近年来以土地利用与覆被变化为核心的复杂人地系统演变过程受到越来越多学者的关注,而基于微观土地利用主体的模型模拟是研究土地利用演变的主要方式之一,ABM土地利用模型能够准确模拟Agent决策行为且易于建模分析,成为了当前研究土地利用变化的主流模型。土地利用转化规则的设置是ABM土地利用模型的核心。由于土地利用转化的复杂性,加之巨量的地理数据,如何有效设定ABM模型转换规则已成为提高其解释力的主要方式之一。目前,国内外众多地理学者逐渐将目光转移到机器学习与深度学习方法之上。机器学习与深度学习在数据挖掘、特征提取和建模上优势明显。如何利用机器学习与深度学习算法的优势挖掘ABM模型土地利用转化规则构建耦合其与ABM模型的新模型就成为当前的研究热点问题之一。高渠乡地处黄土高原,是我国典型的生态脆弱区。本文利用PRA和传统农户调查获取所需数据,结合机器学习算法、深度学习算法以及传统土地利用变化模型,构建新型模拟与预测土地利用变化模拟平台。该平台主要包括以下两方面内容:(1)以基于经验的BDI行为决策模型为基础,运用随机森林提取影响农户决策的变量,构建RF-BDI模型;(2)在BDI框架的指导下,运用随机森林算法选取最优特征向量,利用深度神经网络算法独立挖掘农户决策规则并构建土地利用变化模拟模型。通过分析该平台模拟结果可以得出以下结论:(1)随机森林算法与BDI模型结合可以有效模拟农户有限理性决策行为及其变化机理。以陕西省米脂县高渠乡为例,对比分析RF-BDI模型与传统BDI模型模拟结果,结果显示RF-BDI模型对传统BDI模型决策行为进行修正后,在没有明显增大计算量的基础上模拟精度提高了14%。(2)相比BDI决策模型与RF模型,RF-BDI模型的转化规则的设置更为合理。传统BDI模型是人为基于经验确定农户的决策规则,此规则设定较为简单,且过于刚性。随机森林算法虽可以“挖掘”农户土地利用行为规则,但挖掘规则过于理性,无法反应农户的随机种植行为。RF-BDI模型通过将随机森林挖掘规则与基于经验的规则进行相互印证,可以有效消除农户随机种植行为带来的误差,提高模型模拟精度。(3)虽然RF-BDI模型可以较好的模拟农户种植行为,但仍有约为20%的误差,深度学习相较于机器学习具备更好的挖掘能力与模拟能力,本文基于Keras深度学习模块,设计与调整网络结构,以陕西省米脂县高渠乡为数据源,构建深度神经网络模型,对比深度神经网络模型与RF-BDI模型模拟情况。在未设置经验规则的前提下,深度神经网络模型独立提取农户有限理性决策规则,模拟与预测高渠乡土地利用变化并与实际土地利用变化进行对比,其模型精度为85.2%,相较于RF-BDI模型,深度神经网络模型模拟精度提高约为5%。该模型可以有效模拟农户随机种植行为,并预测其未来种植倾向,为刻画高渠乡未来土地利用变化情形及其驱动机制提供了一个新方式。(4)深度神经网络模型对农户土地利用行为有较强的刻画能力,且对农户基于自身意愿的随机种植行为有强拟合能力。但深度神经网络模型仅仅能够显示农户最终种植结果,其中间过程参数过于复杂不利于分析微观层面人地系统演变的驱动机理,而RF-BDI模型可以直观反映各个影响因素在人地系统演变过程中的相对重要性,综合深度神经网络模型的模拟能力以及RF-BDI模拟在机理解释上的优点是下一步需要进行的工作。