研究意义
预测土地利用变化为资源分配、环境保护、城镇化发展、灾害防范与风险评估等提供合理依据。现有CA模型在多时序复杂土地利用变化中时空特征提取不足，本研究提出融合注意力机制的深度时空建模网络3DCBLT-CA。
技术创新
融合3DCNN、CBAM注意力机制与LSTM
应用价值
支持可持续土地规划与生态保护决策
核心指标
0.888
Kappa系数
0.925
整体准确率(OA)
0.336
品质系数(FoM)
3DCBLT模型架构
空间特征提取模块
3DCNN卷积层
4层三维卷积结构，通道数依次为13→32→64→128→256，提取深层时空特征
CBAM注意力机制
通道注意力与空间注意力串联，突出关键特征通道和空间区域
池化与激活
MaxPooling压缩特征图，ReLU激活函数增强非线性表达
时间特征提取模块
双层LSTM网络
第1层1024维，第2层512维，捕捉长时序土地利用演化趋势
门控机制
遗忘门、输入门、输出门协同工作，选择性保留重要时序信息
概率输出
Softmax函数生成6类土地利用类型转换概率分布
核心技术创新
三维卷积扩展
从2D扩展到3D卷积
同时提取空间-时间特征
增强多时序建模能力
注意力机制融合
CBAM通道空间注意力
自适应关注关键区域
提升变化识别精度
时空特征融合
LSTM长时序依赖建模
多尺度驱动因素整合
非线性演化规律捕捉
多尺度驱动因素体系
自然因素
年平均气温
年降雨量
NDVI植被指数
高程与坡度
社会经济因素
GDP经济发展
人口密度
产业结构
经济密度
距离因素
距铁路距离
距高速公路距离
距各级道路距离
空间可达性
模型性能对比验证
精度指标对比
3DCBLT-CA (本文)
0.888
Kappa
MLP-CA
0.814
Kappa
ANN-CA
0.834
Kappa
CA-Markov
0.802
Kappa
综合性能指标
| 模型 | Kappa | OA | FoM |
|---|---|---|---|
| 3DCBLT-CA | 0.888 | 0.925 | 0.336 |
| MLP-CA | 0.814 | 0.876 | 0.255 |
| ANN-CA | 0.834 | 0.892 | 0.163 |
| CA-Markov | 0.802 | 0.871 | 0.237 |
性能提升幅度
+8.6%
Kappa提升
+5.4%
OA提升
+17.3%
FoM提升