新疆伊犁地区土地利用时空演变：PLUS与Logistic-CA-Markov模型的比较评估

《Geocarto International》：Spatiotemporal evolution of land use in Ili, Xinjiang, China: a comparative evaluation of PLUS and Logistic-CA-Markov models

　　本文推荐一项关于土地利用模拟模型比较的研究。该研究在中国新疆伊犁河谷开展，综合运用PLUS（Patch-generating Land Use Simulation）和Logistic-CA-Markov（Logistic-Cellular Automata-Markov）模型，结合1-km空间分辨率土地利用数据与九大驱动因子，模拟了2005-2015年土地利用的时空演变格局。研究通过对比2020年预测结果与观测数据，验证了方法的可行性。结果表明，GDP、降水和海拔是影响土地利用扩张的关键驱动因子；PLUS模型在Kappa系数（0.68 vs. 0.62）和总体精度（0.82 vs. 0.77）上均优于Logistic-CA-Markov模型，尤其在草地（88.34% vs. 81.04%）和未利用地（76.37% vs. 71.84%）模拟方面表现更佳，但两种模型的FoM（Figure of Merit）指数均较低（0.01 vs. 0.05），表明其对局部土地利用变化的预测能力仍有局限。该研究为干旱生态脆弱区的土地利用规划和生态保护政策制定提供了科学依据。

　　

引言

土地利用变化是一个由自然因素和人类活动相互作用驱动的复杂过程。准确的土地利用动态预测对于平衡生态保护与经济发展至关重要，尤其是在经历快速城市化和工业化的区域，人口增长、资源分配、环境约束和经济需求之间的冲突日益加剧。遥感（RS）数据通过提供一致、大范围和多时相的土地覆盖观测，彻底改变了土地利用变化研究。Landsat系列卫星等平台能够提取高空间分辨率（30米至1公里）的土地利用信息，支持对耕地、森林和城市区域变化的长期分析。这些遥感衍生数据集构成了驱动因素分析和模型校准的基础，因为它们捕捉了精确模拟所必需的土地利用格局的空间异质性。

常见的土地利用预测方法包括基于元胞自动机（CA）的模型（如CA-Markov、LCM、FLUS、PLUS）和基于综合驱动因素的框架（如CLUE-S）。这些方法通过转移概率矩阵（CA-Markov, LCM）或量化驱动因素贡献（PLUS, FLUS）来预测土地利用格局，从而实现土地利用动态的空间显式模拟。马尔可夫链模型使用从历史土地利用数据导出的转移概率矩阵来预测未来的土地利用变化，能有效捕捉时间动态但缺乏空间显性。元胞自动机（CA）模型通过基于网格的邻域相互作用和转移规则来模拟空间格局，从而能够表示复杂的空间异质性。CA和马尔可夫链的结合（CA-Markov）已成为一种广泛采用的方法，将时间转移概率与空间分配机制相结合。

然而，CA-Markov模型通常依赖于简单的转移规则，可能无法完全纳入影响土地利用变化的驱动因素，从而限制了其在复杂环境中的预测准确性。为了解决这个问题，逻辑回归被整合到CA-Markov模型中（Logistic-CA-Markov），以识别和量化多个驱动因素的影响，生成指导空间分配的适宜性图。这种方法通过揭示驱动因素的定向效应（正向或负向）增强了可解释性。最近的进展结合了机器学习技术来捕捉驱动因素之间的非线性关系和复杂相互作用。随机森林（Random Forests）因其鲁棒性和处理高维数据的能力而被广泛使用。PLUS模型代表了一种先进的基于CA的框架，它整合了基于随机森林的土地扩张分析策略（LEAS）和使用随机斑块种子的多类型CA模型（CARS）。PLUS量化了各种自然地理（如地形、气候）和社会经济（如人口增长、政策）驱动因素对土地利用扩张的贡献，生成适宜性图并以改进的真实感模拟空间格局。该模型的斑块级模拟比传统的基于像元的CA模型更好地捕捉了土地利用变化的空间聚类。

作为中亚重要的水源地，伊犁河谷的土地利用变化同时受到天山冰川退缩（1990-2020年间冰川面积损失333.01 km²）和“一带一路”倡议基础设施发展的影响。然而，现有研究缺乏对这些区域特定驱动因素的综合分析，也未能比较评估模型在干旱破碎景观中的性能。尽管PLUS和Logistic-CA-Markov模型被广泛应用，但系统的比较研究仍然缺乏，尤其是在具有复杂水文社会经济驱动因素的干旱和生态敏感区域。此类比较对于理解模型的优势和劣势、指导合适的模型选择以及提高预测可靠性至关重要。近年来，伊犁河谷的土地利用动态日益复杂，从根本上受到经济扩张、政策改革和人口增长压力等相互作用驱动因素的影响。

本研究通过首次在伊犁河谷（一个对中亚水安全至关重要的跨境流域）对PLUS和Logistic-CA-Markov模型进行综合评估，来弥补这一空白。我们进一步提出了一种新颖的LEAS-Logistic集成框架，该框架结合了PLUS的LEAS的定量驱动因素贡献分析和二元逻辑回归的定向驱动因素识别能力。这种集成克服了LEAS无方向性贡献的局限性，增强了土地利用变化预测的可解释性和鲁棒性。

材料与方法

研究区

伊犁哈萨克自治州位于中国新疆维吾尔自治区北天山山脉的伊犁河谷。作为一个与哈萨克斯坦接壤的跨境流域，伊犁河谷对中亚具有重要的水源涵养功能，其特点是草地覆盖广泛（占总面积的58%以上），以及其天山冰川和河岸湿地对土地利用压力具有高度脆弱性。该研究区地理上南靠天山山脉，北接阿尔泰山脉，被伊犁河和特克斯河穿越，面积约269,000 km²。行政区划上包括八个县和两个市。为保持研究区的空间连续性，本研究聚焦于除奎屯市外的所有县级行政区划。

数据来源与处理

主要数据集包括2005年、2010年、2015年和2020年的土地利用图，从地理空间数据云获取。这些数据源自Landsat系列卫星影像（2005年和2010年为Landsat-5 TM，2015年和2020年为Landsat-8 OLI），空间分辨率为1公里，时间分辨率为5年。为识别土地利用转移的驱动因素，系统选取了九个解释变量，涵盖社会经济和环境维度。社会经济因素包括GDP数据和道路、铁路、高速公路的矢量数据，反映了经济活动强度和交通可达性。自然环境因素包括降水数据、数字高程模型（DEM）数据衍生的坡度、河流矢量数据和土壤侵蚀强度数据，分别指示气候条件、地形、水源可达性和土壤退化状况。所有变量均经过严格的预处理，包括通过方差膨胀因子（VIF）分析解决多重共线性问题（阈值：VIF < 7.5），并将所有数据集重采样到统一的1公里空间分辨率网格，确保分析一致性。距离相关的驱动因素使用欧几里得距离计算进行栅格化，并使用最小-最大值标准化方法进行归一化处理。土地利用根据新疆土地利用分类方案分为七类：耕地、林地、草地、水域、湿地、建设用地和未利用地。

研究方法

本研究采用PLUS和Logistic-CA-Markov模型分析伊犁河谷的驱动因素并预测土地利用扩张格局，方法可靠性通过与经验数据的比较验证得到证实。

土地利用动态度：通过综合土地利用动态度和单一土地利用动态度量化土地利用变化的整体速率和特定地类的变化率。

土地利用转移矩阵：用于研究土地利用变化动态的分析工具，通过矩阵结构量化特定时期内土地利用类别之间的转移模式。

Logistic-CA-Markov模型：整合了二元逻辑回归、马尔可夫链和元胞自动机（CA）。二元逻辑回归用于分析二分结果，预测事件发生的概率。马尔可夫链组件提取土地利用类别之间的转移概率，控制时间动态。CA组件通过局部转移规则控制空间动态，结合邻域配置和转移概率，基于转移矩阵空间分配土地利用变化。该模型采用5×5方形邻域配置来捕捉中等尺度的空间相互作用。

PLUS模型：通过整合土地利用变化的空间驱动因素与动态地理单元相互作用，增强了CA的时空表征和预测能力。它引入了创新的规则挖掘框架——土地扩张分析策略（LEAS），该策略结合了传统转移分析策略（TAS）和格局分析策略（PAS）的优点。PLUS采用随机森林算法提取和采样两个时期之间的土地利用转移，量化每种土地利用类型的发展概率以及驱动因素对土地利用扩张的贡献权重。随机森林算法设置20棵决策树，采用5%的采样率，训练随机森林（RF）的特征树设置为10棵。此外，PLUS还包含一个具有多类型随机斑块种子（CARS）的CA模型，在发展概率的约束下，自动生成动态模拟斑块并模拟局部微尺度土地利用变化。CARS模块采用3×3邻域权重。

技术流程：首先，将PLUS模型应用于2010年和2015年土地利用数据，通过LEAS构建驱动层，生成每种土地利用类型的发展概率层和驱动因素贡献权重。将这些输出与2020年土地利用需求预测和转移矩阵在CA框架内集成，生成空间显式的2020年土地利用格局。同时，对2015年土地利用数据进行二元逻辑回归分析，得到驱动因素的回归系数。将这些系数与LEAS导出的贡献权重相结合，确定了2010-2015年期间驱动因素对土地利用扩张的定向影响（正向/负向）和相对重要性。逻辑回归系数进一步纳入适宜性图集，结合马尔可夫转移矩阵和CA空间分配规则，使Logistic-CA-Markov模型能够预测2020年土地利用分布。最后，将两个模型的模拟结果与观测到的2020年土地利用数据进行比较，使用Kappa系数和FoM指数严格评估预测精度。

精度验证：使用Kappa系数和FoM（Figure of Merit）指数评估模型的预测精度。Kappa系数通过比较观测和模拟栅格中土地利用分类匹配的像元数计算。FoM指数通过区分正确预测的变化、遗漏的变化和错误的变化来量化模型识别真实土地利用变化区域的能力。

结果

土地利用转移的时空特征

2005年、2010年和2015年土地利用类型的空间分布显示，耕地和草地是伊犁河谷的主要土地利用类型。耕地集中在伊犁河和特克斯河谷地，而草地分布最广，环绕耕地区域并与林地交错分布。林地主要占据南天山、北阿尔泰山以及伊犁河与特克斯河之间的河间地带。水域以冰川为主，分布在南天山和北阿尔泰山系。湿地范围有限，集中在新源、巩留和尼勒克三县交界处。城市区域集中在伊宁市周边和伊犁河廊道，而未利用地主要分布在山区。从时间上看，2005年至2015年，耕地、建设用地和草地持续扩张，而林地和水域显著减少。湿地和未利用地波动较小。

综合土地利用动态度显示，2005年至2010年，伊犁河谷表现出2.9%的高动态度，表明土地利用转移剧烈；而2010年至2015年期间，该值急剧下降至0.13%，反映转移强度显著降低。单一土地利用动态度的分析表明，2005年至2010年变化显著：耕地、草地和建设用地的年扩张率分别为2.27%、1.61%和3.1%，而林地和水域面积年减少率分别为8.44%和11.75%。2010年至2015年，只有建设用地保持显著增长（3.51% yr^-1），其他类别变化极小。在2005-2015年期间，耕地呈现稳定扩张，林地持续减少，草地在初始增加后趋于稳定，水域面积显著减少，湿地略有减少，建设用地持续扩张，未利用地在整个十年中逐渐但持续增长。

土地利用转移矩阵

2005年至2010年期间，伊犁河谷所有土地利用类型之间（除湿地向未利用地无转换外）均发生了显著转移。耕地、草地和建设用地的扩张最为明显。按净增面积排序为：草地 > 耕地 > 未利用地 > 建设用地，而净损失面积排序为：林地 > 水域 > 湿地。2010年至2015年期间，转移幅度显著下降。某些特定转移（包括林地向湿地、湿地向城市、城市向林地、城市向湿地以及未利用地向湿地）的转移面积为零。空间上，转移集中在察布查尔县，其他地区有零星变化。净增面积排序为建设用地 > 未利用地 > 耕地，净损失排序为草地 > 林地 > 水域 > 湿地。

结合二元逻辑回归结果，可以进一步分析土地利用转换的驱动机制：耕地的净增在2005-2010年间为1024.1 km²，但在2010-2015年间仅为23.52 km²，增长率显著放缓。这一方面可能是由于耕地增长趋于饱和，另一方面与GDP对耕地扩张的强烈抑制作用（β₁ = -4.03）直接相关。空间上，伊宁郊区（高GDP区域）的耕地显示出向建设用地转换的明显趋势。林地的净损失在2005-2010年间为2730.2 km²，主要转换为草地（4120.70 km²）；这与高海拔地区森林扩张受限（海拔，β₂ = -7.86）以及土壤侵蚀加剧导致的林分退化有关。然而，2010-2015年间林地损失缩小至50.07 km²，这可能与同期天山地区实施的自然林保护工程有关。

土地利用变化的驱动力分析

二元逻辑回归分析用于量化伊犁河谷土地利用类型与驱动因素之间的关系，得到了每种土地利用类型的回归系数。除草地外，所有其他土地利用类型的AUC值均超过0.75，表明这些土地利用类型对预测土地利用格局具有很强的解释力。草地的AUC值最低（0.735），表明现有的九个驱动因素不能完全解释草地的变化机制。除了受海拔（β₃ = -6.37）和GDP（β₃ = -391.61）的影响外，伊犁草地的变化可能还与研究中未包含的区域特定因素有关，如“草畜平衡政策”和“饲草产量”。2010-2015年期间在伊犁实施的草畜平衡系统人为干扰了草地扩张的自然驱动逻辑，这也可能导致模型解释力的下降。

整合PLUS模型的LEAS模块和二元逻辑回归系数，我们量化了驱动因素对不同土地利用类型扩张的贡献。结果显示不同土地利用类别的驱动因素影响存在异质性：

1. 1.
   耕地扩张：GDP（X4）的负向效应最显著，表明经济发达地区对耕地扩张的抑制作用更强。
2. 2.
   林地扩张：海拔（X2）主要制约林地扩张，土壤侵蚀强度（X7）和GDP（X4）也有负向贡献。降水（X6）和距河流距离（X5）对林地扩张有正向影响。
3. 3.
   草地扩张：海拔（X2）和GDP（X4）对草地扩张的负向效应最为显著。距道路距离（X1）、距河流距离（X5）、距铁路距离（X9）和坡度（X8）对草地扩张起正向促进作用。
4. 4.
   水域扩张：GDP（X4）和海拔（X2）对水域扩张的正向效应最为显著。距河流距离（X5）和降水（X6）的负向影响相对显著。
5. 5.
   湿地扩张：降水（X6）是最强的负向驱动因子。
6. 6.
   建设用地扩张：GDP（X4）是建设用地扩张的主要驱动因子，距铁路距离（X9）和降水（X6）也有正向影响。距道路距离（X1）与建设用地增长呈负相关。
7. 7.
   未利用地扩张：海拔（X2）、GDP（X4）和降水（X6）是关键的促进因子。

通过比较PLUS模型的驱动贡献和逻辑回归的β系数，可以看出两个模型在对核心驱动因素（如海拔对耕地的抑制作用和GDP对建设用地的促进作用）的判断上是一致的，但存在定量差异。例如，降水对草地的贡献权重在PLUS模型中近乎为零，而逻辑回归中降水的β₃值为2.91（正向）。这是因为PLUS的LEAS模块量化的是“贡献强度”，而逻辑回归反映的是“定向效应”。

土地利用预测

Logistic-CA-Markov模型预测：利用TerrSet软件中的Markov和CA-Markov模块进行土地利用模拟。首先，将各土地利用类型驱动因素的回归系数代入逻辑回归公式，生成土地利用适宜性图。将这些图标准化到0-255尺度，像素值代表向相应土地利用类型转移的概率。随后，使用Markov模块导出2010-2015年土地利用转移概率矩阵。最后，CA-Markov模块整合这些输入（适宜性图、转移矩阵和5×5邻域配置），经过5次迭代生成伊犁河谷2020年土地利用预测。

PLUS模型预测：PLUS模型预测过程从LEAS模块分析开始，生成发展概率图。关键参数配置包括：使用PLUS内集成的马尔可夫链模块预测2020年土地利用需求；定义允许的土地利用转换的转移成本矩阵；根据2010-2015年期间各土地利用类型扩张面积占总扩张面积的比例量化邻域权重，这些权重控制土地利用扩张的竞争力。

模型验证

通过比较模拟结果与观测数据，评估了Logistic-CA-Markov和PLUS模型对2020年伊犁河谷土地利用格局的预测性能。Logistic-CA-Markov模型的Kappa系数（k）为0.62，总体精度（OA）为0.77；而PLUS模型表现更优，k = 0.68，OA = 0.82。虽然两个模型在耕地、水域、湿地和建设用地的预测精度上相当，但PLUS模型在草地和未利用地的精度上显著优于Logistic-CA-Markov模型。相反，Logistic-CA-Markov模型对林地的预测精度略高。这些结果共同表明PLUS模型在区域土地利用模拟中具有更高的可靠性。

空间一致性分析进一步验证了这些发现：PLUS模型的预测与观测到的2020年土地利用分布高度吻合，特别是在复制破碎化格局方面。相比之下，Logistic-CA-Markov模型产生了过度聚集的空间分配，在伊犁西北部存在明显差异。PLUS模型捕捉精细尺度异质性的能力突出了其在生态复杂区域进行空间显式土地利用规划的有效性。Kappa系数反映了整体格局的一致性，但未能捕捉到类别特定的错误。当结合FoM指数来量化捕捉局部变化的能力时，PLUS模型的FoM值为0.01，Logistic-CA-Markov模型为0.05，均低于0.2的一般精度阈值。这表明两种模型捕捉局部破碎化变化的能力都极弱。这解释了尽管PLUS模型具有较高的Kappa系数，但仍无法预测局部变化的矛盾。

从模型预测量化及误差来源分析的角度看：Logistic-CA-Markov模型表现出对建设用地和耕地的过度预测，这源于其固有的结构限制——其5×5 CA邻域配置优先考虑中等尺度的空间聚集，使其无法处理区域政策（如城市开发边界）带来的蔓延约束，导致预测的建成区和农业区过度聚集。相比之下，PLUS模型显示出对局部破碎化土地利用变化的保守性低估，其较低的FoM指数表明对真实变化区域的捕捉能力较弱；这种低估归因于其CARS模块的阈值设置——3×3邻域权重和随机斑块种子生成在增强大斑块空间保真度的同时，无意中过滤掉了微尺度的转移，导致遗漏了小的破碎化变化。

讨论

不同时期土地利用扩张驱动因素比较

采用PLUS模型的LEAS模块量化驱动因素对土地利用转移的贡献权重，同时应用二元逻辑回归确定每个驱动因素对土地利用变化的定向效应。综合分析结果表明，从2010-2015年到2015-2020年，GDP（X4）对耕地扩张的抑制作用显著减弱，其标准化贡献值从-38.39%降至-10.25%。这种下降与伊犁地区实施的生态保护政策密切相关。同期，降水（X6）对草地扩张的正向贡献从近乎0增加到13.74%，反映了草地生态系统对气候因子响应能力的增强。相比之下，自然驱动因素在大多数土地类型中的重要性日益凸显。海拔（X2）和坡度（X8）仍然是耕地变化背后的关键因素，而对于水域，海拔是主要的正向驱动因素，与高海拔地区的冰川融化有关。在建设用地中，虽然GDP仍保持正相关，但其影响力显著下降，而坡度、降水和海拔的重要性增加，表明驱动因素从社会经济向自然地理转变。

PLUS与Logistic-CA-Markov模型的局部尺度预测比较

通过对四个代表性子区域进行局部比较分析，评估了模型预测与观测到的2020年土地利用模式之间的空间差异。分析表明，Logistic-CA-Markov模型对土地利用变化做出了相对激进的预测，而PLUS模型则产生了更为保守的预测，扩张区域主要基于2010-2015年的土地利用扩张模式进行基准测试。两种模型都集中预测了特定土地利用类型的扩张，而实际观测到的则是分散的、多类别的扩张。因此，虽然精确预测实际的土地利用扩张仍然具有挑战性，但预测局部子区域内主要扩张类型仍然是可行的。

对伊犁河谷2015年至2020年土地利用扩张的分析显示，与2010-2015年期间相比，转移强度显著加剧，这严重影响了Logistic-CA-Markov和PLUS模型的预测精度。基于2010-2015年扩张规模参数化的PLUS模型低估了2015年后的转移，导致对大多数土地利用类型的预测扩张最小。这种差异强调了在模拟之前通过综合分析未来土地利用需求预测来参数化PLUS模型的必要性，从而提高其预测保真度。相比之下，Logistic-CA-Markov模型相对于2015年基线高估了扩张趋势。虽然其对耕地、水域、林地和草地的预测与2020年的实际扩张模式大体一致，但该模型在伊犁西北部产生了巨大的空间误差，那里的模拟扩张与观测结果明显偏离。这种不一致性凸显了Logistic-CA-Markov框架固有的局限性，特别是在快速变化的景观中其较高的随机分配倾向。

对伊犁地区的土地利用规划建议

基于研究结果，本研究为伊犁地区提出以下综合土地利用规划策略，每项策略均基于经验系数、定量数据和空间格局：

1. 1.
   与坡度依赖性相结合的草地保护：在关键的林草过渡带（如天山和阿尔泰山麓）建立分级保护区，优先考虑生态-牧业协调。具体而言，在坡度>25°的区域实施间歇性禁牧，直接响应草地扩张对坡度的正依赖性（β₃ = 2.18）。同时，在缓冲区推广补贴季节性轮牧，以平衡森林保护（减少过渡带“林转草”的转换损失）和牧民生计。
2. 2.
   与降水和水域面积数据相关联的气候适应性水资源管理：实施有针对性的水资源管理，以应对降水对湿地的抑制作用（β₅ = -20.03）以及2010-2015年期间观测到的水域面积减少10.09 km²。关键措施包括：沿伊犁-特克斯河廊道建设人工湿地，以抵消降水波动的负面影响（缓解降水的抑制效应，β₅ = -20.03），并补充冰川退缩造成的水量损失；对农业和城市用水实施严格的地下水抽取配额，以进一步遏制不必要的耗水。
3. 3.
   基于海拔的城市布局优化：通过将新的城市扩张重新选址到低海拔未利用地，优化空间发展，利用未利用地对高海拔存在依赖性（β₇ = 13.49）的经验发现。这种重新选址策略避免了将耕地转为建设用地——符合耕地保护政策——同时最大限度地利用未利用地资源。通过参考海拔系数（β₇ = 13.49）来指导选址，该策略最大限度地减少了耕地损失，并与海拔和未利用地分布之间的量化关系保持一致。

结论

通过上述研究，本文得出以下结论：

1. 1.
   2005年至2015年，伊犁河谷土地利用类型趋势发生显著变化。2005-2010年间，耕地、草地和建设用地面积显著增加，而林地和水域面积急剧减少。这些变化可能与农业发展需求、政策支持、放牧需求、气候变化和水资源过度开发有关。未利用地和湿地在此时段相对稳定。2010-2015年间，除建设用地显著增加外，其他土地利用类型变化不显著。
2. 2.
   伊犁地区土地利用类型转变经历了从经济主导到自然地理主导的关键转变。在2010-2015年至2015-2020年期间，土地利用扩张的驱动机制发生了显著变化。PLUS模型LEAS模块的贡献权重分析表明，海拔这一代表性自然地理因素的影响力显著增强，而GDP的贡献下降。这一转变反映了自然地理因素，特别是海拔驱动的冰川融化和降水变率，在塑造水域、湿地和草地变化方面的主导作用日益突出。因此，有必要加强伊犁地区的气候治理。建议采取针对性措施，如建立冰川监测网络和建设人工湿地，以有效应对自然因素引发的土地利用动态，促进区域生态环境的可持续发展。
3. 3.
   实际比较揭示了Logistic-CA-Markov模型与PLUS模型在土地利用预测方面存在显著差异。PLUS模型在空间分布上更符合实际土地利用状况，尤其在草地和未利用地的预测精度方面表现出色，展现了卓越的空间保真度，确立了其作为优越预测框架的地位。相比之下，Logistic-CA-Markov模型在伊犁西北部显示出较大的空间偏差，存在明显的局部误差，并倾向于做出“激进”的预测，高估了建设用地和耕地的扩张规模；而PLUS模型则呈现“保守”的预测特征。尽管预测模型在预测局部区域土地利用类型变化方面面临一定困难，但在预测主要土地利用类型的扩张趋势方面仍然是可行的。值得注意的是，PLUS模型在模拟破碎化草地方面具有明显优势，这提高了预测的整体准确性和可靠性。

本研究系统地阐明了Logistic-CA-Markov模型与PLUS模型在土地利用变化预测方面的差异，并识别了它们在预测精度和局部预测能力方面的优点与不足。针对PLUS模型LEAS模块无法量化影响因素对土地利用扩张正负效应的问题，提出了LEAS-Logistic集成框架以弥补这一缺陷。同时建议通过综合分析未来需求来参数化模型，以提高预测精度。虽然本研究的结果为伊犁地区的土地利用变化预测提供了有价值的见解，但应承认与数据覆盖范围相关的某些局限性。目前最新的土地利用观测数据仅截至2020年，这限制了对PLUS模型长期预测稳定性的验证，特别是无法充分评估其捕捉2020年后新政策或气候事件驱动的土地利用变化的能力。未来的研究应整合2020年至2025年的土地利用数据，以进一步检验模型性能，并优化驱动变量（例如引入饲草产量或政策力度指标），以增强模型在伊犁地区长期土地利用规划中的适用性和准确性。