基于ANN-CA模型的F縣季節性閑置耕地模擬及預測

王靜祎 王加勝

摘要 為保護耕地和提高耕地利用率，促進農業可持續發展，本研究利用ANN-CA模型對F縣的季節性閑置耕地情況進行模擬預測。模擬結果表明，在α=2，T=0.8的參數組合下，各類用地變化的模擬精度較高，模擬出的用地變化情況與2020年的實際用地情況較為貼近；根據季節性閑置耕地識別規則模擬出F縣未來耕地季節性閑置現象呈現明顯好轉趨勢，預測2025年F縣季節性閑置耕地主要集中在東北部和南部，面積為25.831 8 km2。生產中，注意對耕地進行科學合理的養護和利用，以保障農作物的產量和質量，確保農業可持續發展。

關鍵詞 季節性閑置耕地；ANN-CA模型；模擬預測；耕地利用率；土地養護

中圖分類號 S151? ?文獻標識碼 A

文章編號 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

季節性閑置耕地是指為提升耕地質量，不連續耕種導致其季節性荒蕪的一種特殊土地利用變化現象[1]。隨著城鎮化進程加快，部分農村人口流動、耕地碎片化、灌溉條件受限、耕作交通不便、機械化程度和農業生產收益不高等因素影響耕地利用，以及有機生態農業需要，部分耕地出現了季節性閑置現象[2]，這在一定程度上影響了耕地資源的有效利用，對區域糧食安全可能產生了一定的不利影響。對季節性閑置耕地進行模擬分析對于發展區域農業，夯實糧食安全根基，提升土地價值，促進鄉村振興具有重要意義[3]。

季節性閑置耕地是土地利用變化的一種類型，建立模擬和預測模型，評估未來一段時間的土地利用變化情況，模擬季節性閑置耕地的變化趨勢對于相關耕地保護政策的制定具有重要意義[4-6]。評估季節性閑置耕地變化趨勢所使用的模擬模型和預測模型可分為兩類：空間統計模型和系統動力學模型，空間統計模型一般是利用回歸分析模型對季節性閑置耕地模擬與預測[7]，這種方法依賴于指標因素的選擇，并且與指標因素具有高度的相關性[8-9]；系統動力學模型是季節性閑置耕地研究的第二類模擬與預測模型，如Dyna-CLUE、forer-sce等，借助這些模型可以模擬出不同情境下[2-3]閑置耕地的空間分布。數量模型有灰色預測（GM）模型、馬爾可夫鏈（Markov）模型等，空間分析模型有元胞自動機（CA）模型、CLUE和CLUE-S模型等，各模型的特點有所不同[10-11]。目前，有關季節性閑置耕地的模擬預測分為兩個方面：一是直接對季節性閑置耕地進行模擬，宋世雄等[12]在多智能體（MAS）模型理論基礎上建立基于Category-Belief-Desire-Intention（CBDI）決策結構進行耕地季節性閑置模擬；二是從土地利用類型變化的角度來模擬，郭歡歡等[8]利用不同情景下的人口遷移模型對農村土地利用進行影響因素的分析。相關學者在模型模擬土地利用變化上不斷完善，使得模型更加豐富，綜合考慮各種模型的優缺點，探索出具有較大優勢的土地利用類型耦合模型，其中，ANN-CA作為一種耦合模型，在進行土地模擬時具備較大優勢。

F縣地處西南喀斯特區域，受地形影響，該區域部分耕地較散碎，生態環境較脆弱，部分耕地季節性閑置現象較常見。本研究基于季節性閑置耕地時空分布數據，利用ANN-CA模型對F縣季節性閑置耕地進行模擬預測，為該地區未來的耕地保護提供參考。

1 材料與方法

1.1 研究區基本情況

F縣地處云南高原東部，地勢西北高東南低，地形為山地、峽谷，烏蒙山支脈自北向南縱貫全境，屬亞熱帶季風氣候，降水豐富，四季溫和，年均氣溫14 ℃左右。農業生產方面，魔芋種植面積較大，糧食作物一般為玉米和稻谷。

1.2 數據來源與預處理

1.2.1 數據來源? （1）季節性閑置耕地數據集與土地利用數據集。2010—2020年的季節性閑置耕地時空數據集，參照Zhao等[13]的部分研究成果，該數據空間分辨率為30 m，季節性閑置耕地精度為0.94。土地利用數據集參照王麗蒙[14]使用隨機森林分類得到，將土地利用類型分為5類，分別為耕地、草地、林地、水體和建筑物。

（2）自然影響因子數據。長時間平均氣溫、降水、日照時長和土壤侵蝕指數數據均來源于地球資源數據云。所用年均氣溫、降水量的空間分辨率為1 km，數據類型為浮點型，是對2 472個氣象觀測點數據進行插值獲取，具有精度高、分辨率高和時序長等特點。

（3）社會經濟影響因子數據。人口密度數據來源于East View Cartographic（https：//landscan.ornl.gov）的LandScan全球人口數據集，空間分辨率為1 km，提供了高分辨率的人口分布信息；夜間燈光數據來自海洋和大氣管理網站（https：//ngdc.noaa.gov），空間分辨率750 m；GDP空間格網數據來自地理遙感生態網（http：//www.gisrs.cn/），空間分辨率500 m，該柵格數據集是在GDP統計數據的基礎上，綜合分析了與人類活動密切相關的土地利用類型、夜間燈光數據亮度和居民點密度的GDP分布權重，該數據集反映了GDP的詳細分布狀況。道路矢量數據集是來自OpenStreetMap平臺（https：//openmaptiles.org/）的公路圖層；河流數據來自地球資源數據云。

1.2.2 數據預處理? 本研究結合實際情況選取了多種限制性因素作為土地利用類型變化的約束性因素[6]。從實際出發，考慮土地利用變化受到的影響和制約，使用歐氏距離（Euclidean Distance）生成距離河流、主要公路的空間可達性變量。將人口密度、GDP數據和夜間燈光數據列為社會經濟因素，高程、坡度、年均氣溫、年均降水、日照時長和土壤侵蝕指數作為自然影響因素（表1），并且對這些數據進行預處理，空間分辨率與投影坐標系必須與土地利用類型數據保持一致，空間分辨率30 m，投影坐標為WGS_1984_UTM_Zone_48N，以上各類影響因素均利用ArcGIS 10.8軟件中的模糊隸屬度工具將各類影響因素數值歸一化為0～1。

1.3 試驗方法

1.3.1 ANN-CA模擬方法? ANN-CA具有強大的空間運算能力，常用于自組織系統演變過程的研究[15]。ANN-CA是利用神經網絡來代替轉換規則，并通過對神經網絡的訓練來獲取模型參數[16]。ANN-CA訓練階段：通過抽樣數據訓練人工神經網絡，獲得網絡權重值；其輸入數據為影響因子、鄰域窗口內各土地利用類型統計值以及當前的土地利用類型；輸出值為各種土地利用類型的概率值。通過人工神經網絡得到應該轉換的類型，判別當前柵格是否可以轉換[17]。達到終止條件時結束模擬過程，模擬時通過ANN得到所有用地的概率值，最大值對應需轉換的土地利用類型，再進行閾值比較等判別，決定是否可以進行轉換[18]。具體計算公式如下。

元胞k時刻t第l種土地利用類型轉換概率P=隨機因素×人工神經網絡計算概率×鄰域發展密度×轉換適宜性。式（1）中，[（-lnγ）α]為隨機因素；[Pann（k， t， l）]為已訓練的人工神經網絡計算的某種土地利用類型的轉換概率；[Ωtk]為所定義的鄰域窗口中城市用地的密度；[con（Stk）]為兩個區域的土地之間轉換適宜性。每次循環計算過程中，利用神經網絡內部的輸出層計算N種土地不同類型的轉換概率數據，利用最大值判定土地的利用類型。

1.3.2 季節性閑置耕地識別方法? 根據季節性閑置耕地識別方法[13]來計算閑置耕地的面積，主要表現在耕地直接向草地的轉化，其構建的識別規則：以模擬前一年為基準年，判斷模擬當年每個像元的土地利用類型在模擬前一年耕地范圍內的變化情況。如果[Pi]為林地、水體或者建筑，則認為該像元發生了土地利用類型轉化，不屬于季節性閑置耕地；如果[Pi]為草地，則認為該像元發生了季節性閑置情況，計算公式如下。

式（2）中，Pi-1為模擬前一年某像元的土地利用類型；[Pi]為模擬當年相同位置上像元的土地利用類型；[Ai]表示模擬當年某像元的土地利用類型轉化情況。具體轉化情況如表2所示。

根據表2所示的土地利用類型轉化情況，本研究將耕地類別設置為“1”，草地設置為“2”，林地設置為“3”，水體設置為“4”，建筑設置為“5”。季節性閑置耕地的發生則是由前一年的耕地變成當年的草地，由表2可知，“102”像元就是由耕地變成草地，即當年耕地發生季節性閑置。

2 結果與分析

2.1 土地利用變化模擬

以2014、2016、2018和2020年土地利用數據為基礎對2020年土地季節性閑置狀況展開模擬分析，同時添加11個空間約束因子，在模擬過程中，抽樣比例設定為5%，鄰域窗口大小設定為7，進行數據抽樣。完成人工神經網絡訓練，再利用2016、2018年的土地利用類型數據獲取研究區2020年的土地利用情況模擬圖。

輸入模擬開始年份以及結束年份對應的土地利用數據時，利用2016、2018年的耕地季節性閑置轉換過程，以上述轉換過程對應的柵格轉換數據作為模擬過程的終止條件。用0、1值表示土地利用類型是否可以進行相互轉換，1對應為可轉換，0對應為不可轉換。利用擴散參數針對干擾強弱進行控制，其對應的取值一般維持在1～10。閾值對應的取值維持在0～1。刷新頻率設定為每10次刷新1次。參數設定的差異也會對模型的模擬結果產生影響，為了研究在ANN-CA模型應用的過程中較合理的參數組合，設定了4組不同的參數組合，并且將得到的模擬土地利用情況圖和實際數據進行對比分析，以獲取對比模擬精度，確定優化的參數組合，具體參數組合及模擬精度見表3。表3 不同參數組合下的ANN-CA模擬精度

將模擬圖斑與2020年實際的土地利用現狀圖進行對比，無論是圖斑分布（圖1），還是各土地類型的元胞個數對比，均以α=2，T=0.8時更加貼近真實情況。因此本次模擬選取α=2，T=0.8作為控制參數，其模擬效果最佳，后續模擬2025年土地利用情況時沿用此參數。

2.2 土地利用變化預測

按照2020年模擬最優參數組合，分別輸入2010、2015年和2012、2016年兩組的土地利用圖當作模型的應用規則，同時添加11個影響因子，輸入模擬開始年份2015、2016年以及結束年份2020年對應的土地利用值，利用2010—2020年用地變化過程中，以2010—2020年用地變化過程對應的柵格轉換數據當作該模擬過程的終止條件，設置適宜性矩陣，利用0、1值表示土地利用類型是否可以進行相互轉換，1對應為可轉換，0為不可轉換，最終預測出2024和2025年的土地利用類型數據如圖2所示。

2024、2025年預測的土地利用類型使用的是已驗證過精度的2020年實驗組的參數，因此其模擬結果的精準度使用Kappa系數驗證即可。對模擬結果進行分析可知，總精度83.56%，Kappa系數0.685。以此標準，本次模擬精準程度較好，但模擬結果表現一般。

2.3 季節性閑置耕地提取及分析

按照上述建立的規則，對2024、2025年預測的土地利用數據進行逐像元柵格運算，預測得到2025年季節性閑置耕地空間分布，結果如圖3所示。從圖3可知，預測2025年研究區季節性閑置耕地集中在東北部、中部和南部區域。研究區距市中心較遠，一定程度上影響了其經濟發展。經過實地考察發現，該地區部分存在人口流出、耕地質量以及農業機械化水平有待進一步提高等現象，耕種成本較高，部分農戶可能選擇將耕地季節性閑置。

預測計算可知，根據2010—2020年季節性閑置耕地面積對比，研究區2010—2015年季節性閑置耕地面積所占比例非常小，整體呈波動性上升趨勢，其中2010年季節性閑置耕地面積134.370 0 km2，2015—2020年整體呈下降趨勢。預測結果表明，研究區2025年季節性閑置耕地面積25.831 8 km2，遠低于2010年水平，即研究區未來的季節性閑置耕地面積將呈現下降趨勢。

3 結論與討論

3.1 結論

（1）在對F縣季節性閑置耕地模擬預測中引入了ANN-CA模型，為了選出更適宜的參數，共設計了4種參數，對2024、2025年F縣進行土地利用情況模擬分析。結果表明，在α=2，T=0.8參數組合下，各類用地變化的模擬精度較高，模擬出的用地變化情況與2020年的實際用地情況貼近，模擬數據精度檢驗和Kappa系數驗證結果分別為83.56%和0.685。

（2）根據模擬F縣2020年的土地利用數據的轉換規則來模擬2024、2025年的土地利用數據，并計算2025年季節性閑置耕地面積。模擬預測結果表明，研究區2025年的季節性閑置耕地主要在東北部、中部和南部區域，出現季節性閑置耕地的影響因素有耕地質量、地形、經濟發展狀況以及人口變化等。

（3）預測計算可得，F縣2025年季節性閑置耕地面積25.831 8 km2，通過對比2010—2020年研究區季節性閑置耕地的面積可知，研究區耕地季節性閑置情況在2010—2015年整體呈上升趨勢，2015—2020年呈現下降趨勢，根據預測結果，研究區未來一段時間的耕地利用狀況將呈現明顯的好轉趨勢。

3.2 討論

（1）本研究在使用ANN-CA模型對研究區季節性閑置耕地進行模擬時，模型采用的是靜態轉換規則。實踐中，土地利用類型之間的轉換是一個動態過程。另外，在設置模型時，閾值設置有限，可操作性有待進一步提高，土地利用模擬預測結果的Kappa系數有待進一步提高。因此，在進行模型模擬時，模擬精度需要進一步提高。

（2）預測結果表明，未來一段時間季節性閑置耕地面積將進一步減少。在實踐生產中，為減少耕地季節性閑置情況的出現，需要對耕地進行科學合理的養護和利用，保障農作物的產量和質量，同時確保土壤肥力和農業可持續發展。具體措施：將生物養地和化學養地相結合，使用農家肥、綠肥和堆肥等有機肥料提高土壤有機質含量，改善土壤結構；避免在耕地上進行非農業活動，如建筑、工業等，以免破壞土壤結構和污染土壤；定期對土壤肥力、水分和病蟲害等進行監測，及時調整養護手段；積極推進高標準農田建設，補齊基礎設施短板，促進耕地質量持續提升。

參考文獻

[1] 李孔俊. 土地拋荒的經濟學視角[J]. 廣西教育學院學報，2002（5）：82-84.

[2] 李雨凌，馬雯秋，姜廣輝，等. 中國糧食主產區耕地撂荒程度及其對糧食產量的影響[J]. 自然資源學報，2021，36（6）：1439-1454.

[3] 王新友，王玉嬌. 耕地撂荒的文獻計量分析：脈絡和展望[J]. 干旱區地理，2023，46（5）：804-813.

[4] 鄭淋議，陳紫微. 耕地細碎化對農戶耕地撂荒的影響及其治理優化[J]. 地理研究，2024，43（1）：200-213.

[5] 陳藜藜，鄒朝暉，劉曄. 基于條件過程分析的農村勞動力外流對耕地撂荒影響機制研究[J]. 中國土地科學，2023，37（11）：73-83.

[6] 董世杰，辛良杰，李升發，等. 中國梯田撂荒程度及空間格局分異研究[J]. 地理學報，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] 郭歡歡，鄭財貴，牛德利，等. 不同情景下的人口遷移及其對農村土地利用影響研究：以重慶市為例[J]. 長江流域資源與環境，2014，23（7）：947-952.

[9] 黃慶旭，史培軍，何春陽，等. 中國北方未來干旱化情景下的土地利用變化模擬[J]. 地理學報，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] 項驍野，王佑漢，李謙，等. 基于CiteSpace軟件國內外撂荒地研究進展與述評[J]. 地理科學，2022，42（4）：670-681.

[12] 宋世雄，梁小英，梅亞軍，等. 基于CBDI的農戶耕地撂荒行為模型構建及模擬研究：以陜西省米脂縣馮陽坬村為例[J]. 自然資源學報，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] 王麗蒙. 基于Landsat時間序列影像的滇東撂荒地識別方法研究[D]. 昆明：云南師范大學，2022.

[15] 付海英，郝晉珉，朱德舉，等. 耕地適宜性評價及其在新增其他用地配置中的應用[J]. 農業工程學報，2007，23（1）：60-65.

[16] 劉黎明. 土地資源學[M]. 5版. 北京：中國農業大學出版社，2010.

[17] 黎夏，李丹，劉小平，等. 地理模擬優化系統GeoSOS及前沿研究[J]. 地球科學進展，2009，24（8）：899-907.

[18] 陳逸敏，黎夏，劉小平，等. 基于耦合地理模擬優化系統GeoSOS的農田保護區預警[J]. 地理學報，2010，65（9）：1137-1145.

（責編：李 媛）