基于多層神經網絡的西雙版納土地利用時空演變及預測研究

許安澤，張述清，朱大明，裘木蘭，保 紅

(1.昆明理工大學 國土資源工程學院，云南 昆明 650093；2.云南省國土資源規劃設計研究院，云南 昆明 652100； 3.昆明市不動產權籍調查中心(昆明市國土規劃勘察測繪研究院)，云南 昆明 650200)

0 引言

近年，隨著我國社會城市化進程的加速和經濟的快速發展，人們對土地資源的開發不斷增加，過渡開墾、過度放牧、圍湖造田、挖湖造景、毀林種茶等土地利用發生重大變化[1-2]。通過建立土地利用變化模型(Land use/cover change,LUCC)，重現過去土地利用時空演變，預測未來土地利用空間格局，研究土地利用變化的時空規律與驅動機制，可以為土地管理提供科學依據和決策支持。

當前常見的LUCC模型，如元胞自動機(Cellular automaton，CA)[3]、CLUE-S模型[4]、智能主體模型(Agent-based model,ABM)[5]等多是基于過往的已知土地利用變化得到土地變化總體數量，然后利用Logistic線性回歸[6]方法計算驅動因子與土地利用變化的關系，經反復遞歸后預測土地變化[7]。然而土地利用變化是一個非常復雜的過程，并非簡單的線性發展，采用單一的線性數學方法構建的LUCC模型并不能很有效的模擬真實土地利用變化。多層神經網絡(Multi-layer perceptron，MLP)[8]是一種模擬人腦神經網絡處理信息的系統，具有自學習、自組織、聯想以及記憶等特點，適合模擬土地利用變化這種非線性系統[9-10]。近年基于神經網絡的土地利用變化研究被廣泛討論和應用，如黎夏等[11]提出了一種基于神經網絡的單元自動機模擬城市的發展(ANN-CA)，能夠在大大縮短尋找參數時間的同時獲得更高的模擬精度；Almeida等[12]基于神經網絡系統模擬和預測城市土地利用的變化，獲得較好的模擬和預測效果；韋春竹等[13]建立一種基于BP神經網絡和遺傳神經網絡算法優化的元胞自動機土地擴張模型，通過優化算法使得整體精度提高5%；Gomes等[14]利用神經網絡研究城市壓力下農業用地的變化，探討外部驅動因素如何影響未來土地利用變化；張偉良等[15]基于孿生神經網絡構建的模型，實現對土地利用現狀變化區的快速提取。

雖然基于MLP建立的土地模型與傳統線性模型相比有更高的可靠性，但大多數分析對神經網絡的訓練較為簡單，不能有效的發揮MLP的全部優點。驅動因子的選擇上多是自然因子，沒有或較少考慮到社會經濟因子對土地利用變化的影響，且多應用于單一土地利用類型的變化。西雙版納是我國熱帶生態系統保留最完整的地區，素有“動植物王國”和“生物基因庫”的美稱，同時又是我國天然橡膠種植面積最大的市(州)和國家級重點風景名勝區，生態保護與經濟發展存在一定矛盾。本文全面分析2009—2019年西雙版納多種土地利用變化特征，并在考慮多種影響因子的前提下，基于MLP建立該地區的土地利用模型，預測2029年土地利用變化。研究可為西雙版納國土空間規劃、水土保持與生態修復等土地管理工作提供參考。

1 研究區域概況與數據來源

1.1 研究區域概況

西雙版納傣族自治州(地理位置：21°10′～22°40′ N，99°55′～101°50′ E)，全州轄景洪市、勐?？h、勐臘縣，北部緊依普洱市，東南與老撾毗鄰，西南與緬甸接壤，國土面積1 912 450 hm2(圖1)。2019年末，全州戶籍總人口101.46萬人，其中少數民族人口79.03萬人，占戶籍總人口的77.90%，共居住著漢族、傣族、彝族、哈尼族等13個民族。該地區地處北回歸線以南的熱帶邊緣，受太平洋東南氣流和印度洋西南季風以及北部高山的影響，終年高溫多雨、干濕兩季明顯。

圖1 西雙版納位置示意圖Fig.1 Location of the Xishuangbanna

1.2 數據來源及預處理

土地利用數據來源于2009年第二次全國土地利用現狀成果、2014年土地變更調查數據和2019年第三次全國土地調查成果，共3期的土地利用調查數據。在綜合考慮西雙版納州土地利用現狀分布與本次研究重點的前提下，根據《第二次全國土地調查技術規程》《第三次全國國土調查技術規程》和《土地利用現狀分類》等技術標準，將地類合并為7類：耕地、園地、林地、草地、建設用地、水域、未利用地(圖2)。土地利用變化驅動因子主要來源于2009—2019年西雙版納傣族自治州統計年鑒、西雙版納州國土空間規劃(2021—2035年)相關專題的研究成果、中國科學院資源環境科學與數據中心(https://www.resdc.cn/)、云南省生態保護紅線分布圖。驅動因子包括自然因子：高程、坡度、降雨、地表溫度、壩區范圍、路面范圍等。社會經濟因子包括：人口密度、社會生產總值(GDP)、已有的土地規劃等。在ArcGIS軟件的支持下對獲取到的所有數據預處理，使它們保持一致的空間坐標系、像元大小、像元單位和處理范圍。

圖2 2009、2014、2019年西雙版納土地利用現狀示意圖Fig.2 Land use cover map of Xishuangbanna in 2009,2014,2019

2 研究方法

2.1 土地利用變化特征

2.1.1 動態度

研究土地利用變化的動態特征，可以從區域土地利用變化的數量、速度、結構等方面入手。土地利用動態度是一種能夠直觀反應出研究時段內區域土地利用變化數量與速度的模型。該模型包含單一動態度和綜合動態度兩項指數，單一動態度反應的是研究區一定時間范圍內某一地類數量變化情況，綜合動態度則體現研究區一定時間范圍內的所有土地利用類型變化的情況[16-17]。從不同的尺度出發將兩項指數結合分析，能夠更加全面的反應研究區土地利用變化的程度[18]。動態度計算公式為：

(1)

式中：K為單一動態度；Ua、Ub分別為研究起始與終止時間節點上的某一地類面積。

(2)

式中：LC為綜合動態度；ΔLUi-j為研究時間段內i地類轉為j地類(i≠j)面積的絕對值；LUi為研究初期i地類的面積；n為土地利用類型的數量。

2.1.2 轉移面積矩陣

土地利用動態度指數雖然很直觀地反應土地利用變化的劇烈程度，也易于比較不同的土地利用類型變化的差異，但該指數無法具體地刻畫出地類的轉移方向。國內外學者通常采用轉移面積矩陣來描述土地利用類型的轉移方向，該矩陣使用系統分析的方法對狀態轉移進行定量描述，有效的表達地類的轉移結構特征[16]。轉移面積矩陣表達式為：

(3)

式中：S為轉移面積矩陣；Sij(i=1,…,n,j=1,…,n)表示期內第i類土地利用類型向第j類土地利用類型轉移的總面積；n為地類的數量。

2.2 土地利用變化預測

2.2.1 馬爾可夫模型(Markov model)

馬爾可夫模型是一種能夠預測事件發生概率的過程，常用于無后效性特征的事件，即事件發生過程具多種可能的狀態，過程在ti+1時刻所處的狀態僅與ti時刻所處的狀態有關[19]。土地利用變化是時間和狀態都為離散的隨機運動過程，適合馬爾科夫過程的模擬，地類即對應馬爾可夫模型的“可能狀態”[20]。利用馬爾可夫模型研究土地利用變化一般采用轉移概率矩陣來表示，該矩陣與轉移面積矩陣相似，表達式為：

(4)

式中：P為轉移概率矩陣；n為土地利用類型數；Pij(i=1,…,n,j=1,…,n)為期內第i類土地向第j類土地轉移的概率。

2.2.2 多層神經網絡(MLP)

MLP是Rumelhart等[21]提出的一種被廣泛使用的人工神經網絡，該算法在單層神經網絡的基礎上引入了一個或多個隱藏層，模擬人腦神經對復雜信息的處理機制，能夠有效的在因變量與驅動因子之間建立合適的關系，即使他們之間存在非線性的關系[22-23]。MLP結構由輸入層、隱藏層和輸出層構成，每一層都由若干的神經元組成，層與層之間完全連接，而同一層之間神經元無連接(圖3)?；贛LP建立的土地利用變化模型，輸入層的神經元對應影響土地變化的各種驅動因子，輸出層則對應不同地類之間的轉換概率。

圖3 多層神經網絡結構圖Fig.3 Structure diagram of MLP

2.2.3 多標準評價(MCE)

多標準評價(Mulit-criteria evaluation,MCE)方法是一種基于多條件的評估決策系統，決策的條件被稱為標準[24-25]。這些標準可能是限制條件或激勵因子，限制條件一般表現為二值化的規則，它的作用是排除某些變化趨勢，比如在生態保護區與耕地紅線內禁止建設用地的擴張。激勵因子是連續的數據類型，體現某些變化的相對適宜性，比如已有規劃的道路周圍有更大的可能會出現新的建設用地。采用MCE建立的土地利用變化預測模型能夠實現在多種土地利用變化趨勢中做出選擇，這種選擇并不是簡單的對比，MCE系統會根據不同的條件嘗試組合一組標準，并根據特定目標實現決策的單一復合。該方法的計算首先查詢土地利用變化趨勢圖上單位土地變化概率，為單位土地創建一個地類流出與流入概率表，然后依據Markov轉移概率矩陣計算的變化需求量與保護區等限制條件重新分配單位土地的地類，最后將重新分配的地類替換原有地類生成一幅未來的土地分布圖。

3 分析與結果

3.1 土地利用變化的特征分析

3.1.1 土地利用變化動態度分析

為揭示2009—2019年西雙版納不同地類變化的差異與區域土地利用變化的劇烈程度，分別從單一尺度和全局尺度計算10年內7種地類的單一動態度和單位土地的綜合動態度。首先根據式(1)算得耕地、園地、林地、草地、建設用地、水域、未利用地7種地類的單一動態度分別為：16.6%、8.9%、1.9%、85.2%、43.4%、32.2%、66.6%。然后選擇1 km網格為分析動態度的單元，根據式(2)計算土地利用綜合動態度(圖4)。

從單一動態度計算結果可知，2009—2019年土地利用類型單一動態最小的是林地1.9%，最大的是草地與未利用地分別為85.2%與66.6%。分析其原因，主要是得益于西雙版納得天獨厚的自然條件非常適合植被生長，在沒有人為干擾的條件下，短期出現的草地或裸地很快又會被林地覆蓋住。同時值得注意的是建設用地的動態度相對較高為43.4%，表明十年間西雙版納的城鎮擴張的速度較快。由圖4可知，過去十年間西雙版納西部地區的勐?？h土地利用變化最為劇烈，主要原因是該地區2009年有較多的草地，十年后這些草地大部分轉換為林地或園地。同時該地區擁有西雙版納最大的壩子——勐混鎮壩子，各種土地利用類型的交錯分布，地類間的轉換比較復雜，致使該區域土地利用變化劇烈。

圖4 2009—2019年西雙版納土地利用動態度分布示意圖Fig.4 The distribution of land use dynamic during 2009—2019 in Xishuangbanna

3.1.2 土地利用變化流向分析

基于ArcGIS空間分析工具，統計2009—2019年西雙版納不同土地利用類型之間的變化總量，獲得2009—2019年土地利用轉移面積。由表1可知，2009年林地和園地覆蓋面積分別是1 061 057 hm2和571 853 hm2，2019年覆蓋面積分別是1 081 195 hm2和622 759 hm2，覆蓋面積超過85%，是西雙版納最主要的土地利用類型。由于林地與園地所占面積比最大，可以計算出兩者的凈轉入與凈轉出的面積也是最大的，林地凈轉入和凈轉出面積分別為132 878 hm2和112 740 hm2，園地凈轉入和凈轉出面積為137 027 hm2和86 121 hm2，然而林地與園地的動態度卻不高，分別為1.9%與8.9%，表明2009—2019年西雙版納的林地與園地保持相對穩定的覆蓋面積。觀察到草地面積從67 663 hm2降至10 011 hm2，未利用地面積從451 hm2降至151 hm2，且從流向上來看草地與未利用地變化面積的主要流向是林地與園地，這兩種地類十年間發生了較大的變化。值得注意的是由于城鎮的擴張與挖塘搞水產養殖，導致10年間耕地面積減少約28 292 hm2，而建設用地與水域分別增加10 466 hm2與4 734 hm2。

表1 2009—2019年西雙版納土地利用變化轉移面積矩陣Tab.1 Area change matrix of land use change from 2009 to 2019 in Xishuangbanna 單位：hm2

3.1.3 土地利用變化驅動力分析與選擇

土地利用變化驅動因子是指導致土地利用方式和目的變化的主要自然因素和社會經濟因素，驅動因子的選擇是研究土地利用變化的核心問題，也是構建土地利用變化趨勢模型的基礎。為研究所選驅動因子與不同地類變化之間的關系，采用克萊姆相關系數(Cramer'sV)量化驅動因子與土地變化之間的關系。Cramer'sV是雙變量相關分析的一種方法，用于衡量分類數據之間的相關程度，適合初步評價土地利用的驅動因子，其計算式為：

(5)

式中：φc為克萊姆相關系數；χ2為皮爾森卡方檢驗系數；N為樣本數量；k為變量的最小類別。

表2列舉所選驅動因子Cramer'sV值，取值范圍介于1到0之間，1表示完全相關，0表示兩個變量完全無關。在MLP建模中，驅動因子的克萊姆相關系數一般大于0.1就可以采用，大于0.3即表示具有較好的相關性。

表2 土地利用變化驅動力分析Tab.2 Driver analysis of land use change

3.2 土地利用變化時空格局的演變預測

3.2.1 土地利用變化轉移概率

土地利用變化預測量是從數量上推算未來變化的趨勢，通常采用Markov計算土地利用變化轉移概率矩陣。該矩陣是進一步計算出土地利用變化預測數量的前提，也是后續結合MLP和MCE作土地利用分布預測必不可少的步驟。本文以年為單位，把土地利用類型之間的轉換視為一系列離散的過程，依據式(4)計算各土地利用類型的轉移概率(表3)。表中行為2019年的土地利用類型，列為2029年的土地利用類型，單元格表示預測的2019—2029年各地類間轉移的概率。

表3 2019—2029年西雙版納土地利用變化轉移概率矩陣Tab.3 Transition probability matrix of land use change from 2019 to 2029 in Xishuangbanna 單位：%

3.2.2 MLP訓練與模型建立

根據不同的土地利用類型建立7個不同地類的MLP子模型，并通過均方根誤差(Root mean square，RMS)曲線和準確率來保證訓練結果。優秀的MLP模型RMS值會更小，準確率也會越接近于100%，且隨著迭代次數的增加RMS曲線還會逐漸趨于水平。選擇MLP訓練停止條件為：RMS<0.01、訓練迭代10 000次、準確率100%，通過不斷調整各個子模型的學習速率、隱藏層節點數和驅動因子等參數，獲得最優的訓練效果(圖5)。

從圖5訓練結果來看，所有子模型的訓練RMS曲線與測試RMS曲線在計算剛開始時都呈現斷崖式的下降，而后隨著迭代次數的增加逐漸收斂平行，兩條曲線的差值均控制在較小范圍內，全部子模型的平均準確率達到85.07%，證明建立并訓練的MLP模型具有較高的可靠性。在MLP訓練結果得到的土地利用變化趨勢圖集與Markov算得的土地利用變化轉移概率矩陣的基礎上，結合MCE方法建立一個完整的LUCC預測模型。

圖5 MLP分析結果Fig.5 Analysis result of MLP

3.2.3 模型精度評價

借用遙感分類中常用的精度檢驗Kappa系數作為模型精度的評價標準，該系數是一致性檢驗的指標，也常用于衡量分類的效果[26]。Kappa值的區間為(0,0.2]表示極低的一致性、(0.2,0.4]表示一般的一致性、(0.4,0.6]表示中等的一致性、(0.6,0.8] 表示高度的一致性和(0.8,1]表示幾乎完全一致。Kappa計算公式為：

(6)

式中：P0為土地利用分布模擬正確模擬單元格的比例；Pc為隨機模擬正確單元格的比例；Pp為理想模擬正確單元格的比例。

將2009與2014年西雙版納土地利用分布圖帶入LUCC模型預測2019年的土地利用分布，并對預測結果與真實土地分布圖進行精度檢驗。算得Kappa值為0.84，表明基于MLP建立的LUCC預測模型有較高的性能。并計算2019年土地利用預測誤差得到耕地、園地、林地、草地、建設用地、水域、未利用地的誤差為：7.15、8.69、4.25、3.54、1.07、5.24，各地類預測誤差均在10%以內，進一步證明建立的LUCC模型具有可靠性。

3.2.4 預測結果

在保證LUCC模型精度的基礎上，以2009年第二次全國土地調查和2019年第三次全國國土調查成果為基礎預測2029年的西雙版納的土地利用分布情況，同時通過疊加土地利用變化趨勢圖集得到2029年土地利用變化的趨勢圖(圖6)。并根據2029年預測結果統計各地類數量，將其與前20年的地類分布情況作比較(表4)

圖6 2029年版西雙版納土地利用預測示意圖Fig.6 Prediction map of land use cover of 2029 in Xishuangbanna

表4 2029年西雙版納土地利用面積預測Tab.4 Prediction area of land use cover of 2029 in Xishuangbanna

由圖6、表4可知，未來西雙版納的城鎮將進一步向外擴張，建設用地的面積仍然呈現增長的趨勢，2029年建設用地預測面積為36 958 hm2，同比增長6.98%。耕地面積則呈現出下降的趨勢，預測結果顯示2029年耕地面積降至134 548 hm2，面積占比由原來的7.44%降至7.04%。由圖6(b)2029年土地利用變化趨勢圖可以看出西雙版納西部地區的勐?？h未來土地利用變化的概率會更大，而西雙版納的耕地又主要集中在該地區，可見對于未來保護該區域的耕地面積是有一定挑戰。受生態紅線和耕地紅線保護的土地，未來土地利用發生變化的概率是極低的，但需要注意的是保護區邊緣土地利用變化概率仍然較大。從預測結果的整體來看，未來林地與園地仍然是西雙版納最主要的土地利用類型，2種地類的面積相對穩定。

4 結論與討論

1)2009—2019年，西雙版納土地利用類型以林地和園地為主，僅這兩種地類就占總面積的85%，而土地利用變化最為明顯是草地，十年間大量的草地轉換為其它用地類型。生態保護紅線中心區域的土地利用較為穩定，但邊緣地區仍受到較大的威脅。隨著城鎮化的擴張與水產養殖的興起，建設用地與水域呈增長趨勢，耕地面積有一定程度的下降。

2)預測結果顯示,未來西雙版納土地利用類型仍以林地和園地為主，園地面積小幅度的上升，建設用地面積持續加速增長，耕地面積則會減少。未來土地利用變化概率最大的區域位于西雙版納西部的勐?？h，該區域有大量的耕地，是需要著重關心的區域。以林地為主的自然保護區和生態保護紅線同樣值得關注，特別是邊界地區應避免被經濟林地或建設用地占用。

3)本文基于多層神經網絡模擬西雙版納土地利用時空演變，避免了傳統線性模型的弊端，但還存在部分不足。主要是土地利用數據僅來源于土地調查，沒有結合遙感數據進行綜合分析，且分析尺度不夠豐富。未來研究計劃將不同尺度效應考慮進去，結合遙感影像探究最適合的研究尺度，同時選取更多的驅動因子以優化模型。