摘要：為深入探討日照市土地利用/覆蓋變化的規(guī)律，本文利用循環(huán)神經(jīng)網(wǎng)絡(luò)模型對其2019—2023年期間土地利用/覆蓋進行遙感影像分類，并基于分類結(jié)果研究分析了多種驅(qū)動因子與土地利用/覆蓋變化之間的關(guān)系。結(jié)果表明，循環(huán)神經(jīng)網(wǎng)絡(luò)在處理遙感影像數(shù)據(jù)方面表現(xiàn)出色，5年的測試總體精度均超過92%，Kappa系數(shù)均超過0.84；并且在驅(qū)動力分析方面，城鎮(zhèn)化率、生產(chǎn)總值和一般公共預(yù)算支出因素對日照市土地利用/覆蓋變化有顯著影響，改變土地資源的分配和使用。研究結(jié)果不僅揭示了日照市城市化和經(jīng)濟增長對土地利用/覆蓋的深遠影響，也為未來的土地管理和規(guī)劃提供了有價值的參考。

關(guān)鍵詞：土地利用/覆蓋；循環(huán)神經(jīng)網(wǎng)絡(luò)；驅(qū)動力分析；日照市

中圖分類號：F301.2

文獻標(biāo)識碼：A

0 引言

土地利用/覆蓋變化（LUCC）是地表綜合集成研究的一個學(xué)科基礎(chǔ)和前沿領(lǐng)域^［1］。隨著人口數(shù)量的持續(xù)增加和人類社會工業(yè)化、城市化的持續(xù)推進，土地利用/覆蓋變化已經(jīng)是不可避免^［2］。如何科學(xué)地開發(fā)利用寶貴的土地資源越來越受到人們的重視^［3］。

本次研究擬在汲取前人的研究成果基礎(chǔ)上^［4-7］，將循環(huán)神經(jīng)網(wǎng)絡(luò)算法應(yīng)用到中分辨率遙感影像的土地利用/覆蓋分類中，利用循環(huán)神經(jīng)網(wǎng)絡(luò)對中分辨率遙感影像進行深度特征提^［8］。同時，根據(jù)分類結(jié)果，分析山東省日照市的土地利用/覆蓋變化情況及其驅(qū)動機制，探討社會、經(jīng)濟^［9］、生態(tài)^［10］之間的相互規(guī)律，為優(yōu)化土地利用方式、推進城市健康快速持續(xù)發(fā)展提供參考信息，以期為日照市土地資源的監(jiān)測、利用與合理保護提供有效的參考依據(jù)。

1 研究區(qū)概況

1.1 自然地理條件

日照市是山東省轄地級市，位于山東省東南部黃海之濱，總面積5375.05km²。日照市地勢中部高四周低，略向東南傾斜，山地、丘陵、平原相間分布，屬魯東丘陵地貌（圖1）。

根據(jù)《2023年日照市統(tǒng)計年鑒》，日照市2022年末全市戶籍總?cè)丝?07.91萬人；常住人口296.83萬人；市內(nèi)生產(chǎn)總值2306.77億元，三次產(chǎn)業(yè)結(jié)構(gòu)占比分別為9.0%，40.7%和50.3%。日照市二產(chǎn)業(yè)和三產(chǎn)業(yè)占生產(chǎn)總值比超過90%，經(jīng)濟結(jié)構(gòu)主要依托建設(shè)用地類型。

2 數(shù)據(jù)來源與技術(shù)應(yīng)用

2.1 數(shù)據(jù)來源及預(yù)處理

本研究的數(shù)據(jù)來源包括兩方面，其一是用于土地利用/覆蓋分類的遙感影像，其二是驅(qū)動機制分析所需的經(jīng)濟社會數(shù)據(jù)。其中，遙感影像選取2019年、2020年、2021年Landsat-8 OLI遙感影像數(shù)據(jù)和2022年、2023年Landsat-9 OLI2遙感影像數(shù)據(jù)作為土地利用/覆蓋類型分類的數(shù)據(jù)源。

日照市土地利用/覆蓋的驅(qū)動機制分析所需的經(jīng)濟社會數(shù)據(jù)主要來源于山東省統(tǒng)計年鑒、日照市統(tǒng)計年鑒、國家統(tǒng)計局國家數(shù)據(jù)網(wǎng)站及當(dāng)?shù)卣块T門戶網(wǎng)站公開的數(shù)據(jù)內(nèi)容。

2.2 循環(huán)神經(jīng)網(wǎng)絡(luò)分類方法

深度學(xué)習(xí)中的神經(jīng)網(wǎng)絡(luò)作為能夠擬合任意函數(shù)的黑盒子，只要輸入足夠的訓(xùn)練數(shù)據(jù)，給定特定的初始值，便能得到預(yù)想中的結(jié)果^［11］。但是，常見的神經(jīng)網(wǎng)絡(luò)只可以選取一個個單獨的輸入數(shù)據(jù)進行處理，前后的輸入之間沒有關(guān)聯(lián)，而循環(huán)神經(jīng)網(wǎng)絡(luò)是一類以序列數(shù)據(jù)為輸入，在序列的演進方向進行遞歸，且所有節(jié)點以鏈?zhǔn)竭M行連接的遞歸神經(jīng)網(wǎng)絡(luò)^［12］。故本研究采用循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）進行日照市多時間維度的土地利用/覆蓋類型分類。

循環(huán)神經(jīng)網(wǎng)絡(luò)利用循環(huán)過程來獲取特征因子之間的相關(guān)性和順序的可變性，通過順序透視圖來表示和處理對象的特征因子，而不是將它們作為特征向量來捕獲基于固有序列的數(shù)據(jù)結(jié)構(gòu)，可以充分利用特征因子的順序?qū)傩?sup>［13^］。圖2所示為循環(huán)神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)結(jié)構(gòu)圖，循環(huán)神經(jīng)網(wǎng)絡(luò)的隱藏層不僅僅取決于當(dāng)前節(jié)點的輸入層，還與延遲器中存儲的上一次隱藏層的值存在一定的關(guān)聯(lián)，展開后得到右圖所示的結(jié)果^［14］。

根據(jù)《土地利用現(xiàn)狀分類》（GB/T21010—2017），結(jié)合研究區(qū)土地利用特點和訓(xùn)練樣本選擇難度，將土地利用/覆蓋類型劃分為農(nóng)用地（不含喬木林地和草地）、林地（即喬木林地）、草地、水域和建設(shè)用地5類。利用ENVI軟件，對遙感數(shù)據(jù)進行輻射定標(biāo)、大氣矯正、圖像融合、裁剪等預(yù)處理后，采用深度學(xué)習(xí)分類解譯得到初始分類結(jié)果，再結(jié)合中國科學(xué)院資源環(huán)境科學(xué)與數(shù)據(jù)中心發(fā)布的土地利用/覆蓋數(shù)據(jù)和實地調(diào)查，對初始分類結(jié)果進行修正，得到研究區(qū)的5期土地利用/覆蓋類型分布數(shù)據(jù)。

2.3 土地利用/覆蓋變化分析

土地利用/覆蓋變化分析主要采用土地利用綜合程度分析和土地利用動態(tài)度分析^［15］。

（1）以數(shù)量指標(biāo)體系表達為主的土地利用綜合程度研究方法中，主要是利用多個指數(shù)來反映土地利用的特點^［16］。按照土地自然綜合體在社會因素影響下自然平衡保持狀態(tài)將土地利用程度分為4級，并賦于指數(shù)，通過統(tǒng)計分析，進而可以定量的表達土地利用程度^［17］。土地利用綜合程度分級賦值見表1。

某一區(qū)域的土地利用綜合程度計算如式（1）所示^［16］。

L_j=100×∑n/i=1A_i×C_i

L_i∈［100，400］（1）

式中：A_i為研究區(qū)域內(nèi)第i級土地利用程度分級指數(shù)；n為區(qū)域土地分級指數(shù)類型總數(shù)；C_i為研究區(qū)域內(nèi)第i級土地利用程度分級占地面積的百分比。

（2）土地利用動態(tài)度模型主要分為單一土地利用動態(tài)度和綜合土地利用動態(tài)度，都可以用于定量地描述土地利用/覆蓋類型的變化速度和劇烈程度，可以為后續(xù)的土地利用/覆蓋變化區(qū)域的差異比較與未來土地利用/覆蓋變化趨勢的預(yù)測提供有效的參考價值^［18］。

研究區(qū)綜合土地利用動態(tài)度計算如式（2）所示^［18］。

LC=（∑n/i，j=1△LU_ij/∑n/i=1LU_i）×1/2T×100%（2）

式中：LC表示T時間段內(nèi)綜合土地利用動態(tài)度；LU_i表示區(qū)域內(nèi)第i類土地類型在監(jiān)測初始階段時期的面積；T表示研究時期的長度；LU_ij表示研究期間內(nèi)第i類土地類型轉(zhuǎn)變?yōu)榉莍類土地類型的絕對值。

研究區(qū)單一土地利用類型動態(tài)度計算如式（3）所示^［18］。

K=U_b-U_a/U_a×1/T×100%（3）

式中：K表示單一土地利用動態(tài)度；U_a和U_b分別表示a時期和b時期該區(qū)域內(nèi)某一土地利用類型的初始面積；T表示研究時期的長度。

2.4 驅(qū)動分析

土地利用/覆蓋變化是一個錯綜復(fù)雜的演變過程，其受不同的因子驅(qū)動。根據(jù)土地利用/覆蓋變化驅(qū)動力的來源，可以將其分為自然驅(qū)動因素和社會驅(qū)動因素兩大類^［19-20］。其中，自然驅(qū)動是指造成土地利用/覆蓋發(fā)生變化的自然因素，包括地質(zhì)地貌因素中的海拔高度、土壤類型、地貌等都可以對光照、降水等自然因素進行重新分配，對土地利用/覆蓋的空間分布和利用方式產(chǎn)生一定的影響，具有一定的累計效應(yīng)，變化緩慢^［21］。社會驅(qū)動是指人類活動作用于土地利用/覆蓋，引起土地利用/覆蓋變化的人文因素，包括常住人口、經(jīng)濟的發(fā)展、政府的政策扶持可以直接或間接地影響土地利用/覆蓋類型的變化，具有短期明顯且持續(xù)的特點^［22］。

依照驅(qū)動力因子的代表性、差異性和可獲取性等原則，研究選取了代表自然驅(qū)動的溫度和降雨量因子，代表社會驅(qū)動的經(jīng)濟發(fā)展?fàn)顩r、社會固定資產(chǎn)投資、財政支出等因子，基于這些驅(qū)動因素，構(gòu)建2019—2023年日照市不同土地利用/覆蓋類型的驅(qū)動體系，并分別計算各地類與各驅(qū)動因子變化量之間的皮爾遜相關(guān)系數(shù)，用于分析理解日照市土地利用/覆蓋變化的驅(qū)動作用機制。

3 結(jié)果與分析

3.1 土地利用/覆蓋分類

本次研究采用循環(huán)神經(jīng)網(wǎng)絡(luò)分類方法對中分辨率遙感影像Landsat-8/9數(shù)據(jù)進行訓(xùn)練和測試，提取2019—2023年日照市土地利用/覆蓋類型分布信息。通過常用的總體精度和Kappa系數(shù)對分類精度及進行客觀、科學(xué)、精準(zhǔn)的定量分析。

表2為最終獲取的訓(xùn)練樣本和測試樣本的分類精度統(tǒng)計表。可見，測試樣本的Kappa系數(shù)都大于0.84，總體精度都達到了92%以上，分類結(jié)果可以適用于后續(xù)的空間動態(tài)變化分析。

3.2 土地利用/覆蓋變化

根據(jù)統(tǒng)計結(jié)果，研究時間段內(nèi)，日照市農(nóng)用地面積占比最大，為日照市總面積的69.88%～76.51%，主要分布在日照市中部和西北等區(qū)域。林地面積占比為7.07%～9.55%，零散分布在中部山地區(qū)域。建設(shè)用地主要分布在東南沿海和西南部等區(qū)域，占比為9.97%～17.94%；水域面積（包含近海）占比較小，占比約為4.6%左右（表3）。

根據(jù)日照市2019年和2023年的地類面積，計算各地類之間的轉(zhuǎn)換情況，形成轉(zhuǎn)移矩陣，具體如表4所示。

可以看出，近5年以來日照市的建設(shè)用地面積呈現(xiàn)持續(xù)擴張的趨勢，林地、農(nóng)用地面積呈現(xiàn)下降的趨勢，水域面積變化不大。在研究時段內(nèi)，建設(shè)用地面積增加了432.09km²，其中增長最快的階段在2021—2022年期間，占比從12.19%增長到16.30%。未利用地總面積增加了22.74km²，占比為0.42%；林地面積減少了134.62km²，占比由9.55%減少至7.07%；農(nóng)用地面積減少了319.64km²，占比由75.78%下降至69.88%。2019—2023年，日照市農(nóng)用地和建設(shè)用地互相流轉(zhuǎn)頻繁，其他地類間流轉(zhuǎn)較少，農(nóng)用地流出部分主要轉(zhuǎn)移為建設(shè)用地，占流出總面積的76.91%；農(nóng)用地流入部分主要轉(zhuǎn)移為建設(shè)用地和林地，分別占流入總面積的71.96%和21.61%。

將2019年和2023年的土地利用/覆蓋分布圖進行空間疊加（圖3），形成日照市5年內(nèi)土地利用覆蓋類型轉(zhuǎn)移圖（圖4）。可以看出，土地利用/覆蓋變化最為頻繁的區(qū)域主要位于日照市東南沿海城鎮(zhèn)、西南居民地附近，是農(nóng)用地和建設(shè)用地間的轉(zhuǎn)換，在城鎮(zhèn)化快速發(fā)展尾聲階段，建設(shè)用地面積的迅速擴張擠占其他地類，在進入新時期發(fā)展階段后，國家嚴(yán)格控制耕地紅線，推行拆舊復(fù)墾等系列舉措，農(nóng)用地的減少速率有所減緩。

根據(jù)土地利用綜合指數(shù)計算公式（1），計算2019—2023年期間日照市土地利用綜合指數(shù)（表5），可以看出，日照市土地利用程度綜合指數(shù)呈不斷增加的趨勢，表明日照市整體處于發(fā)展期。

根據(jù)土地利用動態(tài)度計算公式（2）和公式（3），計算2019—2023年日照市土地地利用動態(tài)度（表6）。2019—2023年，日照市土地利用綜合動態(tài)度均較小，建設(shè)用地、林地和農(nóng)用地土地利用動態(tài)度較大，說明日照市整體上土地利用/覆蓋變化相對緩慢，但內(nèi)部建設(shè)用地等隨著城市化擴張進程有較大的動態(tài)轉(zhuǎn)變。2022—2023年，土地利用綜合動態(tài)度與單一土地利用動態(tài)度均小于2021—2022年，說明2022年以來日照市整體土地利用/覆蓋變化速率減緩。

4 驅(qū)動分析

4.1 驅(qū)動力計算結(jié)果

通過計算日照市土地利用/覆蓋分類結(jié)果與驅(qū)動因子之間的皮爾遜相關(guān)系數(shù)（表7），量化它們之間的線性關(guān)系，從而評估各驅(qū)動因子的影響力和作用強度。其中，皮爾遜相關(guān)系數(shù)是衡量兩個變量之間線性關(guān)系強度和方向的統(tǒng)計指標(biāo)，其取值范圍在［-1，1］，其中1表示完全正相關(guān)，-1表示完全負相關(guān)，而0則表示沒有線性關(guān)系。

4.2 驅(qū)動力分析

（1）通過水域與所選取驅(qū)動因子的相關(guān)性分析可知，2019—2023年，日照市的水域類型變化與降雨量存在明顯正相關(guān)關(guān)系，其相關(guān)系數(shù)為0.792，表明降雨量是水域變化的主要驅(qū)動力因素，與實際認(rèn)知相符。

（2）通過建設(shè)用地與所選取驅(qū)動因子的相關(guān)性分析可知，2019—2023年，日照市的建設(shè)用地類型變化與城鎮(zhèn)化率、生產(chǎn)總值、一般公共預(yù)算支出之間呈現(xiàn)顯著的相關(guān)關(guān)系，表明政策是建設(shè)用地的主要驅(qū)動力甚至決定因素。經(jīng)濟增長帶動了對更多商業(yè)和工業(yè)用地的需求，這會促使建設(shè)用地類型向這些方向調(diào)整，以適應(yīng)城市化發(fā)展的需求。隨著政府在基礎(chǔ)設(shè)施和公共服務(wù)領(lǐng)域的支出增加，城市中對相關(guān)建設(shè)用地的需求也會增加，例如教育、醫(yī)療和公共設(shè)施用地。

（3）通過林地與所選取驅(qū)動因子的相關(guān)性分析可知，2019—2023年，日照市的林地類型變化與常住人口、城鎮(zhèn)化率和生產(chǎn)總值有較強的負相關(guān)關(guān)系，而這三類驅(qū)動因素與城市化發(fā)展息息相關(guān)，可能是隨著城市擴張和生活方式的變化導(dǎo)致了林地被轉(zhuǎn)化為住宅區(qū)、商業(yè)區(qū)和其他城市基礎(chǔ)設(shè)施。

（4）通過農(nóng)用地與所選取驅(qū)動因子的相關(guān)性分析可知，2019—2023年期間，日照市的農(nóng)用地類型變化與城鎮(zhèn)化率、生產(chǎn)總值、一般公共預(yù)算支出之間呈現(xiàn)顯著的負相關(guān)關(guān)系。城鎮(zhèn)化率的提升通常伴隨著城市用地的擴張，導(dǎo)致原有的農(nóng)用地被轉(zhuǎn)變?yōu)槌鞘薪ㄔO(shè)用地，這種變化反映了城鎮(zhèn)化對農(nóng)用地資源的擠占效應(yīng)。同時工業(yè)、商業(yè)和基礎(chǔ)設(shè)施的發(fā)展農(nóng)用地資源也有顯著的替代效應(yīng)；公共財政的增加可能集中在城市建設(shè)和基礎(chǔ)設(shè)施領(lǐng)域，進一步壓縮了農(nóng)用地面積，表明財政支出的增長可能對農(nóng)用地保護產(chǎn)生壓力。

（5）通過未利用地與所選取驅(qū)動因子的相關(guān)性分析可知，2019—2023年期間，日照市的未利用地類型變化與常住人口、城鎮(zhèn)化率、生產(chǎn)總值和一般公共預(yù)算之間呈現(xiàn)顯著的相關(guān)關(guān)系。隨著人口的增長，其他土地利用/覆蓋類型在發(fā)生轉(zhuǎn)換的過程中，可能會在未利用地過渡，如農(nóng)轉(zhuǎn)用過程中土地的三通一平期間，在遙感影像上反應(yīng)的是未利用狀態(tài)，而后再被轉(zhuǎn)化為住宅、商業(yè)和服務(wù)設(shè)施等用途，以滿足居民的生活需求和經(jīng)濟活動。

5 結(jié)論

本文以日照市為研究區(qū)域，采用深度學(xué)習(xí)分類方法，對2019—2023年的中分辨率Landsat-8/9衛(wèi)星遙感數(shù)據(jù)進行土地利用/覆蓋類型解譯，探討了2019—2023年間研究區(qū)內(nèi)的土地利用變化情況，并以此為基礎(chǔ)進行土地利用/覆蓋類型演變的驅(qū)動力分析。結(jié)果表明：

（1）循環(huán)神經(jīng)網(wǎng)絡(luò)分類方法在中分辨率遙感影像提取土地利用/覆蓋信息時具有很好的效果。

（2）在研究時段內(nèi)，研究區(qū)在土地利用/覆蓋結(jié)構(gòu)上，主要以農(nóng)用地為主，其次為建設(shè)用地，土地利用/覆蓋變化最為頻繁的區(qū)域主要位于東南沿海城鎮(zhèn)、西南居民地附近，是農(nóng)用地和建設(shè)用地間的轉(zhuǎn)換。在城鎮(zhèn)化快速發(fā)展階段，建設(shè)用地面積的迅速擴張必將擠占其他地類。從變化趨勢上看，日照市整體的土地利用/覆蓋變化減緩。

（3）驅(qū)動分析結(jié)果表明，城鎮(zhèn)化率、生產(chǎn)總值、一般公共預(yù)算支出等對日照市的土地利用/覆蓋變化的影響最大，主要由于城鎮(zhèn)化率的提升推動了城市擴張和建設(shè)用地的增加，擠壓了農(nóng)用地；生產(chǎn)總值的增長帶來了經(jīng)濟活動的擴展和產(chǎn)業(yè)用地的需求；當(dāng)前政策則更多是促進基礎(chǔ)設(shè)施和公共設(shè)施的建設(shè)，忽視了給農(nóng)用地保護帶來的壓力。這些因素共同作用，導(dǎo)致了日照市土地利用/覆蓋的主要變化。

參考文獻：

［1］ 何春陽，張金茜，劉志鋒，等.1990—2018年土地利用/覆蓋變化研究的特征和進展［J］.地理學(xué)報，2021，76（11）：2730-2748.

［2］ 白娥，薛冰.土地利用與土地覆蓋變化對生態(tài)系統(tǒng)的影響［J］.植物生態(tài)學(xué)報，2020，44（5）：543-552.

［3］ 趙德良，盧曉龍，李鵬，等.基于Landsat影像的城市土地利用動態(tài)監(jiān)測［J］.山東國土資源，2024，40（8）：42-47.

［4］ 趙婷，王棟，朱夢琦.基于Landsat遙感影像的土地利用變化研究初探［J］.南方農(nóng)機，2021，52（6）：195-196.

［5］ 王小燕，李靜瀾，白艷萍，等.基于深度學(xué)習(xí)的遙感影像分類方法研究［J］.中國水土保持，2023（12）：7-10.

［6］ 彭程，王靖偉，高濤，等.基于遷移學(xué)習(xí)和ResNet50的遙感圖像土地覆蓋分類［J］.山東國土資源，2023，39（10）：62-66.

［7］ 朱宏，張艷，王歡.基于卷積神經(jīng)網(wǎng)絡(luò)的遙感影像地表覆蓋分類［J］.地理信息世界，2020，27（5）：58-64.

［8］ 張鵬強，劉冰，左溪冰，等.利用深度卷積循環(huán)神經(jīng)網(wǎng)絡(luò)的高光譜影像空譜特征分類方法［J］.測繪科學(xué)技術(shù)學(xué)報，2021，38（4）：368-373.

［9］ 戴芳筠，占明錦，戴志健，等.江西省社會經(jīng)濟數(shù)據(jù)和土地覆蓋時空差異演化［J］.氣象與減災(zāi)研究，2022，45（4）：300-309.

［10］ 張夢虹，姜鵬，趙麗，等.1980—2020年濟南市土地利用變化對生態(tài)系統(tǒng)服務(wù)價值的影響［J］.山東國土資源，2024，40（2）：56-64.

［11］ 雷霞，羅雄麟.深度學(xué)習(xí)可解釋性研究綜述［J］.計算機應(yīng)用，2022，42（11）：3588-3602.

［12］ 王思麗，張伶，楊恒，等.深度學(xué)習(xí)語言模型的研究綜述［J］.農(nóng)業(yè)圖書情報學(xué)報，2023，35（8）：4-18.DOI：10.13998/j.cnki.issn1002-1248.23-0251.

［13］ 劉建偉，宋志妍.循環(huán)神經(jīng)網(wǎng)絡(luò)研究綜述［J］.控制與決策，2022，37（11）：2753-2768.DOI：10.13195/j.kzyjc.2021.1241.

［14］ 劉博，王明爍，李永，等.深度學(xué)習(xí)在時空序列預(yù)測中的應(yīng)用綜述［J］.北京工業(yè)大學(xué)學(xué)報，2021，47（8）：925-941.

［15］ 王君，劉揚，文楓，等.基于文獻計量學(xué)的近40年土地利用變化研究綜述［J］.河南城建學(xué)院學(xué)報，2024，33（3）：88-97.DOI：10.14140/j.cnki.hncjxb.2024.03.013.

［16］ 石舒心.基于遙感影像的2018—2020年肥城市土地利用變化分析［J］.鄉(xiāng)村科技，2024，15（5）：122-126.DOI：10.19345/j.cnki.1674-7909.2024.05.028.

［17］ 李梅鳳，陳勛，葉子強，等.土地利用/覆蓋變化的生態(tài)環(huán)境效應(yīng)研究［J］.江蘇科技信息，2023，40（34）：72-75.

［18］ 龍運婷，禹龍，王維，等.基于3S技術(shù)的貴陽市土地利用變化動態(tài)監(jiān)測研究：以貴陽市環(huán)城高速以內(nèi)區(qū)域為例［J］.農(nóng)業(yè)與技術(shù)，2023，43（19）：89-93.DOI：10.19754/j.nyyjs.20231015021.

［19］ 吳爽.我國土地利用變化模擬研究現(xiàn)狀與展望［J］.農(nóng)業(yè)與技術(shù)，2023，43（19）：138-142.DOI：10.19754/j.nyyjs.20231015031.

［20］ 李松林，王萍.黃河流域山東段土地利用變化對生態(tài)系統(tǒng)服務(wù)價值的影響［J］.生態(tài)科學(xué)，2023，42（6）：144-155.DOI：10.14108/j.cnki.1008-8873.2023.06.015.

［21］ 陸妍霏，宣蔚，趙力偉.鄉(xiāng)村土地景觀演變的驅(qū)動因素研究［J］.地理空間信息，2024，22（8）：54-58.

［22］ 李廣英，李紅穎，王凌青，等.青海省土地利用變化及其社會經(jīng)濟驅(qū)動因素分析［J］.草業(yè)科學(xué)，2022，39（12）：2604-2616.

Analysis on Land Use Change and Driving Forces Based on Recurrent Neural Networks

——Taking Rizhao City in Shandong Province as an Example

XU Nan， XIE Jun， FENG Zhongping， LI Li， WANG Jingwei

（Rizhao Bureau of Natural Resources and Planning， Shandong Rizhao 276800， China）

Abstract：In order to deeply study the law of land use/land cover change in Rizhao city， by using the model of recurrent neural network， land use/land cover from 2019 to 2023 has been classified. Based on the classification results， the relationship between various driving factors and land use/cover change have been studied and analyzed. It is showed that the cyclic neural network performs well in processing remote sensing image data. The overall accuracy of the 5 year testing has exceeded 92%， and the Kappa coefficient is over 0.84. Moreover， in terms of driving force analysis， urbanization rate， GDP and general public bud get expenditure factors have a significant impact on land use/land cover change in Rizhao city. It has changed the distribution and use of land resources. The research results not only reveal the far-reaching influence of urbanization and economic growth on land use/land cover in Rizhao city， but also provide valuable references for land management and planning in the future.

Key words：Land-use and land-cover change; recurrent neural network; driving force analysis; Rizhao city