基于Markov-FLUS模型的饒河流域土地利用多情景模擬分析

陳理庭,蔡海生,2,*,張 婷,張學玲,曾 珩

1 江西農業大學鄱陽湖流域農業資源與生態重點實驗室/江西農業大學富硒農業產業發展研究中心,南昌 330045 2 江西旅游商貿職業學院,南昌 330100 3 江西省土地開發整理中心,南昌 330002

土地是人類社會發展的重要要素之一,絕大部分社會經濟活動均以土地作為載體。土地在糧食安全、生態安全等方面發揮著巨大作用,然而隨著我國城鎮化、工業化進程的飛速推進, 建設用地擴張無序,侵占耕地、林地等生產、生態用地的現象頻發,社會經濟可持續發展能力遭到破壞[1—2]。與此同時,在國土空間規劃的大背景下,流域作為完整生態系統的基本單元,統籌水陸,是構建國家生態安全的重要基礎。就目前流域發展規劃而言,大都基于往年土地利用數據進行評價分析,然而不同區域發展訴求會導致土地利用結構發生變化,基于現狀土地利用進行分析尚未充分反映用地類型的演變規律,如何針對不同目的調整用地結構實現流域社會經濟高質量發展是亟需解決的問題。為此,針對流域不同情景下的土地利用模擬分析具有一定的必要性,可以為流域土地利用現狀分析提供補充,亦可為實現流域糧食安全、生態文明建設等多重規劃目標提供基礎支撐。

土地利用變化是人類活動與自然格局相互影響作用下的具體表現[3—4],隨著我國社會經濟的飛速發展,土地利用變化/覆被過程(LUCC) 發生了劇烈變化。目前,我國針對LUCC研究呈現多樣化的特點,主要研究集中在土地利用變化及其驅動因素分析[5—6]、土地利用分類方法探索[7]、土地利用模擬預測[8—9]等方面。關于土地利用變化研究常用的模型主要有Markov模型、CA模型、CLUE-S模型等,但現有研究表明,Markov模型在土地利用數量變化預測下具有很好的實用性,但難以反映空間格局的變化[10],而CA模型因其沒有元胞狀態轉變限制模塊,且只能針對某一地類進行模擬而具有一定限制[11—12],CLUE-S模型隸屬空間模型,加強了空間分配模塊但在土地數量預測方面存在一定短板[10]。因此,常常采用CA-Markov[13—15]、Markov-CLUE-S[16]等耦合模型進行LUCC研究,以達到數量和空間分布預測的雙重優勢。

FLUS模型是一種基于CA模型發展的新型土地利用變化模擬模型,能夠有效處理自然人為因素共同影響下土地利用/覆被變化過程中的不確定性[17]。近年來在三生空間模擬[18—22]、土地利用模擬[23]、城市增長邊界劃定[24—26]、國土空間格局優化[27]及生態系統服務或價值演變[28—29]等方面得到廣泛應用。FLUS模型需要事先輸入未來土地利用的地類規模,故本文選用FLUS模型同時結合Markov的數量預測優勢,對饒河流域土地利用變化進行模擬分析。

不同發展目標下,區域的土地利用格局各不相同,探究各發展目標下的用地結構對于區域可持續發展、資源高效利用具有重要意義。饒河流域作為江西省重要流域之一,為省域提供極為重要的生態系統服務,亦是省內重要的生態安全屏障。為應對饒河流域不同發展需求,建立符合目標的流域規劃,本文分別設置慣性發展、耕地保護、生態優先3種情景,基本滿足國家對于糧食安全、生態保護的戰略要求,同時基于Markov-FLUS耦合模型,從自然人為兩方面遴選驅動因素,并應用“三線”(生態保護紅線、永久基本農田保護紅線、城鎮開發邊界)劃定成果,對饒河流域各區縣2035年各情景下的土地利用變化進行模擬分析,以期為饒河流域國土空間規劃實施布局提供多重視角,優化“三線”劃定成果,為實現饒河流域生態-社會-經濟協調可持續發展、土地資源利用集約高效、用地結構科學合理提供參考借鑒。

1 研究方法與數據來源

1.1 研究區概況

饒河流域范圍大致為116°30′—118°13′E,28°34′—30°03′N之間,主要位于江西省東北部,安徽、浙江省各一小部分,是江西省五大流域之一。流域涉及的浮梁縣、鄱陽縣、萬年縣、弋陽縣、德興市、婺源縣、樂平市、昌江區等8個縣市為研究區(圖1),全流域總面積約為1714068 hm2,占鄱陽湖水系面積的9.4%。流域內氣候濕潤,年均溫為17.5℃,年平均降水為1768.5 mm,據統計1986—2000年饒河年平均入鄱陽湖水量138×108m3,占五河入湖水量的10.5%,占整個流域入湖水量的9.1%；區內植被豐富(森林覆蓋面積占全省的9.3%),水系密集,具備良好的水源涵養、生物多樣性、水土保持等生態功能。

圖1 研究區域示意圖Fig.1 Diagram of the study area

近年來,流域經濟快速發展,人口流動頻繁,導致流域人地關系緊張,且部分企業污水治理不當,造成部分水土污染,流域內水系發達,降水豐富,地勢較高,存在洪澇、泥石流、滑坡、水土流失等自然災害風險,治理形勢較為嚴峻。隨著國土空間規劃、山水林田湖草系統保護修復等工作的全面鋪開,為保障流域生態-社會-經濟協同發展,流域面臨著保障生態安全、保持社會經濟發展、保證資源高效利用等系列考驗。

1.2 數據來源及預處理

土地利用變化是自然人為復合驅動下產生的一個復雜動態的過程,參照土地利用模擬相關研究,本文從自然(高程、坡度等)、人為(人口、GDP、距河流距離等)兩個方面選取12種驅動因子。土地利用數據來源于中科院資源環境科學與數據中心數據平臺(http://www.resdc.cn),分辨率為30 m×30 m,將各用地類型劃分為耕地、林地、草地、水域、建設用地、未利用地6類(圖2)；DEM數據由地理空間數據云(http://www.gscloud.cn)平臺獲取,并在其基礎上提取出坡度數據,分辨率為30 m×30 m；氣溫降水數據來源于江西省氣象局,并由克里金插值得出區域氣象柵格數據,分辨率為30 m×30 m；距公路、鐵路、河流、城市等距離以歐式距離進行度量；永久基本農田、生態保護紅線數據來源于各縣市自然資源局。所有數據根據FLUS模型輸入數據的要求,以土地利用數據為基準進行坐標系統一和分辨率統一,嚴格保證數據行列數一致。具體數據及其來源見下表1。

表1 數據信息

圖2 2005—2015年饒河流域土地利用現狀Fig.2 Land use of Rao River Basin from 2005 to 2015

1.3 研究方法

FLUS模型是劉小平等[17]基于元胞自動機(CA)的原理,在GeoSOS軟件上進行拓展得來,相對于傳統元胞自動機,該模型引入人工神經網絡算法(ANN,Artificial Neural Network),根據初期土地利用及各類驅動因子獲取各地類變化的適宜性概率,并基于輪盤賭選擇的自適應慣性競爭機制有效處理土地利用在自然人為影響下發生變化的復雜性和不確定性,最終得到土地利用模擬結果。

不同情境下,各種地類未來需求并不一致,同時FLUS模型需要事先輸入未來各類用地類型的數量規模,因此,在運用FLUS模型時需提前預測各類土地需求。Markov模型基于多年土地利用狀態之間的轉移概率矩陣來預測土地利用變化,是一種有效的數量預測模型,但其缺乏土地利用在空間上變化的考量,可與FLUS模型互補,其預測土地利用參照如下公式[30]：

S(t+1)=PijSt

(1)

式中,S(t+1)表示土地利用在t+1時刻的狀態,Pij表示土地利用類型轉移概率矩陣,St表示土地利用初始t時刻下的狀態。

將Markov模型在數量上預測的優勢與FLUS模型相結合,以各用地類型預測規模作為FLUS模型的參數從而獲取土地利用在空間上的動態變化。

1.3.1情景設置

流域發展的需求變化是國土空間利用的重要影響因素,不同的流域發展訴求決定了不同的國土空間發展定位,設置多種情景下的流域土地利用模擬預測,以期為決策者提供不同決策視角,輔助其更為科學的對未來土地利用空間格局發展進行判斷,對人地關系和諧、社會經濟穩定發展具有重要意義。

(1)慣性發展情景。此情景基于2010—2015年土地利用變化速率及歷史自然、人為驅動因子,不考慮政策規劃限制,運用耦合模型中的Markov預測各地類未來規模并作為FLUS模型中的規模需求參數,是其他情景設定的基礎。

(2)耕地保護情景。耕地安全是保障國民安全的基礎,是保證國家穩定發展的命脈。此情景基于慣性發展情景,加入永久基本農田保護區為限制轉化區,同時參考相關研究[31],對Markov轉移概率矩陣進行修正,控制耕地向建設用地轉移的概率減少60%,嚴格落實耕地保護。

(3)生態優先情景。隨著山水林田湖草整體保護系統修復的提出,生態文明思想深入人心。在當前國土空間規劃的背景下,生態保護修復成為規劃的重要組成部分,生態文明建設的重要性不言而喻。此情景在慣性發展情景的基礎上,加入生態保護紅線限制區,同時控制林地、草地向建設用地轉化的概率減少50%,水域向建設用地轉化的概率減緩30%。另外耕地也具有一定的生態能力但相比林地較弱,此情景下設定耕地向建設用地轉化的概率減少30%,將減少的部分加入耕地向林地轉化的概率之中。

1.3.2土地利用多情景模擬

(1)土地利用需求規模預測

FLUS模型需要確定未來各用地類型規模并以此作為輸入參數,另外不同情景下,各土地利用類型的規模存在差異性,會對最終模擬結果產生重要影響。本文以Markov模型預測不同情景下的規模需求,同時,為減少Markov模型在長時間序列上產生的誤差,以5年為時間間隔,依次對2020年、2025年、2030年、2035年各情景下的各用地類型需求進行預測,繼而得到各情景下饒河流域土地利用空間格局的演變趨勢。

(2)適宜性概率及鄰域影響因子計算

根據現有研究,FLUS模型使用人工神經網絡算法包含一個輸入層、一或多個隱含層和一個輸出層,可以有效擬合各驅動因子與用地類型之間的關系[21]。由于柵格大小對模擬結果具有一定影響,經過調試,統一采用30 m×30 m的柵格大小,通過均勻采樣的方法對各類數據進行采樣,之后對各驅動因子進行歸一化處理,從而計算出各用地類型在空間上分布的適宜性概率。公式如下：

(2)

式中,p(p,k,t)為元胞p在t時刻轉化為地類k的分布適宜性概率,Wjk為隱藏層于輸出層之間的自適應權重,netj(p,t)為神經元j于t時間從元胞p上所有輸入神經元接受的信號。

鄰域影響因子反映了不同地類之間的相互作用以及在鄰域范圍內各用地單元的相互影響[19],本文中選用3×3的Moore鄰域窗口,公式如下：

(3)

表2 鄰域因子參數

(3)自適應慣性系數

自適應慣性系數根據當前各地類的數量與需求規模之間的差異從而在迭代中自適應調整以接近目標規模。公式如下：

(4)

(4)成本矩陣與限制區設定

成本矩陣表示各用地類型之間能否相互轉化,其中0表示不能轉化,1表示可以轉化。隨著社會經濟和科學技術的發展,建設用地轉化為其他地類的可能性較低,依據該區域發展實際,建設用地轉變為其他用地的情況很少,故設定建設用地不能向其他地類轉化,而其他地類間轉化與否無法直接判斷,需根據不同情景進行設定[33]。慣性發展情境中,設定其余地類之間可以相互轉化；耕地保護情景中,除建設用地其他地類均可轉化為耕地,耕地不能轉化為其他用地；生態優先情景下,設置林地、水域不能轉化為其他地類。各情景成本設置如下表3：

表3 各情景成本矩陣

為反映不同情景下的區域土地利用發展空間格局,將耕地保護情景下的永久基本農田保護區和生態優先情景下的生態保護紅線轉化為二值圖像,0表示限制區,1表示非限制區,輸入模型作為限制型因子。

(5)總體轉化概率計算

結合上述需求規模、適宜性概率、鄰域影響因子、自適應慣性系數以及轉化成本及限制區結果,對特定地類所占單元的總體轉化概率進行計算,公式如下：

(5)

1.3.3精度驗證

將Markov-FLUS模型模擬的2015年慣性發展下的各用地類型面積與2015年饒河流域實際的各用地類型面積于ArcGIS 10.5中進行交叉計算,得出各地類的一致性比對表(表4),驗證模擬的數量精度。同時,通過總體精度及Kappa系數進行模擬結果的空間分配的精度檢驗[23],當總體精度和Kappa系數越接近于1時模擬精度越好,而當Kappa系數高于0.80時,表示模型在統計學意義上精度達到較好狀態[19,34]。

表4 2015年饒河流域土地利用實際柵格與模擬柵格對比

(1)數量精度驗證

由表4可得,模擬結果總體上準確度較高,平均準確度為93.54%,除草地的準確度為79.43%外,其他5種用地類型的準確率均在85%以上。由此可見,Markov-FLUS耦合模型模擬精度較高,較為準確的反映了饒河流域土地利用需求變化。另外,區域內草地分布較為零散,容易在演變過程中被其他地類蠶食,這也是草地模擬精度相對較低的原因。

(2)空間分配精度

通過對比2015年實際土地利用數據與2015年模擬土地利用數據,由圖3可得,在饒河流域模型模擬的土地利用空間分布與實際分布具有高度相似性。同時對實際2015年土地利用數據進行采樣以驗證2015年模擬圖像的準確性,通過構建模擬圖像與實際圖像之間的逐格混淆矩陣,計算土地利用模擬結果的總體精度和Kappa系數。結果表明饒河流域總體精度為98.01%,Kappa系數為0.9627,遠高于0.80,進一步表明該模型具備較高的準確性,較為真實的反映出該區域土地利用變化的狀態,在該區域具備較強的適用性,可以用于饒河流域未來土地利用模擬的選擇之一。

圖3 2015年饒河流域實際與模擬土地利用類型Fig.3 Actual and simulated land use types in Rao River Basin in 2015

2 結果分析

2.1 總體變化

2015年,饒河流域各市縣以林地、耕地、水域為主要地類,面積分別為1075730.13 hm2、447950.16 hm2、92518.92 hm2,根據模擬結果(表5),2035年3種情景下,區域土地利用特點保持穩定,仍以此3種地類為主,各地類的變化集中在耕地、林地、建設用地上,其中又以建設用地擴張最為明顯,由于人類活動因素的影響,建設用地擴張能力較強,慣性發展情景下,建設用地達到68865.03 hm2,相比2015年增加了39%；耕地保護情景下,建設用地面積為57497.49 hm2,較2015年增加了16%；生態優先情景下,建設用地規模為55768.77 hm2,較2015年增加了12%。同時,對比各情景下土地利用空間分布狀況(圖4),各用地類型分布總體上保持不變,耕地主要集中在西南部地勢平坦,水系發達的平原區,林地主要分布于東北部地勢較高的丘陵山地區,建設用地主要集聚于河流兩側,主要沿昌江,樂安河兩條支流分布,另外各情景建設用地規模變化顯著的區域主要集中在昌江區、珠山區以及樂平市。

2.2 多情景模擬結果

設定不同情景,流域土地利用變化有著顯著差異：

(1)慣性發展情景

慣性發展情景不考慮政策因素的影響,僅考慮自然人為因素共同驅動下的土地利用變化情況,該情景下,耕地面積為44827.92 hm2,相比2015年減幅2%,林地、水域面積較2015年均減少1%,相反的,草地面積相比2015年有小幅度增長,增長率為0.2%,建設用地擴張趨勢最為顯著,面積增加了19164.15 hm2,漲幅近40%。也就是說,在不受政策限制的情況下,建設用地因人類活動的影響而快速增長以滿足社會經濟發展的需要,耕地、林地、水域、未利用地成為用地類型轉出的主要來源。從轉變的空間格局來看,建設用地的擴張以原來分布現狀為基礎,沿河流岸線繼續延伸,變化主要發生于鄱陽縣、昌江區、珠山區、浮梁縣、樂平市以及德興市,主要占用水域、耕地、林地等具備生態功能的地類,若不加以限制,區域的生態環境必將遭到嚴重破化,糧食安全亦將受到威脅。總的來說,在慣性發展的情景下,不受約束的發展會造成區域建設用地迅速擴張,耕地、林地、草地、水域等生產、生態用地大量減少,無法維護區域生態-社會-經濟協同發展,糧食與生態安全面臨風險。

表5 2015年現狀與2035年多情景模擬用地類型變化

(2)耕地保護情景

耕地保護情景中,為嚴格落實耕地保護,耕地向其他地類轉移和變化受到限制,該情境下,耕地面積為452185.92 hm2,較2015年增長了1%,相比于其他情景,耕地面積實現了小幅度增加。林地、水域面積較2015年下降1%,相對于慣性發展情景,這兩種用地類型面積出現微小增幅。草地面積較2015年小幅上升,增加了0.2%,建設用地擴張趨勢相比慣性發展情景有了較大程度的縮小,但相對于2015年現狀來講,漲幅仍有16%。這表明在進行耕地保護時,建設用地的發展會受到一定程度的約束,同時保障了林地、水域面積。另外區域未利用地較2015年呈現下降趨勢,面積減少了1%。從空間發展格局來看,建設用地的擴張主要集中在昌江區、珠山區、浮梁縣、樂平市、德興市以及婺源縣,耕地增加的區域分布零散,但主要集中在地勢平坦、水系發達的西南部,如鄱陽縣、萬年縣等,這一趨勢與鄱陽縣大力建設高標準農田的規劃工程相符合。總的來說,該情景減緩耕地轉化的速率,同時加入基本農田保護區限制因子并增加轉換成本,可以有效保證耕地數量,落實耕地保護政策。然而,該情境下,由于各區縣經濟的高速發展,建設用地的擴張仍不可避免,林地、水域面積受到壓縮,但其蠶食其他地類的幅度得以有效控制。

(3)生態優先情景

為響應長江經濟帶“不搞大開發,共抓大保護”的方針,設置生態優先情景,模擬結果表明該情景可以有效保障林地、草地以及水域等生態用地。相比于2015年,2035年區域林地面積為1076085.45 hm2,呈現小幅度上升趨勢,漲幅0.03%；草地面積為47714.13 hm2,增加了1%；水域面積為55768.77 hm2,增加了0.4%。此情景下土地利用類型變化較大的仍集中于耕地與建設用地,相對于2015年,耕地呈現減少趨勢,其面積受到進一步壓縮,減少幅度為2%,面積僅為440813.52 hm2,減幅面積為3種情景之最；建設用地擴張明顯,但其擴展速率得到有效控制,由慣性發展情景的39%減少為12%。從地類空間發展格局來看,建設用地增長主要集中在昌江區、珠山區、浮梁縣、樂平市、德興市、鄱陽縣與萬年縣；耕地減少的區域主要為珠山區、浮梁縣、鄱陽縣、萬年縣等,也就是說,為保證生態用地同時維持社會經濟活動場所的需求,耕地轉變的主要方向仍為建設用地。總的來說,生態優先情景下,林地、水域以及草地等生態用地均出現增長趨勢,促使耕地成為用地轉出的主要類型,建設用地對生態用地侵占的減少對維持區域生態安全具有一定作用。

圖4 饒河流域2035年各情景下土地利用模擬空間分布示意圖Fig.4 Map of the spatial distribution of land use simulations in each scenario of the Rao River Basin in 2035

2.3 三種情景對比分析

慣性發展情景下,土地利用轉移速率與2010—2015年轉移速率保持一致,由于沒有限制,建設用地急速擴張,區域其他地類發展空間受到侵占,生態安全面臨重大威脅,并不利于社會經濟的可持續發展,同時面臨耕地數量下降的問題,存在一定糧食安全風險。相對于其他情景,在耕地保護情景下,耕地面積實現有效增長,耕地得到一定保護,同時建設用地向外擴張的速率得到極大控制,林地、水域成為主要的轉出地類,生態用地受到擠壓。生態優先情景下,林地、草地、水域面積全部得到增長,其他地類的轉變也得到了不同程度的調控,主要表現為建設用地擴張幅度進一步降低,由耕地保護情景下的16%降至12%。此外,未利用地在三種情景下均保持下降趨勢,是其他用地類型轉入的來源之一。綜上所述,無論哪種情景,由于城市化以及社會經濟不斷發展的特點,人類需要更多的活動空間,直接表現為建設用地的擴張趨勢勢不可擋,但若不加以限制,勢必會嚴重影響土地利用結構,破壞區域生態,難以實現生態-社會-經濟和諧穩定的發展目標。針對不同的發展需求對區域土地利用變化進行模擬可以得出不同地類的調控結果,區域需要綜合對比模擬結果,結合發展目標進一步調整不合理的土地利用結構,以實現區域可持續發展。

3 討論

不同發展導向下的土地利用結構對社會經濟發展具有重要影響,也是當今國土空間規劃實施布局的基礎要素。饒河流域如何滿足在社會經濟高速發展、城鎮化進程步伐穩步向前的同時保證糧食安全不受威脅、生態環境宜居宜業的發展目標,亟需考慮未來建設用地如何增減、耕地等重要糧食生產用地以及林地、水域等生態用地如何變化。土地利用變化是一個復雜的動態過程,基于歷史利用現狀的分析并不能充分明確各用地類型的演變機制,亦缺乏對多重發展目標的考慮,而多情景模擬下的土地利用預測,可以為土地利用歷史現狀分析提供補充,亦可根據耕地保護、生態文明建設等不同發展目標模擬出不同的土地利用結構,對區域土地管理和土地保護具有重要參考價值,可以為區域決策者提供多個方案和決策思路,以彌補規劃大多局限于現狀分析的短板。對不同情景下的土地利用進行模擬分析,是調整用地結構,提高土地利用效率的基礎工作,對實現區域生態-社會-經濟和諧穩定具有重要意義。本文基于Markov-FLUS模型,綜合考慮12種自然人為驅動因子同時針對不同情景施以限制因子,控制轉化速率,可以較為精確的預測研究區今后土地利用情況,滿足研究區不同發展訴求。模擬結果可以為研究區實施國土空間規劃、優化“三線”劃定成果、實行糧食安全管控、構建生態安全預警系統提供借鑒以及基礎數據支撐。研究成果雖然較好的擬合了區域土地利用空間發展情況,但仍存在些許不足：

(1)土地利用變化是一個復雜的動態過程,研究雖然綜合考慮了自然人為、政策限制因素,但對于地質環境等因素考慮不足,將在今后研究中進一步納入模型之中。

(2)研究發現土地利用模擬精度對像元大小具有一定依賴性,在控制其他因素不變,研究試驗了250 m×250 m、100 m×100 m、30 m×30 m 3種不同尺度的模擬結果,模擬精度在30 m×30 m時最佳,表明精度可能隨著像元的細化進一步提升。

(3)模型參數的設置存在一定主觀性,如鄰域因子參數按照前人研究經驗,主要根據地類受人為影響程度并經過不斷調試以達到模擬的最佳精度。

4 結論

通過基于Markov-FLUS耦合模型,以2005年、2010年、2015年饒河流域各區縣土地利用現狀為參數進行調試,在驗證模型適用性之后,模擬2035年饒河流域在3種不同情景下土地利用的空間格局,并對其變化情況進行分析,得出主要結論如下：

(1)Markov-FLUS耦合模型在該區域具備較強的適用性,可以較好的預測未來饒河流域各區縣土地利用空間格局。經過驗證,模型總體精度達到98.01%,Kappa系數為0.9627,大于0.80,未來饒河流域各區縣的土地利用變化預測可以考慮采納該模型。

(2) 3種情景下,區域土地利用變化出現明顯差異。耕地保護情境下耕地面積出現了唯一的增長趨勢,但漲幅不大僅為1%；慣性情景下建設用地擴張效應顯著,較2015年漲幅39%；生態優先情景下,林地、水域、草地出現了唯一的同時增長,漲幅分別為0.03%、0.4%、1%。

(3) 3種情景設置基本滿足饒河流域不同發展訴求。從空間格局來看,各情景下耕地、建設用地的變化最為顯著,其變化區域主要集中在昌江區、珠山區、浮梁縣、樂平市、德興市等區縣,并在鄱陽縣、萬年縣呈零星分布。

(4)城鎮化進程的推進以及社會經濟發展的結構決定了建設用地擴張趨勢不可逆轉,但無止境的擴張會嚴重威脅區域糧食與生態安全。耕地保護情景與生態優先情景下,建設用地增長速率相對于慣性發展情景得到有效控制,增長率分別為16%、12%,因此結合規劃政策限制可以有效約束建設用地擴張,對實現區域可持續發展具有重要意義。以慣性發展、耕地保護、生態優先3種情景為研究視角,模擬分析研究區土地利用變化情況,區域需要嚴格控制建設用地規模,提高建設用地的空間集約利用效率,劃定城市發展邊界,防止其進一步占用其他地類空間,以達到區域資源高效利用,城鎮發展與生態并行的協調格局。