基于PLUS模型与U-Net结构的土地利用变化模拟研究——以吉林省为例

本研究针对传统土地利用变化(LUCC)模拟方法在复杂转换模式捕捉和长期趋势预测中的局限性，创新性地结合PLUS模型与U-Net神经网络，对吉林省2000-2020年土地利用变化进行多尺度模拟，并预测2030年情景。研究发现：两种模型总体Kappa指数均超过0.80，U-Net通过OHEM-Dice复合损失函数显著提升非线性动态预测精度；PLUS模型在规则驱动的长期预测中表现稳定，而U-Net更擅长捕捉"人类决策-生态响应"的耦合过程。该研究为东北黑土区土地利用优化与可持续发展提供了科学依据。

　　

在全球气候变化与人类活动双重影响下，土地利用/覆被变化(LUCC)已成为影响区域生态安全与可持续发展的核心问题。作为中国重要的商品粮基地，吉林省正面临黑土退化、湿地萎缩与城乡发展失衡等多重挑战。传统统计模型难以捕捉LUCC的复杂非线性特征，而深度学习模型在样本依赖性方面存在局限，亟需建立多尺度、多方法的综合模拟体系。

东北师范大学研究人员在《Ecological Indicators》发表的研究，创新性地将基于规则挖掘的PLUS模型与基于深度学习的U-Net结构相结合，构建了吉林省2000-2030年土地利用变化模拟框架。研究采用30米分辨率中国土地覆被数据集，通过Land Expansion Analysis Strategy(LEAS)提取转换规则，利用Multiple Random Seeds(CARS)算法优化空间分配；U-Net模型则引入OHEM(Online Hard Example Mining)与Dice复合损失函数解决类别不平衡问题。研究整合12类驱动因子，包括GDP、NDVI等社会经济与自然要素，通过Kappa系数和FOM指标验证模型精度。

研究结果显示：

1. 土地利用时空动态
   2000-2020年间，吉林省建设用地年均增长5.86%，主要来自耕地转化(326.73 km²)；湿地面积锐减34.9%，反映生态保护压力。PLUS模型预测2030年建设用地将继续扩张(年增0.45%)，而U-Net显示耕地→林地转换更显著(498.06 km²)。

2. 模型性能比较
   空间一致性分析表明，U-Net的总体精度(88.99%)略高于PLUS模型(87.88%)，MSE值为0.43。PLUS模型在湿地等稀缺样本类型中表现稳定，而U-Net对耕地-草地的双向流动特征捕捉更敏感。

3. 转换强度图谱
   LUCC强度图谱揭示：PLUS模型呈现耕地→林地的绝对倾向性(年增0.34%)，反映生态政策效果；U-Net则检测到建设用地与耕地间的强双向转换(6.05%)，体现城镇化动态。

讨论部分强调：该研究通过模型协同创新，为黑土保护提供了量化工具——PLUS模型的长期稳定性适合制定生态红线，而U-Net的像素级预测能力可优化耕地轮作制度。研究发现的东部林地"空间锁定效应"与西部未利用地开发风险，为吉林省"十四五"国土空间规划提供了科学依据。这种"规则驱动+数据驱动"的融合范式，为全球农业生态区的可持续发展评估提供了新思路。