基于改进CoMOLA模型的镇域土地利用优化

张孟真，金晓斌,3※，韩 博，梁鑫源，周寅康,3

（1. 南京大学地理与海洋科学学院，南京 210023；2. 自然资源部海岸带开发与保护重点实验室，南京 210023；3. 江苏省土地开发整理技术工程中心，南京 210023）

0 引 言

国土空间是人类赖以生存和发展的载体，是区域经济、社会、生态等要素相互作用的“底盘”，也是经济社会转型期各类要素冲突的“焦点”[1]。它不但具有以粮食供给为主的生产功能，还具有提供交通、居住、娱乐等空间的生活功能，以及提供生态系统服务的生态功能[2]。当前土地整治正在发展为全域土地综合整治，其利用要求也逐步转向“全空间、全部门、全要素、全周期”内涵引导下的系统优化与整体发展[3]。在中国乡村耕地碎片化、空间布局无序化、资源利用低效化、生态质量退化[4]等现实问题驱动下，如何以全域土地综合整治作为基本载体和主要抓手，统筹推进田水路林村综合治理，加快国土功能修复，提高国土空间开发利用质量和效益，实现土地资源数量、质量、结构与生态质量“四位一体”协同优化，是推动新时代乡村振兴与可持续发展的重要手段。

通过模型模拟土地利用变化过程并优化土地利用结构，进而引导适宜的土地利用方式是促进土地可持续利用的重要手段。国内外众多学者已就土地利用优化配置模型[5-8]、土地利用结构优化方案[9]和用地空间布局完善[10-12]等问题进行大量研究，实现了方法手段从定性到定量、研究内容从静态到动态、规划目标从单一到多元的逐步升级。当前相关研究可主要分成 3种类型，分别是基于线性/目标规划的数学方法研究、借助智能优化算法[13-14]研究和多模型耦合研究[15-16]。在线性/目标规划方面：刘荣等[17-20]分别应用Logistic回归、目标规划等数学方法，构建了土地利用空间优化决策模型，结合案例研究解决土地利用规划问题，实现了空间布局优化。在智能优化算法方面：Stewart等[21-24]采用遗传算法、混合蛙跳算法、模拟退火算法等智能优化算法模拟土地利用空间格局，以寻求多目标、多约束土地利用配置问题的Pareto最优解。在多模型集成方面：陈影等[25]耦合多目标规划与 CLUE-S模型对土地利用进行数量优化和空间配置；张鸿辉等[5]将粒子群优化算法引入多智能体系统，建立基于多智能体系统的区域土地利用优化配置模型，均较好地实现了土地利用数量结构、空间布局和效益的协同优化。综合而言，当前模型在解析土地利用变化机制，引导土地利用科学决策等方面发挥了积极作用，但也存在操作较为困难[23]、模拟结果与时间序列脱节、参数高灵敏性、效率不高、难保全局最优解[26]等问题，在实践应用中面临一定的挑战。如何抓住全域土地综合整治契机，面向高标准生态文明建设，选取科学高效的方法优化土地利用方式与管制手段，进而实现国土空间生态转型将成为新时代国土综合整治的重要方向之一。

基于非优势排序遗传算法（Non-dominated Sorting Genetic Algorithm II，NSGA-II）的约束多目标土地利用优化配置模型（Constrained Multi-objective Optimization of Land-use Allocation，CoMOLA）由Verhagen等[27]开发，最早被应用于荷兰乌德勒支省Kromme Rijn地区生态、生物与生产之间的权衡评估。CoMOLA模型克服了一般优化模型中非凸搜索策略的限制，具有计算过程简洁、全局搜索能力强等特点，既能做到数量结构与空间结构的统一，又能实现时间序列上各种土地利用与管制状态的有机结合。但针对全域整治“田水路林村矿”协同治理、经济-社会-生态效益统一发展的目标导向，该模型也存在中间结果利用不足、优化结果较为主观等缺陷。本文选取常州市金坛区直溪镇为研究区，综合考虑优化配置中的多元目标规划与约束控制因子，基于NSGA-II算法进行全域土地利用优化模拟，充分利用模型优化中间结果，延伸模型土地利用发展冲突识别功能，以便改善模型优化结果的主观性，旨在为有效开展区域国土空间规划编制，指导全域土地综合整治提供参考和借鉴。

1 研究区概况与数据来源

1.1 研究区概况

直溪镇位于长江下游南岸，地处常州市金坛区西北部 ， 地 理 位 置 为 119°24′21.60″～ 119°32′38.40″E ，31°45′21.60″～31°53′24.00″N，全镇现辖 12 个行政村和 3个居委会，土地总面积 106.51 km2，其中耕地面积51.62 km2，占镇域总面积50.18%（图1），截至2017年，镇常住人口5.59万人。该镇地处北亚热带湿润性季风气候区，气候温和，四季分明，雨量充沛，日照充足；区内自然资源丰富，粮食生产条件优越，农业基础较好，第一产业增长稳定；工业体系以新能源、化工、服装等为主体，曾先后获得“常州市农业先进镇”、“市工业先进镇”、“市建筑强镇”等称号。2018年全镇完成国内生产总值59.5亿元，实现一般公共预算收入2.31亿元，农民人均可支配收入2.8万元，城乡可支配收入比为 1.93。经济社会有序发展过程中，直溪镇也面临着土地开发利用强度加大、生态环境质量受损、产业及城镇建设结构不均衡、不配套等现实问题。基于此，本文选取直溪镇作为研究区，在新时代全域土地综合整治导向下，面向实现金坛“山水生态城市、精致休闲城市”的总体定位和与苏南同步实现基本现代化的总体目标，力争调整产业结构以促进经济健康发展、保护生态环境以响应国家宏观政策、高效利用土地以缓解人多地少冲突，全域优化土地利用结构布局与管理手段，实现高质量高标准土地利用决策，促进区域经济-生态-生产等目标协同发展。

图1 研究区区位图Fig.1 Location of study area

1.2 数据来源与数据预处理

1.2.1 数据来源

本文使用的数据主要包括基础地理数据、土地利用数据、社会经济数据、相关规划数据等。其中空间数据包括研究区地形图（1:2 000）、高分辨率遥感影像（ IKNOS 影像，2015年）、土地利用现状图（2018年土地利用变更数据，1:5 000）等；统计和规划数据包括《金坛年鉴》（2006－2019）、《常州统计年鉴》（2006－2019）、常州市和金坛区相关规划成果（城市总体规划、土地利用总体规划等）等；实地调查数据主要包括通过无人机航拍、现场调查、农户访谈、问卷调查等方式获取的土地利用航片图、农业生产方式、作物种植类型等数据。

1.2.2 数据预处理

以2018年土地利用现状数据为基础，结合实地访谈与问卷调查数据，基于高分遥感影像目视解译识别大棚用地，在ArcGIS中重新界定各用地类型，设定栅格大小为30 m×30 m，对其进行ASCII转换处理，形成基期年（2018年）基础数据集。具体如下：将原始土地利用类型与具体利用方式相结合，共生成13类土地利用土地管理（Land Use and Land Management，LULM）类型（表1）。

表1 土地利用与土地管理类型Table 1 Types of Land Use and Land Management (LULM)

2 研究思路、方法及内容

2.1 总体思路

乡镇作为行政管理的基础单元，在空间上承担着改善农业农村现状、承接上位规划要求等重要职能，其土地利用既面临乡村耕地碎片化、空间布局无序化、土地资源利用低效化、生态质量退化[4]等现实问题，也要面向全域土地综合整治、生态文明建设等上位部署，是实施乡村振兴的重要载体。利用CoMOLA模型进行全域土地利用优化配置可分为以下3个步骤：1）设定可行发展情景。根据研究区现状以及上位规划，拟定多种发展情景，形成约束多目标土地利用优化配置模型的目标函数；2）构建优化约束条件。构建转型约束与面积约束，其中转型约束通过土地利用转换矩阵形式表示，面积约束可从区域相关发展规划中提取并计算；3）优化配置土地利用布局结构。构建模型，量化各发展情景下的指标值，通过模型进行空间优化配置模拟，得到拟定情景下的土地利用优化布局。在实现上述优化配置的基础上，借鉴城市地理学中的首位度理论[28]，基于CoMOLA模型中间结果，即不同情景下LULM优化配置Pareto最优解集，进行土地利用发展冲突识别，确定“首位度”高，即冲突突出地块的LULM类型，综合考虑优化结果和冲突识别结果，以为全域整治提供一定的指导借鉴。

2.2 研究方法

2.2.1 NSGA-II算法

NSGA-II是在NSGA进化算法基础上提出的一种基于快速非支配排序和拥挤距离的迭代式搜索方法，其排挤机制建立在个体拥挤距离之上，在遗传过程中不断对种群进行进化和变异等操作，并通过修剪操作淘汰拥挤距离较小个体[29]，使高适应度个体得以保存并被遗传至下一代，直到满足收敛条件。它具有精英保留策略、约束处理方法简单高效等特点，是解决多目标优化问题的一种有效手段[30]。

1）NSGA-II进化操作过程[31]为从父辈种群P中随机选取 2个个体P1和P2，经交叉操作产生 2个子代个体Q1和Q2，可用以下公式表示：

式中ηc为非负交叉参数，ηc越大，交叉后产生个体与父辈个体越相近。

2）变异操作过程[31]可描述为从父辈种群中随机抽取个体P3，产生变异子代个体Q3，公式如下：

式中随机数r∈[0,1]；ηm为变异分布指数，属自定义参数，可自行调整；xmax、xmin分别为变量上下限。

2.2.2 CoMOLA模型改进

CoMOLA模型具备较强的全局搜索能力及优越的可操作性能，但因涉及一系列转型矩阵、面积约束和模型参数的设定，不可避免地导致优化配置的中间成果利用不充分问题以及土地利用优化结果的较强主观性。鉴于此，本文拟利用CoMOLA模型优化中间结果，即土地利用优化配置 Pareto最优解集，改进最终优化结果筛选方式，延伸土地利用发展冲突识别功能，借鉴首位度思想，计算多组 Pareto最优解中同一栅格上出现频数次高与频数最高LULM类型的频数之比C，用来表征未来用地可能存在的冲突，实现了原始CoMOLA模型的功能改进，提升模型实际应用价值，模型改进见图2。LULM 类型空间分配频次比值越低，表明频数差额越大，该栅格被赋予最高权重 LULM类型的科学性与适宜性越强，比值越高，说明2种LULM类型之间在该栅格处存在权衡关系，具有一定潜在冲突。冲突识别计算过程主要由Excel工具实现。

式中R代表同一发展情景的 Pareto最优解集中不同LULM类型在同一栅格上出现的频次，其中x指代Pareto最优解个数，A指 Excel工作表中的某一列，用于存放LULM类型频次值，i表示区域LULM类型；COUNTIF为Excel条件判断语句；将同一发展情景的Pareto最优解集呈现于Excel工作表内A1～Ax列中，公式含义为在不同发展情景的 Pareto最优解集中分别提取每个栅格被赋予每种LULM类型的频次，统计结果列入同一工作表内Ax+1～Ax+i列中。

式中F1、F2分别指同一栅格出现频次最高和频次次高LULM类型的频数；Max与LARGE为Excel条件判断语句，分别表示取Ax+1～Ax+i列范围内的每行最大数值和次最大数值，即每个栅格被赋予相同LULM类型的最高频次与次高频次。

通过计算 Pareto最优解集中同一栅格上被赋予频次次高与频次最高LULM类型的频数比值，将量化结果利用自然断点法进行类型划分，可识别土地利用发展冲突地类，即LULM类型频数比值较高区域冲突较为明显，可为全域土地综合整治决策提供参考。

2.3 拟定发展情景

以研究区实际情况为依据，结合上位规划与战略发展目标，统筹考虑当地经济需求、生态保障与生产需要，保护和开发并举，以2030年作为目标年，拟定以下3种发展情景，同时分别设定各情景下的LULM类型转换规则（图3）。

图2 改进CoMOLA模型解析图Fig.2 Analysis chart of improved CoMOLA model

1）经济优先情景：在社会经济快速发展、城镇化加速推动的背景下，为更好地融合社会发展趋势，将研究区规划为以发展经济为主的现代化村镇，推动当地工业、旅游业等产业兴起与发展，促进区域经济社会进步，加速城乡融合，提升居民生活质量，设定规则将经济效益较低的LULM类型如林地、耕地（以列表示）等转变为高效益LULM类型（以行表示），不同LULM类型之间的转换规则如图3a所示；

2）生态优先情景：保障粮食生产，严守“生态功能保障基线、环境质量安全底线、自然资源利用上线”，将维护生态安全作为规划期内的首要目标，适量减少生态效益较低的大棚、工矿用地等用地面积，将其转换为园地、林地等高生态效益LULM类型，维持土地生态系统平衡，保护人类生存自然基底[32]，实现土地可持续利用，助力推进国土空间生态转型，转换规则如图3b所示；

3）生产优先情景：进一步深化农村改革，全面激发农业农村发展的内生活力和动力，适量减少经济作物等的种植，增加粮食作物种植面积，取代其他建设用地、工矿用地等低生产效益LULM类型，提高农林牧副渔产量，推动种养业发展，保障民生，转换规则如图3c所示。

图3 不同发展情景下地类转换规则矩阵Fig.3 Matrix of land type conversion rules under different development scenarios

2.4 量化目标效益

优化目的为求各目标函数最大值，统筹考虑各情景下相应指标效益最高与其他效益最高同时实现，即在其他效益损失最小的情况下实现目标效益最高的LULM全局最优。计算目标年 3种情景下经济、生态、生产各指标的效益系数，量化目标效益以求取最大值，为外挂模型在优化试验中寻找最适值提供基础数据，作为寻求Pareto最优解的参考依据。

2.4.1 经济效益目标

利用2006－2018年经济数据计算各地类的经济效益系数，运用Matlab软件进行灰色预测，得到目标年各地类经济效益系数。其中机械化粮食作物、经济作物分别以单位面积机械化谷物、油菜和棉花产值表示；非机械化粮食作物、经济作物分别以单位面积非机械化谷物、油菜和棉花产值与相应的单位面积机械成本之和表示（作物产值均为考虑了人工成本和物料投入的净增加值）；园地以单位面积茶园、桑园和果园产值表示；林地以单位面积林业产值表示；农村居民点以单位面积农林牧渔服务产值表示；建制镇以单位面积商品贸易及服务业产值表示；交通用地以单位面积第三产业产值表示；其他建设用地以单位面积旅游业产值表示；水域以单位面积淡水渔业产值表示；工矿用地以单位面积第二产业产值表示[6]；大棚以单位面积蔬菜园艺产值表示。以上所有产值均为考虑中间消耗的净增加值，研究区经济效益计算方法见式（8）：

式中Z1为研究区土地利用经济效益，万元；Ei为第i类LULM类型的经济效益系数，万元/hm2；xi为第i类LULM类型的栅格数（i=1，2，…13），s表示单位栅格面积。

2.4.2 生态效益目标

生态质量直接影响着人类的生存质量。学术界生态质量评价的方法较多，包括生态系统服务价值、遥感生态指数[33]等，但这些方法应用于镇域尺度往往会产生较大误差，故本文采用最小累积阻力模型对生态阻力评价指标体系进行改进，构建生态基面阻力系数，采用专家打分的方式确定生态阻力评价体系权重[34]。首先对生态服务价值因子进行源的分级，按水资源充足度、植被覆盖度、人为因素干扰等分级依据将原始地类分为7级，分别赋值5、4.5、4、3.5、3、2.5、1.5，同时构建生态阻力评价指标体系，设定一级因子为土地开垦、农牧业活动、矿产资源开发、机械化、植被覆盖和生态敏感性，下设二级因子分别为开垦程度、活动程度、开发程度、机械化程度、覆盖度和土地侵蚀敏感性、地质灾害敏感性、洪涝灾害敏感性，并结合专家评价结果确定权重。

综合考虑生态服务价值因子源分级及生态阻力评价情况，用源分级赋值结果与相应的生态阻力评价结果之差表示研究区LULM类型生态效益系数，研究区生态效益计算方法见式（9）：

式中Z2为研究区土地利用生态效益，万元；Bi为第i类LULM类型的生态效益系数，万元/hm2。

2.4.3 生产效益目标

生产效益系数测算方法同经济效益系数。其中机械化粮食作物、经济作物分别以单位面积农场谷物、油菜和棉花产量表示；非机械化粮食作物、经济作物以对应的单位面积谷物、油菜和棉花产量表示；园地以单位面积茶园、桑园和果园产量表示；林地以单位面积林业产量表示；农村居民点以单位面积肉蛋产量表示；水域以单位面积淡水渔业产量表示；大棚以单位面积蔬菜园艺产量表示，剩余地类暂不考虑。研究区生产产量计算方法见式（10）：

式中Z3为研究区土地利用生产产量，t；Pi为第i类LULM类型的生产系数，t/hm2。

2.5 构建面积约束

为限定目标年研究区各地类数量，从土地总面积、耕地面积、建设用地面积、居民点面积和工矿用地面积等方面对地类转换面积进行约束[25]。由于镇级相关规划收集受限，本文采取指标分解方法，依照研究区地块面积和人口规模等现状数据，设定修正系数，将区级规划值分解至镇域。

1）土地总面积恒定：各类用地面积之和等于研究区域总面积106.51 km2。

2）耕地保有量约束：转换后的耕地总面积不少于规划年耕地保有量4 674.84 hm2。

3）建设用地面积约束：优化后研究区建设用地总面积不少于规划年最低标准614.70 hm2。

4）居民点面积约束：项目实施之后研究区人均居民点用地面积不高于最高人均面积限制，即：

式中a8为农村居民点面积，m2；b8为规划年最高人均居民点用地面积（226.29 m2）；P0为预测人口数（6.61万人）。

5）工矿用地面积约束：优化后研究区人均工矿用地面积应小于规划年人均工矿用地面积要求，即：

式中a13为工矿用地面积，m2；b13为规划年最高人均工矿用地面积（125 m2）。

6）模型约束：各LULM类型应满足面积为正。

2.6 设定模型参数

运用CoMOLA模型进行优化试验，除设定转型矩阵和面积约束两项必要限制条件外，还需结合试验结果收敛性与运行时长等因素进行参数调整。在 3种情景下，固定种群规模，分别选取不同迭代次数进行优化试验，在迭代次数为40次时，既有相似/相近量化结果的聚集呈现，又能保证试验结果的稳健性与时间成本的高效利用。此外，迭代次数40次后试验结果基本稳定，因此优选迭代次数为 40，同样以种群规模为变量分别进行试验，最终确定种群规模为50。

3 土地利用优化结果分析

3.1 LULM类型高权重优选结果

不考虑转型期间的时间及经济损耗，将不同情景下定义的转型矩阵及面积变化范围作为约束条件，结合参数设定结果，分别在3种不同发展情景下进行优化试验，不同情景下均能得到多组Pareto最优解，以任一配置结果作为最终优化方案都会产生较大误差，从而影响区域土地利用优化配置的科学性与实用性，参考相关研究[27]，在每种发展情景的最优解集中，每个栅格被分配到相应的LULM方式并不表示最终分配给该栅格的类型，为此，融合每一组 Pareto最优解，通过高权重优选，筛选出某一特定栅格被分配到的频次最高的LULM方式作为最终结果，3次试验后各地类面积变化情况见表2，根据最终优化配置结果计算经济、生态、生产各效益值，各项效益均能满足在既定情景中得以提高的目标要求，具体计算结果见表3。

表2 目标年（2030）各地类面积对比表Table 2 Comparison table of various categories by target year (2030)hm2

表3 目标年效益预测Table 3 Predicted benefits of target year

3.2 不同情景下土地利用优化结果

经济优先发展情景下，目标年经济效益较基期年（图4a）增长了12.33%（图4b），但生态效益、生产产量均有所下降，分别减少11.41%和3.73%（表3）；基于地块比较优势角度[7,27]，土地利用结构在此情景的约束条件限制下，工矿用地面积将大幅增加且趋于集聚，经济效益系数较低的非机械化经济作物用地、林地、农村居民点等地类被同等条件下经济效益系数较高的园地、大棚等所取代，相较于基期年分别减少了 40.52%、52.34%和36.72%（表2），建制镇、农村居民点等建设用地分布更加零散，略有向周边扩张趋势，土地利用破碎化加剧，城镇化与生态化呈权衡状态，虽然经济效益有所提高，但整体LULM格局不利于研究区可持续发展。

生态优先情景下（图 4c），目标年生态质量改善效果显著，生产产量也有所提升，分别较基期年增长了51.68%和 0.57%，较经济优先情景提高了 71.22%和4.46%，但经济效益较基期年降低了 8.34%（表 3）；就土地利用结构而言，该情景下园地、林地面积分别增加到387.36和483.84 hm2（表2），原始机械化粮食作物用地约 40%被非机械化粮食作物用地取代，降低了耕收机械化对生态质量的影响，但加大了作物耕种难度，减少了农业产值，生态效益系数最低的工矿用地有99.61%被转换为其他地类，大大减少了重工业废气、烟尘的排放，生态效果改善明显，建制镇布局较经济优先情景稍显集聚，利于产业发展与居民生活，整体破碎度较低，城镇化水平不高，有利于推动国土空间生态转型，创建绿水青山宜居小镇。

生产优先情景下（图 4d），生产情况有所改善，净产量提高至102 203.19 t，约为基期年产量的1.12倍，同时生态效益提高了8.10%，但目标年经济效益损失更甚，较基期年减少了10.18%（表3）；就土地利用结构而言，耕地总面积增加了91.62 hm2，耕地结构大体不变，生产系数较高的林地、大棚用地、农村居民点面积分别较基期年增加了 220.31%、20.65%和 26.17%（表 2），整体格局未有较大改变，建制镇面积减少明显，且分布趋于集聚，在满足规划限制基础上，更加紧凑的镇域空间能促进产业结构升级，有利于可持续发展。总体而言，该情景下LULM分布格局更加科学优化，机耕粮食作物面积有所增加，耕地破碎度降低，符合农业现代化、机械化与农地规模化的发展趋势，但主要推动经济发展与城镇建设的建制镇、交通用地等面积较为不足，可能成为限制区域发展的重要瓶颈。

3.3 不同情景下的土地利用发展冲突

在 CoMOLA模型优化配置过程中，会产生一系列Pareto最优解，表明在同一栅格上会存在多种近似最优的LULM分配方式，即同栅格上被赋予的不同LULM类型之间存在潜在冲突，本文将这种冲突定义为土地利用发展冲突。结合上述不同情景下土地利用优化结果，优化配置之后，研究区经济收益、生态效益、生产产量均能在各项发展约束下实现提升，但单纯推动经济、生态、生产等任一单一目标发展均难以实现城镇可持续发展与乡村振兴，这表明各种现实利益导向与土地资源的有限性和多宜性使土地利用存在着潜在矛盾[2]。为使优化结果更能满足经济提高、环境改善、产量增加的要求，优先确定特定地区LULM类型，实现全域土地综合整治，进行土地利用发展冲突识别至关重要。冲突识别方法为将每种情景下的多组Pareto最优解分别逐栅格进行LULM类型次高和最高频次统计，并计算两者比值，比值越小表示该栅格被赋予频次最高LULM类型的科学性及适宜性越强，即冲突小，比值越高冲突越大。

图4 不同发展情景下土地利用优化布局Fig.4 Land use optimization layout under different development scenarios

利用自然断点法将计算结果划分为6个区间，经济优先情景下（图5a），频次比处于0～0.125 5区间的土地面积占研究区总面积的68.31%，表明68.31%的土地最高与次高频次的LULM类型数量相差较大，土地利用发展冲突小，即该区域LULM类型与地区资源本底匹配度高，被赋予最终优化结果的科学性、适宜性较强，在后续规划中，可考虑优先确定该区域的LULM类型；处于其他5个区间的土地面积分别占区域总面积的3.31%、7.25%、7.26%、8.13%和5.74%，其中比值为1的绝对冲突地区占区域总面积的1.98%，部分原机械化经济作物用地、大棚用地等区域的优化结果与其他LULM类型之间存在潜在冲突，在实际规划中，可参照图 4b优化配置结果，根据研究区目标定位与区域特色制定发展方案。生态优先情景下（图5b），处于0～0.098 0区间的土地面积占区域总面积的32.81%，即仅有 32.81%地区的模型优化结果与区域资源特点拟合度高，其中无冲突土地面积为32.60%，在实际发展中可考虑优先确定该地区LULM类型；处于其他5个区间的土地面积分别占研究区总面积的 4.57%、7.05%、13.49%、22.45%和19.63%，其中绝对冲突地区土地面积占3.12%。生产优先情景下（图5c），各区间土地面积分别占区域总面积的76.14%、2.00%、3.64%、6.14%、5.85%和6.23%，其中绝对冲突地区土地面积占1.71%。结合各情景模型优化配置结果与土地利用发展冲突识别分析，在冲突较大地区，可重新考量冲突地块的LULM类型，根据区域实际确定更加科学高效的土地利用土地管理格局。

综上，为实现多重利益导向协同发展，促进区域土地利用结构更加均衡，利用强度更加合理，保护土地资源本底条件，同时通过模型模拟预测和冲突识别提供规划依据，开展土地整治提高耕地质量，间接提升耕地产能，在满足耕地保有量的基础上，将低效耕地更多转换为林地、建设用地等，在提高区域生产产量的同时提升生态效益与经济效益，实现研究区多目标协同发展。因此，现实发展中可参考分析结果并结合地区现状需求，对土地利用结构和布局进行调控，科学决策区域土地利用类型与管理手段，为推动全域土地综合整治与国土空间生态转型打下扎实基础。

图5 土地利用发展冲突识别结果Fig.5 Results of land use conflict identification

4 结论与讨论

4.1 结 论

基于不同发展情景，利用改进CoMOLA模型进行镇域土地利用优化配置，有利于发挥模型的实用性，协同优化土地资源数量、结构与目标效益，推动全域整治导向下集成全要素、耦合多目标土地利用优化配置的实现。研究结果证实：1）在目标效益提升方面，经济优先情景下，经济效益较基期年有所增长，但生态效益与生产产量均有不同程度的减少，即以一定的生态质量和生产产量为代价换取高经济效益，不利于区域可持续发展；生态优先、生产优先情景下，生态效益与生产产量分别较基期年增长了51.68%和11.63%，3种情景均能实现相应目标。2）在土地利用数量结构与空间布局方面，经济优先情景下，工矿用地面积增多，林地与非机械化经济作物用地均有减少，建制镇分布更加零散，土地利用破碎度提高；生态优先情景下，耕地连片度提高，景观破碎度降低，园地、林地面积大幅增长，土地利用结构呈“农业空间大于生态空间大于城镇空间”态势；生产优先情景下，用地布局改变较小，但城镇建设用地面积比例整体降低，土地利用结构呈“生产空间大于经济发展空间”态势。通过土地利用发展冲突识别可确定冲突较大的地块位置与面积，识别结果表明，经济优先与生产优先情景下的模型模拟效果较好。总体而言，研究区建设发展过程中，应立足全域土地综合整治，合理配置土地资源，提高土地利用效益，可结合土地利用优化配置结果与发展冲突识别分析，在空间管控中充分考虑地区土地资源的多宜性、有限性与发展目标、政策规划等相关因素，在满足既定目标的同时面向可持续发展与国土空间生态转型，以全域土地综合整治助力实现乡村振兴。

4.2 讨 论

新时代全域土地综合整治是集成了田水路林村综合治理、工矿等废弃地复垦利用、城乡低效用地再开发等传统整治内容的综合整治工程[3]。在土地整治内涵不断深化、目标效益日趋多元的背景下，通过CoMOLA模型功能改进提升其实际应用价值，求解多目标土地利用优化问题，统筹考虑区域全局最优，可实现土地资源禀赋、空间布局、目标效益和管理手段在时间序列上的有机结合，有利于体现全域整治背景下多目标协同发展的要求。效益量化方面，基于实地调研结果与研究区土地资源本底特征，在全域整治概念引导下结合统计资料共同确定指标计算方法，在保证量化方法实际应用价值的同时体现区域特色；研究内容方面，在统筹考虑土地利用方式优化的基础上，添加土地管理元素，实现了利用与管理的有机结合，运用高权重优选最优解方法排除实验结果的主观性，同时通过延伸模型功能，识别土地利用发展冲突确定LULM空间配置，为全域土地综合整治提供了一定的决策依据。

受数据及资料获取限制，构建模型时并未充分考虑转换规则和面积约束的实现难度以及转型期间的发展因素，导致目标年经济效益增长优势不显著；数据处理方面，在栅格转换过程中由于数据精度存在差异，局部可能会出现数据“噪声”；参数设置方面，考虑模型运行时间，模型迭代次数较为有限，也可能会对模型优化结果产生一定影响。整体而言，上述限制所导致的误差并不会直接影响模型应用效果与区域转型趋势，基于模型改进的研究成果对于指导全域整治和国土空间规划编制仍具有参考价值。后续研究中将进一步细化基础数据、完善相关规划和管控措施，充分考虑区域发展因素，改进参数等提高算法收敛性与稳健性，以深化对全域土地综合整治的认识。