基于Markov

土地是人类社会发展的重要要素之一, 绝大部分社会经济活动均以土地作为载体。土地在粮食安全、生态安全等方面发挥着巨大作用, 然而随着我国城镇化、工业化进程的飞速推进, 建设用地扩张无序, 侵占耕地、林地等生产、生态用地的现象频发, 社会经济可持续发展能力遭到破坏[1-2]。与此同时, 在国土空间规划的大背景下, 流域作为完整生态系统的基本单元, 统筹水陆, 是构建国家生态安全的重要基础。就目前流域发展规划而言, 大都基于往年土地利用数据进行评价分析, 然而不同区域发展诉求会导致土地利用结构发生变化, 基于现状土地利用进行分析尚未充分反映用地类型的演变规律, 如何针对不同目的调整用地结构实现流域社会经济高质量发展是亟需解决的问题。为此, 针对流域不同情景下的土地利用模拟分析具有一定的必要性, 可以为流域土地利用现状分析提供补充, 亦可为实现流域粮食安全、生态文明建设等多重规划目标提供基础支撑。

土地利用变化是人类活动与自然格局相互影响作用下的具体表现[3-4], 随着我国社会经济的飞速发展, 土地利用变化/覆被过程(LUCC) 发生了剧烈变化。目前, 我国针对LUCC研究呈现多样化的特点, 主要研究集中在土地利用变化及其驱动因素分析[5-6]、土地利用分类方法探索[7]、土地利用模拟预测[8-9]等方面。关于土地利用变化研究常用的模型主要有Markov模型、CA模型、CLUE-S模型等, 但现有研究表明, Markov模型在土地利用数量变化预测下具有很好的实用性, 但难以反映空间格局的变化[10], 而CA模型因其没有元胞状态转变限制模块, 且只能针对某一地类进行模拟而具有一定限制[11-12], CLUE-S模型隶属空间模型, 加强了空间分配模块但在土地数量预测方面存在一定短板[10]。因此, 常常采用CA-Markov[13-15]、Markov-CLUE-S[16]等耦合模型进行LUCC研究, 以达到数量和空间分布预测的双重优势。

FLUS模型是一种基于CA模型发展的新型土地利用变化模拟模型, 能够有效处理自然人为因素共同影响下土地利用/覆被变化过程中的不确定性[17]。近年来在三生空间模拟[18-22]、土地利用模拟[23]、城市增长边界划定[24-26]、国土空间格局优化[27]及生态系统服务或价值演变[28-29]等方面得到广泛应用。FLUS模型需要事先输入未来土地利用的地类规模, 故本文选用FLUS模型同时结合Markov的数量预测优势, 对饶河流域土地利用变化进行模拟分析。

不同发展目标下, 区域的土地利用格局各不相同, 探究各发展目标下的用地结构对于区域可持续发展、资源高效利用具有重要意义。饶河流域作为江西省重要流域之一, 为省域提供极为重要的生态系统服务, 亦是省内重要的生态安全屏障。为应对饶河流域不同发展需求, 建立符合目标的流域规划, 本文分别设置惯性发展、耕地保护、生态优先3种情景, 基本满足国家对于粮食安全、生态保护的战略要求, 同时基于Markov-FLUS耦合模型, 从自然人为两方面遴选驱动因素, 并应用“三线”(生态保护红线、永久基本农田保护红线、城镇开发边界)划定成果, 对饶河流域各区县2035年各情景下的土地利用变化进行模拟分析, 以期为饶河流域国土空间规划实施布局提供多重视角, 优化“三线”划定成果, 为实现饶河流域生态-社会-经济协调可持续发展、土地资源利用集约高效、用地结构科学合理提供参考借鉴。

饶河流域范围大致为116°30′-118°13′E, 28°34′-30°03′N之间, 主要位于江西省东北部, 安徽、浙江省各一小部分, 是江西省五大流域之一。流域涉及的浮梁县、鄱阳县、万年县、弋阳县、德兴市、婺源县、乐平市、昌江区等8个县市为研究区(图 1), 全流域总面积约为1714068 hm2, 占鄱阳湖水系面积的9.4%。流域内气候湿润, 年均温为17.5℃, 年平均降水为1768.5 mm, 据统计1986-2000年饶河年平均入鄱阳湖水量138×108 m3, 占五河入湖水量的10.5%, 占整个流域入湖水量的9.1%；区内植被丰富(森林覆盖面积占全省的9.3%), 水系密集, 具备良好的水源涵养、生物多样性、水土保持等生态功能。

近年来, 流域经济快速发展, 人口流动频繁, 导致流域人地关系紧张, 且部分企业污水治理不当, 造成部分水土污染, 流域内水系发达, 降水丰富, 地势较高, 存在洪涝、泥石流、滑坡、水土流失等自然灾害风险, 治理形势较为严峻。随着国土空间规划、山水林田湖草系统保护修复等工作的全面铺开, 为保障流域生态-社会-经济协同发展, 流域面临着保障生态安全、保持社会经济发展、保证资源高效利用等系列考验。

土地利用变化是自然人为复合驱动下产生的一个复杂动态的过程, 参照土地利用模拟相关研究, 本文从自然(高程、坡度等)、人为(人口、GDP、距河流距离等)两个方面选取12种驱动因子。土地利用数据来源于中科院资源环境科学与数据中心数据平台(http://www.resdc.cn), 分辨率为30 m×30 m, 将各用地类型划分为耕地、林地、草地、水域、建设用地、未利用地6类(图 2)；DEM数据由地理空间数据云(http://www.gscloud.cn)平台获取, 并在其基础上提取出坡度数据, 分辨率为30 m×30 m；气温降水数据来源于江西省气象局, 并由克里金插值得出区域气象栅格数据, 分辨率为30 m×30 m；距公路、铁路、河流、城市等距离以欧式距离进行度量；永久基本农田、生态保护红线数据来源于各县市自然资源局。所有数据根据FLUS模型输入数据的要求, 以土地利用数据为基准进行坐标系统一和分辨率统一, 严格保证数据行列数一致。具体数据及其来源见下表 1。

FLUS模型是刘小平等[17]基于元胞自动机(CA)的原理, 在GeoSOS软件上进行拓展得来, 相对于传统元胞自动机, 该模型引入人工神经网络算法(ANN, Artificial Neural Network), 根据初期土地利用及各类驱动因子获取各地类变化的适宜性概率, 并基于轮盘赌选择的自适应惯性竞争机制有效处理土地利用在自然人为影响下发生变化的复杂性和不确定性, 最终得到土地利用模拟结果。

不同情境下, 各种地类未来需求并不一致, 同时FLUS模型需要事先输入未来各类用地类型的数量规模, 因此, 在运用FLUS模型时需提前预测各类土地需求。Markov模型基于多年土地利用状态之间的转移概率矩阵来预测土地利用变化, 是一种有效的数量预测模型, 但其缺乏土地利用在空间上变化的考量, 可与FLUS模型互补, 其预测土地利用参照如下公式[30]：

式中, S(t+1)表示土地利用在t+1时刻的状态, Pij表示土地利用类型转移概率矩阵, St表示土地利用初始t时刻下的状态。

将Markov模型在数量上预测的优势与FLUS模型相结合, 以各用地类型预测规模作为FLUS模型的参数从而获取土地利用在空间上的动态变化。

流域发展的需求变化是国土空间利用的重要影响因素, 不同的流域发展诉求决定了不同的国土空间发展定位, 设置多种情景下的流域土地利用模拟预测, 以期为决策者提供不同决策视角, 辅助其更为科学的对未来土地利用空间格局发展进行判断, 对人地关系和谐、社会经济稳定发展具有重要意义。

(1) 惯性发展情景。此情景基于2010-2015年土地利用变化速率及历史自然、人为驱动因子, 不考虑政策规划限制, 运用耦合模型中的Markov预测各地类未来规模并作为FLUS模型中的规模需求参数, 是其他情景设定的基础。

(2) 耕地保护情景。耕地安全是保障国民安全的基础, 是保证国家稳定发展的命脉。此情景基于惯性发展情景, 加入永久基本农田保护区为限制转化区, 同时参考相关研究[31], 对Markov转移概率矩阵进行修正, 控制耕地向建设用地转移的概率减少60%, 严格落实耕地保护。

(3) 生态优先情景。随着山水林田湖草整体保护系统修复的提出, 生态文明思想深入人心。在当前国土空间规划的背景下, 生态保护修复成为规划的重要组成部分, 生态文明建设的重要性不言而喻。此情景在惯性发展情景的基础上, 加入生态保护红线限制区, 同时控制林地、草地向建设用地转化的概率减少50%, 水域向建设用地转化的概率减缓30%。另外耕地也具有一定的生态能力但相比林地较弱, 此情景下设定耕地向建设用地转化的概率减少30%, 将减少的部分加入耕地向林地转化的概率之中。

(1) 土地利用需求规模预测

FLUS模型需要确定未来各用地类型规模并以此作为输入参数, 另外不同情景下, 各土地利用类型的规模存在差异性, 会对最终模拟结果产生重要影响。本文以Markov模型预测不同情景下的规模需求, 同时, 为减少Markov模型在长时间序列上产生的误差, 以5年为时间间隔, 依次对2020年、2025年、2030年、2035年各情景下的各用地类型需求进行预测, 继而得到各情景下饶河流域土地利用空间格局的演变趋势。

(2) 适宜性概率及邻域影响因子计算

根据现有研究, FLUS模型使用人工神经网络算法包含一个输入层、一或多个隐含层和一个输出层, 可以有效拟合各驱动因子与用地类型之间的关系[21]。由于栅格大小对模拟结果具有一定影响, 经过调试, 统一采用30 m×30 m的栅格大小, 通过均匀采样的方法对各类数据进行采样, 之后对各驱动因子进行归一化处理, 从而计算出各用地类型在空间上分布的适宜性概率。公式如下：

式中, p(p, k, t)为元胞p在t时刻转化为地类k的分布适宜性概率, Wjk为隐藏层于输出层之间的自适应权重, netj(p, t)为神经元j于t时间从元胞p上所有输入神经元接受的信号。

邻域影响因子反映了不同地类之间的相互作用以及在邻域范围内各用地单元的相互影响[19], 本文中选用3×3的Moore邻域窗口, 公式如下：

式中, Ωp, kt为元胞p在t时刻的邻域影响因子, 为地类k在最后一次迭代t-1时在Moore邻域内所有元胞总数, Wk为不同地类的邻域因子参数。邻域因子参数代表各地类的扩张强度, 反映各地类在空间驱动因子影响下的扩张能力。参数范围为0-1, 越接近1时, 表明其扩张能力越强。本文基于前人研究经验[19, 30, 32], 按照各地类受人为干扰的影响, 最终设置如下模拟精度较高的邻域因子参数表[19](表 2)。

(3) 自适应惯性系数

自适应惯性系数根据当前各地类的数量与需求规模之间的差异从而在迭代中自适应调整以接近目标规模。公式如下：

式中, Intertiakt表示地类k在迭代时间t的自适应惯性系数, Dkt-1为t-1时, 当前地类面积与目标规模之差。

(4) 成本矩阵与限制区设定

成本矩阵表示各用地类型之间能否相互转化, 其中0表示不能转化, 1表示可以转化。随着社会经济和科学技术的发展, 建设用地转化为其他地类的可能性较低, 依据该区域发展实际, 建设用地转变为其他用地的情况很少, 故设定建设用地不能向其他地类转化, 而其他地类间转化与否无法直接判断, 需根据不同情景进行设定[33]。惯性发展情境中, 设定其余地类之间可以相互转化；耕地保护情景中, 除建设用地其他地类均可转化为耕地, 耕地不能转化为其他用地；生态优先情景下, 设置林地、水域不能转化为其他地类。各情景成本设置如下表 3：

为反映不同情景下的区域土地利用发展空间格局, 将耕地保护情景下的永久基本农田保护区和生态优先情景下的生态保护红线转化为二值图像, 0表示限制区, 1表示非限制区, 输入模型作为限制型因子。

(5) 总体转化概率计算

结合上述需求规模、适宜性概率、邻域影响因子、自适应惯性系数以及转化成本及限制区结果, 对特定地类所占单元的总体转化概率进行计算, 公式如下：

式中, Pp, k、Ωp, kt、Intertiakt分别对应上述适宜性概率、邻域影响因子、自适应惯性系数, 而scc→k表示c地类转化为地类的转化成本。在得出每次迭代的元胞总体转化概率后, FLUS模型将采用轮盘选择机制以确定元胞转化为哪一种用地类型。其中较高的总体转化概率将更可能被分配给目标用地, 但是较低的总体转化概率仍然具备一定的机会被分配给目标用地, 这一定程度上反映了现实土地利用变化中的动态性与不确定性。

将Markov-FLUS模型模拟的2015年惯性发展下的各用地类型面积与2015年饶河流域实际的各用地类型面积于ArcGIS 10.5中进行交叉计算, 得出各地类的一致性比对表(表 4), 验证模拟的数量精度。同时, 通过总体精度及Kappa系数进行模拟结果的空间分配的精度检验[23], 当总体精度和Kappa系数越接近于1时模拟精度越好, 而当Kappa系数高于0.80时, 表示模型在统计学意义上精度达到较好状态[19, 34]。

(1) 数量精度验证

由表 4可得, 模拟结果总体上准确度较高, 平均准确度为93.54%, 除草地的准确度为79.43%外, 其他5种用地类型的准确率均在85%以上。由此可见, Markov-FLUS耦合模型模拟精度较高, 较为准确的反映了饶河流域土地利用需求变化。另外, 区域内草地分布较为零散, 容易在演变过程中被其他地类蚕食, 这也是草地模拟精度相对较低的原因。

(2) 空间分配精度

通过对比2015年实际土地利用数据与2015年模拟土地利用数据, 由图 3可得, 在饶河流域模型模拟的土地利用空间分布与实际分布具有高度相似性。同时对实际2015年土地利用数据进行采样以验证2015年模拟图像的准确性, 通过构建模拟图像与实际图像之间的逐格混淆矩阵, 计算土地利用模拟结果的总体精度和Kappa系数。结果表明饶河流域总体精度为98.01%, Kappa系数为0.9627, 远高于0.80, 进一步表明该模型具备较高的准确性, 较为真实的反映出该区域土地利用变化的状态, 在该区域具备较强的适用性, 可以用于饶河流域未来土地利用模拟的选择之一。

2015年, 饶河流域各市县以林地、耕地、水域为主要地类, 面积分别为1075730.13 hm2、447950.16 hm2、92518.92 hm2, 根据模拟结果(表 5), 2035年3种情景下, 区域土地利用特点保持稳定, 仍以此3种地类为主, 各地类的变化集中在耕地、林地、建设用地上, 其中又以建设用地扩张最为明显, 由于人类活动因素的影响, 建设用地扩张能力较强, 惯性发展情景下, 建设用地达到68865.03 hm2, 相比2015年增加了39%；耕地保护情景下, 建设用地面积为57497.49 hm2, 较2015年增加了16%；生态优先情景下, 建设用地规模为55768.77 hm2, 较2015年增加了12%。同时, 对比各情景下土地利用空间分布状况(图 4), 各用地类型分布总体上保持不变, 耕地主要集中在西南部地势平坦, 水系发达的平原区, 林地主要分布于东北部地势较高的丘陵山地区, 建设用地主要集聚于河流两侧, 主要沿昌江, 乐安河两条支流分布, 另外各情景建设用地规模变化显著的区域主要集中在昌江区、珠山区以及乐平市。

设定不同情景, 流域土地利用变化有着显著差异：

(1) 惯性发展情景

惯性发展情景不考虑政策因素的影响, 仅考虑自然人为因素共同驱动下的土地利用变化情况, 该情景下, 耕地面积为44827.92 hm2, 相比2015年减幅2%, 林地、水域面积较2015年均减少1%, 相反的, 草地面积相比2015年有小幅度增长, 增长率为0.2%, 建设用地扩张趋势最为显著, 面积增加了19164.15 hm2, 涨幅近40%。也就是说, 在不受政策限制的情况下, 建设用地因人类活动的影响而快速增长以满足社会经济发展的需要, 耕地、林地、水域、未利用地成为用地类型转出的主要来源。从转变的空间格局来看, 建设用地的扩张以原来分布现状为基础, 沿河流岸线继续延伸, 变化主要发生于鄱阳县、昌江区、珠山区、浮梁县、乐平市以及德兴市, 主要占用水域、耕地、林地等具备生态功能的地类, 若不加以限制, 区域的生态环境必将遭到严重破化, 粮食安全亦将受到威胁。总的来说, 在惯性发展的情景下, 不受约束的发展会造成区域建设用地迅速扩张, 耕地、林地、草地、水域等生产、生态用地大量减少, 无法维护区域生态-社会-经济协同发展, 粮食与生态安全面临风险。

(2) 耕地保护情景

耕地保护情景中, 为严格落实耕地保护, 耕地向其他地类转移和变化受到限制, 该情境下, 耕地面积为452185.92 hm2, 较2015年增长了1%, 相比于其他情景, 耕地面积实现了小幅度增加。林地、水域面积较2015年下降1%, 相对于惯性发展情景, 这两种用地类型面积出现微小增幅。草地面积较2015年小幅上升, 增加了0.2%, 建设用地扩张趋势相比惯性发展情景有了较大程度的缩小, 但相对于2015年现状来讲, 涨幅仍有16%。这表明在进行耕地保护时, 建设用地的发展会受到一定程度的约束, 同时保障了林地、水域面积。另外区域未利用地较2015年呈现下降趋势, 面积减少了1%。从空间发展格局来看, 建设用地的扩张主要集中在昌江区、珠山区、浮梁县、乐平市、德兴市以及婺源县, 耕地增加的区域分布零散, 但主要集中在地势平坦、水系发达的西南部, 如鄱阳县、万年县等, 这一趋势与鄱阳县大力建设高标准农田的规划工程相符合。总的来说, 该情景减缓耕地转化的速率, 同时加入基本农田保护区限制因子并增加转换成本, 可以有效保证耕地数量, 落实耕地保护政策。然而, 该情境下, 由于各区县经济的高速发展, 建设用地的扩张仍不可避免, 林地、水域面积受到压缩, 但其蚕食其他地类的幅度得以有效控制。

(3) 生态优先情景

为响应长江经济带“不搞大开发, 共抓大保护”的方针, 设置生态优先情景, 模拟结果表明该情景可以有效保障林地、草地以及水域等生态用地。相比于2015年, 2035年区域林地面积为1076085.45 hm2, 呈现小幅度上升趋势, 涨幅0.03%；草地面积为47714.13 hm2, 增加了1%；水域面积为55768.77 hm2, 增加了0.4%。此情景下土地利用类型变化较大的仍集中于耕地与建设用地, 相对于2015年, 耕地呈现减少趋势, 其面积受到进一步压缩, 减少幅度为2%, 面积仅为440813.52 hm2, 减幅面积为3种情景之最；建设用地扩张明显, 但其扩展速率得到有效控制, 由惯性发展情景的39%减少为12%。从地类空间发展格局来看, 建设用地增长主要集中在昌江区、珠山区、浮梁县、乐平市、德兴市、鄱阳县与万年县；耕地减少的区域主要为珠山区、浮梁县、鄱阳县、万年县等, 也就是说, 为保证生态用地同时维持社会经济活动场所的需求, 耕地转变的主要方向仍为建设用地。总的来说, 生态优先情景下, 林地、水域以及草地等生态用地均出现增长趋势, 促使耕地成为用地转出的主要类型, 建设用地对生态用地侵占的减少对维持区域生态安全具有一定作用。

惯性发展情景下, 土地利用转移速率与2010-2015年转移速率保持一致, 由于没有限制, 建设用地急速扩张, 区域其他地类发展空间受到侵占, 生态安全面临重大威胁, 并不利于社会经济的可持续发展, 同时面临耕地数量下降的问题, 存在一定粮食安全风险。相对于其他情景, 在耕地保护情景下, 耕地面积实现有效增长, 耕地得到一定保护, 同时建设用地向外扩张的速率得到极大控制, 林地、水域成为主要的转出地类, 生态用地受到挤压。生态优先情景下, 林地、草地、水域面积全部得到增长, 其他地类的转变也得到了不同程度的调控, 主要表现为建设用地扩张幅度进一步降低, 由耕地保护情景下的16%降至12%。此外, 未利用地在三种情景下均保持下降趋势, 是其他用地类型转入的来源之一。综上所述, 无论哪种情景, 由于城市化以及社会经济不断发展的特点, 人类需要更多的活动空间, 直接表现为建设用地的扩张趋势势不可挡, 但若不加以限制, 势必会严重影响土地利用结构, 破坏区域生态, 难以实现生态-社会-经济和谐稳定的发展目标。针对不同的发展需求对区域土地利用变化进行模拟可以得出不同地类的调控结果, 区域需要综合对比模拟结果, 结合发展目标进一步调整不合理的土地利用结构, 以实现区域可持续发展。

不同发展导向下的土地利用结构对社会经济发展具有重要影响, 也是当今国土空间规划实施布局的基础要素。饶河流域如何满足在社会经济高速发展、城镇化进程步伐稳步向前的同时保证粮食安全不受威胁、生态环境宜居宜业的发展目标, 亟需考虑未来建设用地如何增减、耕地等重要粮食生产用地以及林地、水域等生态用地如何变化。土地利用变化是一个复杂的动态过程, 基于历史利用现状的分析并不能充分明确各用地类型的演变机制, 亦缺乏对多重发展目标的考虑, 而多情景模拟下的土地利用预测, 可以为土地利用历史现状分析提供补充, 亦可根据耕地保护、生态文明建设等不同发展目标模拟出不同的土地利用结构, 对区域土地管理和土地保护具有重要参考价值, 可以为区域决策者提供多个方案和决策思路, 以弥补规划大多局限于现状分析的短板。对不同情景下的土地利用进行模拟分析, 是调整用地结构, 提高土地利用效率的基础工作, 对实现区域生态-社会-经济和谐稳定具有重要意义。本文基于Markov-FLUS模型, 综合考虑12种自然人为驱动因子同时针对不同情景施以限制因子, 控制转化速率, 可以较为精确的预测研究区今后土地利用情况, 满足研究区不同发展诉求。模拟结果可以为研究区实施国土空间规划、优化“三线”划定成果、实行粮食安全管控、构建生态安全预警系统提供借鉴以及基础数据支撑。研究成果虽然较好的拟合了区域土地利用空间发展情况, 但仍存在些许不足：

(1) 土地利用变化是一个复杂的动态过程, 研究虽然综合考虑了自然人为、政策限制因素, 但对于地质环境等因素考虑不足, 将在今后研究中进一步纳入模型之中。

(2) 研究发现土地利用模拟精度对像元大小具有一定依赖性, 在控制其他因素不变, 研究试验了250 m×250 m、100 m×100 m、30 m×30 m 3种不同尺度的模拟结果, 模拟精度在30 m×30 m时最佳, 表明精度可能随着像元的细化进一步提升。

(3) 模型参数的设置存在一定主观性, 如邻域因子参数按照前人研究经验, 主要根据地类受人为影响程度并经过不断调试以达到模拟的最佳精度。

通过基于Markov-FLUS耦合模型, 以2005年、2010年、2015年饶河流域各区县土地利用现状为参数进行调试, 在验证模型适用性之后, 模拟2035年饶河流域在3种不同情景下土地利用的空间格局, 并对其变化情况进行分析, 得出主要结论如下：

(1) Markov-FLUS耦合模型在该区域具备较强的适用性, 可以较好的预测未来饶河流域各区县土地利用空间格局。经过验证, 模型总体精度达到98.01%, Kappa系数为0.9627, 大于0.80, 未来饶河流域各区县的土地利用变化预测可以考虑采纳该模型。

(2) 3种情景下, 区域土地利用变化出现明显差异。耕地保护情境下耕地面积出现了唯一的增长趋势, 但涨幅不大仅为1%；惯性情景下建设用地扩张效应显著, 较2015年涨幅39%；生态优先情景下, 林地、水域、草地出现了唯一的同时增长, 涨幅分别为0.03%、0.4%、1%。

(3) 3种情景设置基本满足饶河流域不同发展诉求。从空间格局来看, 各情景下耕地、建设用地的变化最为显著, 其变化区域主要集中在昌江区、珠山区、浮梁县、乐平市、德兴市等区县, 并在鄱阳县、万年县呈零星分布。

(4) 城镇化进程的推进以及社会经济发展的结构决定了建设用地扩张趋势不可逆转, 但无止境的扩张会严重威胁区域粮食与生态安全。耕地保护情景与生态优先情景下, 建设用地增长速率相对于惯性发展情景得到有效控制, 增长率分别为16%、12%, 因此结合规划政策限制可以有效约束建设用地扩张, 对实现区域可持续发展具有重要意义。以惯性发展、耕地保护、生态优先3种情景为研究视角, 模拟分析研究区土地利用变化情况, 区域需要严格控制建设用地规模, 提高建设用地的空间集约利用效率, 划定城市发展边界, 防止其进一步占用其他地类空间, 以达到区域资源高效利用, 城镇发展与生态并行的协调格局。