基于循環神經網絡的土地利用變化與驅動力分析
2025-02-11 00:00:00徐楠解軍馮中萍李莉王靖偉
山東國土資源 2025年1期
摘要：為深入探討日照市土地利用/覆蓋變化的規律，本文利用循環神經網絡模型對其2019—2023年期間土地利用/覆蓋進行遙感影像分類，并基于分類結果研究分析了多種驅動因子與土地利用/覆蓋變化之間的關系。結果表明，循環神經網絡在處理遙感影像數據方面表現出色，5年的測試總體精度均超過92%，Kappa系數均超過0.84；并且在驅動力分析方面，城鎮化率、生產總值和一般公共預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。研究結果不僅揭示了日照市城市化和經濟增長對土地利用/覆蓋的深遠影響，也為未來的土地管理和規劃提供了有價值的參考。
關鍵詞：土地利用/覆蓋；循環神經網絡；驅動力分析；日照市
中圖分類號：F301.2
文獻標識碼：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科基礎和前沿領域［1］。隨著人口數量的持續增加和人類社會工業化、城市化的持續推進，土地利用/覆蓋變化已經是不可避免［2］。如何科學地開發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上［4-7］，將循環神經網絡算法應用到中分辨率遙感影像的土地利用/覆蓋分類中，利用循環神經網絡對中分辨率遙感影像進行深度特征提［8］。同時，根據分類結果，分析山東省日照市的土地利用/覆蓋變化情況及其驅動機制，探討社會、經濟［9］、生態［10］之間的相互規律，為優化土地利用方式、推進城市健康快速持續發展提供參考信息，以期為日照市土地資源的監測、利用與合理保護提供有效的參考依據。
1 研究區概況
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《2023年日照市統計年鑒》，日照市2022年末全市戶籍總人口307.91萬人；常住人口296.83萬人；市內生產總值2306.77億元，三次產業結構占比分別為9.0%，40.7%和50.3%。日照市二產業和三產業占生產總值比超過90%，經濟結構主要依托建設用地類型。
2 數據來源與技術應用
2.1 數據來源及預處理
本研究的數據來源包括兩方面，其一是用于土地利用/覆蓋分類的遙感影像，其二是驅動機制分析所需的經濟社會數據。其中，遙感影像選取2019年、2020年、2021年Landsat-8 OLI遙感影像數據和2022年、2023年Landsat-9 OLI2遙感影像數據作為土地利用/覆蓋類型分類的數據源。
日照市土地利用/覆蓋的驅動機制分析所需的經濟社會數據主要來源于山東省統計年鑒、日照市統計年鑒、國家統計局國家數據網站及當地政府部門門戶網站公開的數據內容。
2.2 循環神經網絡分類方法
深度學習中的神經網絡作為能夠擬合任意函數的黑盒子，只要輸入足夠的訓練數據，給定特定的初始值，便能得到預想中的結果［11］。但是，常見的神經網絡只可以選取一個個單獨的輸入數據進行處理，前后的輸入之間沒有關聯，而循環神經網絡是一類以序列數據為輸入，在序列的演進方向進行遞歸，且所有節點以鏈式進行連接的遞歸神經網絡［12］。故本研究采用循環神經網絡（RNN）進行日照市多時間維度的土地利用/覆蓋類型分類。
循環神經網絡利用循環過程來獲取特征因子之間的相關性和順序的可變性，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據結構，可以充分利用特征因子的順序屬性［13］。圖2所示為循環神經網絡的基礎結構圖，循環神經網絡的隱藏層不僅僅取決于當前節點的輸入層，還與延遲器中存儲的上一次隱藏層的值存在一定的關聯，展開后得到右圖所示的結果［14］。
根據《土地利用現狀分類》（GB/T21010—2017），結合研究區土地利用特點和訓練樣本選擇難度，將土地利用/覆蓋類型劃分為農用地（不含喬木林地和草地）、林地（即喬木林地）、草地、水域和建設用地5類。利用ENVI軟件，對遙感數據進行輻射定標、大氣矯正、圖像融合、裁剪等預處理后，采用深度學習分類解譯得到初始分類結果，再結合中國科學院資源環境科學與數據中心發布的土地利用/覆蓋數據和實地調查，對初始分類結果進行修正，得到研究區的5期土地利用/覆蓋類型分布數據。
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度分析［15］。
（1）以數量指標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將土地利用程度分為4級，并賦于指數，通過統計分析，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。
某一區域的土地利用綜合程度計算如式（1）所示［16］。
Lj=100×∑n/i=1Ai×Ci
Li∈［100，400］（1）
式中：Ai為研究區域內第i級土地利用程度分級指數；n為區域土地分級指數類型總數；Ci為研究區域內第i級土地利用程度分級占地面積的百分比。
（2）土地利用動態度模型主要分為單一土地利用動態度和綜合土地利用動態度，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，可以為后續的土地利用/覆蓋變化區域的差異比較與未來土地利用/覆蓋變化趨勢的預測提供有效的參考價值［18］。
研究區綜合土地利用動態度計算如式（2）所示［18］。
LC=（∑n/i，j=1△LUij/∑n/i=1LUi）×1/2T×100%（2）
式中：LC表示T時間段內綜合土地利用動態度；LUi表示區域內第i類土地類型在監測初始階段時期的面積；T表示研究時期的長度；LUij表示研究期間內第i類土地類型轉變為非i類土地類型的絕對值。
研究區單一土地利用類型動態度計算如式（3）所示［18］。
K=Ub-Ua/Ua×1/T×100%（3）
式中：K表示單一土地利用動態度；Ua和Ub分別表示a時期和b時期該區域內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 驅動分析
土地利用/覆蓋變化是一個錯綜復雜的演變過程，其受不同的因子驅動。根據土地利用/覆蓋變化驅動力的來源，可以將其分為自然驅動因素和社會驅動因素兩大類［19-20］。其中，自然驅動是指造成土地利用/覆蓋發生變化的自然因素，包括地質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生一定的影響，具有一定的累計效應，變化緩慢［21］。社會驅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、經濟的發展、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的特點［22］。
依照驅動力因子的代表性、差異性和可獲取性等原則，研究選取了代表自然驅動的溫度和降雨量因子，代表社會驅動的經濟發展狀況、社會固定資產投資、財政支出等因子，基于這些驅動因素，構建2019—2023年日照市不同土地利用/覆蓋類型的驅動體系，并分別計算各地類與各驅動因子變化量之間的皮爾遜相關系數，用于分析理解日照市土地利用/覆蓋變化的驅動作用機制。
3 結果與分析
3.1 土地利用/覆蓋分類
本次研究采用循環神經網絡分類方法對中分辨率遙感影像Landsat-8/9數據進行訓練和測試，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系數對分類精度及進行客觀、科學、精準的定量分析。
表2為最終獲取的訓練樣本和測試樣本的分類精度統計表?？梢?，測試樣本的Kappa系數都大于0.84，總體精度都達到了92%以上，分類結果可以適用于后續的空間動態變化分析。
3.2 土地利用/覆蓋變化
根據統計結果，研究時間段內，日照市農用地面積占比最大，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域。林地面積占比為7.07%～9.55%，零散分布在中部山地區域。建設用地主要分布在東南沿海和西南部等區域，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）。
根據日照市2019年和2023年的地類面積，計算各地類之間的轉換情況，形成轉移矩陣，具體如表4所示。
可以看出，近5年以來日照市的建設用地面積呈現持續擴張的趨勢，林地、農用地面積呈現下降的趨勢，水域面積變化不大。在研究時段內，建設用地面積增加了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，日照市農用地和建設用地互相流轉頻繁，其他地類間流轉較少，農用地流出部分主要轉移為建設用地，占流出總面積的76.91%；農用地流入部分主要轉移為建設用地和林地，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年內土地利用覆蓋類型轉移圖（圖4）?？梢钥闯觯恋乩?覆蓋變化最為頻繁的區域主要位于日照市東南沿海城鎮、西南居民地附近，是農用地和建設用地間的轉換，在城鎮化快速發展尾聲階段，建設用地面積的迅速擴張擠占其他地類，在進入新時期發展階段后，國家嚴格控制耕地紅線，推行拆舊復墾等系列舉措，農用地的減少速率有所減緩。
根據土地利用綜合指數計算公式（1），計算2019—2023年期間日照市土地利用綜合指數（表5），可以看出，日照市土地利用程度綜合指數呈不斷增加的趨勢，表明日照市整體處于發展期。
根據土地利用動態度計算公式（2）和公式（3），計算2019—2023年日照市土地地利用動態度（表6）。2019—2023年，日照市土地利用綜合動態度均較小，建設用地、林地和農用地土地利用動態度較大，說明日照市整體上土地利用/覆蓋變化相對緩慢，但內部建設用地等隨著城市化擴張進程有較大的動態轉變。2022—2023年，土地利用綜合動態度與單一土地利用動態度均小于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 驅動分析
4.1 驅動力計算結果
通過計算日照市土地利用/覆蓋分類結果與驅動因子之間的皮爾遜相關系數（表7），量化它們之間的線性關系，從而評估各驅動因子的影響力和作用強度。其中，皮爾遜相關系數是衡量兩個變量之間線性關系強度和方向的統計指標，其取值范圍在［-1，1］，其中1表示完全正相關，-1表示完全負相關，而0則表示沒有線性關系。
4.2 驅動力分析
（1）通過水域與所選取驅動因子的相關性分析可知，2019—2023年，日照市的水域類型變化與降雨量存在明顯正相關關系，其相關系數為0.792，表明降雨量是水域變化的主要驅動力因素，與實際認知相符。
（2）通過建設用地與所選取驅動因子的相關性分析可知，2019—2023年，日照市的建設用地類型變化與城鎮化率、生產總值、一般公共預算支出之間呈現顯著的相關關系，表明政策是建設用地的主要驅動力甚至決定因素。經濟增長帶動了對更多商業和工業用地的需求，這會促使建設用地類型向這些方向調整，以適應城市化發展的需求。隨著政府在基礎設施和公共服務領域的支出增加，城市中對相關建設用地的需求也會增加，例如教育、醫療和公共設施用地。
（3）通過林地與所選取驅動因子的相關性分析可知，2019—2023年，日照市的林地類型變化與常住人口、城鎮化率和生產總值有較強的負相關關系，而這三類驅動因素與城市化發展息息相關，可能是隨著城市擴張和生活方式的變化導致了林地被轉化為住宅區、商業區和其他城市基礎設施。
（4）通過農用地與所選取驅動因子的相關性分析可知，2019—2023年期間，日照市的農用地類型變化與城鎮化率、生產總值、一般公共預算支出之間呈現顯著的負相關關系。城鎮化率的提升通常伴隨著城市用地的擴張，導致原有的農用地被轉變為城市建設用地，這種變化反映了城鎮化對農用地資源的擠占效應。同時工業、商業和基礎設施的發展農用地資源也有顯著的替代效應；公共財政的增加可能集中在城市建設和基礎設施領域，進一步壓縮了農用地面積，表明財政支出的增長可能對農用地保護產生壓力。
（5）通過未利用地與所選取驅動因子的相關性分析可知，2019—2023年期間，日照市的未利用地類型變化與常住人口、城鎮化率、生產總值和一般公共預算之間呈現顯著的相關關系。隨著人口的增長，其他土地利用/覆蓋類型在發生轉換的過程中，可能會在未利用地過渡，如農轉用過程中土地的三通一平期間，在遙感影像上反應的是未利用狀態，而后再被轉化為住宅、商業和服務設施等用途，以滿足居民的生活需求和經濟活動。
5 結論
本文以日照市為研究區域，采用深度學習分類方法，對2019—2023年的中分辨率Landsat-8/9衛星遙感數據進行土地利用/覆蓋類型解譯，探討了2019—2023年間研究區內的土地利用變化情況，并以此為基礎進行土地利用/覆蓋類型演變的驅動力分析。結果表明：
（1）循環神經網絡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，研究區在土地利用/覆蓋結構上，主要以農用地為主，其次為建設用地，土地利用/覆蓋變化最為頻繁的區域主要位于東南沿海城鎮、西南居民地附近，是農用地和建設用地間的轉換。在城鎮化快速發展階段，建設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）驅動分析結果表明，城鎮化率、生產總值、一般公共預算支出等對日照市的土地利用/覆蓋變化的影響最大，主要由于城鎮化率的提升推動了城市擴張和建設用地的增加，擠壓了農用地；生產總值的增長帶來了經濟活動的擴展和產業用地的需求；當前政策則更多是促進基礎設施和公共設施的建設，忽視了給農用地保護帶來的壓力。這些因素共同作用，導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系統的影響［J］.植物生態學報，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監測［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］.南方農機，2021，52（6）：195-196.
［5］ 王小燕，李靜瀾，白艷萍，等.基于深度學習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.基于遷移學習和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.基于卷積神經網絡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.利用深度卷積循環神經網絡的高光譜影像空譜特征分類方法［J］.測繪科學技術學報，2021，38（4）：368-373.
［9］ 戴芳筠，占明錦，戴志健，等.江西省社會經濟數據和土地覆蓋時空差異演化［J］.氣象與減災研究，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系統服務價值的影響［J］.山東國土資源，2024，40（2）：56-64.
［11］ 雷霞，羅雄麟.深度學習可解釋性研究綜述［J］.計算機應用，2022，42（11）：3588-3602.
［12］ 王思麗，張伶，楊恒，等.深度學習語言模型的研究綜述［J］.農業圖書情報學報，2023，35（8）：4-18.DOI：10.13998/j.cnki.issn1002-1248.23-0251.
［13］ 劉建偉，宋志妍.循環神經網絡研究綜述［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.深度學習在時空序列預測中的應用綜述［J］.北京工業大學學報，2021，47（8）：925-941.
［15］ 王君，劉揚，文楓，等.基于文獻計量學的近40年土地利用變化研究綜述［J］.河南城建學院學報，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/覆蓋變化的生態環境效應研究［J］.江蘇科技信息，2023，40（34）：72-75.
［18］ 龍運婷，禹龍，王維，等.基于3S技術的貴陽市土地利用變化動態監測研究：以貴陽市環城高速以內區域為例［J］.農業與技術，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狀與展望［J］.農業與技術，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系統服務價值的影響［J］.生態科學，2023，42（6）：144-155.DOI：10.14108/j.cnki.1008-8873.2023.06.015.
［21］ 陸妍霏，宣蔚，趙力偉.鄉村土地景觀演變的驅動因素研究［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濟驅動因素分析［J］.草業科學，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
