基于深度学习的耕地后备资源潜力评价方法研究

徐然^1,2，邓力凡^2,3，张经度^2,3，刘雪俊^1,2，

谢萍^1,2，魏冀明^2,3

1. 广东省国土资源技术中心，广州510075；
2. 自然资源部粤港澳大湾区自然资源数据协同应用工程技术创新中心，广州510075；
3. 广东省城乡规划设计研究院科技集团股份有限公司，广州510290

摘  要：耕地后备资源潜力评价对落实耕地保护和耕地占补平衡具有重要意义。针对传统方法在处理非线性关系、空间邻域影响及数据不平衡等方面的局限，本文构建一种基于深度学习的耕地后备资源潜力评价方法。以SAFE（spatial-aware framework）为基础框架，将TabTransformer作为主干模型，捕捉数据间非线性交互；利用卷积神经网络、图神经网络捕捉空间邻域影响，引入对比学习技术提升模型对不平衡样本的分类性能；以中山市为研究对象，与常用模型进行对比分析。结果表明：本文方法泛化能力更强，对不平衡样本数据集处理能力更加出色；坦洲镇、黄圃镇耕地后备资源开发潜力较高，高潜力区的主要用地类型为坑塘水面及园地草地，符合农用地整理项目选址标准；通过处理非线性交互、空间依赖刻画及数据不平衡三大难题，实现了耕地后备资源潜力的精准识别，在复杂土地利用场景中具备适用性。

关键词：耕地后备资源；潜力评价；非线性关系；不平衡数据分类；空间邻域效应；SAFE

引用格式：徐然, 邓力凡, 张经度, 刘雪俊, 谢萍, 魏冀明. 2025. 基于深度学习的耕地后备资源潜力评价方法研究. 时空信息学报, 32(4): 430-441
Xu R, Deng L F, Zhang J D, Liu X J, Xie P, Wei J M. 2025. Deep learning-based methods for evaluating the potential of cultivated land reserves. Journal of Spatio-temporal Information, 32(4): 430-441, doi: 10.20117/j.jsti.202504003

1  引  言

中国人均耕地面积仅占世界的40%，在庞大人口基数的压力下，供需矛盾长期存在，耕地保护形势严峻（许五军和谢建军，2021；陈宇佳等，2023）。为维持耕地面积稳定，我国自1997年起开始实施耕地占补平衡政策（李世捷等，2022）。耕地后备资源是补充耕地的重要来源，对实现占补平衡目标至关重要。然而，我国东南、西南地区地形以山地丘陵为主，耕地后备资源较为匮乏，潜力空间识别难度较大，加之近年来农业结构调整、生态退耕、自然灾害损毁、非农建设等各项占用土地，这些地区落实耕地占补平衡难度日趋加大（汤怀志等，2020；张兴，2021）。如何构建科学高效的方法以识别可开发利用的耕地后备资源，逐渐受到重视。

现有耕地后备资源潜力评价多采用专家赋权法（刘军等，2016；唐伟等，2022）。这可能会存在主观性强、标准不统一、结果不稳定等问题，因此，部分研究引入回归分析模型。例如，谷国政等（2024）利用地理加权回归模型，分析了辽宁省耕地功能价值协调度与人口、经济、社会等因素之间的关系；陈莉珍等（2024）利用空间杜宾模型，探究了耕地非粮化及其空间溢出效应。虽然这能在一定程度上客观揭示后备耕地开发潜力与外部因素关系，但耕地后备资源潜力识别的本质是人地要素耦合的复杂系统问题，涉及自然条件、人类活动、社会经济等因素的多重耦合关系，具有显著的非线性特征，仅回归模型难以全面捕捉其复杂关系（李宇航等，2024）。因此，有必要引入多要素耦合的复杂系统模型，以期为耕地规划选址提供更准确的依据和指导。

近年来，深度学习方法凭借其强大的非线性映射能力与特征自学习机制，在自然资源评价领域展现出独特优势（程昌秀等，2018；Fan等，2022；胡晓艳等，2021）。然而，在地理空间要素预测领域部分研究在网格上的独立建模分析，忽略了地理空间中普遍存在的空间依赖性、交互性、聚集性等非平稳空间效应，导致模型性能下降（Liu等，2022；刘瑜等，2022；Klemmer和Neill，2021）。因此，Huang等（2024）在长短期记忆神经网络模型中嵌入卷积神经网络（convolutional neural networks，CNN）模块，以测量空间邻域效应，提升了模型对地理空间数据的预测能力。目前，空间邻域效应测量模式主要包括基于网格模式和基于图模式两种（王培晓等，2025）。基于网格模式主要利用CNN对数据中的空间依赖特性进行建模，如Wang等（2025）通过构建STP-DCN模型，实现了空气质量变化的有效预测；Li等（2025）通过构建耦合CNN-LSTM、PLUS的土地利用变化模拟方法，提升了土地利用变化预测精度。基于图模式将研究区域中的空间对象抽象为图节点与边，采用图神经网络（graph neural network, GNN）对数据中的交互模式进行建模，如Zhai等（2025）通过整合交通设施、道路网络、人口出行等多模式数据，有效提升了土地利用推断精度；Gao等（2025）引入图注意力网络，强化了土地利用变化规则的挖掘。此外，空间异质性造成了土地要素空间分布型存在差异，使得土地利用类型普遍分布不均（Deng等，2025）。这导致深度学习模型所训练的正负样本数量存在显著差异、数据不平衡，使得模型训练易受主导类别影响，对少数类别样本拟合不佳。因此，Xu等（2023）提出了设置平衡softmax损失函数等类损失敏感函数，通过为少数类赋予更高权重来提升模型的敏感性；Lin等（2024）提出了SAFE（spatial-aware framework），通过整合CNN、GNN两种网络实现对邻域规则关系和不规则拓扑关系的协同学习，应用于高质量耕地评估场景，并将对比学习融入主干网络训练过程，能够更好处理邻域空间效应，有效提升了高质量耕地的识别精度。

耕地后备资源潜力评价作为人地要素耦合的复杂系统问题，具有影响因素关系非线性、非平稳空间效应影响、样本分布不均衡特征。因此，本文通过引入SAFE（Lin等，2024），开展耕地后备资源潜力识别，使用CNN整合空间局部特征，通过GNN捕捉节点间的拓扑属性交互情况；引入对比学习增强主干网络训练，以提升模型在针对样本不平衡时的分类性能；为验证方法可行性，以中山市为例构建数据集，与常用模型进行比较分析，并进行消融实验。

2  研究方法

SAFE集成了一个多功能的主干网络TabTransformer和CNN、GNN、对比学习模块三个组件，旨在捕捉每个网格潜在特征和空间上下文关系，如图1所示。与传统模型相比，SAFE的核心优势在于，通过TabTransformer学习数据间非线性关系，借助CNN、GNN协同实现空间特征解析，结合对比学习缓解了样本不均衡带来的训练偏差（Lin等，2024）。这为高精度空间预测提供了有效的解决方案。

2.1  主干网络TabTransformer

TabTransformer作为SAFE的主干网络，擅长利用分类属性的上下文特征，通过自注意力机制使模型能够捕捉影响因素之间非线性交互模式，从而增强对输入表格数据内部非线性关系的理解（Huang，2020）。其原理为

式中，分别为实例i的连续数值、分类属性；n、c分别为表格中连续属性、离散属性。分类属性的上下文嵌入由获得，其中，“”为嵌入函数；为对的标准化；“”为的TabTransformer函数定义，TT用于标记由TabTransformer网络定义的特征变换函数，：，其中，N表示样本的数量，D表示特征的维度。因此，密集的潜在特征。

2.2  基于CNN的空间特征提取

为开展邻域特征提取，需要基于Geohash编码将表格数据集重构为三维张量数据集，其中W、H分别为网格地理经度、纬度索引数量，D表示网格上属性特征数量，将每个属性向量映射至各自网格空间位置。由于地理邻域影响随距离增加逐步递减，利用整个张量χ预测某个网格分类不仅需要消耗大量资源且无必要，所以引入超参数C定义地理邻域影响的范围，对于任意给定区域x_i，以x_i为中心的大小为C×C的局部矩阵切片作为分析范围，此步骤将原始表格数据分割为多个大小相同的张量。经反复实验，当超参数C=32时，表示32个网格数量，模型预测结果最好。基于分割后的网格数据，利用CNN通过卷积操作提取和集成局部特征，CNN卷积核大小为3×3，将这个过程定义为，其中，D₂是所提取的空间特征的维度。随后，这些空间特征与上文所述的嵌入特征相结合，形成用于新增耕地预测的特征：

式中，为全连接层。

2.3  基于GNN的拓扑结构特征提取

利用图的固有拓扑结构，GNN能够通过边的更新学习转化为复杂的属性交互特征。将张量分割为N₁个块，，其中h和w分别表示块的高度和宽度。经多次实验，超参数h、w均取值4时，模型预测效果最好。每个块被视为一个具有特征表示的节点。将无序节点的集合定义为。采用稀疏K近邻算法（Wang等，2010），测算节点v_i至其他节点距离，将每个节点v_i连接至其八个最近邻节点，形成从邻居到v_i的有向边，这就建立了图。

构建图G后，SAFE使用图卷积层促进节点之间的信息交换。该过程包括聚合函数、更新函数两个阶段。前者合并了v_i的相邻节点的特征；后者为了操作简便和计算效率，利用最大池化进行顶点特征聚合，多层感知器（multilayer perceptron，MLP）作为更新器，用函数“”表征，其中，表示MLP函数的参数，并使用ReLU函数进行激活：

式中，N(v_i)为第i个目标节点v_i的相邻节点的集合；v_j为N(v_i)中第j个节点；u_i为两个节点属性差异的最大值。N(v_i)会在每次迭代中动态调整，在完成迭代调整过程后，可获得节点v_i的拓扑属性特征，以及另一个MLP函数“”的拓扑预测，其中，为该MLP函数的参数。其原理为

最终的分类结果通过将空间属性和拓扑属性的预测相结合计算得到：

总之，基于构建的图网络，GNN能够学习更为复杂的空间拓扑结构特征，从而增强模型对新增耕地预测的理解。

2.4  用于特征向量微调的对比学习框架

SAFE模型设计中采用对比学习优化主干网络，增强分类器对新增耕地预测方面的性能。对比学习流程包括构建对比对、计算对比损失两个步骤。

（1）构建对比对。鉴于网格数据的相互依赖性，随机增强可能会破坏固有的空间关系。因此，构建用于训练的二元组数据。对于一个包含N个样本的数据集，形成一个包含N个元组的训练批次，。其中，x^a是一个随机选择的正样本作为锚点，，表示x_i是否属于与x^a相同的类别。

（2）计算对比损失。选择余弦相似度来度量对之间的距离，促进其中来自相同类别的数据点在特征空间中紧密对齐，而来自不同类别的数据点则明显分离:

基于余弦相似度的对比学习损失：

如果样本和锚点来自相同的类别（），最小化对比学习损失使其更加接近:

反之（），则使其分离：

式中，?为超参数，定义了两个特征向量之间余弦相似度的阈值，参考已有研究（Hou等，2023）及实验测试结果，设置?取值0.25。当余弦相似度超过时，表明训练对过于相似；反之，则表明具有足够的区分能力，可以通过应用函数来忽略这些训练样本对，以减少其对训练过程的影响（Hou等，2023）。

3  实验与结果分析

3.1  研究区概况与数据

1）研究区概况

中山市地处珠江三角洲平原，如图2所示，地势平坦，是广东省重要农业产区，具备较好的农业基础。根据《中山市国土空间总体规划（2021—2035年）》，2023年中山市耕地面积为75.6km²，全年新增耕地1.33km²，耕地处于紧平衡状态，作为粤港澳大湾区“黄金内湾”组成城市之一，中山市处于经济快速发展期，土地开发需求旺盛，耕地后备资源相对不足，人地矛盾日益突出。这使得中山市在耕地后备资源潜力识别与利用上更具紧迫性和挑战性，其经验和实践对于其他类似地区具有重要的参考价值。

2）数据来源及预处理

参考相关耕地后备资源评价的相关研究（宋大利等，2024；李文博等，2024），从主体特征、客体因素和环境因素三个类型构建耕地后备资源评价指标体系，具体包括32项指标，见表1。实验数据时间为2023年。

为满足SAFE中TabTransformer数据的输入要求，进行地理网格剖分和编码。首先，基于Geohash编码体系，选取七级Geohash编码（约152m×152m）作为网格划分单元，每个网格对应一个Geohash属性，以表征其空间位置。将多源异构数据转换为矢量数据并与Geohash网格作叠置分析，实现数据与空间网格关联。其次，将关联的数据以网格为单元进行分类汇总，依据指标含义采用加和、均值、众数等不同方式汇聚，生成网格化数据，其中，针对占比、距离、加权等无法直接计算的复合指标，经网格化后通过复合运算得到。最后，完成指标数据至统一网格的汇聚，形成解释变量数据集。

首先，构造因变量，由于耕地后备资源评价旨在评价适宜开发为耕地的空间，因此以新增耕地面积表征耕地后备资源适宜性，若越有可能出现新增耕地，则越适合作为耕地后备资源潜力空间。将2023年耕地流入面积大于等于1m²的网格标注为1，该类标签共有1303个；将2023年耕地流入面积小于1m²的网格标注为0，该类标签共有79869个，合并两类标签形成因变量数据。其次，将因变量与解释变量数据集合并，形成耕地后备资源潜力评价数据集。

3.2  模型性能验证

3.2.1  比较分析

为验证方法可行性，实验选取常用模型进行对比分析，包括注意力机制模型AM-BP（Liu等，2022），决策树模型XGBoost（Chen和Guestrin，2016）、LightGBM（Ke等，2017）、CatBoost（Prokhorenkova等，2018），深度学习模型DeepFM（Guo等，2017）、FT-Transformer（Gorishniy等，2021）、SAINT（Somepalli等，2021）、INCE（Villaizán- Vallelado等，2024）合计三类八个方法。其均以表格作为模型输入对象。每个方法均进行20次测试，以得出稳健性较强的模型识别精度和置信区间。考虑到标签数据分布存在较大的不平衡性，将数据集拆分，并以如下两种方式评估模型的性能：①真实分布，该方式下训练集、验证集的数据分布与总体分布一致，即数据存在较大的不均衡性；②平衡分布，该方式下训练集、验证集的0、1标签数量相同。以F1分数为评估指标，各类模型性能对比见表2。

由表2可知，在两种分布数据场景下，本文方法均优于其他方法。其中，本文方法在真实分布、平衡分布数据下F1分数，分别为61.93%和87.6%，相较于AM-BP分别提升了10.69%、27.71%。这说明本文方法在处理非线性特征数据集时具备更强的能力，而仅采用注意力机制的神经网络方法在该类问题上表现不佳。此外，在所选的八个方法中，真实分布数据场景下，SAINT表现最优，F1分数为57.92%；在平衡分布数据场景下，CatBoost表现最优，F1分数为83.54%。而在两种场景下，本文方法的F1分数分别提升了4.01%、4.06%。这说明本文方法通过将表格数据重构为三维张量，并引入CNN、GNN、对比学习模块，学习空间特征和拓扑属性交互特征的方式能够提升对空间效应的拟合能力，强化对不平衡数据集的处理能力。

3.2.2  消融实验

为确定各关键部件的贡献，进行消融实验。实验构建如下三个简化变体模块：①排除对比学习模块；②排除CNN模块；③排除GNN模块。由表3可知，本文方法模块性能均优于其他，说明三个部件对模型表现均具有正向贡献。其中，排除GNN模块对性能的影响最大，说明拓扑属性交互特征对模型预测具有关键作用。

3.3  耕地后备资源潜力评价

图3展示了研究区内预测的耕地流入概率分布情况。预测的耕地流入概率呈双峰分布，高值主要集中在首尾两端，约90%的网格预测出现耕地流入的概率低于10%，约5%的网格预测出现耕地流入的概率超过90%。

将耕地流入概率超过90%的网格作为具备耕地后备资源开发高适宜性的网格，解码对应网格的Geohash并绘制空间分布图，中山市北部具备耕地后备资源开发潜力的网格点分布密度显著高于中东部，如图4（a）所示。在镇街尺度上，中山市北部东凤镇、民众镇、黄圃镇，南部的坦洲镇具备耕地后备资源开发潜力的网格点较多，说明以上城市区域交界地区具备较高的耕地开发潜力，进一步分析局部耕地后备资源开发潜力的网格点土地分布情况，如图4（b）所示，高恢复潜力网格点主要分布在镇区边缘，土地利用类型主要为坑塘水面及零碎分布的草地、耕地；如图4（c）所示，高恢复潜力网格点土地利用类型主要为草地及零碎分布的果园；如图4（d）所示，高恢复潜力网格点土地利用类型主要为坑塘水面、草地、林地等。本文方法所预测耕地后备资源开发潜力的网格点土地利用类型，主要为坑塘水面、果园、草地、林地等，地形平坦，水源保障性较好，符合农用地整理项目选址条件，可作为耕地后备资源待未来开发。

3.4  农用地整理项目开发潜力评价

农用地整理是全域土地综合整治工作的重要内容，通常以乡镇为基本实施单元，农用地整治项目聚焦田块合并、零星耕地后备资源开发等内容，旨在实现“小田并大田”。上文所述识别的耕地后备资源潜力空间主要为园地草地及坑塘水面，是农业空间布局优化的重要对象，因此，计算各网格耕地流入期望面积，按镇级行政单元汇总，并利用等间距法分级。各乡镇耕地流入期望面积及耕地后备资源开发潜力分级如图5所示。坦洲镇耕地流入期望面积4.22km²，耕地后备资源水平最高属于高潜力，民众镇、黄圃镇水平次之，东凤镇、三角镇等耕地后备资源开发潜力处于中潜力水平。

图6展示了中山市农用地整理项目开发潜力分级分布情况。与珠海市交界处的坦洲镇为耕地开发潜力最高镇街；其次为黄圃镇、民众镇、东升镇、东凤镇，这些地区耕地后备资源开发潜力较高，适宜布置垦造水田、农用地布局优化等农用地整理项目；南头镇、大涌镇、东区街道、石岐区街道、翠亨新区作为城镇化重点发展镇街，耕地开发潜力较小，不适宜布置新增耕地开发项目。因此，土地管理相关部门可识别新增耕地数量期望值较高、适合开展农用地整理项目的宜耕土地空间分布，并依据潜力大小明确耕地恢复项目建设优先序，助力实现占补平衡的精细化管理。

4  结  论

针对耕地后备资源潜力评价中存在的影响因素非线性交互、非平稳空间效应影响、少数类别样本拟合能力不足等问题，本文引入基于深度学习的SAFE开展了耕地后备资源潜力识别方法研究。通过TabTransformer处理输入数据的非线性交互特征，结合CNN、GNN协同实现空间特征解析，以及对比学习缓解样本不均衡带来的训练偏差；并以中山市为研究对象，与常用模型进行了比较评价。结果表明：相较于单一神经网络模型在处理非线性问题时具备更强的能力；本文方法通过处理非线性交互、空间依赖刻画及数据不平衡三大难题，实现了耕地后备资源潜力的精准识别，在复杂土地利用场景中具备适用性。后备资源潜力地块主要为草地园地和坑塘水面，符合农用地整理项目选址条件；坦洲镇耕地后备资源开发潜力最高，其次为黄圃镇、民众镇等。结果有助于该区开展区域全域土地综合整治规划，支撑实现耕地占补平衡目标。

尽管本文引入深度学习框架实现了耕地后备资源潜力的有效预测，但限于数据获取条件，分析数据仅涉及2023年单个时间节点。经过多年积累，自然资源部门已拥有多个年份的业务数据及土地利用调查数据，若能结合历史数据开展耕地变化预测，可获取更为准确的预测结果，因此，下一步将考虑对自然资源时序数据开展研究，使得预测结果更贴近现实。

参考文献（References）

陈莉珍, 刘光盛, 聂嘉琦, 肖瑶, 杨丽英, 王红梅. 2024. 耕地“非粮化” 影响因素空间效应研究——以珠三角为例. 农业资源与环境学报, 41(3): 530-538[Chen L Z, Liu G S, Nie J Q, Xiao Y, Yang L Y, Wang H M. 2024. Spatial effect of influential factors of non-grain cultivated land: A case study of the Pearl River Delta. Journal of Agricultural Resources and Environment, 41(3): 530-538 (in Chinese)]

陈宇佳, 张俊, 张平, 王陈哲, 况玮婕, 陈炯宾. 2023. 面向联合国SDG15.3.1的2000—2020年京津冀地区土地退化评估. 时空信息学报, 30(4): 560-573[Chen Y J, Zhang J, Zhang P, Wang C Z, Kuang W J, Chen J B. 2023. Assessment of land degradation in the Beijing-Tianjin-Hebei region from 2000 to 2020 based on SDG15.3.1. Journal of Spatio-temporal Information, 30(4): 560-573 (in Chinese)]

程昌秀, 史培军, 宋长青, 高剑波. 2018. 地理大数据为地理复杂性研究提供新机遇. 地理学报, 73(8): 1397-1406[Cheng C X, Shi P J, Song C Q, Gao J B. 2018. Geographic big-data: A new opportunity for geography complexity study. Acta Geographica Sinica, 73(8): 1397-1406 (in Chinese)]

谷国政, 施琳娜, 文琦, 牛善栋. 2024. 乡村空心化治理视角下区域耕地多功能与价值耦合协调研究. 地理科学进展, 43(3): 587-602[Gu G Z, Shi L N, Wen Q, Niu S D. 2024. Coupling and coordination of the multifunction and value of arable land at the regional scale from the perspective of rural hollowing governance. Progress in Geography, 43(3): 587-602 (in Chinese)]

胡晓艳, 陈星余, 沈恩穗. 2021. 基于贝叶斯网络的耕地后备资源潜力空间挖掘//中国城市规划学会, 成都市人民政府.面向高质量发展的空间治理——2021中国城市规划年会论文集(05城市规划新技术应用), 391-398[Hu X Y, Chen X Y, Shen E S .2021. Spatial mining of potential reserve resources for cultivated land based on Bayesian network // China Urban Planning Annual Conference, Chengdu Municipal People’s Government. Spatial Governance Oriented to High-Quality Development : Proceedings of the 2021 China Urban Planning Annual Conference (05 Application of New Urban Planning Technologies), 391-398(in Chinese)]

李世捷, 陈晋, 揭娜, 李强, 曹鑫. 2022. 基于GlobeLand30的中国耕地占补平衡评价方法研究. 地理信息世界, 29(5): 74-80[Li S J, Chen J, Jie N, Li Q, Cao X. 2022. A new evaluation method of requisition-compensation balance of farmland in China based on GlobeLand30. Geomatics World, 29(5): 74-80 (in Chinese)]

李文博, 胡冰清, 祝元丽, 刘蜀涵. 2024. 生态保护视角下的黑土区不稳定耕地空间置换研究. 中国土地科学, 38(12): 105-115[Li W B, Hu B Q, Zhu Y L, Liu S H. 2024. Spatial relocation of unstable cultivated land in the black soil region from the perspective of ecological conservation. China Land Science, 38(12): 105-115 (in Chinese)]

李宇航, 徐志伟, 刘燕华, 张玉虎, 孙福宝. 2024. 人工智能时代的地理科学前沿问题探析. 地理学报, 79(10): 2409-2424[Li Y H, Xu Z W, Liu Y H, Zhang Y H, Sun F B. 2024. AI for geographical sciences: The frontiers. Acta Geographica Sinica, 79(10): 2409-2424 (in Chinese)]

刘军, 詹然, 孙蔚. 2016. 基于GIS的天津市滨海新区耕地适宜性评价. 国土资源遥感,28(3): 160-165[Liu J, Zhan R, Sun W. 2016. Evaluation of cultivated land suitability for Binhai New Area of Tianjin based on GIS. Remote Sensing for Land & Resources, 28(3): 160-165 (in Chinese)]

刘瑜, 郭浩, 李海峰, 董卫华, 裴韬. 2022. 从地理规律到地理空间人工智能. 测绘学报, 51(6): 1062-1069[Liu Y, Guo H, Li H F, Dong W H, Pei T. 2022. A note on GeoAI from the perspective of geographical laws. Acta Geodaetica et Cartographica Sinica, 51(6): 1062-1069 (in Chinese)]

宋大利, 丁文成, 周卫. 2024. 我国主要耕地后备资源时空变化特征及可持续利用战略. 植物营养与肥料学报, 30(8): 1437-1446[Song D L, Ding W C, Zhou W. 2024. Temporal and spatial changes and sustainable utilization strategies of cultivated land reserve resources in China. Journal of Plant Nutrition and Fertilizers, 30(8): 1437-1446 (in Chinese)]

汤怀志, 桑玲玲, 郧文聚. 2020. 我国耕地占补平衡政策实施困境及科技创新方向. 中国科学院院刊, 35(5): 637-644[Tang H Z, Sang L L, Yun W J. 2020. China’s cultivated land balance policy implementation dilemma and direction of scientific and technological innovation. Bulletin of Chinese Academy of Sciences, 35(5): 637-644 (in Chinese)]

唐伟, 王英, 杨振宇, 杨学作, 姜玥. 2022. 国土空间规划体系下的耕地后备资源调查评价方法研究. 自然资源情报,(3): 33-39[Tang W, Wang Y, Yang Z Y, Yang X Z, Jiang Y. 2022. Research on investigation and evaluation method of cultivated land reserve resources under land spatial planning system. Natural Resources Information, (3): 33-39 (in Chinese)]

王培晓, 张恒才, 张岩, 程诗奋, 张彤, 陆锋. 2025. 地理空间智能预测研究进展与发展趋势. 地球信息科学学报, 27(1): 60-82[Wang P X, Zhang H C, Zhang Y, Cheng S F, Zhang T, Lu F. 2025. GeoAI-driven spatiotemporal prediction: Progress and prospects. Journal of Geo-Information Science, 27(1): 60-82 (in Chinese]

吴昊, 艾廷华, 张甄宇, 孔博, 余华飞. 2025. 地理实体关联关系的构建与应用. 时空信息学报, 32(1): 31-39[Wu H, Ai T H, Zhang Z Y, Kong B, Yu H F. 2025. Construction and application of geo-entity relationships. Journal of Spatio-temporal Information, 32(1): 31-39 (in Chinese)]

许五军, 谢建军. 2021. 城市工业用地从扩张转向“深耕”的空间治理路径与赣州实践. 规划师, 37(21): 29-36[Xu W J, Xie J J. 2021. Industrial land and space governance path and Ganzhou practice. Planners, 37(21): 29-36 (in Chinese)]

张方泽, 龚循强, 周秀芳, 刘卓涛. 2023. 基于自训练卷积神经网络的遥感场景图像异常探测方法. 时空信息学报, 30(4): 482-490[Zhang F Z, Gong X Q, Zhou X F, Liu Z T. 2023. Remote sensing scene image anomaly detection method based on self-training convolutional neural network. Journal of Spatio-temporal Information, 30(4): 482-490 (in Chinese)]

张兴. 2021. 新发展趋势下的耕地保护问题与应对策略——基于耕地保护监管机制建设的思考. 国土资源情报,(12): 5-11[Zhang X. 2021. Problems and suggestions for cutivated land protection under the new development trend—Thoughts on the construction of supervision system for cultivated land protection. Land and Resources Information, (12): 5-11 (in Chinese)]

赵利江, 杨海鹏, 许超钤, 赵健赟. 2023. 青海湟水流域基于改进的MLP大气加权平均温度模型研究. 时空信息学报, 30(4): 543-550[Zhao L J, Yang H P, Xu C Q, Zhao J Y. 2023. Atmospheric weighted average temperature model based on the modified MLP in the Huangshui River basin of Qinghai. Journal of Spatio-temporal Information, 30(4): 543-550 (in Chinese)]

Chen T Q, Guestrin C. 2016. XGBoost: A scalable tree boosting system//Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 785-794

Deng Y Z, Chen G K, Tang B H, Duan X W, Zuo L J, Zhao H J. 2025. Study on class imbalance in land use classification for soil erosion in dry–hot valley regions. Remote Sensing, 17(9): 1628

Fan J F, Meng J, Ludescher J, Li Z Y, Surovyatkina E, Chen X S, Kurths J, Schellnhuber H J. 2022. Network-based approach and climate change benefits for forecasting the amount of Indian monsoon rainfall. Journal of Climate, 35(3): 1009-1020

Gao Y Q, Liu D Y, Zheng X Q, Wang X L, Ai G. 2025. Urban expansion scenario prediction model: Combining multi-source big data, a graph attention network, a vector cellular automata, and an agent-based model. Remote Sensing, 17(13): 2272

Gorishniy Y V, Rubachev I, Khrulkov V, Babenko A. 2021. Revisiting deep learning models for tabular data//Proceedings of the 35th International Conference on Neural Information Processing System,18932-18943

Guo H F, Tang R M, Ye Y M, Li Z G, He X Q. 2017. DeepFM: A factorization-machine based neural network for CTR prediction//Proceedings of the Twenty-Sixth International Joint Conference on Artificial Intelligence, 1725-1731

Hou C K, Zhang J Y, Wang H N, Zhou T Y. 2023. Subclass-balancing contrastive learning for long-tailed recognition//2023 IEEE/CVF International Conference on Computer Vision (ICCV),5372-5384

Huang C, Zhou Y, Wu T, Zhang M Y, Qiu Y. 2024. A cellular automata model coupled with partitioning CNN-LSTM and PLUS models for urban land change simulation. Journal of Environmental Management, 351: 119828

Huang X, Khetan A, Cvitkovic M, Karnin Z. 2020. TabTransformer: Tabular data modeling using contextual embeddings. arXiv preprint arXiv: 2012.06678

Ke G L, Meng Q, Finley T, Wang T F, Chen W, Ma W D, Ye Q WX, Liu, T Y. 2017. LightGBM: A highly efficient gradient boosting decision tree// Proceedings of the 31st International Conference on Neural Information Processing Systems (NIPS’17),3149-3157

Klemmer K, Neill D B. 2021. Auxiliary-task learning for geographic data with autoregressive embeddings//Proceedings of the 29th International Conference on Advances in Geographic Information Systems, 141-144

Li S E, Zhang C, Chen C, Yang C C, Zhao L H, Bai X C. 2025. Optimization simulation and comprehensive evaluation coupled with CNN-LSTM and PLUS for multi-scenario land use in cultivated land reserve resource area. Remote Sensing, 17(9): 1619

Li Z W, Liu F, Yang W J, Peng S H, Zhou J. 2021. A survey of convolutional neural networks: Analysis, applications, and prospects. IEEE Transactions on Neural Networks and Learning Systems, 33(12): 6999-7019

Lin H H, Liu W, Li M T, Yuan K Y, Liu Z, Zhu H J, Yu J X, Yin J. 2024. SAFE: A spatial-aware framework for arable land quality evaluation. Neural Information Processing. Singapore: Springer, 164-179

Liu Y L, Li J L, Liu C, Wei J S. 2022. Evaluation of cultivated land quality using attention mechanism-back propagation neural network. PeerJ Computer Science, 8: e948

Prokhorenkova L, Gusev G, Vorobev A, Dorogush A V, Gulin A. 2018. CatBoost: Unbiased boosting with categorical features//Proceedings of the 32nd International Conference on Neural Information Processing Systems,6639-6649  

Somepalli G, Goldblum M, Schwarzschild A, Bruss C B, Goldstein T. 2021. Saint: Improved neural networks for tabular data via row attention and contrastive pretraining. arXiv preprint arXiv:2106. 01342

Villaizán-Vallelado M, Salvatori M, Carro B, Sanchez-Esguevillas A J. 2024. Graph Neural Network contextual embedding for Deep Learning on tabular data. Neural Networks, 173: 106180

Wang J J, Lin L, Huang T, Wang J J, He Z Y. 2010. Efficient K-nearest neighbor join algorithms for high dimensional sparse data. arXiv preprint arXiv: 1011.2807

Wang J X, Li X G, Wang X R, Zhou S L, Luo Y J. 2022. Farmland quality assessment using deep fully convolutional neural networks. Environmental Monitoring and Assessment, 195(1): 239

Wang P X, Zhang H C, Liu J, Lu F, Zhang T. 2025. Efficient inference of large-scale air quality using a lightweight ensemble predictor. International Journal of Geographical Information Science, 39(4): 900-924

Xu W X, Jing Y C, Zhou L Y, Huang W Q, Cheng L C, Feng Z L, Song M L. 2023. Propheter: Prophetic teacher guided long-tailed distribution learning. Neural Information Processing. Singapore: Springer Nature.213-225

Zhai X H, Jiang J Q, Dejl A, Rago A, Guo F C, Toni F, Sivakumar A. 2025. Heterogeneous graph neural networks with post-hoc explanations for multi-modal and explainable land use inference. Information Fusion, 120: 103057

Zhou J, Cui G Q, Hu S D, Zhang Z Y, Yang C, Liu Z Y, Wang L F, Li C C, Sun M S. 2020. Graph neural networks: A review of methods and applications. AI Open, 1: 57-81