基于卷积神经网络-Transformer与PLUS的长江三角洲城市扩张模拟集成模型

《Remote Sensing》:An Integrated Model Based on CNN-Transformer and PLUS for Urban Expansion Simulation in the Yangtze River Delta, China Linyu Ma, Jue Xiao, Gan Teng, Ting Zhang and Longqian Chen

【字体: 大 中 小 】 时间:2026年04月08日 来源:Remote Sensing 4.1

编辑推荐:

  城市群内部的土地利用变化呈现显著的时空异质性与区域差异性。在城市群土地模拟中,传统模型往往难以系统性捕捉这些变化。研究人员提出GCTP,这是一种融合引导式地理分区、卷积神经网络(CNN)-Transformer与斑块生成土地利用模拟(PLUS)模型的新型框架。

  
城市群内部的土地利用变化呈现显著的时空异质性与区域差异性。在城市群土地模拟中,传统模型往往难以系统性捕捉这些变化。研究人员提出GCTP,这是一种融合引导式地理分区、卷积神经网络(CNN)-Transformer与斑块生成土地利用模拟(PLUS)模型的新型框架。首先,采用引导式K-means聚类进行地理分区,以表征区域空间非平稳性。随后,CNN-Transformer网络利用自注意力机制捕捉多尺度空间相关性,获得像元级开发概率。最后,将这些概率与PLUS中的土地扩张分析策略(LEAS)输出进行融合,以驱动PLUS中的多类型随机种子元胞自动机(CARS)开展斑块级模拟。结果表明:(1)引导式分区的嵌入使模型总体精度(OA)达到0.941,有效缓解了全局模拟偏差。(2)当融合权重为0.81时,模拟性能最优,Kappa系数达到0.8917,优值指数(FoM)达到0.3830,显著优于单一模型。(3)2030年模拟结果显示,GCTP模型能够有效减少城市边缘的孤立像元。GCTP生成的邻域格局具有较高的空间紧凑性与地理一致性。该研究凸显了将长距离空间感知能力与地理异质性约束相结合,在城市群土地扩张模拟中的显著优势。研究结果可为更加精准的国土空间规划实践提供支持。
这篇发表于《Remote Sensing》的论文围绕长江三角洲这一高度一体化、快速城市化的大型城市群,探讨复杂区域内城市扩张模拟的精细化建模问题。研究背景在于,城市扩张与土地利用/覆被变化(LUCC)已成为全球快速城市化与区域可持续发展研究的核心议题。对于长江三角洲这类超大尺度城市群而言,其内部自然地理条件、经济强度、交通可达性与政策资源配置高度不均,导致土地利用变化表现出显著空间非平稳性,即相同驱动因子在不同区域对土地转化的影响并不一致。同时,城市扩张还受到跨区域政策、宏观经济联系和远距离交通网络等非局地因素影响,具有明显的长距离空间依赖特征。传统基于Markov链与元胞自动机(CA)的模型虽在土地利用模拟中应用广泛,但往往依赖局部邻域规则,难以同时刻画区域异质性、复杂非线性关系和斑块级生长过程。虽然PLUS模型通过随机森林(RF)驱动的土地扩张分析策略(LEAS)与多类型随机种子元胞自动机(CARS)改善了斑块生成和景观一致性,但对远距离空间依赖和全局空间结构的表征仍有限。因此,开展一项融合地理分区、深度学习与PLUS优势的研究,对于提升大型城市群土地扩张模拟精度和支撑跨行政区协同规划具有重要意义。

研究人员据此构建了GCTP框架,即融合引导式地理分区、卷积神经网络(CNN)-Transformer和PLUS模型的城市扩张模拟方法。该框架力图同时解决大尺度区域土地扩张模拟中的空间非平稳性问题与全局时空依赖建模不足问题。研究以长江三角洲为对象,基于2010、2015和2020年的中国土地覆被数据集(CLCD),将土地利用重分类为耕地、森林、草地、水体、未利用地和不透水面六类,并结合自然地理与社会经济9项驱动因子开展模拟。研究结论显示,GCTP模型通过引导式分区显著增强了对区域异质性的识别能力;通过CNN与Transformer耦合,有效捕捉了局部纹理和长距离空间依赖;通过与PLUS融合,在像元精度和斑块形态上均优于单一模型。模型在2020年回溯模拟中取得OA为0.941,在融合权重0.81时达到最优性能,Kappa为0.8917、FoM为0.3830。2030年模拟结果进一步显示,该模型可减少城市边缘破碎化扩张,形成更连续、紧凑且符合地理逻辑的城市建设用地格局。整体而言,该研究为复杂城市群尺度的土地扩张模拟提供了一条将深度学习嵌入CA类模型的可行路径,并为国土空间优化配置和可持续发展提供了科学支撑。

从方法上看,研究主要采用了三类关键技术。第一,引导式K-means地理分区方法,基于先验权重矩阵和多源驱动因子,将长江三角洲划分为5个异质性分区,并以one-hot编码嵌入后续模型,以显式表达空间非平稳性。第二,构建CNN-Transformer网络,以32 × 32局部窗口输入9类驱动因子、5类分区编码和6类历史土地利用编码,通过卷积层提取局部空间结构特征,再利用多头自注意力(MHSA)捕捉长距离空间依赖,输出像元级土地转化概率,并采用10折交叉验证评估稳定性。第三,将CNN-Transformer输出概率与PLUS模型中LEAS模块输出按权重融合,生成最终开发概率,再输入CARS模块进行斑块级空间分配,并通过OA、Kappa和FoM评价模拟效果。样本来源主要为长江三角洲区域2010、2015、2020年CLCD土地利用数据及配套驱动因子数据。

3.1. Results of Geographical Zoning
在地理分区结果部分,研究人员首先针对长江三角洲内部显著的空间非平稳性开展区域划分。研究通过Inertia、轮廓系数(Silhouette Coefficient)和Calinski–Harabasz(CH)指数综合确定最优聚类数,其中三项指标均支持k = 5为最佳结果。据此,研究区被划分为5个具有明确空间结构的地理异质性分区,分别为核心发展区、次级增长区、交通廊道区、生态保护区和乡村过渡区。该结果表明,引导式K-means不仅能够识别区域内部发展强度、交通条件和生态约束的差异,还为后续深度学习模型提供了明确的区域先验信息,从而提升模拟的空间适应性。研究据此认为,地理分区有效刻画了长江三角洲内部复杂而显著的区域异质性。

3.2. Effectiveness and Accuracy of the Coupled Model
3.2.1. Internal Accuracy
在内部精度验证部分,研究人员通过在CNN-Transformer训练阶段引入加权负对数似然损失函数(NLLLoss),缓解长江三角洲土地利用类型分布不均衡对模型训练的影响。训练曲线显示,随着迭代次数增加,样本平均损失持续下降并平滑收敛,未出现梯度消失或明显震荡,说明模型能够有效学习驱动因子、地理分区与历史土地利用之间复杂的非线性映射关系。在10折交叉验证中,独立验证集上的OA稳定在约0.94,表明引导式分区嵌入与Dropout机制共同增强了模型泛化能力。尽管未利用地等少数类型因样本稀缺导致像元指标存在波动,但通过对少数类提高惩罚权重,模型较好抑制了向优势类别偏置的风险。该部分结果说明,CNN-Transformer模块具备稳健的像元级转化规则识别能力。

3.2.2. Simulation Accuracy
在模拟精度分析部分,研究通过加权融合CNN-Transformer与LEAS的开发概率,构建最终的综合开发概率,并对不同融合权重进行敏感性分析。结果表明,随着融合权重变化,Kappa与FoM呈现先升后降的钟形变化轨迹。当权重阈值为0.81时,模型性能达到峰值,Kappa为0.8917,FoM为0.3830。该结果表明,在城市群尺度上,深度学习所提取的空间非线性特征对土地扩张模拟具有主导贡献,但与RF挖掘的局部规则进行适度融合可进一步提升最终模拟表现。由此可见,耦合策略有效综合了全局空间依赖建模与局地转化规则识别两方面优势。

3.3. Land Use Simulation for 2030 by the GCTP Model
在2030年土地利用模拟部分,研究人员采用验证阶段确定的最优融合权重ω = 0.81,将2010年状态作为初始年、2020年状态作为基准年,在Markov确定各地类需求量的基础上,利用耦合的CNN-Transformer与PLUS模型进行2030年空间分配模拟。结果显示,2020—2030年间,长江三角洲仍将保持以建设用地扩张为核心的演化趋势,周边耕地是新增建设用地的主要来源,扩张活动主要集中于现有城市边缘。由于地理分区对生态保护区施加了约束,其他土地利用类型在大尺度空间分布上总体保持稳定。进一步与标准PLUS结果比较发现,尽管两者在宏观扩张格局上较为一致,但GCTP在局地尺度上表现出更强的空间连续性与团簇化扩张特征,而标准PLUS更容易在城乡结合部和乡村腹地产生零散、孤立的不透水面像元。这说明GCTP更好地表征了沿既有城市斑块和交通走廊延展的路径依赖型城市化过程,能够生成更符合紧凑发展导向的空间格局。

4. Discussion
4.1. Reasonability of Simulation Result from the GCTP Model
讨论部分首先论证了GCTP模拟结果的合理性。研究指出,标准PLUS与GCTP均保持了长江三角洲土地利用的宏观空间结构,特别是在核心城市区域高度集聚的不透水面分布方面与现实发展趋势一致。但在局部空间配置上,GCTP通过CNN-Transformer提取的空间依赖特征,更倾向于识别具有较高空间连续性的潜在开发区域,因此在城市边缘与过渡带形成更紧凑的扩张形态。这类结果与长江三角洲产业重构、人口增长、基础设施扩展驱动下的多中心、廊道导向型城市发展动态相一致,同时也与生态保护政策对生态敏感区开发的限制相符。由此表明,该耦合框架不仅反映了空间统计关系,也在一定程度上体现了区域土地利用演化的社会经济机制。

4.2. Guided Geographical Zoning for Mitigating Spatial Non-Stationarity
在空间非平稳性缓解机制方面,研究指出,传统模拟模型通常默认驱动机制在全域内空间平稳,但这一假设并不适用于大型城市群。引导式地理分区为模型提供了关键的区域语境,使模型能够在核心城市区和次级增长区更集中地刻画连续城市扩张,而在生态保护区和乡村过渡区则表现出更受限的建设用地增长趋势。研究认为,这种分区建模优势体现在能够表达不同区域的发展约束与转化偏好,并在维持整体结构稳定的同时遵循差异化内部发展逻辑。论文同时指出,该策略仍可能在分区边界引入边缘效应,但已通过滑动窗口机制在一定程度上平滑过渡。

4.3. Advantages of Deep Learning in Capturing Multi-Scale Spatial Dependencies
在多尺度空间依赖建模方面,研究表明,CNN负责提取局部像元邻域特征,保障斑块边缘平滑;Transformer则借助自注意力机制连接单个像元与远距离特征,从而识别连续的高开发潜力区域,避免单纯依赖局部规则挖掘所导致的随机离散斑块生成。结果显示,GCTP更细致地再现了建设用地沿交通网络延伸和城市边缘斑块化扩张的形态特征,不过这种改进主要体现在空间形态表达,而非宏观扩张趋势的根本改变。研究据此认为,深度学习在土地利用模拟中更适合作为概率建模与特征提取工具,而不是独立承担空间演化过程模拟。

4.4. Uncertainties and Outlook
关于不确定性与展望,研究明确指出,GCTP尽管提升了空间表达能力,但仍受驱动因子选择、权重设置、样本规模和空间分辨率等因素影响。特别是CNN-Transformer与LEAS之间的融合权重0.81虽由数据驱动确定,但尚缺乏普适理论推导。该模型在长江三角洲表现优异,但其在不同地理和社会经济背景地区的适用性仍需进一步系统验证。研究还强调,本研究结果属于情景模拟而非确定性预测,其目标在于刻画潜在空间演化趋势,而非给出2030年土地利用格局的唯一精确结果。未来可在引入多时相动态驱动因子、嵌入政策导向情景和开展不确定性量化等方向上继续拓展。

研究结论部分可概括翻译如下:本研究通过构建GCTP框架,回应了大型城市群土地扩张模拟中空间非平稳性与空间依赖建模的关键挑战。实证结果表明,融合地理分区的GCTP模型能够更有效识别区域异质性,5类地理分区为模型提供了关键先验信息,并使耦合框架在像元级识别上较标准PLUS模型更加稳定,OA达到94.1%。深度学习对时空特征的表征提升了模拟精度,在融合权重为0.81时,模型达到最佳表现,Kappa为0.8917,FoM为0.3830,说明耦合策略能够有效模拟复杂地理演化过程。与单一PLUS模型相比,CNN-Transformer显著改善了2030年模拟格局的空间连续性与紧凑程度,减少了城市边缘破碎化斑块,使模拟城市足迹更符合区域集约发展逻辑。模拟还显示,到2030年,长江三角洲将继续向外围呈现不均匀扩张,扩张主要集中于核心发展区及交通廊道,并持续对周边耕地形成压力;与此同时,地理分区约束有助于维持生态保护区内林地和水体的空间完整性。总体而言,GCTP模型在保持较高统计精度的同时,在空间形态恢复和区域异质性表达方面具有显著优势,可为快速城市化地区的土地优化配置与可持续发展提供有力科学支持,并为复杂区域土地利用模拟提供新的方法学思路。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号