王嬌嬌， 尹小君， 劉陜南， 王帝盟

（1.石河子大學(xué)信息科學(xué)與技術(shù)學(xué)院，新疆 石河子 832000；2.兵團(tuán)空間信息工程技術(shù)研究中心，新疆 石河子 832000）

在自然資源整合不斷加強和土地利用結(jié)構(gòu)日趨復(fù)雜的形勢下，土地利用管理和規(guī)劃更加困難。土地利用時空格局演變特征分析和預(yù)測不僅有利于了解土地利用與自然因素、社會因素的關(guān)系，還可以為人們應(yīng)對糧食安全和生物多樣性等問題提供有效信息。研究土地利用時空格局演變特征和預(yù)測對城市規(guī)劃和自然資源的管理有重要意義［1］。學(xué)者們通過土地利用景觀格局指數(shù)揭示土地利用演變特征。李華林等［2］利用景觀指數(shù)分析了新疆葉爾羌河流域胡楊林時空格局變化特征。劉斌寅等［3］利用景觀生態(tài)學(xué)理論對淮北市土地利用時空格局變化特征進(jìn)行分析，并采用ANN-CA（Artificial Neu?ral Network-Cellular Automata）模型預(yù)測了2025年的土地利用；劉根林等［4］利用景觀指數(shù)探究了瑞興于地區(qū)土地利用。景觀格局時空變化特征和驅(qū)動因素。通過景觀指數(shù)對土地利用時空格局演變特征進(jìn)行分析，能夠量化土地利用空間格局變化。

近年來，土地利用預(yù)測相關(guān)研究數(shù)量激增。由于政策影響和地區(qū)特點等原因，使土地利用預(yù)測具有較大的不確定性［5］。早期研究者將土地利用預(yù)測問題看作一個統(tǒng)計回歸問題，常用證據(jù)權(quán)重法（Weights of Evidence，WOE）、邏輯回歸（Logistic Re?gression，LR）、Markov 模型［6］來預(yù)測土地利用變化。但是通過統(tǒng)計回歸方法實現(xiàn)土地利用的預(yù)測難以考慮到土地利用的空間位置信息。元胞自動機（Cellular Automata，CA）基于元胞空間、領(lǐng)域關(guān)系和轉(zhuǎn)化規(guī)則等動態(tài)模擬土地利用變化，難以將社會經(jīng)濟(jì)因素納入考慮范圍［7］，所以，許多學(xué)者將算法或者其他模型和CA［8］相結(jié)合實現(xiàn)土地利用變化預(yù)測，比如CA-Markov模型［9-11］、FLUS模型［12］、PLUS模型［13］等。

隨著遙感（Remote Sensing，RS）和地理信息系統(tǒng)（Geographic Information System，GIS）技術(shù)的快速發(fā)展，可以獲得長時間序列數(shù)據(jù)，滿足深度學(xué)習(xí)利用大量數(shù)據(jù)進(jìn)行訓(xùn)練的需求。深度學(xué)習(xí)可以充分利用歷史數(shù)據(jù)進(jìn)行迭代訓(xùn)練，非常適合復(fù)雜的土地利用預(yù)測問題，比如，利用LSTM預(yù)測城市未來土地利用分布［14］、利用IDRISI 軟件中的LCM 模塊（基于ANN 和馬爾可夫鏈）分析預(yù)測未來土地利用狀況等［1,15］。LSTM是一種改進(jìn)的RNN網(wǎng)絡(luò)，能挖掘長期依賴的信息［15-16］；使用記憶細(xì)胞和門機制控制信息的傳遞，充分提取時間序列的相關(guān)性信息，可解決非線性復(fù)雜問題［17］。LSTM預(yù)測能夠充分利用歷史數(shù)據(jù)，較大程度地保留土地利用數(shù)據(jù)的時空信息。

采用LSTM模型的循環(huán)神經(jīng)網(wǎng)絡(luò)的自反饋機制和長短時記憶模式，開展長時間序列的土地利用預(yù)測研究。通過1992—2020 年的土地利用遙感時空數(shù)據(jù)，協(xié)同深度學(xué)習(xí)的LSTM算法與景觀指數(shù)，系統(tǒng)地研究1992—2020 年瑪納斯土地利用時空格局演變特征和變化趨勢。對于瑪納斯土地利用可持續(xù)發(fā)展具有重要意義，為實施生態(tài)調(diào)整和優(yōu)化提供科學(xué)借鑒和依據(jù)。

1 研究區(qū)概況與數(shù)據(jù)來源

1.1 研究區(qū)概況

瑪納斯位于新疆腹地，天山山脈北坡中段，地理位置位于85°40′～86°31′32″E，43°21′21″～45°20′N，地貌從南到北分別是山區(qū)、平原和沙漠，地勢南高北低，屬中溫帶大陸性干旱-半干旱氣候。冬季嚴(yán)寒，夏季酷熱，干燥少雨，日照充足，蒸發(fā)量大，降水少。2020年瑪納斯土地利用類型主要為耕地、草地和未利用地，分別占總面積的34.70%、32.64%和29.06%，耕地主要位于中部平原地區(qū)，草地主要位于南部沙漠和北部山區(qū)附近，未利用地主要位于南部沙漠和北部山區(qū)。

1.2 數(shù)據(jù)來源

選取1992—2020年空間分辨率為300 m×300 m的土地利用遙感影像數(shù)據(jù)，在ArcMap 中進(jìn)行投影、轉(zhuǎn)換和掩膜提取，最后進(jìn)行重分類。土地利用類型分為6類，包括耕地、林地、草地、水域、建設(shè)用地、未利用地（表1）。

表1 土地利用類型分類Tab.1 Classification of land use types

于2021 年10 月在瑪納斯利用GPS 儀器進(jìn)行兩次土地利用數(shù)據(jù)采集實驗（圖1），驗證土地利用數(shù)據(jù)準(zhǔn)確度。實驗數(shù)據(jù)結(jié)果包括土地利用類型和坐標(biāo)，第一次采集143 個采樣點，第2 次采集251 個采樣點，其中有效采樣點為356個。將2020年土地利用遙感數(shù)據(jù)與實驗數(shù)據(jù)進(jìn)行對比分析，數(shù)據(jù)準(zhǔn)確度為92.13%。

圖1 研究區(qū)概況及采樣點示意圖Fig.1 Overview of study area and sampling point

地理數(shù)據(jù)選取3個空間變量包括離公路（國道、省道、鄉(xiāng)道）距離、離鐵路距離和離水域距離；兩個經(jīng)濟(jì)因素包括人口和GDP 空間分布公里網(wǎng)格數(shù)據(jù)集；5個自然屬性包括中國土壤質(zhì)地空間分布數(shù)據(jù)、DEM、坡度、降水量、氣溫。數(shù)據(jù)來源如表2所示。

表2 數(shù)據(jù)類型及其來源Tab.2 Data type and its source

2 研究方法

2.1 土地利用變化分析方法

采用土地利用動態(tài)度對瑪納斯土地利用變化特征進(jìn)行分析，揭示瑪納斯1992—2020年土地利用時空演變規(guī)律以及土地利用開發(fā)狀態(tài)。土地利用動態(tài)度表示一定時間范圍內(nèi)土地利用類型的數(shù)量變化情況，包括單一動態(tài)度和綜合動態(tài)度。單一動態(tài)度反映了某一土地利用類型在一定時期內(nèi)的變化率，綜合動態(tài)度反映了整個研究區(qū)域的所有土地利用類型土地變化率。

（1）單一動態(tài)度

式中：Ks為單一動態(tài)度；Li、Lj為研究初期和研究末期土地利用類型的面積；T為研究時段（年）。

（2）綜合動態(tài)度

式中：Kc是綜合動態(tài)度；LWi是研究初期土地利用類型；ΔLWi-j是土地利用類型i轉(zhuǎn)向土地利用j的面積絕對值；T是研究時段（年）。

2.2 時空格局變化分析方法

景觀格局是指大小和形狀各異的景觀要素在空間上的排列和組合，表現(xiàn)出規(guī)律性的景觀格局可以稱為時空格局，景觀格局指數(shù)用于探究不同土地利用類型的時空格局變化［18-20］。選取有代表性的6個景觀指數(shù)（表3），分析瑪納斯土地利用時空格局變化。

表3 景觀指數(shù)及其意義Tab.3 Landscape index and its significance

2.3 LSTM預(yù)測模型

2.3.1 LSTM土地利用預(yù)測 LSTM模型（圖2）主要利

圖2 LSTM土地利用預(yù)測模型Fig.2 LSTM land use prediction model

用1992—2014 年土地利用數(shù)據(jù)作為訓(xùn)練集進(jìn)行訓(xùn)練；2015年作為測試集，進(jìn)行模型精度驗證；最后利用2020年土地利用數(shù)據(jù)，預(yù)測2025年土地利用數(shù)據(jù)。

2.3.2 LSTM 正向傳播 遺忘門決定了上一時刻的細(xì)胞單元丟棄的信息，公式如下所示：

式中：ft為遺忘門；σ是激活函數(shù)；Wf是遺忘門的權(quán)重；ht-1是t-1時單元細(xì)胞的狀態(tài)；xt是該細(xì)胞單元的輸入向量；bf是遺忘門的偏置項。

輸入門決定了細(xì)胞單元狀態(tài)存儲的信息，由sigmoid層和tanh層兩部分組成，sigmoid層決定了需要更新的向量，tanh層創(chuàng)建了新后選值的向量。

式中：it為輸入門；C?t為新的候選向量（當(dāng)前輸入的細(xì)胞單元狀態(tài)）；Wi、WC為權(quán)重系數(shù)；bi、bC為偏置項；Ct-1、Ct分別為t-1和t時刻細(xì)胞單元狀態(tài)向量。

輸出門控制了長期記憶對當(dāng)前輸出的影響，單元細(xì)胞的輸出門公式如下：

式中：ot為輸出門；Wo為輸出門的權(quán)重；bo為輸出門偏置項，ht是單元細(xì)胞的輸出。

2.3.3 LSTM 反向傳播 反向傳播通過計算損失函數(shù)對每個權(quán)重或者偏置的影響，更新網(wǎng)絡(luò)的參數(shù)。誤差項分為沿時間傳播的誤差項和沿網(wǎng)絡(luò)層傳播的誤差項。該實驗使用的損失函數(shù)為softmax。

沿時間反向傳播的誤差項反向傳播到k時刻，計算公式如下：

沿網(wǎng)絡(luò)層傳播的誤差項的L-1層傳入到L層的誤差項為：

2.3.4 模型精度驗證 Kappa 系數(shù)是一種較好的精度驗證方法［21-22］，采用Kappa 系數(shù)定量分析模型精度。Kappa系數(shù)值越大，模型精度越高。

3 結(jié)果與分析

3.1 1992—2020年瑪納斯土地利用變化分析

將瑪納斯1992—2020 年土地利用變化分為3個階段，前期為1992—2000 年土地利用變化劇烈期，中期為2000—2010 年土地利用變化緩慢期，后期為2010—2020年土地利用變化平穩(wěn)期。

由土地利用動態(tài)度可知（圖3），耕地在1992年、2000 年、2010 年和2020 年分別占比為26.48%、31.91%、34.83%和34.70%，整體呈現(xiàn)大幅增長后緩慢減少的趨勢。1992—2010 年耕地增加主要是未利用地的墾荒和林地、草地小范圍的轉(zhuǎn)入。單一動態(tài)度顯示2000—2005年耕地增長有所減緩，2005—2010 年耕地增長趨勢較前5 a 快，這可能與2006—2010 年天山北坡經(jīng)濟(jì)帶土地整理工程的實施有關(guān)。后期土地利用變化平穩(wěn)期耕地面積減少，且主要轉(zhuǎn)出為林地、草地和建設(shè)用地，這與退耕還林還草工程和城市擴(kuò)張有著密切的關(guān)系。

圖3 土地利用動態(tài)度Fig.3 Land use dynamic degree

林地以2015年為分界線，呈現(xiàn)先減少后增加的格局。實施退耕還林還草工程20 a來，林地前期一直處于減少狀態(tài)，主要是轉(zhuǎn)為草地和未利用地。這與瑪納斯自然條件有重要關(guān)系，平原地區(qū)水資源缺少，主要來源于瑪納斯河和高山冰雪融水，生態(tài)脆弱。后期增加主要是耕地和草地轉(zhuǎn)為林地，這表明退耕還林還草具有一定的效果?，敿{斯雖然干旱少雨，但是過渡性植被能夠適應(yīng)該環(huán)境，1992—2020 年草地呈現(xiàn)增加的趨勢。并且中期增長速度最快，增長了13.75%，主要是未利用地轉(zhuǎn)入，說明瑪納斯的生態(tài)環(huán)境質(zhì)量正在逐步提升。

水域前期和中期處于減少狀態(tài)，減少了11.04%，后期有緩慢增加的趨勢，增加了1.03%。未利用地一直呈現(xiàn)減少的趨勢，且前期和中期面積減少較多。建設(shè)用地占地面積較小且一直呈現(xiàn)增加的格局。建設(shè)用地面積在1992—2005 年增加28.17%；2015—2020年增加685.71%。主要是耕地、草地和未利用地轉(zhuǎn)入，分別占總轉(zhuǎn)化面積的57.30%、30.28%和12.42%。數(shù)據(jù)表明雖然建設(shè)用地面積較小，但是近年來城市的快速擴(kuò)張對耕地和草地造成了一定的負(fù)面影響。

3.2 土地利用時空格局變化分析

由圖4 可知，在1992—2020 年耕地面積增長了31.06%，斑塊數(shù)量由353個減少到了212個，最大斑塊指數(shù)逐年增長，耕地破碎化程度降低，聚集程度增加。斑塊形狀和復(fù)雜程度整體變化不明顯，1992—2015年逐年緩慢降低，2015年以后斑塊形狀逐漸復(fù)雜。1992—2020 年林地面積減少9.84%，斑塊數(shù)量增加6 個，林地破碎化程度加深。草地在1992—2020 年面積增加16.47%，斑塊數(shù)量減少106個，草地破碎化程度降低?？傔吘夐L度和景觀形狀指數(shù)逐漸減少，表明草地形狀復(fù)雜程度降低。

圖4 不同土地利用類型的景觀指標(biāo)Fig.4 Landscape indicators of different land use types

水域面積相對較小，景觀指數(shù)變化較為平穩(wěn)。1992—2015年水域面積處于減少狀態(tài)，斑塊數(shù)量增加了2 個，破碎化程度逐漸增加。建設(shè)用地的景觀指數(shù)變化最為劇烈，1992—2020 年斑塊數(shù)量由2 個激增到88 個，在一定程度上表明人類活動劇烈，城市擴(kuò)張增強，但在土地利用變化平穩(wěn)期變化較少。在2015 年之前，景觀形狀指數(shù)增長迅速，散布與并列指數(shù)下降明顯，人類活動的不規(guī)則性加強，破碎化程度逐漸增加。2015年之后，景觀形狀指數(shù)逐漸降低，散布與并列指數(shù)逐漸增加，人類活動范圍逐漸聚集化。1992—2020年未利用地面積逐年減少，斑塊數(shù)量逐年增加，最大斑塊指數(shù)也逐漸降低，破碎化程度加強，景觀形狀指數(shù)逐漸降低，形狀趨于規(guī)則化。

3.3 瑪納斯土地利用預(yù)測

利用LSTM 模型、QGIS 軟件MOLUSCE 插件的MLP-ANN 模型和LR 模型及IDRISI 軟件的CA-Mar?kov 模型預(yù)測2020年土地利用數(shù)據(jù)，將其與2020年實際各個土地利用數(shù)據(jù)進(jìn)行Kappa 系數(shù)計算，分別為95.31%、93.71%、92.86%和91.16%。由Kappa 系數(shù)可知，LSTM模型模擬效果較好，具有較高的可信度（表4）。

表4 2025年土地利用的預(yù)測結(jié)果Tab.4 Prediction results of land use in 2025

LSTM模型預(yù)測的2025年瑪納斯土地利用結(jié)果表明（圖5），2025年土地利用類型仍以耕地、草地和未利用地為主，耕地和建設(shè)用地增加，林地、草地和未利用地減少，水域基本保持不變。自1992 年以來，土地利用類型變化率整體處于降低狀態(tài)，2020年林地僅占瑪納斯總面積的2.57%，預(yù)測的2025 年土地利用數(shù)據(jù)中林地并未有太大的變化。林草是重要的生態(tài)保護(hù)屏障，在降低水土流失和防風(fēng)固沙方面具有重要的作用?，敿{斯的生態(tài)保護(hù)與生態(tài)屏障面臨著嚴(yán)峻的挑戰(zhàn)，“退耕還林還草”政策的實施對林草面積增加具有一定的積極作用，長期的堅持實施，能有效改善瑪納斯的生態(tài)環(huán)境。

圖5 2025年土地利用預(yù)測圖Fig.5 Land use prediction map in 2025

4 討論

通過對瑪納斯土地利用變化進(jìn)行演變特征分析，可知1992—2010 年瑪納斯耕地處于增長趨勢，2010—2020年呈減少趨勢，這與瑪納斯河流域的耕地變化趨勢稍有差異［23］，但是6 種土地利用類型中耕地面積增加最多，康紫薇等［24］研究的瑪納斯河流域也是如此?，敿{斯林地和水域自2015—2020 年有所增長（分別為5.01%和1.03%），但增長并不明顯。建設(shè)用地持續(xù)增長，未利用地不斷減少，這與瑪納斯河流域發(fā)展趨勢一致［24］。

林麗等［25］用4種模型預(yù)測土地利用分布，Kappa系數(shù)為0.76～0.90。利用LSTM、MLP-ANN、LR 和CA-Markov模型預(yù)測未來土地利用變化，Kappa系數(shù)均在0.90 以上。預(yù)測未來的土地利用有助于相關(guān)部門制定合理的生態(tài)保護(hù)和土地利用規(guī)劃，促進(jìn)生態(tài)和經(jīng)濟(jì)的良性發(fā)展［26］。合理利用長時間序列遙感數(shù)據(jù)提取特征，將其應(yīng)用到土地利用預(yù)測中，有利于提高土地利用預(yù)測精度。研究選取了10 個驅(qū)動因子進(jìn)行模型構(gòu)建，但是影響土地利用變化的因素復(fù)雜且眾多，其中人為活動干擾和土地利用政策等對土地利用變化的影響具有較強的不確定性［27］，難以科學(xué)合理的融入到土地利用預(yù)測模型中。因此，將人為活動干擾和政策因素進(jìn)行科學(xué)量化，融入到土地利用預(yù)測模型中，是未來土地利用預(yù)測的重要研究方向，可提高預(yù)測精度。尺度也是影響預(yù)測結(jié)果的一個主要因素，將尺度應(yīng)用到后續(xù)土地利用格局分析和預(yù)測也是一個重要研究方向。

本文彌補現(xiàn)有研究的不足，利用長時間序列數(shù)據(jù)進(jìn)行預(yù)測研究，揭示了瑪納斯土地利用演變特征和變化趨勢?；谘芯拷Y(jié)果和瑪納斯現(xiàn)存的問題，建議應(yīng)在切實保護(hù)耕地的基礎(chǔ)上，有序開展退耕還林工作，既保證了糧食安全又有利于提高瑪納斯的生態(tài)環(huán)境質(zhì)量。在經(jīng)濟(jì)和生態(tài)發(fā)展過程中，應(yīng)堅持生態(tài)優(yōu)先原則，減少人為活動對景觀生態(tài)的破壞（比如城市擴(kuò)張），合理調(diào)整土地利用結(jié)構(gòu)。落實耕地保護(hù)、加強約束建設(shè)用地擴(kuò)張，提高土地利用效率，進(jìn)一步加強瑪納斯的生態(tài)安全。

5 結(jié)論

通過對瑪納斯1992—2020 年土地利用格局變化特征進(jìn)行分析，對比LSTM 模型、MLP-ANN 模型、LR模型和CA-Markov模型精度，預(yù)測了2025年的土地利用變化。得出如下結(jié)論：

（1）瑪納斯1992—2020 年各土地利用類型的面積變化為：未利用地＆gt;耕地＆gt;草地＆gt;建設(shè)用地＆gt;林地＆gt;水域。土地利用面積變化率最大的是建設(shè)用地（907.04%），然后是耕地（31.06%）和未利用地（-30.89%）。草地整體處于增加的狀態(tài)，林地和水域整體處于減少狀態(tài)。耕地面積前期和中期的增加主要是未利用地的轉(zhuǎn)入。建設(shè)用地雖然占比較小,但逐漸侵占周邊的未利用地、耕地和草地面積。

（2）1992—2020 年耕地斑塊數(shù)量減少39.94%，整體破碎化程度逐步降低。林地和水域的景觀指數(shù)變化較為穩(wěn)定。草地的散布與并列指數(shù)上升，表明聚集度增加，斑塊數(shù)量減少19.44%，破碎度減弱。建設(shè)用地的景觀指數(shù)變化較為劇烈，面積增加907.04%，處于擴(kuò)張狀態(tài)，景觀形狀不規(guī)則化并且破碎化程度加深。未利用地面積減少30.89%，斑塊數(shù)量增加24.37%，破碎化程度加強，但是形狀逐漸規(guī)則化。

（3）以Kappa 系數(shù)來對比分析4 種土地利用預(yù)測模型的準(zhǔn)確性。LSTM 模型的Kappa 系數(shù)較其他模型高，具有較好的預(yù)測效果。由LSTM 模型預(yù)測結(jié)果可知，2025 年土地利用類型可能仍以耕地、草地和未利用地為主。