土地利用与土地覆被变化（Land-Use and Land-Cover Change,LUCC）是人地关系最直接的体现,各类用地的增减与分布可以反映出随着人类社会不断发展过程中,土地资源开发与利用的不合理和不均衡现象。为了缓解建设用地扩张和有限的土地资源之间的矛盾,实现社会的可持续发展,中国政府提出了划定“基本农田保护红线”、“生态保护红线”和“城镇开发边界”三条控制线的战略任务,进一步明确了盘活城镇存量土地的任务要求,城镇发展导向逐步由外延式扩张向内部用地结构布局优化的方向转型。在此背景下,城市土地利用变化研究也逐步朝着微观化和精细化方向发展。传统的土地利用模拟方法多以地理元胞自动机模型为主体,主要采用普查统计和自然属性等数据来分析城市用地的演化机制,尺度较为宏观且数据现势性不强,缺乏能够反映社会微观经济活动的数据来源。随着Web2.0技术的发展,在民众日常行为活动中自主或被动产生了带有地理信息标签的时空大数据,为研究土地利用变化微观演绎规律提供了可能。目前以POI数据为代表的众源地理信息数据已经逐渐在土地利用变化研究中发挥重要作用,有研究主要利用此类数据对用地变化情况进行了微观和宏观两个方面的分析,证实了 POI数据能够为挖掘土地利用变化驱动因素提供新的分析视角,从而提高土地利用变化模拟的精度。元胞自动机作为土地利用模拟的经典模型,在引入POI等地理时空大数据进行方法优化的同时,也难以避免大数据信息冗余和信息隐含两大特点的不利影响。一方面,地理时空大数据种类丰富且各类数据间具有相关性,过多数据造成的信息冗余会降低模拟效率甚至损害模型精度,使用时需要进行合理的数据清洗;另一方面,现有的转换规则挖掘方法,容易破坏甚至忽略地理时空大数据中富有价值的空间结构信息。由此可见,驱动因于筛选和转换规则挖掘问题,是制约地理时空大数据应用于土地利用变化研究中的亟需解决的问题。为此,本研究利用POI数据开展武汉市土地利用变化模拟,从驱动因子筛选和转换规则挖掘两方面,对地理元胞自动机模拟过程进行优化,主要研究内容如下:（1）建立基于随机森林间隔序列的土地利用变化驱动因子重要性评价方法。针对POI数据之间部分数据存在较强相关性而导致的信息冗余问题,本文采用基于随机森林间隔序列的变量重要性评价方法进行驱动因子评价并筛选出信息贡献突出的驱动因子。（2）提出基于卷积神经网络的转换规则挖掘方法。本文利用卷积神经网络在处理二维图像格式数据时能够提取并保留空间结构信息的优点,挖掘驱动因子的属性和空间特征,并在此基础上开展更精细的土地利用适宜性评价,进而优化元胞转换规则。（3）构建CNN-CA-Markov 土地利用变化模拟模型。本文将卷积神经网络模型挖掘出的转换规则应用到现有的CA-Markov 土地利用变化模拟模型中,通过发挥不同模型的优势达到提升模拟精度的目的,并基于此模型开发土地利用变化模拟软件系统。（4）开展武汉市土地利用变化模拟的实证研究。利用武汉市2010和2015年土地利用状况完成模型训练和构建,从而模拟2020年武汉市用地变化,并通过多模型之间的对比分析验证本文所提出方法对元胞自动机模拟的优化效果。结果表明,2015-2020年武汉市土地利用变化的主导因素包括:高程、零售网点、坡向、农副产业、餐饮、金融商务、渡口、高速公路、政府机关和地铁,驱动力筛选在保证了模拟精度的同时降低了模型耗时;使用卷积神经网络挖掘出的土地利用适宜性和真实用地状态间具有相关性,且相较于IDRIS的适宜性评价方法,建设用地、林地和耕地三种用地类型的适宜性评价结果更可靠;本文构建的CNN-CA-Markov 模型模拟武汉市 2020 年土地利用状态的 Kappa 系数为 0.82 1,相较于其它模型,模拟精度有所提高。综上,本文将随机森林和卷积神经网络应用于土地利用变化元胞自动机模拟过程,有效优化了模型性能和模拟精度。在应用POI据作为驱动因子时,基于随机森林间隔序列的变量重要性评价方法能够抵抗变量间相关性带来的不良影响,客观评价不同驱动因子的重要性并进行驱动因子择优,从而降低信息冗余;基于卷积神经网络的转换规则挖掘方法具备深入挖掘地理时空数据的能力,通过它能够得到更加可靠的适宜性评价结果;本文所提出的CNN-CA-Markov模型,能够有效利用POI数据中的信息完成土地利用变化模拟,模型精度相较现有方法有所提升。