《Forecasting》:Assessing Historical and Simulating Future Land-Use and Land-Cover Change Through an Integrated Cellular Automata and Machine-Learning Framework in Urbanizing Areas
Roshan Sewa,
Bibas Pokhrel,
Bikash Subedi,
Roshan Raj Karki,
Bishal Poudel and
Ajay Kalra
编辑推荐:
快速城市化通过将农业与自然土地转化为不断扩张的建成区,改变了德克萨斯州的面貌。本研究利用量子地理信息系统(QGIS)土地利用变化评估模块(MOLUSCE)框架内的混合元胞自动机–人工神经网络(CA–ANN)模型,分析并模拟了美国增长最快的县之一——德克萨斯州考
快速城市化通过将农业与自然土地转化为不断扩张的建成区,改变了德克萨斯州的面貌。本研究利用量子地理信息系统(QGIS)土地利用变化评估模块(MOLUSCE)框架内的混合元胞自动机–人工神经网络(CA–ANN)模型,分析并模拟了美国增长最快的县之一——德克萨斯州考夫曼县的土地利用及土地覆被(LULC)变化。研究采用了多时相NLCD数据集(2001年、2011年和2021年)以及六个空间驱动因子:高程、坡度、坡向、距道路距离、距河流距离以及建筑密度。利用2001–2011年的LULC数据校准了转换关系,并通过从2011年基线模拟2021年LULC地图对模型进行了验证。随后,利用校准后的模型模拟了2031年、2041年和2051年的未来LULC情景。模型验证的总体Kappa值为0.84,正确率为90.9%,表明观测图与模拟图高度相似。结果表明,模拟的城市扩张导致到2051年建成区面积增加近30%,主要以耕地和开放区域为代价,森林和水体略有增加,湿地则保持不变。CA–ANN模型利用开源工具有效捕捉了非线性、空间依赖的土地转换模式。这些发现为可持续土地利用规划和环境管理提供了有用信息,并有潜力将空间建模纳入德克萨斯州快速城市化区域的区域发展策略中。
论文解读:基于CA-ANN框架的考夫曼县土地利用变化模拟与预测
研究背景与意义
随着全球人口激增、经济快速发展和基础设施的持续扩张,快速城市化已成为重塑自然景观的主导力量。这种转变不仅导致农业用地和自然栖息地的丧失,还对生态完整性、粮食安全、水资源管理及气候韧性产生了深远影响。在美国德克萨斯州,尤其是达拉斯-沃斯堡大都市区的外围县域,正经历着前所未有的郊区蔓延和城市边缘扩张。然而,传统的土地利用及土地覆被(LULC)预测模型,如马尔可夫链、逻辑回归(LR)、证据权重(WoE)以及小区域土地利用变化及其影响转换模型(CLUE-S),在处理复杂、非线性的空间相互作用时存在局限。例如,马尔可夫模型忽略了邻域像素的空间交互作用,而逻辑回归则难以捕捉多重驱动因子间的复杂非线性关系。因此,亟需一种能够整合空间扩散机制与非线性学习能力的先进模型。本研究正是基于此背景,旨在通过应用混合元胞自动机–人工神经网络(CA–ANN)框架,精确量化考夫曼县的历史土地转换动态,并对未来几十年的景观演变进行科学预测,从而为区域可持续土地规划提供坚实的数据支撑。该研究成果已发表于期刊《Forecasting》。
关键技术方法
为实现上述研究目标,研究人员采用了一系列严谨的技术手段。首先,研究选取了德克萨斯州考夫曼县作为研究区,该县是达拉斯-沃斯堡大都市区东部典型的快速城市化代表。其次,研究人员收集并处理了多源空间数据,包括由美国地质调查局(USGS)提供的2001、2011和2021年多分辨率土地特征联盟(MRLC)国家土地覆被数据库(NLCD)数据,航天飞机雷达地形测绘使命(SRTM)数字高程模型(DEM),以及来自美国人口普查局的拓扑集成地理编码和参考(TIGER)道路网数据和全国水文数据集(NHDPlus)河流网络数据。在数据预处理阶段,所有数据均被重采样至30米分辨率并裁剪至县域边界。研究人员筛选了六个关键的空间驱动因子:高程、坡度、坡向、距道路距离、距河流距离和建筑密度,并利用皮尔逊相关系数排除了多重共线性干扰。核心建模工作依托于QGIS平台下的MOLUSCE插件完成,其中人工神经网络(ANN)采用多层感知器架构,通过分层采样训练以学习非线性关系,而元胞自动机(CA)则负责基于邻域规则进行空间分配。模型校准基于2001至2011年的土地转换数据,并以2011至2021年的模拟精度进行严格验证。最终,在确保模型可靠性的前提下,研究人员利用校准后的参数模拟了2031、2041和2051年的未来土地利用情景。
研究结果
历史土地利用动态
通过对2001年至2021年的历史数据分析,研究人员发现考夫曼县的土地利用结构发生了显著转变。建成区面积从180.44平方公里(占比8.59%)急剧扩张至258.70平方公里(占比12.32%),其年均变化率(ARC)高达2.17%,是所有地类中增长最快的。与此同时,开放区域和耕地作为主要转移来源,呈现出持续萎缩的态势。值得注意的是,森林和水体面积在研究期内略有增加,而湿地面积则基本保持稳定。这种时空分布格局清晰地表明,交通走廊的可达性是推动城市增长的核心引擎,土地正加速从生产性景观向不透水面转化。
转换分析
转换矩阵定量揭示了不同土地类型间的转移概率。历史数据显示,建成区和湿地表现出极高的稳定性,而耕地则是最活跃的转换源,尤其在2011至2021年间,大量耕地转化为建成区和开放区域。未来的转换矩阵预测进一步证实了这一趋势,即随着时间推移,耕地和开放区域向建成区的转移强度将持续增强。这表明,除非实施强有力的干预措施,否则当前的城市发展轨迹将在未来几十年内持续主导景观格局。
驱动因子筛选与多重共线性分析
皮尔逊相关性分析显示,“距建筑区距离”与“距道路距离”之间存在强烈的正相关关系(r = 0.813)。为避免模型失真,研究人员剔除了冗余变量,最终保留了距道路距离作为基础设施可达性的关键代理变量。其余驱动因子间仅表现为弱至中等程度的线性关系,确保了模型输入的有效性与稳定性。
CA-ANN模型的校准与验证性能
模型的校准过程表现出色,神经网络学习曲线在约800次迭代后趋于平稳,显示出良好的收敛性。在历史验证阶段,研究人员利用2011年基线成功模拟了2021年的土地覆被状况。结果显示,模型的总体正确率高达90.9%,总体Kappa系数为0.84。其中,数量一致性Kappa(直方图Kappa)达到0.99,空间位置一致性Kappa(位置Kappa)达到0.85。这些指标充分证明了CA-ANN模型在捕捉考夫曼县复杂土地转换模式方面具有卓越的可靠性。
未来土地利用预测与空间变化分析
基于历史趋势的延续假设,未来预测描绘了一幅严峻的城市扩张图景。预计到2051年,考夫曼县的建成区面积将达到372.17平方公里,较2021年增长近30%(+30.49%)。这种扩张将沿着20号州际公路(I-20)、175号美国国道(US-175)和34号州道(SH-34)等主要交通走廊呈边缘式蔓延。相应地,耕地和开放区域将面临更大幅度的压缩,预计分别减少11.71%和13.02%。尽管森林和水体面积在数值上有所增长,但这种增长的空间配置及其生态效益仍需审慎评估。
政策启示与规划相关性
研究产出的空间模拟结果为决策者提供了极具价值的参考。它不仅能辅助识别具有高转换概率的战略区域以支持基础设施规划,还能帮助划定需要重点保护的农田和生态廊道。通过将CA-ANN模型整合进区域规划体系,考夫曼县可以更有效地应对城市化带来的挑战,实现增长管理与环境保护的平衡。
研究局限性
尽管模型表现优异,研究人员仍客观地指出了本研究的局限性。首先,研究未对输入驱动因子的波动或模型参数的变化进行正式的敏感性或不确定性分析。其次,未来情景模拟假定2021年的空间驱动因子保持不变,未考虑未来可能出现的基础设施剧变、气候变化或政策法规调整。此外,30米分辨率的NLCD数据可能会掩盖细微的城市填充变化,且将原始类别聚合为六大类也可能损失部分细节信息。
结论
综上所述,本研究成功应用了混合元胞自动机–人工神经网络(CA–ANN)模型,在QGIS MOLUSCE平台上对德克萨斯州考夫曼县的历史及未来土地利用变化进行了高精度模拟。模型验证结果(Kappa = 0.84,总体精度 = 90.9%)证实了其在捕捉非线性空间动态方面的强大能力。研究发现,在现有趋势下,考夫曼县的建成区面积预计到2051年将增长近30%,这主要由耕地和开放空间的流失所驱动。虽然森林和水体面积预计会有所增加,但整体景观的不透水性将显著提升。本研究不仅展示了开源工具在城市规划中的巨大潜力,也为理解快速城市化地区的土地转换机制提供了重要的科学依据。