1 引言

2019年5月10日,国务院印发《关于建立国土空间规划体系并监督实施的若干意见》[1],主体功能区规划、土地利用规划、城乡规划等空间规划将融合为统一的国土空间规划,实现“多规合一”。意见要求在编制中坚持生态优先、绿色发展,科学划定生态保护红线、永久基本农田、城镇开发边界等空间管控边界,强化底线约束,为可持续发展预留空间。自十九大“城乡融合”和“乡村振兴”战略提出以来,作为城乡融合发展的枢纽,县域空间的城镇发展更加成为当前热议的焦点[2]。因此探讨县域空间城镇发展的空间布局优化有利于厘清城镇用地、永久基本农田和重要生态用地三者之间的关系,为实现县域城镇可持续发展奠定重要基础。

为防止城镇的无序扩张扩张,作为底线约束,首先需要合理制定城镇开发边界。在美国的塞勒姆市最早提出城镇增长边界（Urban Growth Boundary, UGB）,用于划分城市土地和农村土地[3]。随后在莱克星顿市和波特兰地区得到成功应用,有效阻止了城镇用地的无序蔓延;同时UGB的划分对于农业用地的保护和城市的精明增长起到促进作用[4,5,6]。国内对于UGB没有相对应的概念,最为接近的是城镇开发边界。住建部和国土资源部自2015年开始在14个城市进行城镇开发边界的划定的试点工作[7]。近年来,国内对于城镇开发边界相关的研究主题包括：① 基于土地承载力和生态适宜性评价结果确定发展方向,并结合人口规模预测划定城市增长边界[8,9,10];② 以传统CA模型[11,12]、CLUE模型[13,14]和SLEUTH模型[15,16,17]等为代表的土地利用类型预测确定城市增长边界。前者在评分过程中主观性较强,各因子权重的判定受到人为影响较大;后者仅考虑占主导的土地利用类型,忽略了其他土地利用类型的分配机会,难以体现土地类型间的竞争及相互影响,对于城市及其周边的小范围土地类型变化的模拟结果与实际相差较大。Liu[18]于2017年提出了一种基于元胞自动机理论的未来土地利用预测模型（Future Land Use Simulation, FLUS）,其融合了“自上而下”的自适应惯性竞争机制,能够有效地进行多情景下的复杂土地利用变化模拟,针对城镇边界的划定问题,梁迅等[19]在FLUS模型的基础上建立了FLUS-UGB模型,其在土地变化模拟的基础上融合了形态学腐蚀膨胀分割方法依据城市边缘状特征划定城镇开发边界,对珠江三角洲地区的城市边界进行了划分。该模型能够对土地利用模拟结果有效进行边缘提取和分割细化,极大地提高了土地利用空间模拟的精度[20]。同时FLUS-UGB模型剔除了主观因素对模拟和边界的影响,在小尺度范围内对边界的模拟具有一定的客观性和适应性。

国土空间规划体系的逐渐建立和完善,其中生态保护红线、永久基本农田保护红线和城镇开发边界的“三线协调”逐渐成为权衡城镇边缘土地开发与保护的重要关系。目前我国进入快速城镇化阶段,县域空间已成为城镇用地增长的潜在地区[21]。而目前国内对于城镇开发边界的划定研究多见于城 市群[22]、城市人口100万以上的大城市[23,24]及大城市郊区[25],而对县域空间的研究较为鲜见。本文结合当前县域空间城镇扩展所面临的问题,引入FLUS-UGB模型,在权衡生态保护红线、永久基本农田和城镇开发边界的空间关系基础上以江苏省丰县为研究区,对其2035年土地利用变化进行模拟并合理划分城镇开发边界,为国土空间规划中县域城镇开发边界的制定提供方法上的科学参考。

2 研究方法

2.1 基于三线协调和FLUS-UGB的城镇增长边界 划定方法

本研究通过Markov chain方法预测出各用地需求量,分别在基本农田限制和生态红线保护的情景下结合FLUS-UGB模型对丰县土地利用进行模拟[19]。将基本农田保护红线、生态保护红线构成城镇用地扩张的刚性限制,划定出城镇开发边界。具体模拟流程图如图1所示。

图1

图1   城镇开发边界模拟流程

Fig. 1   Simulation flow chart of urban development boundary

 

2.2 FLUS-UGB模型

FLUS-UGB模型由3部分组成[20,21]：① 人工神经网络的适宜性概率分布估计(Probability-of-occurrence estimation using artificial neural network);② 基于自适应惯性竞争的元胞自动机（Self-Adaptive Inertia and Competition Mechanism, CA）;③ 基于形态学腐蚀膨胀操作的边界分割方法。

（1）适宜性概率分布模拟

人工神经网络（Artificial Neural Network, ANNs）是受生物神经网络启发的一系列机器学习模型,通常用于估计或近似非线性函数。人工神经网络的优势在于它能通过一系列回忆迭代来学习和拟合输入数据和训练目标之间的复杂关系[26],已成功应用在非线性地理问题的分析和建模[27]。其采用负反馈ANN训练和评估每个栅格土地利用类型发生的概率;运用自适应惯性竞争机制解决不同地类间的竞争问题。其中,负反馈ANN是一种多层前馈神经网络,基本构成包括一个输入层、一个或多个隐藏层和一个输出。该模拟过程实质是建立起各驱动因子同初始土地类型在空间上的作用强度关系,其具体过程见公式：

p(p,k,t)=∑jwj,k×sigmoid(net∑j(p,t))=∑wj,k×11+e−netj(p,t) $\begin{array}{l}p(p,k,t)={\sum }_j{w}_{j,k}\times \mathit{sigmoid}\left(\mathit{net}{\sum }_j(p,t\right))\\ =\sum ^{}{w}_{j,k}\times \frac{1}{1+e^{-\mathit{ne}{t}_j(p,t)}}\end{array}$ （1）

式中：p(p, k, t)代表地类k在t时刻p象元上出现的概率;wj,k是隐藏层与输出层之间的自适应权重。

（2）自适应惯性竞争的元胞自动机

某个土地网格是否会发展成特定的土地利用类型,不仅依赖其发生概率,还取决于预测期内不同开发状态下的其他可变因素。因此,在基于自适应惯性竞争模型中,我们将发生概率与转换成本、邻域条件以及不同土地利用类型之间的竞争结合起来,用于估计每个土地网格的组合概率的类型。其过程可表达为：

T P t i , k = P i , k × Ω t i , k × C c → k $T{P}_{i,k}^t=P_{i,k}^{}\times {\mathrm{\Omega }}_{i,k}^t\times C_{c\to k}$ （2） Ω t i , k = ∑ con ( c t − 1 i = k ) N × N N × N − 1 × ω k ${\mathrm{\Omega }}_{i,k}^t=\frac{\sum ^{}{}_{N\times N}^{\mathit{con}(c_i^{t-1}=k)}}{N\times N-1}\times {\omega }_k^{}$ （3） Inerti a t k = ⎧ ⎩ ⎨ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ Inerti a t − 1 k if   ∣ ∣ D t − 1 k ∣ ∣ ≤ ∣ ∣ D t − 2 k ∣ ∣ Inerti a t − 1 k × D t − 2 k D t − 1 k    if  D t − 1 k < D t − 2 k < 0 Inerti a t − 1 k × D t − 1 k D t − 2 k    if  0 < D t − 2 k < D t − 1 k $\mathit{Inerti}{a}_k^{\begin{array}{l}\\ t\end{array}}=\left\{\begin{array}{l}\begin{array}{l}\mathit{Inerti}{a}_k^{t-1}\mathrm{if }\left|D_k^{t-1}\right|\le \left|D_k^{t-2}\right|\\ \end{array}\\ \begin{array}{l}\mathit{Inerti}{a}_k^{t-1}\times \frac{D_k^{t-2}}{D_k^{t-1}}\mathrm{ if }{D}_k^{t-1}<D_k^{t-2}<0\\ \end{array}\\ \mathit{Inerti}{a}_k^{t-1}\times \frac{D_k^{t-1}}{D_k^{t-2}}\mathrm{ if }0<D_k^{t-2}<D_k^{t-1}\end{array}\right.$ （4）

式中： TPti,k$T{P}_{i,k}^t$是指元胞单元i从迭代时刻t从原始土地利用类型转换为目标土地利用类型k; Pi,k$P_{i,k}^{}$则由神经网络算法计算所得为b元胞单元i转换为用地类型k的城市发展概率, Cc→k$C_{c\to k}$表示从用地类型C到用地类型k的转换成本。 Ωti,k${\mathrm{\Omega }}_{i,k}^t$表示用地类型k出现在栅格p的概率; ∑con(ct−1i=k)N×N$\sum ^{}{}_{N\times N}^{\mathit{con}(c_i^{t-1}=k)}$表示在N×N摩尔窗口下t-1时间用地类型k所占据栅格总数; ωk${\omega }_k^{}$是不同用地类型之间的变量权重。 Inertiatk$\mathit{Inerti}{a}_k^t$表示k地类型在t时间的惯性系数; Dt−1k$D_k^{t-1}$表示在t-1时间,用地类型k的实际需求量与分配量之差。

2.3 Markov chain 需求量预测

Markov chain是预测土地利用变化模拟的传统方法,其预测结果具备无后效性 [28] 。本文基于丰县2011—2017年土地利用现状,使用Markov chain对2035年丰县土地利用指标需求量进行预测 [1]。

S t + 1 = S t × PP ∈ [ 0,1 ) $S_{t+1}=S_t\times \mathit{PP}\in \left[\mathrm{0,1}\right)$ （5） P = P 11 M P 1 j L O L P \ i 1 M P ij $P=\begin{array}{ccc}{P}_{11}^{}& L& P_{\backslash i1}\\ M& O& M\\ P_{1j}& L& P_{\mathit{ij}}\end{array}$ （6）

式中：P为状态转移矩阵;St+1、St分别表示t、t+1时刻的土地利用状态;状态转移概率矩阵预测了事件发生的状态及其发展变化的趋势。

3 研究区概况、数据来源与预处理

3.1 研究区概况

丰县位于江苏省西北部（116°21′E—116°52′E,34°24′N—34°56′N）,在苏、鲁、皖、豫四省交界处。地处淮海经济区中心地带和徐州都市圈内,地理区位优势明显,近年来经济发展速度较快,城镇开发强度较大,是江苏省重要的粮食、水果生产基地,永久基本农田和生态红线区分别占全县总面积的52.93%和35.80%。在城镇化转型阶段,丰县的城镇用地扩张与基本农田和生态红线的融合和冲突问题日益凸显。

3.2 数据来源与预处理

本研究使用的多时期土地利用数据,来源于丰县国土资源局所提供的符合由国土资源部指定的国家标准（GB/T 21010—2017）的2011—2017年的土地利用现状数据库 [30] 。为平衡各类用地的差异性与均一性,以凸显各类用地在研究区内的异质性,对原始土地利用类型进行重分类为耕地、林地、交通用地、水域、城镇用地、农村居民点和未利用地7类。由于在县域尺度内交通用地的空间尺度权重较大,为确保最终城镇增长边界的完整性,将其独立分为一类,交通用地包括：铁路用地、公路用地、农村道路、机场用地、港口码头用地、管道运输用地。土地利用分布格局是多种因素在一定地域空间内共同作用的结果,社会经济和自然属性显著影响着土地利用变化的进程。综合已有研究 [31,32,33,34] 对于城市扩张中土地利用变化驱动因子的分析,并结合研究区土地利用现状、变化特征及数据可获取性,本文从自然、社会经济和土地相关政策3个方面选取了以下13个驱动因子和基本农田、生态红线区2个限制因子（表1）。本研究使用土地利用及因子数据的空间分辨率均为30 m,并投影到统一坐标系。

表1   丰县土地利用变化驱动因子数据说明

Tab. 1  The explanation of land use change driving factors in Feng Country

类型		名称	数据描述	数据来源	年份
驱动因子	自然属性	高程/m	GDEMDEM-30M数字高程数据	地理空间数据云 [35]	2009
		坡度/°	由高程数据计算得到		2009
		植被覆盖度	由Landsat 8遥感数据计算NDVI指数	美国地质勘探局[36]	2017
		土壤质量	由Landsat 8遥感数据计算MSAVI指数 [34]		2017
	社会经济属性	生活配套设施	百度地图POI数据	百度地图开放平台[37]	2018
		到县城距离/km	到中心城区的欧式距离	全国基础地理数据库[38]	2018
		到重点镇距离/km	到重点镇的欧式距离		2018
		火车站可达性/min	到火车站的时间距离		2016
		主干道可达性/min	到城市主干道和一级公路的时间距离		2016
		高速互通可达性/min	到高速公路出入口的时间距离		2016
		港口可达性/min	到港口的时间距离		2016
		人口分布	丰县人口分布数据	丰县规划局	2018
		经济分布	“珞珈一号”夜光数据	高分湖北中心[39]	2018
限制因子	限制区	基本农田分布	丰县永久基本农田分布	丰县土地利用总体规划（2016—2020）	2020
		生态红线区分布	丰县生态红线区域分布	丰县生态红线区域保护规划（2015）	2015

新窗口打开| 下载CSV

 

4 结果及分析

4.1 土地利用变化模拟

4.1.1 土地扩张潜力预测

土地利用变化是一个由多影响因子交互驱动的非线性复杂过程。本研究以2011年和2017年土地利用现状数据为基础,通过对上述驱动因素进行归一化处理,采用随机采样提取其栅格数据的10%像元作为训练样本,并基于神经网络模块模拟土地利用类型的扩张潜力,最终得到城镇用地扩张潜力分布（图2）。可以发现城镇用地扩张潜力结果能够较好地反映未来城镇空间分布格局：潜力较高的栅格大多分布在现有城镇范围及其周边区域;而在交通干线附近城镇用地扩张潜力也存在高值。整体上看,由于徐州市主城区位于丰县东南方向,发展重心向东南倾斜,因此除丰县中心城区外,其城镇用地扩张潜力表现出由西北向东南逐渐递增的空间趋势。

图2

图2   丰县城镇用地适宜性分布

Fig. 2   Distribution of urban land suitability in Feng Country

 

4.1.2 参数测算

（1）需求总量

本研究基于2011和2017年丰县土地利用数据,采用Markov chain分别确定2017年和2035年丰县各土地利用类型总量,将2017年的预测值与实际值对比,总体预测精度达到99.67%,各用地类型需求像元总量如表2所示。

表2   丰县各用地需求总量像元数

Tab. 2  Table of total demand in Feng Country (个)

年份	耕地	林地	道路	交通用地	水域	城镇用地	农村居民点
2011	1 088 520	38 211	32 126	147 986	39 504	43 968	218 164
2017	1 091 236	37 334	34 070	141 929	32 429	58 723	206 738
2035	1 092 400	35 761	36 977	135 502	26 452	91 553	186 843

新窗口打开| 下载CSV

 

（2）成本矩阵

成本矩阵代表各种地类之间的转换成本,范围界于0~1之间,其中,1代表转换成本最低,容易发生转换;0代表转换成本最高,不容易转换。以2011—2017年的土地利用转移矩阵（表3）为参考,辅以专家咨询法,最终确定丰县的成本矩阵（表4）。

表3   2011—2017年丰县土地利用转移矩阵

Tab. 3  Land Use Transfer Matrix of Feng County from 2011 to 2017 (%)

土地利用类型		2011年
		耕地	林地	交通用地	水域	未利用地	城镇用地	农村居民点
2017年	耕地	98.24	0.00	0.15	0.03	0.35	1.13	0.09
	林地	0.19	97.94	0.16	0.00	0.47	0.71	0.53
	交通用地	0.25	0.00	99.12	0.00	0.05	0.52	0.06
	水域	3.20	0.00	0.31	95.99	0.06	0.35	0.09
	未利用地	25.21	0.00	0.30	0.08	72.03	2.04	0.35
	城镇用地	1.64	0.00	0.00	0.08	0.00	97.41	0.87
	农村居民点	4.69	0.01	0.08	0.00	0.02	0.91	94.29

新窗口打开| 下载CSV

 

表4   丰县土地利用类型转换成本矩阵

Tab. 4  Land use type conversion cost matrix in Feng Country

转换成本	耕地	林地	交通用地	水域	未利用地	城镇用地	农村居民点
耕地	1	0	0.2	0.1	0.1	0.1	0.1
林地	0.2	1	0.2	0	0.1	0.1	0.1
交通用地	1	1	1	1	0.1	0.2	0.1
水域	0.1	0.2	0	1	0	0	0
未利用地	1	1	0.2	1	1	0.3	0.2
城镇用地	1	1	0	1	0	1	0.2
农村居民点	1	1	0.1	1	1	0.2	1

新窗口打开| 下载CSV

 

（3）邻域权重

邻域权重表示各类土地利用类型的扩张概率,参数范围为0~1,越接近于1代表该土地类型的扩张能力越强。为了符合对各土地利用类型扩张规律的表达,本研究使用各土地类型的历史总面积变化量的无量纲量（表5）来确定邻域权重参数（表6）,在保证邻域权重设置的客观性的同时满足数据结构的需求。

表5   2011—2017年丰县土地利用面积变化量

Tab. 5  Land use area change in Feng Country from 2011 to 2017 (%)

	耕地	林地	交通用地	水域	未利用地	城镇用地	农村居民点
面积变化量	0.43	-2.11	6.29	-3.91	-17.72	33.74	-5.04

新窗口打开| 下载CSV

 

表6   丰县FLUS模型邻域权重系数

Tab. 6  The Weight of Neighborhood of FLUS model in Feng Country

	耕地	林地	交通用地	水域	未利用地	城镇用地	农村居民点
领域权重	1	1	0.2	1	0.3	1	0.2

新窗口打开| 下载CSV

 

4.1.3 精度检验

本研究基于自适应惯性竞争的元胞自动机模型,采用测算参数值对2017年丰县土地利用情况进行模拟（图3）,并将其结果与2017年丰县土地利用现状进行对比,在10%的随机采样水平下,模拟结果的Kappa系数为0.895,模拟精度达到94.7%。其模型精度较高地满足了研究要求。

图3

图3   2017年丰县土地利用模拟结果与现状对比

Fig. 3   Comparison of land use simulation and status in Feng Country in 2017

 

4.2 多情景下土地利用分布预测

4.2.1 基准情景

在基准情景条件下,不考虑任何限制因素,所有地类均可相互转换,转换成本均为1。根据2035年各类土地利用需求量预测结果（图4）,2035年丰县城镇用地像元个数为85 946个,总面积为 77.35 km2。其建设用地呈现“摊大饼”的空间趋势扩张,城镇内部水域及周边林地被侵蚀。

图4

图4   基准情景下2035年丰县土地利用模拟结果

Fig. 4   Simulation of land use of 2035 in baseline scenario in Feng Country

 

4.2.2 耕地保护情景

在耕地保护情景条件下,限制永久基本农田保护红线内土地类型转换,基本农田不得转换为其他土地利用类型。2035丰县城镇用地像元个数为 88 523个,总面积79.67 km 2 ,耕地保护情景下城镇用地呈现集约式增长模式,在非基本农田区域内新增城镇用地呈现块状聚合（图5）。

图5

图5   耕地保护情景下丰县2035年土地利用模拟结果

Fig. 5   Simulation of land use of 2035 under farmland protection scenario in Feng Country

 

4.2.3 生态控制情景

在生态控制情景条件下,限制生态红线区内土地类型转换,耕地、林地和水域不得转换为其他土地利用类型。2035年丰县城镇用地像元个数为 88 671个,总面积79.80 km 2,结果如图6所示。其城镇用地扩张空间趋势和数量与耕地保护情景大致相似,在非一致性区域内分异较大。

图6

图6   生态控制情景下丰县2035年土地利用模拟结果

Fig. 6   Simulation of land use of 2035 under farmland protection ecological control scenario in Feng Country

 

5 城镇开发边界划定

元胞自动机迭代生成的结果较为破碎,人工识别会带来主观判断的误差影响。形态学的膨胀腐蚀的开闭运算方法能够在城市边界的划定中得到成熟应用,其开运算能够隔离狭长的城镇用地斑块;而闭运算能够填充城镇用地斑块的缺口与空洞,最终得到的城镇用地边界具有较少的冗余信息,能够较好地反映出城镇用地分布格局。在开闭运算下分别得到2035年耕地保护和生态控制情景下丰县的城镇用地边界,将其结果与2017年城镇用地边界进行对比（图7）。灰色斑块为2017年丰县既有城镇用地,绿色斑块为生态控制情景下新增城镇用地,红色斑块为耕地保护情景下新增城镇用地,紫色斑块为2种情景下2035年预测重合地区。

图7

图7   丰县2017年城镇用地扩张预测与现状对比

Fig. 7   Comparison of urban land expansions and status in Feng Country in 2017

 

总体上看,2035年丰县城镇开发边界在生态控制和耕地保护情景下模拟出的城镇用地增长边界重叠区域较多,多集中在中心城区现有建成区周边,并向周边各中心镇沿交通干线“放射式”延伸。丰县南部的宋楼镇、大沙河镇以及梁寨镇大部分覆盖生态管制区,在耕地保护情景下城镇新增用地较多,而在生态保护情景下,新增城镇用地斑块数量较少。从转换类别来看,中心城区大部分以现有城镇用地向外围已有农村居民点扩张,少部分耕地转换为建设用地。值得注意的是,在中心城区的西北角,中阳里街道与常店镇交界处存在较多未纳入基本农田保护的耕地,在模拟中未转换为城镇建设用地。在未来规划中这片区域可纳入城镇增长的范围,以实现土地集约式利用。

将耕地保护和生态控制2种情景下预测的城镇用地边界进行叠加处理,得到丰县2035年丰县城镇开发边界（图8）。汇总统计各行政区的增长边界划定后的增长幅度和开发范围（表7、图9）,2035年丰县城镇开发边界内面积为89.19 km2,较2017年城镇面积增长54.08%。具体而言,丰县新增城镇用地主要集中在凤城街道和孙楼街道,其中凤城街道的增长面积达到11.38 km2,占丰县新增城镇面积约三成。中阳里街道为老城区所在地,增量用地较少,城市化已存量用地为主,因此其城镇用地增长面积远低于另2个街道,增长幅度仅为11.10%。常店镇的城镇用地增长4.13 km2,增长面积在所有镇中居首。值得一提的是,大沙河镇和梁寨镇的城镇面积不升反降,分别小幅下降3.28%和3.68%,其大部分镇区位于生态保护红线区内阻遏了其城镇用地的扩张。

图8

图8   2035年丰县城镇开发边界划定

Fig. 8   The UGBs delineation of Feng Country in 2035

 

表7   2035年丰县各行政区城镇开发边界面积

Tab. 7  The UGBs area of each administrative region in 2035 in Feng Country

行政区	2035年新增面积/km2	2035年城镇开发范围/km 2	增长面积/km2	增长幅度/%
孙楼街道	2.52	7.31	4.79	190.16
欢口镇	1.94	5.32	3.38	174.08
师寨镇	0.68	1.65	0.97	142.36
常店镇	3.86	7.99	4.13	106.89
首羡镇	1.53	3.04	1.51	98.88
顺河镇	0.79	1.44	0.65	82.62
凤城街道	15.47	26.85	11.38	73.54
范楼镇	0.97	1.58	0.61	62.65
赵庄镇	2.32	3.12	0.80	34.40
华山镇	2.96	3.82	0.86	29.02
宋楼镇	2.37	2.99	0.62	26.11
王沟镇	2.16	2.43	0.27	12.42
中阳里街道	15.86	17.62	1.76	11.10
大沙河镇	2.61	2.52	-0.09	-3.28
梁寨镇	1.58	1.52	-0.06	-3.68
总计	57.62	89.19	31.57	54.80

新窗口打开| 下载CSV

 

图9

图9   丰县各区域城镇面积

Fig. 9   The area of urban land area in different areas of Feng County

 

6 结论与讨论

在县域城镇迅速扩张的背景下,为实现国土空间规划中城镇开发边界与基本农田和生态红线的的”三线协调“,本文在现有土地利用模拟研究上的提出了一种基于三线协调的县域城镇开发边界划定方法,适用于县域尺度的城镇开发边界划分,该方法能够协调县域城镇用地与基本农田和生态红线的空间冲突,达到城镇用地的有序增长的目的。本文以丰县为研究区进行模拟与划定,研究结果显示：

（1）FLUS-UGB模型对当前土地利用的模拟精度达到94.7%。基准情景下,未加限制的丰县城镇建设用地呈“摊大饼”状向周边农村居民点用地和耕地扩张;在耕地保护情景与生态控制情景下,建设用地转换依据相应情景规则,在基本农田和生态控制区外呈集约式增长,但在非一致性区域内分异较大。

（2）2035年丰县城镇用地面积为105.11 km 2 ,城镇用地增长边界延交通干道向外“放射式”扩张,有效避免侵占永久基本农田和重要生态用地,实现了城市扩张与永久基本农田和重要生态用地保护的空间协调。

（3）在模拟土地利用变化过程中,基于“三线协调”的开发边界划定方法可以较好地平衡耕地与生态保护对城市扩张之间的冲突,不仅因地制宜地实现了丰县城镇用地在国土空间规划中的合理配置,也满足了永久基本农田和生态用地的保护需求,可以较准确地反应丰县城镇用地的扩张规律。

城镇开发边界的制定需要考虑一定地域内多种因素对土地利用变化的影响,其驱动过程在未来模拟中应是动态的。本研究在尝试组合土地利用变化因子时仅采用单一线性的驱动模式,因此在最后的模拟结果中存在同质性,未来研究中将探索动态驱动模型,引入动态驱动因子,从而提升模拟精度。同时对于政策的变化如何及时有效地表达也是今后研究中重点关注的内容。

上一篇：2003—2018年中国地级城市土地出让交易状…

下一篇：碳中和下自然资源管理发展研究