基于三线协调和flus-ugb的城镇增长边界划定方法研究.docxVIP

基于三线协调和flus-ugb的城镇增长边界划定方法研究 摘要：当前城镇开发边界的制定与已有基本农田和生态保护红线存在较大的龃龉，在新的国土空间规划体系下，需要科学划定县域合理的城镇开发边界以实现国土空间的可持续开发利用。对此，本文提出了基于三线协调和FLUS-UGB的城镇增长边界划定方法，以江苏省丰县为研究案例，在对其2011—2017年土地利用进行模拟和验证的基础上预测了至2035年的多情景土地利用变化，结合耕地保护与生态控制背景，最终确定城镇增长边界。结果表明：①2017年丰县土地利用模拟的总体精度达到94.7%,Kappa系数为0.895，模拟精度较高。②基准情景下，城镇用地呈现“摊大饼”的空间扩张趋势。在耕地保护与生态控制背景下，城镇呈“放射式”向外有序扩张。③预测2035年丰县城镇用地开发边界面积为80.29 km2,2017—2035年共17年增长幅度达到69.07%。明确划分城镇开发边界能够有效避免城镇用地对永久基本农田和重要生态用地的侵占，从而实现城镇扩张、永久基本农田和重要生态用地保护三者之间的良好空间协调。 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》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2.2 FLUS-UGB模型FLUS-UGB模型由3部分组成(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式中：p(p,k,t)代表地类k在t时刻p象元上出现的概率；w(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：式中：TP2.3 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式中：P为状态转移矩阵；S3 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。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