其经济发展。经过实地考察发现，该地区部分存在人口流出、耕地质量以及农业机械化水平有待进一步提高等现象，耕种成本较高，部分农户可能选择将耕地季节性闲置。

预测计算可知，根据2010—2020年季节性闲置耕地面积对比，研究区2010—2015年季节性闲置耕地面积所占比例非常小，整体呈波动性上升趋势，其中2010年季节性闲置耕地面积134.370 0 km2，2015—2020年整体呈下降趋势。预测结果表明，研究区2025年季节性闲置耕地面积25.831 8 km2，远低于2010年水平，即研究区未来的季节性闲置耕地面积将呈现下降趋势。

3 结论与讨论

3.1 结论

（1）在对F县季节性闲置耕地模拟预测中引入了ANN-CA模型，为了选出更适宜的参数，共设计了4种参数，对2024、2025年F县进行土地利用情况模拟分析。结果表明，在α=2，T=0.8参数组合下，各类用地变化的模拟精度较高，模拟出的用地变化情况与2020年的实际用地情况贴近，模拟数据精度检验和Kappa系数验证结果分别为83.56%和0.685。

（2）根据模拟F县2020年的土地利用数据的转换规则来模拟2024、2025年的土地利用数据，并计算2025年季节性闲置耕地面积。模拟预测结果表明，研究区2025年的季节性闲置耕地主要在东北部、中部和南部区域，出现季节性闲置耕地的影响因素有耕地质量、地形、经济发展状况以及人口变化等。

（3）预测计算可得，F县2025年季节性闲置耕地面积25.831 8 km2，通过对比2010—2020年研究区季节性闲置耕地的面积可知，研究区耕地季节性闲置情况在2010—2015年整体呈上升趋势，2015—2020年呈现下降趋势，根据预测结果，研究区未来一段时间的耕地利用状况将呈现明显的好转趋势。

3.2 讨论

（1）本研究在使用ANN-CA模型对研究区季节性闲置耕地进行模拟时，模型采用的是静态转换规则。实践中，土地利用类型之间的转换是一个动态过程。另外，在设置模型时，阈值设置有限，可操作性有待进一步提高，土地利用模拟预测结果的Kappa系数有待进一步提高。因此，在进行模型模拟时，模拟精度需要进一步提高。

（2）预测结果表明，未來一段时间季节性闲置耕地面积将进一步减少。在实践生产中，为减少耕地季节性闲置情况的出现，需要对耕地进行科学合理的养护和利用，保障农作物的产量和质量，同时确保土壤肥力和农业可持续发展。具体措施：将生物养地和化学养地相结合，使用农家肥、绿肥和堆肥等有机肥料提高土壤有机质含量，改善土壤结构；避免在耕地上进行非农业活动，如建筑、工业等，以免破坏土壤结构和污染土壤；定期对土壤肥力、水分和病虫害等进行监测，及时调整养护手段；积极推进高标准农田建设，补齐基础设施短板，促进耕地质量持续提升。

参考文献

[1] 李孔俊. 土地抛荒的经济学视角[J]. 广西教育学院学报，2002（5）：82-84.

[2] 李雨凌，马雯秋，姜广辉，等. 中国粮食主产区耕地撂荒程度及其对粮食产量的影响[J]. 自然资源学报，2021，36（6）：1439-1454.

[3] 王新友，王玉娇. 耕地撂荒的文献计量分析：脉络和展望[J]. 干旱区地理，2023，46（5）：804-813.

[4] 郑淋议，陈紫微. 耕地细碎化对农户耕地撂荒的影响及其治理优化[J]. 地理研究，2024，43（1）：200-213.

[5] 陈藜藜，邹朝晖，刘晔. 基于条件过程分析的农村劳动力外流对耕地撂荒影响机制研究[J]. 中国土地科学，2023，37（11）：73-83.

[6] 董世杰，辛良杰，李升发，等. 中国梯田撂荒程度及空间格局分异研究[J]. 地理学报，2023，78（1）：3-15.

[7] GELLRICH M，BAUR P，KOCH B，et al. Agricultural land abandonment and natural forest re-growth in the Swiss Mountains：a spatially explicit economic analysis[J]. Agriculture，ecosystems & environment，2007，118（1/2/3/4）：93-108.

[8] 郭歡欢，郑财贵，牛德利，等. 不同情景下的人口迁移及其对农村土地利用影响研究：以重庆市为例[J]. 长江流域资源与环境，2014，23（7）：947-952.

[9] 黄庆旭，史培军，何春阳，等. 中国北方未来干旱化情景下的土地利用变化模拟[J]. 地理学报，2006，61（12）：1299-1310.

[10] WEI S，YING Z. Farmland abandonment research progress：influencing factors and simulation model[J]. Journal of resources and ecology，2019，10（4）：345-352.

[11] 项骁野，王佑汉，李谦，等. 基于CiteSpace软件国内外撂荒地研究进展与述评[J]. 地理科学，2022，42（4）：670-681.

[12] 宋世雄，梁小英，梅亚军，等. 基于CBDI的农户耕地撂荒行为模型构建及模拟研究：以陕西省米脂县冯阳坬村为例[J]. 自然资源学报，2016，31（11）：1926-1937.

[13] ZHAO Z，WANG J S，WANG L M，et al. Monitoring and analysis of abandoned cropland in the Karst Plateau of eastern Yunnan，China based on Landsat time series images[J]. Ecological indicators，2023，146：109828.

[14] 王丽蒙. 基于Landsat时间序列影像的滇东撂荒地识别方法研究[D]. 昆明：云南师范大学，2022.

[15] 付海英，郝晋珉，朱德举，等. 耕地适宜性评价及其在新增其他用地配置中的应用[J]. 农业工程学报，2007，23（1）：60-65.

[16] 刘黎明. 土地资源学[M]. 5版. 北京：中国农业大学出版社，2010.

[17] 黎夏，李丹，刘小平，等. 地理模拟优化系统GeoSOS及前沿研究[J]. 地球科学进展，2009，24（8）：899-907.

[18] 陈逸敏，黎夏，刘小平，等. 基于耦合地理模拟优化系统GeoSOS的农田保护区预警[J]. 地理学报，2010，65（9）：1137-1145.

（责编：李 媛）