跨尺度多维度视角下国土空间冲突识别及影响因素研究——以中国三峡库区为例

《Land Use Policy》：Identification of territorial spatial conflict and its influencing factors from a cross-scale and multi-dimensional perspective: A case study of the Three Gorges Reservoir area, China

　　

**• 构建了一个融合空间适宜性冲突和景观格局空间冲突的多维分析框架。• 跨尺度分析揭示了栅格与县域尺度下国土空间冲突的空间异质性。• 利用可解释机器学习方法识别影响因素及其与国土空间冲突强度的非线性关联。• 提出了针对山地库区国土空间冲突调控的差异化治理路径。**

**1. 引言**

国土空间是人类社会经济活动和生态环境保护的根本载体，支撑着经济、社会和生态领域的多样化功能（Liu and Zhou, 2021, Deng et al., 2023）。随着社会经济快速发展和城镇化加速推进，国土空间的优化配置和可持续利用已成为推动区域高质量发展的关键基础（Zou et al., 2019, Long, 2022, Chen and Liu, 2025）。然而，不同利益相关方对有限空间资源的竞争日趋激烈，引发了一系列问题，包括建设用地无序扩张、优质耕地流失和生态空间萎缩，使国土空间冲突成为区域可持续发展的普遍性挑战（Chen et al., 2022, Yang et al., 2023, Brock et al., 2026）。国土空间冲突不仅表现为建设用地、农业用地和生态防护空间之间的功能竞争（Wang et al., 2025, Wang et al., 2026），也表现为景观破碎化和生态退化等结构扰动（Chen et al., 2025），对区域生态安全和可持续发展构成威胁。

国土空间冲突研究长期以来受到学者关注。首先，冲突识别是冲突诊断与治理的基础。部分研究基于景观格局指数构建模型，揭示土地利用冲突的空间特征并识别冲突分布（Zou et al., 2024）。另有研究采用空间功能适宜性方法，通过构建多因子评价体系评估空间单元内不同功能的适宜性（Brown and Raymond, 2014, Zhang et al., 2026）。此外，生态安全格局、博弈论、参与式调查和多准则评价等方法也被用于识别土地利用冲突（Ruan and Wu, 2013, Ioj? et al., 2014, Steinh?u?er et al., 2015, Zhang et al., 2025）。其次，国土空间冲突表现出显著的尺度依赖性。宏观尺度研究通常关注区域总体格局和政策效应（Anticoli et al., 2025），中观尺度研究考察行政单元之间的差异和管理策略（Tian et al., 2024），微观尺度研究则识别局部热点并支持精细化治理（Wang et al., 2023, Zhang et al., 2025）。第三，学者们探讨了与国土空间冲突相关的因素。现有研究考察了自然地理、社会经济发展、区位条件和政策制度等因素的作用（Benjaminsen et al., 2012, Zong et al., 2025）。近年来，地理加权回归、地理探测器、空间计量模型和机器学习等方法被引入以揭示国土空间冲突分析中的空间异质性和非线性关联（Zhang et al., 2024, Zheng et al., 2025, Luo et al., 2025）。

尽管国土空间冲突研究已取得显著进展，但仍存在若干局限。首先，许多研究仅从土地利用结构或功能适宜性单一维度识别冲突，潜在功能竞争与显性景观格局空间冲突之间的互补性尚未得到充分考察（Li et al., 2021, Meng et al., 2020）。基于空间适宜性的方法有助于揭示建设、农业和生态防护功能之间的潜在竞争，而基于景观格局的方法则更有效地捕捉现有土地利用格局中的结构扰动、破碎化和空间干扰。将这两个维度割裂处理可能导致对国土空间冲突理解的不完整。其次，现有研究多集中于单一尺度，对冲突识别中的尺度效应和跨尺度差异关注不足（Wang et al., 2024）。第三，解释变量与国土空间冲突强度之间的非线性关联仍未得到充分探索。最后，现有案例研究大多集中于平原城市群（Zhang and Gu, 2022, Chen and Zhang, 2024, Tao et al., 2026），而生态约束较强、人地互动频繁的山地库区仍缺乏研究。

针对上述不足，本研究构建了一个用于国土空间冲突识别与影响因素分析的跨尺度、多维框架。本研究的贡献体现在三个方面。第一，通过整合空间适宜性冲突和景观格局空间冲突，本研究将潜在功能竞争与显性景观格局扰动相结合，为国土空间冲突识别提供了更为全面的诊断框架。第二，通过在栅格和县域两个尺度开展分析，本研究揭示了国土空间冲突的尺度依赖性和空间异质性，将局部冲突热点与区域治理单元联系起来。第三，通过应用可解释机器学习，本研究识别了解释变量的模型贡献及其与国土空间冲突强度的非线性关联。本研究以典型的山区库区——三峡库区为案例，识别了国土空间冲突的类型、强度与空间格局，为国土空间格局优化和可持续发展提供了方法支撑。

**2. 理论分析**

**2.1 理论基础**

国土空间冲突是土地利用冲突研究的延伸，具有更为宏观的范围和更丰富的内容（Wang et al., 2025）。国土空间冲突是指在有限地理空间内，由于空间资源的利用、配置和调控而产生的功能矛盾和结构失衡（Han et al., 2023; W. Li et al., 2025）。其本质在于不同土地功能和结构要素之间的竞争与不兼容，具有功能性与结构性双重属性（F. Chen et al., 2025; K. Li et al., 2025）。功能冲突源于不同功能空间之间的适宜性差异和竞争关系，具体表现为同一地块对建设、农业和生态防护等多种功能均具有一定适宜性，但实际利用只能容纳单一选择，从而导致功能需求与空间供给之间的错配（Zhu et al., 2024）。功能冲突代表了国土空间利用的潜在风险。结构冲突源于土地利用空间格局的不合理配置，突出表现为不同类型土地利用在空间上分布破碎、镶嵌交错和边界模糊（Meng et al., 2020, Zuo et al., 2022）。物理空间结构的无序状态不仅导致景观格局复杂化和生态连通性降低，还显著增加了国土空间的管理成本和治理难度（Jiang et al., 2021）。结构冲突代表了土地利用格局的可观测退化。功能冲突与结构冲突并非相互孤立，而是处于相互影响和动态转化的持续过程中。一方面，随着人类开发活动推进，功能竞争逐渐转化为实际的格局失衡。另一方面，结构冲突通过改变区域本底条件和空间约束产生反馈效应，进而重塑不同功能空间的适宜性分布格局，影响功能配置的稳定性（W. Li et al., 2025）。功能与结构的相互依存、潜在冲突与显性冲突的相互转化机制，构成了国土空间冲突的核心理论基础。

**2.2 理论框架**

基于功能冲突与结构冲突的双重属性及其动态转化机制，本研究构建了国土空间冲突的多维框架，以实现功能冲突和结构冲突的综合识别与量化（图1）。该框架基于空间适宜性和景观格局的系统评价，分别识别空间适宜性冲突和景观格局空间冲突，并通过综合分析推导出国土空间冲突。

*图1. 国土空间冲突识别的理论框架。*

空间适宜性冲突评价基于多因子综合评价方法，从功能维度识别国土空间的潜在冲突。通过构建建设适宜性、农业适宜性和生态防护重要性评价体系，综合考虑自然地理条件、社会经济条件和政策约束，评估各空间单元对不同功能的适宜程度（Zong et al., 2025）。当某空间单元对两种或多种功能均表现出高且相近的适宜性时，表明该区域存在功能竞争（Wang et al., 2025）。根据功能竞争的不同组合，可识别多种类型，包括建设-农业冲突、建设-生态冲突和农业-生态冲突。空间适宜性冲突可能尚未在实际土地利用格局中完全显现，但其发生的条件和趋势已经存在。若不予有效调控，将导致粮食安全风险分析、区域发展失衡和基础设施投资低效等战略性问题（Jiang et al., 2020）。

景观格局空间冲突评价基于景观生态学原理，从结构维度识别国土空间的显性冲突。通过空间斑块分析，将空间冲突视为由"源-受体-效应"组成的过程，综合评价外部压力、空间脆弱性和空间稳定性等指标，揭示国土空间结构的复杂程度和冲突程度（Zou et al., 2024）。外部压力反映人类活动干扰和外部环境变化对景观斑块的扰动强度；空间脆弱性反映景观斑块抵御外部干扰的抵抗力和恢复力；空间稳定性反映景观格局的动态变化趋势和结构均衡程度（Yang et al., 2023）。景观格局空间冲突反映当前土地利用的破碎化和退化程度，其直接后果包括景观破碎化加剧、生物多样性丧失和碳汇能力下降等生态系统功能退化（Valle Junior et al., 2015, de Jong et al., 2021）。

综上，通过该多维评价框架，将空间适宜性冲突与景观格局空间冲突进行整合分析，最终推导出国土空间冲突的类型与强度。这为全面理解和科学治理国土空间冲突奠定了基础，并指导国土空间格局优化的实践。

**3. 材料与方法**

**3.1 研究框架**

本研究按照"识别-分析-优化"的流程，为三峡库区（TGRA）构建了一个国土空间冲突研究框架（图2）。模块1识别县域和栅格尺度下国土空间冲突的类型、强度和空间分布特征。模块2利用可解释机器学习模型识别国土空间冲突的影响因素及其非线性关联。研究结论为模块3提供科学依据，该模块聚焦于国土空间格局优化与差异化调控策略的制定。

*图2. 研究流程图。*

**3.2 研究区**

三峡库区位于中国长江中上游结合部（105°49′~111°38′E，28°28′~31°44′N），跨越重庆市和湖北省26个区县，总面积约5.74×10? km2（图3）。该地区处于亚热带湿润季风气候区，生态系统类型多样，森林覆盖率约42%。作为长江经济带重要的生态安全屏障，三峡库区在维护国家生态安全方面发挥着重要作用（Zhu and Gao, 2024; H. Wang et al., 2025）。

*图3. 三峡库区位置图。*

自1994年三峡工程启动以来，库区社会经济快速发展，人类活动持续加剧。城市扩张和基础设施建设推动了土地利用结构的深刻变化，表现为建设用地大幅增加，同时耕地和林地面积相应减少（Qu et al., 2025, Zhou et al., 2026）。由此引发的环境问题，包括土壤侵蚀加剧和水位消落带生态退化，日益突出（Huang et al., 2022）。在土地资源有限的约束下，经济发展需求与生态保护目标之间的固有矛盾不断加剧，国土空间冲突已成为制约库区可持续发展的关键因素（Huang et al., 2019）。因此，系统识别三峡库区国土空间冲突的空间格局与影响因素，对于优化区域国土空间格局、促进人地关系协调发展具有重要的现实意义和科学价值。

为全面揭示国土空间冲突的尺度效应和空间异质性，本研究构建了县域与栅格尺度相结合的分析体系。在栅格尺度确定方面，本研究比较了1 km2、2 km2、5 km2和10 km2四种典型栅格大小。

综合考虑研究区域的地形复杂度、数据量以及景观面积损失值后，最终选择2 km2网格作为微观层面的评价单元，以确保分析结果在保持高精细节的同时兼顾计算效率与信息完整性。

**3.3 数据来源**

本研究所需的空间数据详见表1。研究以2023年为基础年份，优先使用该年数据以最大化时间一致性。在2023年数据不可用的情况下，使用2020至2022年间最近期可用数据。由于这些自然要素属性在短期内相对稳定，时间差异对研究结果的影响可忽略不计。

表1 数据来源信息

| 数据名称 | 空间分辨率/类型 | 数据来源 |
|---|---|---|
| 数字高程模型（DEM） | 30 m栅格 | 地理空间数据云（https://www.gscloud.cn/） |
| 气温 | 1 km栅格 | 中国科学院资源环境科学数据中心（RESDC）（https://www.resdc.cn/） |
| 降水 | 1 km栅格 | 中国科学院资源环境科学数据中心（RESDC）（https://www.resdc.cn/） |
| ≥0℃积温 | 1 km栅格 | 国家生态科学数据中心（NESDC）（http://www.nesdc.org.cn/） |
| 年日照时数 | 1 km栅格 | 国家生态科学数据中心（NESDC）（http://www.nesdc.org.cn/） |
| 水系网络 | 矢量数据 | 中国国家测绘地理信息局（NGCC）（http://www.ngcc.cn） |
| 归一化植被指数（NDVI） | 30 m栅格 | 国家生态科学数据中心（NESDC）（http://www.nesdc.org.cn/） |
| 净初级生产力（NPP） | 1 km栅格 | 地理遥感生态网络平台（http://www.gisrs.cn/） |
| 土壤保持 | 1 km栅格 | 地理遥感生态网络平台（http://www.gisrs.cn/） |
| 水源涵养 | 1 km栅格 | 地理遥感生态网络平台（http://www.gisrs.cn/） |
| 农田生产力潜力 | 1 km栅格 | 中国科学院资源环境科学数据中心（RESDC）（https://www.resdc.cn/） |
| 地质灾害点 | 矢量数据 | 地理遥感生态网络平台（http://www.gisrs.cn/） |
| 土壤质地 | 1 km栅格 | 青藏高原国家数据科学中心（https://data.tpdc.ac.cn/） |
| 土壤有机质 | 1 km栅格 | 青藏高原国家数据科学中心（https://data.tpdc.ac.cn/） |
| 土壤pH值 | 1 km栅格 | 青藏高原国家数据科学中心（https://data.tpdc.ac.cn/） |
| 国内生产总值（GDP） | 1 km栅格 | 中国科学院资源环境科学数据中心（RESDC）（https://www.resdc.cn/） |
| 人口密度 | 1 km栅格 | 中国科学院资源环境科学数据中心（RESDC）（https://www.resdc.cn/） |
| 夜间灯光 | 1 km栅格 | 国家地球系统科学数据中心（http://www.geodata.cn） |
| 道路网络 | 矢量数据 | 开放街道地图（https://www.openstreetmap.org/） |
| 交通节点 | 矢量数据 | 中国国家测绘地理信息局（NGCC）（http://www.ngcc.cn） |
| 行政中心 | 矢量数据 | 中国国家测绘地理信息局（NGCC）（http://www.ngcc.cn） |
| 居民地 | 矢量数据 | 中国国家测绘地理信息局（NGCC）（http://www.ngcc.cn） |
| 生态保护红线 | 矢量数据 | 重庆市规划自然资源局；湖北省自然资源厅 |
| 永久基本农田 | 矢量数据 | 重庆市规划自然资源局；湖北省自然资源厅 |

**3.4 潜在冲突：空间适宜性冲突评价**

空间适宜性冲突反映了国土空间功能配置中的潜在错配，其根源在于国土空间的多适宜性与有限性之间的矛盾。同一空间单元往往同时具备建设发展、农业生产和生态保护等多种功能的适宜条件。当实际利用偏离最优适宜功能配置时，便形成潜在空间冲突（K. Li et al., 2025）。

**3.4.1 空间适宜性评价**

为识别建设、农业和生态保护功能之间的潜在功能竞争，本研究构建了三个评价体系：建设适宜性、农业适宜性和生态保护重要性。在本研究中，空间适宜性评价是对不同国土空间功能的潜在承载力或保护优先级的统称。建设适宜性反映空间单元支撑城市开发、产业活动和基础设施建设的承载力。农业适宜性反映支撑农业生产和耕地利用的承载力。生态保护重要性反映基于生态稳定性、生态系统服务能力和生态敏感性的生态保护优先级。

指标体系的构建遵循科学相关性、代表性、区域适用性和数据可获取性原则。指标的选择参考了此前关于建设用地适宜性、农业适宜性、生态保护和土地利用冲突识别的研究（Xu et al., 2011, Zhang et al., 2015, Ustaoglu and Ayd?noglu, 2020, Qi et al., 2024），同时考虑了三峡库区的地形复杂、河网密布、生态保护需求和发展约束等特征。为突出潜在功能承载力，评价体系侧重于自然条件、区位条件、社会经济发展条件、气候条件、生态系统服务和生态敏感性。指标权重通过专家评分法确定，并使用层次分析法（AHP）进行计算。详细的分级逻辑和支持性参考文献见补充表S1。最终指标权重和分级标准见表2。

表2 空间功能评价指标的权重与分级标准

| 空间功能 | 因子层 | 指标 | 单位 | 权重 | 分级赋值（得分） | | | | |
|---|---|---|---|---|---|---|---|---|---|
| | | | | | 20 | 40 | 60 | 80 | 100 |
| 建设适宜性 | 自然条件（0.5471） | 坡度 | ° | 0.2257 | >25 | 15–25 | 8–15 | 3–8 | ≤3 |
| | | 高程 | m | 0.0482 | >2000 | 1500–2000 | 1000–1500 | 500–1000 | ≤500 |
| | | 地质灾害风险 | — | 0.2099 | 极高 | 高 | 中等 | 低 | 极低 |
| | | 距水体距离 | km | 0.0633 | ≤0.1或≥2.0 | 1.5–2.0 | 1.0–1.5 | 0.5–1.0 | 0.1–0.5 |
| | 区位条件（0.3398） | 距主干道距离 | km | 0.1503 | ≥0.1 | 0.05–0.1 | 0.03–0.05 | 0.01–0.03 | ≤0.01 |
| | | 距行政中心距离 | m | 0.0911 | ≥50000 | 30000–50000 | 20000–30000 | 10000–20000 | ≤10000 |
| | | 居民地核密度 | — | 0.0573 | ≤60 | 60–100 | 100–150 | 150–230 | ≥230 |
| | | 距交通节点距离 | km | 0.0411 | ≥0.35 | 0.2–0.35 | 0.1–0.2 | 0.05–0.1 | ≤0.05 |
| | 社会经济条件（0.1131） | 人口密度 | 人/km2 | 0.0795 | ≤100 | 100–200 | 200–400 | 400–600 | ≥600 |
| | | GDP | 元 | 0.0336 | ≤2000 | 2000–5000 | 5000–10000 | 10000–20000 | ≥20000 |
| 农业适宜性 | 自然条件（0.5955） | 坡度 | ° | 0.1534 | >20 | 15–20 | 10–15 | 5–10 | ≤5 |
| | | 土壤质地 | % | 0.0687 | <20 | 20–25 | 25–30 | 30–35 | >35 |
| | | 土壤有机质含量 | % | 0.0679 | ≤1 | 1–2 | 2–3 | 3–5 | >5 |
| | | 土壤pH值 | — | 0.0419 | <5或>9 | 5.0–5.5或8.5–9.0 | 5.5–6.0或8.0–8.5 | 6.0–6.5或7.5–8.0 | 6.5–7.5 |
| | | 地质灾害风险 | — | 0.1297 | 极高 | 高 | 中等 | 低 | 极低 |
| | | 农田生产力潜力 | kg/ha | 0.1339 | ≤500 | 500–2000 | 2000–4000 | 4000–6000 | >6000 |
| | 气候条件（0.2292） | 年降水量 | mm | 0.0637 | ≤1200 | 1200–1300 | 1300–1400 | 1400–1500 | ≥1500 |
| | | 年均气温 | ℃ | 0.0497 | ≤8 | 8–10 | 10–12 | 12–15 | 15–20 |
| | | ≥0℃积温 | ℃·d | 0.0467 | ≤3500 | 3500–4500 | 4500–5500 | 5500–6500 | >6500 |
| | | 年日照时数 | h | 0.0691 | ≤1200 | 1200–1500 | 1500–1800 | 1800–2000 | >2000 |
| | 区位与社会经济条件（0.1753） | 距水体距离 | km | 0.0506 | >0.15 | 0.1–0.15 | 0.05–0.1 | 0.02–0.05 | ≤0.02 |
| | | 距居民地距离 | km | 0.0572 | ≤0.2 | 0.2–0.4 | 0.4–0.6 | 0.6–1.0 | >1.0 |
| | | 距道路距离 | km | 0.0333 | ≥0.07 | 0.05–0.07 | 0.03–0.05 | 0.01–0.03 | ≤0.01 |
| | | 人口密度 | 人/km2 | 0.0342 | ≤100 | 100–500 | 500–1000 | 1000–1500 | >1500 |
| 生态保护重要性 | 生态稳定性（0.2479） | 坡度 | ° | 0.1135 | ≤3 | 3–6 | 6–15 | 15–25 | >25 |
| | | NDVI | — | 0.1344 | <0.1 | 0.1–0.2 | 0.2–0.3 | 0.3–0.4 | ≥0.4 |
| | 生态系统服务（0.5642） | 栖息地质量 | 0–1 | 0.1648 | 低 | 较低 | 中等 | 较高 | 高 |
| | | NPP | g C/m2·a | 0.1218 | <300 | 300–600 | 600–750 | 750–900 | ≥900 |
| | | 土壤保持 | t/ha·a | 0.1324 | <5000 | 5000–10000 | 10000–30000 | 30000–50000 | ≥50000 |
| | | 水源涵养 | mm | 0.1452 | <700 | 700–1000 | 1000–1100 | 1100–1300 | ≥1300 |
| | 生态敏感性（0.1879） | 年均气温 | ℃ | 0.0372 | ≤7 | 7–9 | 9–12 | 12–15 | >15 |
| | | 年降水量 | mm | 0.0639 | <1300 | 1300–1400 | 1400–1500 | 1500–1600 | ≥1600 |
| | | 距水体距离 | km | 0.0868 | >0.18 | 0.13–0.18 | 0.08–0.13 | 0.03–0.08 | ≤0.03 |

空间适宜性评分采用加权求和法计算：

(1) $S_{k,i} = \sum_{j=1}^{n_k} W_{k,j} \times V_{k,j,i}$

其中，$S_{k,i}$ 表示功能 $k$ 在网格单元 $i$ 的评价得分；$k$ 代表建设适宜性、农业适宜性或生态保护重要性；$W_{k,j}$ 表示功能 $k$ 的指标 $j$ 的权重；$V_{k,j,i}$ 表示指标 $j$ 在网格单元 $i$ 的分级值；$n_k$ 为功能 $k$ 所使用的指标数量。

**3.4.2 空间适宜性冲突强度测算**

为量化空间适宜性冲突强度，本研究借鉴先前的潜在土地利用冲突和两两功能竞争研究（Zou et al., 2019, Jiang et al., 2020, Wang et al., 2023），基于各网格单元内两大主导功能之间的竞争关系，构建连续的空间适宜性冲突指数。对于网格单元 $i$，首先计算建设适宜性、农业适宜性和生态保护重要性的得分，并将其归一化至0–100范围。然后将三个功能得分按降序排列为 $S^{(1)}_i$、$S^{(2)}_i$ 和 $S^{(3)}_i$，分别代表最高、第二高和最低得分。

空间适宜性冲突强度由次主导功能的适宜性潜力和最高与第二高功能之间的均衡程度共同决定。指数计算公式如下：

(2) $SSCI_i = S^{(2)}_i \times \frac{S^{(2)}_i}{S^{(1)}_i}$

其中，$SSCI_i$ 表示网格单元 $i$ 的空间适宜性冲突强度；$S^{(1)}_i$ 和 $S^{(2)}_i$ 分别代表最高和第二高的功能得分。公式(2)可表示为 $S^{(2)}_i \times [S^{(2)}_i / S^{(1)}_i]$。其中，$S^{(2)}_i$ 代表次主导功能的适宜性潜力，而 $S^{(2)}_i / S^{(1)}_i$ 代表两大功能之间的均衡程度。$S^{(2)}_i$ 越高且 $S^{(1)}_i$ 与 $S^{(2)}_i$ 之间的差异越小，表明两种功能之间的潜在竞争越强。

**3.5 显性冲突：景观格局空间冲突评价**

景观格局空间冲突评价旨在从结构视角反映国土空间冲突（TSC）强度。本研究从景观格局视角构建了"压力—承载力—响应"框架，选取空间复杂度指数、空间脆弱性指数和空间稳定性指数三个指标，衡量景观格局空间冲突指数（Zou et al., 2024）。三个指标分别对应生态风险评估中的风险源、风险受体和风险效应。当区域景观呈现高复杂度、高脆弱性和低稳定性的特征时，景观格局空间冲突强度增大（Wang et al. 2025）。计算公式如下：

(3) $LPS C = S C I + S F I - S S I$

其中，$LPSC$ 为景观格局空间冲突指数；$SCI$ 为空间复杂度指数；$SFI$ 为空间脆弱性指数；$SSI$ 为空间稳定性指数。

压力维度采用空间复杂度指数刻画人类活动扰动强度，反映冲突的外在驱动力。计算公式如下：

(4) $SCI = \sum_{i=1}^{m} \sum_{j=1}^{n} \frac{2 \ln(0.25 \cdot P_{ij})}{\ln(a_{ij})} \times \frac{a_{ij}}{A}$

其中，$P_{ij}$ 为第 $i$ 种景观类型中第 $j$ 个斑块的周长；$a_{ij}$ 为第 $j$ 个斑块面积；$A$ 为空间类型的总面积；$m$ 为研究区空间评价单元的总数；$n$ 为空间类型的总数。

承载力维度采用空间脆弱性指数识别空间资源的冲突抵抗能力，反映系统的内在韧性。计算公式如下：

(5) $SFI = \sum_{i=1}^{m} \frac{F_i \cdot a_i}{S}$

其中，$F_i$ 为空间类型 $i$ 的脆弱性指数；$m$ 为空间类型总数；$a_i$ 为网格中各景观类型的面积；$S$ 为空间单元的总面积。

响应维度采用空间稳定性指数量化景观稳定性，反映冲突的效果。计算公式如下：

(6) $SSI = 1 - \frac{PD - PD_{min}}{PD_{max} - PD_{min}}$

(7) $PD = \frac{n_i}{A}$

其中，$n_i$ 为空间单元中空间类型 $i$ 的斑块数量；$A$ 为空间单元的面积；$PD$ 为斑块密度；$PD_{max}$ 和 $PD_{min}$ 分别为研究区最大和最小的斑块密度值。

**3.6 国土空间冲突综合评价**

**3.6.1 国土空间冲突类型分类**

为揭示各网格单元内的主导功能竞争，对国土空间冲突类型进行了识别。基于先前关于功能适宜性和潜在土地利用冲突识别的研究（Ioj? et al., 2014, Qu et al., 2023, Wang et al., 2023），本研究根据建设适宜性、农业适宜性和生态保护重要性之间的相对关系对冲突类型进行分类。

对于网格单元 $i$，将三个功能得分按降序排列为 $S^{(1)}_i$、$S^{(2)}_i$ 和 $S^{(3)}_i$，分别代表最高、第二高和最低得分。然后采用逐步规则进行冲突类型识别。首先，引入最低竞争力阈值 $T = 60$。由于评价体系采用20、40、60、80和100五个分级值，60代表中等水平的适宜性或生态保护重要性。$S^{(2)}_i < T$ 的网格单元被划分为低潜力或无显著冲突区，而 $S^{(2)}_i \geq T$ 的网格单元纳入进一步分类。

其次，识别三功能复合型冲突区。如果三个功能得分均不低于 $T$，且最高与最低得分之间的差值不超过 $D = 20$，则该网格单元被划分为三功能复合型冲突区。其中，$D = 20$ 对应五级评价体系中一个评分区间。

第三，对于剩余的网格单元，$S^{(1)}_i$ 对应的功能被定义为主导功能，$S^{(2)}_i$ 对应的功能被定义为次竞争功能。相应地，识别出六种方向性两两冲突类型：建设—农业、建设—生态、农业—建设、农业—生态保护、生态保护—建设和生态—农业冲突。

通过上述程序，国土空间冲突被划分为低潜力或无显著冲突区、六种方向性两两冲突类型和三功能复合型冲突区。$T$ 和 $D$ 的阈值敏感性分析见补充部分2。

**3.6.2 国土空间冲突强度测算**

为全面刻画潜在功能竞争和显性景观格局扰动，本研究整合空间适宜性冲突指数和景观格局空间冲突指数，构建国土空间冲突指数（Han et al., 2023）。空间适宜性冲突指数反映不同空间功能之间的潜在竞争强度，景观格局空间冲突指数反映现有土地利用格局中的空间扰动和结构扰动。两个指数均在0–100标度上测量，且方向性一致，数值越高表明冲突强度越大。

国土空间冲突指数计算公式如下：

(8) $TSC I_i = \alpha \times SSC I_i + (1 - \alpha) \times LPSC_i$

其中，$TSC I_i$ 为网格单元 $i$ 的国土空间冲突指数；$SSC I_i$ 为空间适宜性冲突指数；$LPSC_i$ 为景观格局空间冲突指数；$\alpha$ 为空间适宜性冲突指数的权重；$1-\alpha$ 为景观格局空间冲突指数的权重。在本研究中，潜在功能竞争和显性景观格局扰动被视为识别国土空间冲突的两个互补维度。因此，基准情景采用等权设置。

为检验综合冲突指数对权重设置的敏感性，进一步设计了五种权重情景，$\alpha = 0.3, 0.4, 0.5, 0.6$ 和 $0.7$。敏感性分析结果见补充部分3。最终，采用自然断点法将国土空间冲突强度划分为五个等级：稳定区、低冲突区、中冲突区、高冲突区和极高冲突区。

**3.7 基于可解释机器学习的驱动因子分析**

**3.7.1 驱动因子选取**

国土空间冲突受自然本底条件、政策制度约束、人类活动强度和社会经济动态的综合影响（Huang et al., 2019, Chen and Zhang, 2024）。

为刻画与国土空间冲突（TSC）强度相关的外部条件，本研究从四个维度选取了八个解释变量：自然本底控制、政策与制度约束、人类活动与发展强度以及社会经济动态（表3）。这些变量被用于可解释机器学习分析中，以识别其对TSC强度的模型贡献及非线性关联（K. Li et al., 2025; Lu et al., 2026）。

表3. 用于国土空间冲突影响因素分析的解释变量。

| 维度 | 变量 | 符号 | 单位 | 说明 |
|------|------|------|------|------|
| 自然本底控制 | 地形位置指数 | TPI | — | 综合高程和坡度以表征地形起伏和地貌条件的复合地形指标。$TPI_i = \log_{10}[(\bar{E}E_i+1) \times (\bar{S}S_i+1)]$，其中$E_i$和$S_i$为网格单元$i$的高程和坡度，$\bar{E}$和$\bar{S}$为研究区的平均高程和平均坡度。 |
| 政策与制度约束 | 生态保护红线占比 | ERP | % | 各网格单元内生态保护红线面积占比。$ERP_i = \frac{A_{ERP,i}}{A_i} \times 100\%$，其中$A_{ERP,i}$为生态保护红线面积，$A_i$为网格单元$i$的总面积。 |
| 政策与制度约束 | 永久基本农田占比 | PBFP | % | 各网格单元内永久基本农田面积占比。$PBFP_i = \frac{A_{PBFP,i}}{A_i} \times 100\%$，其中$A_{PBFP,i}$为永久基本农田面积。 |
| 人类活动与发展强度 | 人类活动强度 | NTL | — | 从夜间灯光遥感数据中提取的各网格单元平均夜间灯光强度，用于表征人类活动压力。 |
| 人类活动与发展强度 | 路网密度 | RND | km/km2 | 道路总长度与网格面积之比。$RND_i = \frac{L_{road,i}}{A_i}$，其中$L_{road,i}$为网格单元$i$内的道路总长度。 |
| 人类活动与发展强度 | 建设用地占比 | CLP | % | 各网格单元内建设用地面积占比。$CLP_i = \frac{A_{CL,i}}{A_i} \times 100\%$，其中$A_{CL,i}$为建设用地面积。 |
| 社会经济动态 | 年均人口增长率 | PGR | % | 根据2010年至2020年两个时期的人口栅格数据计算的年均人口增长率。$PGR_i = [\frac{(Pop_{i,2020}+\varepsilon)}{(Pop_{i,2010}+\varepsilon)}]^{1/10} - 1) \times 100\%$，其中$Pop_{i,2010}$和$Pop_{i,2020}$分别为2010年和2020年的人口密度，$\varepsilon = 10^{-6}$用于避免除零问题。 |
| 社会经济动态 | 年均经济增长率 | EGR | % | 根据2010年至2020年两个时期的GDP栅格数据计算的年均经济增长率。$EGR_i = [\frac{(GDP_{i,2020}+\varepsilon)}{(GDP_{i,2010}+\varepsilon)}]^{1/10} - 1) \times 100\%$，其中$GDP_{i,2010}$和$GDP_{i,2020}$分别为2010年和2020年的GDP密度，$\varepsilon = 10^{-6}$用于避免除零问题。 |

自然本底维度由地形位置指数表征，该指标刻画了高程和坡度对地形起伏及地貌条件的综合影响。政策与制度约束维度包括生态保护红线面积占比和永久基本农田面积占比，反映了国土空间治理政策所施加的空间约束。人类活动与发展强度维度包括夜间灯光强度、路网密度和建设用地占比，分别代表人类活动压力、交通基础设施集聚度和土地开发强度。社会经济动态维度包括年均人口增长率和年均经济增长率，捕捉了2010—2020年间人口和经济活动的动态变化。

所有解释变量均被重采样或聚合至与TSC指数相同的网格单元，以确保空间一致性。采用基于SHAP的解释方法揭示每个变量对模型预测的相对贡献及其与TSC强度的非线性关联。

**3.7.2. 机器学习模型的比较与选择**

为建模解释变量与TSC强度之间的非线性关联，本研究比较了多种机器学习算法，并选择了表现最佳的模型用于后续的基于SHAP的解释。数据集按70:30的比例随机划分为训练集和测试集。评估了六种常用算法，包括线性回归、K近邻（KNN）、随机森林、XGBoost、LightGBM和CatBoost，以比较其预测性能和适用性。

**3.7.3. 基于SHAP的模型解释**

本研究采用SHAP来解释机器学习模型并量化每个解释变量对模型预测的贡献。基于合作博弈论中的Shapley值，SHAP将模型预测分解为各输入变量的边际贡献。在本研究中，使用平均绝对SHAP值来评估每个解释变量的相对重要性，并使用SHAP依赖图来检验解释变量与预测TSC强度之间的非线性关联。

**4. 结果**

**4.1. TGRA的国土空间适宜性评价**

空间适宜性评价生成了TGRA的建造适宜性、农业适宜性和生态保护重要性的分布（图4）。

下载：下载高分辨率图像（265KB）
下载：下载完整尺寸图像
图4. TGRA国土空间适宜性评价结果。

建造适宜性表现出明显的空间聚集特征（图4a）。高值区主要集中在TGRA的西部，尤其是重庆主城区周边及相邻河谷地带，这些区域的地形条件、交通可达性、经济基础和基础设施支撑相对有利。低值区主要分布于地形起伏较大的山区和丘陵地区，这些区域坡度较陡、可达性较弱，开发条件受限，制约了建造适宜性。

农业适宜性呈现镶嵌状和带状的空间格局（图4b）。高值区主要分布在河谷沿线的缓坡及局部低起伏区域，这些区域的地形、水源可达性和土壤条件相对适宜农业生产。低值区主要位于高海拔山区和陡坡地带，地形、土壤和气候条件制约了农业利用。

生态保护重要性呈现出与建造适宜性和农业适宜性不同的空间格局（图4c）。高值区主要集中在TGRA的东部和东北部山区，这些区域的植被覆盖率、生态稳定性和生态系统服务功能相对较高。较低值区主要出现在城镇化河谷和人类活动密集区域，尤其是TGRA的西南部。这种格局表明，生态保护重要性与山地地形、植被覆盖率、生态系统服务功能及人类干扰强度密切相关。

**4.2. TGRA的国土空间冲突类型**

TGRA呈现出国土空间冲突类型的异质性模式，低潜力区域、两两冲突和多功能复合冲突并存（图5）。低潜力区域占比最大，占研究区域的38.62%（图5b）。这些区域在TGRA中广泛分布，表明在相当比例的网格单元中，至少有两个功能未同时达到实质性竞争力水平。

下载：下载高分辨率图像（528KB）
下载：下载完整尺寸图像
图5. TGRA国土空间冲突类型的空间分布与县级差异。

多功能复合冲突是第二大类型，占研究区域的23.64%。这些区域主要分布在建造适宜性、农业适宜性和生态保护重要性均相对较高且彼此接近的过渡地带。此类区域表明功能竞争更为复杂，因为没有任何单一功能具有绝对优势。在两两冲突类型中，建造-农业冲突占13.29%，主要集中在TGRA西部及开发压力较强的河谷地带。生态-农业冲突占11.66%，多分布在山区农业-生态过渡带，反映了农业生产与生态保护之间的张力。农业-建造冲突占6.30%，而生态保护-建造冲突占4.65%。建造-生态冲突和农业-生态保护冲突占比相对较小，分别为0.96%和0.88%。

在县级尺度上，主导冲突类型呈现出明显的空间分异（图5c）。低潜力区域在TGRA中部和北部许多县占主导地位，而建造-农业冲突和农业-建造冲突在西部和西南部各县更为突出。多功能复合冲突在若干县占主导地位，表明网格级功能竞争的集聚可导致复杂的县级冲突格局。各冲突类型占比在县级尺度上的变异性进一步表明，低潜力区域、建造-农业冲突和多功能复合冲突表现出较大的县际差异（图5d），而若干较小的两两冲突类型在大多数县中占比很小。

这些结果表明，TGRA的国土空间冲突类型不仅限于简单的两两竞争。相反，低潜力区域、主导性两两冲突和多功能复合冲突并存，反映了山地库区功能竞争的空间异质性和复杂性。

**4.3. TGRA的国土空间冲突强度**

TGRA的空间适宜性冲突、景观格局空间冲突和国土空间冲突在空间分布上既相似又有差异（图6）。对于空间适宜性冲突，高冲突区域占比最大，达到27.33%，其次是中冲突区域（23.85%）和低冲突区域（23.51%）。稳定区域和极端冲突区域分别占12.33%和12.97%（图6a）。空间上，高冲突和极端空间适宜性冲突主要集中在TGRA西部及若干河谷地带，反映了建造、农业和生态保护功能之间较强的潜在竞争。

下载：下载高分辨率图像（651KB）
下载：下载完整尺寸图像
图6. TGRA空间适宜性冲突、景观格局空间冲突及国土空间冲突强度的空间分布。

景观格局空间冲突在冲突强度各等级上呈现更为均衡的分布（图6b）。高冲突区域和中冲突区域分别占29.62%和29.05%，而低冲突、稳定和极端冲突区域分别占19.34%、12.54%和9.45%。高景观格局空间冲突主要分布在土地利用格局破碎化程度高和空间干扰强烈的区域，尤其是在TGRA西部城镇化程度较高的地区。相比之下，相对稳定的区域在东部山区的部分地区更为明显，这些区域的土地利用格局受干扰程度较低。

综合国土空间冲突整合了两个维度，呈现出介于空间适宜性冲突和景观格局空间冲突之间的过渡性空间格局（图6c）。中冲突和高冲突区域占主导地位，分别占30.17%和30.21%。低冲突区域占19.73%，而稳定和极端冲突区域分别占9.27%和10.62%。高和极端TSC区域主要集中在TGRA西部，并在若干河谷和过渡地带局部分布，表明潜在功能竞争与显性景观格局干扰的叠加。

在县级尺度上，三个冲突维度也呈现出差异化的空间格局（图6d–f）。空间适宜性冲突在若干西部和东部县的强度较高，而景观格局空间冲突在西部各县和中部部分地区强度更高。综合TSC格局突出了潜在功能竞争和景观格局干扰均较强的县。总体而言，三个维度的比较表明，TGRA的TSC强度由功能竞争和景观结构干扰共同塑造，高冲突区域集中在开发压力、农业利用和生态保护空间交织的区域。

**4.4. 影响因素的贡献及非线性关联**

**4.4.1. 机器学习模型性能比较**

为选择最适合预测TSC强度的模型，本研究使用四项评估指标——$R^2$、RMSE、MAE和MAPE，对六种机器学习模型进行了比较（表4）。总体而言，基于树的集成模型优于KNN和线性回归，表明其在捕捉解释变量与TSC强度之间非线性关联方面具有更强能力。

表4. 机器学习模型性能比较。

| 模型 | $R^2$ | RMSE | MAE | MAPE |
|------|-------|------|-----|------|
| XGBoost | 0.6935 | 0.0700 | 0.0555 | 0.1316 |
| LightGBM | 0.6814 | 0.0702 | 0.0556 | 0.1319 |
| CatBoost | 0.6795 | 0.0703 | 0.0558 | 0.1325 |
| 随机森林 | 0.618 | 0.0711 | 0.0562 | 0.1342 |
| KNN | 0.5798 | 0.0739 | 0.0583 | 0.1385 |
| 线性回归 | 0.5292 | 0.0774 | 0.0623 | 0.1490 |

在六种模型中，XGBoost取得了最佳的综合性能，$R^2$值最高为0.6935，RMSE、MAE和MAPE最低，分别为0.0700、0.0555和0.1316。LightGBM和CatBoost也表现出相似的预测性能，$R^2$值分别为0.6814和0.6795。随机森林、KNN和线性回归表现较差，尤其是线性回归，其$R^2$值最低为0.5292。因此，选择XGBoost作为最优模型用于后续的影响因素基于SHAP的解释。

**4.4.2. 影响因素的重要性**

SHAP重要性结果表明，八个解释变量对TSC强度的模型贡献存在明显差异（图7）。总体而言，地形条件指标对模型预测的贡献最大，表明地形本底在区分TGRA的TSC强度方面发挥着基础性作用。经济增长率、路网密度、生态保护红线占比和建设用地占比也表现出较高的贡献，表明社会经济动态、基础设施集聚度、政策约束和土地开发强度与TSC的空间变化密切相关。相比之下，夜间灯光强度的平均绝对SHAP值最小，表明与其他变量相比其对模型预测的贡献相对有限。

下载：下载高分辨率图像（218KB）
下载：下载完整尺寸图像
图7. TSC强度影响因素的总体SHAP重要性。

重要性排序在不同冲突类型间存在差异（图8）。TPI在所有冲突类型中始终排名第一，确认了山地地形条件在塑造TSC强度的模型预测中的重要作用。对于建造-农业冲突和农业-建造冲突，建设用地占比具有较高贡献，反映了在建造与农业功能竞争的区域中土地开发强度的重要性。

在建设用地—生态保护冲突与生态保护—建设用地冲突中，生态保护红线比例和经济增长率表现出相对较高的重要性，表明政策约束和社会经济动态与这些冲突类型密切相关。在农业—生态保护和生态—农业冲突中，永久基本农田比例、经济增长率和路网密度的贡献更为突出，反映了农业保护、开发动态和基础设施可达性的共同影响。图8展示了各影响因子的SHAP重要性及其随冲突类型的变化。

对于多功能复合型冲突，TPI仍然是主导变量，其次是经济增长率、路网密度、生态保护红线比例和永久基本农田比例。这表明复合型冲突区域与地形约束、社会经济动态、基础设施条件和制度性空间约束的组合相关联。总体而言，SHAP结果表明TGRA中的TSC强度并非与单一因子相关联，而是与自然背景、政策约束、开发强度和社会经济动态的共同贡献相关。

4.4.3 影响因子的非线性关联

SHAP依赖图揭示了各解释变量与预测TSC强度之间清晰的非线性关联（图9）。TPI表现出最强且最一致的模式。随着TPI增加，其SHAP值几乎单调地从正值降至负值，表明较低的TPI值与较高的预测TSC强度相关，而较高的TPI值与较低的预测TSC强度相关。这一模式表明，地形约束相对较低的区域更容易出现较强的空间冲突，而地形约束较高的区域通常不利于集约化功能竞争。图9展示了各影响因子与预测TSC强度之间非线性关联的SHAP依赖图。

经济增长率表现出更复杂的非线性模式。其SHAP值在低水平和中等水平时围绕零值波动，但当EGR达到较高值时则趋于负值。这表明经济增长与预测TSC强度之间的关联并非线性，其贡献在不同发展情境下有所变化。路网密度总体上与模型输出呈正相关，尤其是当RND从低水平增加到中等水平时更为明显，表明基础设施集聚与较高的预测TSC强度密切相关。

政策相关变量也表现出差异化的非线性关联。生态保护红线比例的SHAP值总体上随着ERP的增加而下降，表明较高的生态保护红线覆盖率与较低的预测TSC强度相关。这可能反映了生态保护政策对无序空间开发的约束效应。尽管永久基本农田比例的SHAP值分布较为分散，但大多数为负值，表明该变量总体上对预测TSC强度产生负向贡献。

建设用地比例与预测TSC强度呈明显的正相关。随着CLP的增加，SHAP值迅速上升并保持正值，表明更强的土地利用强度与模型预测的更高TSC强度相关联。人口增长率表现出非线性模式，正值SHAP值主要出现在PGR为负值或较低水平时，而负值SHAP值在较高PGR水平时更为明显。夜间灯光强度的SHAP值总体上较小，表明与其他变量相比，其对模型预测的边际贡献有限。

总体而言，非线性关联结果表明TGRA中的TSC强度与地形背景、政策约束、基础设施条件、土地开发强度和社会经济动态共同相关。其中，TPI和CLP表现出最清晰的方向性模式，而EGR、PGR和PBFP则表现出更具情境依赖性的关联。

5 讨论

5.1 多维跨尺度TSC识别框架的贡献

以往研究通常从功能适宜性或土地利用结构两方面识别土地利用或国土空间冲突，这可能无法完全捕捉冲突的多维特征（Zou等，2019；Wang等，2025；Wei等，2026）。本研究将空间适宜性冲突与景观格局空间冲突相结合，构建了一个整合潜在功能竞争与显性景观格局干扰的诊断框架。空间适宜性冲突反映了建设、农业和生态保护功能之间的潜在竞争，而景观格局空间冲突反映了现有土地利用格局的结构性扰动、破碎化和不稳定性（Fienitz和Siebert，2023；Han等，2023）。这两个维度描述了TSC的不同阶段和表现形式：前者强调潜在风险，后者捕捉土地利用累积扰动的显性空间结果。

该整合框架的价值在于其互补性。空间适宜性冲突高但景观格局空间冲突相对较低的区域可能表明存在强烈的潜在功能竞争，但尚未转化为明显的空间无序，通常意味着需要预防性规划管控。相反，空间适宜性冲突相对适中但景观格局空间冲突高的区域可能反映了历史土地利用扰动、碎片化开发或累积的结构性问题。两个维度均表现为高值的区域代表潜在功能竞争与显性空间无序叠加的区域，因此需要更多的治理关注。在此意义上，综合框架并非简单合并两种现有方法，而是将TSC识别从单一维度诊断扩展为功能竞争与景观结构扰动的联合诊断。权重敏感性分析进一步表明，综合冲突的整体空间格局在不同权重方案下具有稳健性，支持等权重方案作为中性基准。

跨尺度设计进一步加强了框架的适用性。县域尺度分析揭示了整体冲突压力，支持区域政策协调；而网格尺度分析则识别了可能被行政集聚所掩盖的局部热点和精细尺度空间异质性。这两个尺度的结合有助于将自上而下的战略规划与自下而上的精准治理相衔接（Fan和Li，2009；Liu和Zhou，2021）。对于生态保护、农业生产和建设开发高度交织的三峡库区而言，这一跨尺度多维框架为识别冲突区域和支撑国土空间治理提供了更为完整的依据。

5.2 影响因子分析带来的启示

现有研究表明，土地利用冲突和国土空间冲突与自然条件、社会经济发展、区位因素和政策制度密切相关（Jiang等，2021；Kukulska-Kozie?等，2026）。本研究进一步表明，在山区库区，这些因素应在地形约束的空间背景下加以理解。TPI的高贡献度表明，地形背景为建设、农业和生态保护功能的组织提供了基本的空间框架。在TGRA中，河谷和缓坡面积有限但功能多样，支撑着聚落、交通走廊、耕地和生态连通性。这种空间压缩有助于解释为何TSC往往集中在河谷区域和功能过渡带。

研究结果也丰富了关于开发压力和土地利用冲突的现有讨论。城市扩张、基础设施建设和土地利用集约化已被广泛认为是土地利用冲突的重要来源（Li等，2021；Chen和Zhang，2024）。在TGRA中，建设用地比例和路网密度的重要性表明，开发压力不仅通过建成区扩展传递，还通过基础设施可达性和空间连通性传递。由于道路和建设用地往往集中在同时支撑农业和生态走廊的河谷空间中，当开发压力与功能敏感空间叠加时，更容易产生冲突。政策相关变量进一步将此解释延伸至国土空间治理。生态保护红线和永久基本农田是中国国土空间规划体系中生态安全和粮食安全的关键制度边界（Liu和Zhou，2021；Chen和Liu，2025）。其差异化的贡献表明，TSC不仅受自然背景条件和开发压力影响，还受治理边界的空间组织方式所塑造。对于生态保护、农田保护和城乡开发共存于狭窄且破碎山区空间的TGRA而言，这一点尤为相关。年均人口增长率和年均经济增长率的非线性关联进一步揭示，社会经济变迁并非以统一方式转化为空间冲突，而是与地方发展条件、土地利用结构和治理约束相互作用。

总体而言，该分析将TSC影响因子的解释从一般性的自然—社会经济框架中拓展出来，置于山区库区地形约束、开发压力、制度边界和社会经济动态的具体背景中。这一情境化的解释通过提供对山区库区冲突形成更为扎实的理解，丰富了现有的TSC研究。

5.3 国土空间冲突调控的政策启示

基于识别出的冲突类型、冲突强度等级和影响因子分析，本研究提出了一个面向国土空间格局优化的国土空间冲突调控框架（图10）。该框架包含三条相互关联的路径：主导功能精准治理、生态屏障巩固和空间质量提升，分别对应差异化功能分区、生态安全保护和集约化空间利用优化。图10展示了TGRA中国土空间冲突的调控路径。

首先，主导功能精准治理应将类型调控与强度调控相结合。冲突类型明确了功能竞争的方向，而冲突强度则指明了治理的优先级，这与国土空间冲突治理的差异化与梯度化路径一致（Yang等，2023；Wang等，2025）。低潜力区域应侧重于维持土地利用稳定性。在建设用地—农业冲突区域，尤其是西部河谷和城市化区域，应严格控制城市发展边界，在新增扩张之前盘活存量建设用地，并通过严格的使用管控保护永久基本农田。在生态—农业冲突区域，应保留稳定且优质的农田，同时通过水土保持、生态修复和退耕还林还草工程（Zuo等，2022）对陡坡地、河岸缓冲带和生态敏感区进行修复。多功能复合型冲突区域应作为详细规划审查的优先区域，在此对土地用途转换、基础设施布局和生态修复进行联合评估。

其次，应通过刚性约束和柔性转化来促进生态屏障巩固。TGRA长期以来面临生态保护与土地开发之间的张力（Huang等，2019；Zhu和Gao，2024；Shan等，2026）。在生态保护红线重叠区、水库库岸区、生态廊道和生态保护重要性高的区域，应执行刚性约束，防止无序建设扩张和景观破碎化。在农业生产和生态保护重叠的区域，需要柔性转化：生态敏感度高且农业适宜性低的农田应逐步转向生态修复，而生产条件稳定的农田应采用生态友好型农业、梯田保护以及生态补偿机制。

第三，应在城市化和开发密集区强调空间质量提升。城市建设用地扩张和低效土地利用可能加剧生态扰动，而高效的城市土地利用则有助于缓解土地利用冲突（Tian等，2025）。在TGRA中，建设用地比例和路网密度与TSC强度密切相关。因此，西部城镇化河谷和县域高冲突区域应从粗放式扩张转向集约高效的新型城镇化。具体措施包括：盘活存量土地、低效产业用地再开发、闲置农村建设用地再利用、城市空间结构优化和基础设施升级。

总体而言，TGRA中的TSC调控应从冲突识别走向靶向治理。通过协调实施这三条路径，该框架为山区库区的生态保护、耕地保护和高质量城镇化提供了实际支撑。

5.4 局限性与未来研究展望

本研究为识别TGRA中的TSC及其影响因子提供了一套跨尺度、多维度的框架。然而，仍存在若干局限性。首先，分析主要基于横截面空间数据，尚未对TSC的长期演变进行充分考察。其次，受数据可获得性的限制，本研究仅纳入了生态保护红线和永久基本农田等空间约束变量，尚未充分捕捉规划实施强度、政策执行差异和地方治理过程的影响。第三，TSC治理涉及多方利益主体和动态的土地利用决策，仅靠空间指标无法完全表征（de Jong等，2021）。

未来研究可从以下三个方向推进。首先，可引入多时期土地利用数据和情景模拟模型，揭示不同发展和保护情景下TSC的时空演变及未来轨迹（W. Li等，2025）。

其次，可以采用空间计量模型或空间网络方法来研究TSC的溢出效应和跨尺度传导机制，尤其是电网尺度热点与县级治理单元之间的传导关系。第三，TSC的生态后果值得进一步关注。未来研究可以将冲突识别与生态系统服务变化、生态系统健康及生态风险评估相结合，以更好地评估空间冲突的环境效应（K. Li et al., 2025）。这些拓展将有助于提升TSC研究在山岳型水库区域的解释深度和实际相关性。

**6. 结论**

本研究以TGRA作为典型山岳型水库区域，构建了跨尺度、多维度的TSC识别与影响因素分析框架。通过整合空间适宜性冲突与景观格局空间冲突，该框架同时捕捉了潜在的功能竞争和显性的景观格局扰动。基于空间适宜性评价、景观格局分析、机器学习建模和SHAP归因解释，本研究识别了网格和县域尺度上TSC的类型、强度、空间分布及影响因素格局。主要结论如下：

（1）空间适宜性评价显示，TGRA的建设适宜性、农业适宜性和生态保护重要性之间存在明显分异。建设适宜性在西部城镇化河谷和低地形区域相对较高，农业适宜性主要分布在河谷沿岸、缓坡及局部低地形区，而生态保护重要性在东部和东北部山区更为突出。在此基础上，TSC类型呈现低潜力区域、两两冲突区域和多功能复合冲突区域并存的异质性格局。在强度方面，空间适宜性冲突、景观格局空间冲突和综合TSC既具有一致性又存在分异，高冲突区域主要集中在西部城镇化河谷以及建设开发、农业生产和生态保护功能空间交织的局部过渡地带。

（2）影响因素分析表明，TGRA的TSC与地形约束、开发压力、制度边界和社会经济动态密切相关。地形粗糙度指数（TPI）的模型贡献度最为突出，说明山地地形为功能竞争提供了基本的空间框架。建设用地比例和路网密度反映了开发压力和基础设施可达性，生态保护红线和永久基本农田则体现了与生态安全和粮食安全相关的制度约束。人口和经济增长进一步揭示了TSC的动态维度。这些发现表明，TGRA的TSC主要产生于多种功能在有限河谷空间内被压缩的区域，开发压力集中在已开发区域及沿路网地带，且生态和农田保护边界发生重叠。

（3）基于冲突识别和影响因素分析，本研究提出了由主导功能精准治理、生态屏障强化和空间品质提升三部分组成的差异化治理框架。冲突类型明确功能竞争的方向，冲突强度决定治理优先级，影响因素揭示需要干预的关键空间条件。该框架为山岳型水库区域的国土空间规划、生态保护、耕地保护和高水平城镇化提供了实践支撑。

**CRediT作者贡献声明**

王海华：原文撰写、可视化、方法论、数据整理、概念构思、调查、软件。孙怡文：审阅与编辑、方法论、监督指导。周露露：审阅与编辑、形式分析、验证。苏康川：审阅与编辑、监督指导、验证。王迪：审阅与编辑、监督指导、验证。王雨子：监督指导。杨青元：验证、监督指导、项目管理、经费获取、审阅与编辑、资源提供。

王海华 | 孙怡文 | 周露露 | 苏康川 | 王迪 | 王雨子 | 杨青元