本发明涉及土地利用规划技术领域，尤其涉及村镇区域土地利用规划智能化方法和智能化集成系统。
背景技术：
村镇区域土地利用规划是实现土地利用管控、满足土地精细化管理要求的重要手段。目前村镇层面的土地利用规划技术研究较为薄弱，且已有的乡镇级土地利用规划多采用传统的土地利用规划方法。即靠规划专家主观操作，存在工作量大、主观性较强等缺点。
近年来，土地利用数量预测与空间布局优化相结合的方法被引入到土地利用规划中。这些数量预测方法包括回归分析预测模型、Markov预测模型等，预测方法侧重于趋势外推法和定额指标法。其中趋势外推法仅关注时间趋势，忽视了用地变化影响因素的分析，而定额指标方法假设自变量与因变量变化处于同一维度，但实际上用地面积为二维，与影响因素变化相关的使用面积除开敞空间外，大部分并非二维而是介于二维与三维之间，因此也难以准确预测用地面积；在关注对象方面重城镇轻乡村，重总量控制轻结构比例。另外还有系统动力学(SystemDynamics，SD)模型、神经网络模型等复杂模型，这类模型缺点在于难以准确量化和控制内部参数，可能会导致预测结果不一定合理等问题。较为典型的空间布局优化方法目前是采用CLUE-S模型。该模型通过挖掘土地利用空间存在的因果关系，利用二项Logistic回归探寻土地利用与空间驱动因子之间的规律，顺推实现空间布局优化，土地利用驱动因子选取较为灵活，但该模型方法没有具体的土地利用数量预测方法做支撑，同时二项Logistic回归过程中不同的驱动因子量纲和量纲单位不同，存在驱动因子间不具可比性的问题，会影响所得到土地利用与空间驱动因子之间关系的准确性。因此土地利用规划领域需要解决如何在CLUE-S模型优化的基础上，选取更加有效的土地利用数量预测方法与其相结合的问题。
技术实现要素：
为了克服上述现有技术的不足，本发明提供了一种利用多模型与优化后的CLUE-S模型相组合的村镇区域土地利用规划智能化方法和智能化集成系统，能够避免现有土地利用规划对规划人员经验的依赖性和主观性较强、规划不贴合实际等缺点，达到提升村镇层面土地利用规划效率的目的。
本发明提供的技术方案是：
一种村镇区域土地利用规划智能化方法，通过趋势外推法，结合二项式系数权重预测建设用地总量；通过获取建设用地的主要影响因素，利用异速增长模型拟合主要建设用地与影响因素的关系，对主要建设用地进行预测，提高建设用地预测合理性和准确性；再将建设用地总量控制与主要建设用地结构预测结合，提升建设用地数量预测精度；最后将建设用地预测结果与优化后的CLUE-S模型相结合，得到土地利用空间布局优化图，即土地利用规划方案；包括如下步骤：
1)数据准备阶段，获取相关基础数据，将这些数据均按照统一的范围和栅格大小进行栅格化，使得每个栅格单元和属性信息相对应；
收集并整理相关基础数据，包括规划范围DEM、表层土质地、土壤有机质含量、土壤酸碱度、土壤阳离子交换能力、经济总收入、农民人均所得、人均GDP、地均GDP、一产比重、二产比重、三产比重、乡村从业人数、乡村人口数、劳动力资源数、人口密度、单位GDP能耗、到河流的距离、到道路的距离、到居民点的距离、到工业园区的距离等土地利用驱动因子数据和土地利用现状图(包括建设用地、非建设用地属性信息及分布)。将这些数据均按照统一的范围和栅格大小进行栅格化，使得每个栅格单元的属性信息对应起来。
2)确定各地类与驱动因子的关系，获取每个地类的适宜性分布图；执行如下操作：
21)通过二项Logistic回归方法，建立每个空间单元(栅格)的现状土地利用类型与驱动因子之间的定量关系(见式1)，即对CLUE-S模型进行优化：
式1中，i表示某一土地利用类型；Pi表示每个栅格可能出现某一土地利用类型i的概率；X1,i～Xn,i表示某一土地利用类型i第n个驱动因子的标准化值(具体标准化方法见式101)；β0为回归结果常数项；β1～βn是各驱动因子的回归系数；此处采用的标准化方法是z-score标准化也叫标准差标准化，是最常用的标准化的方法，也是本发明对CLUE-S进行优化的地方。经过标准化处理可消除驱动因子量纲和数量级的影响，同时保留各指标间变异程度上的差异，准确反映原始数据所包含的信息。
式101中，Xn,i表示某一土地利用类型i第n个驱动因子的标准化值，xn,i表示某一土地利用类型i第n个驱动因子的原始值，u为某一土地利用类型i第n个驱动因子数据的均值，σ为某一土地利用类型i第n个驱动因子数据的标准差。
22)通过式1计算求得每个土地利用类型i的适宜性分布图；
式1中Pi表示每个栅格可能出现某一土地利用类型i的概率；根据回归参数β0～βn，以及各个驱动因子的标准化值X1,i～Xn,i，计算得到每个土地利用类型i在每个栅格的Pi，即每个土地利用类型i的适宜性分布图。
3)通过预测得到建设用地需求，确定土地利用需求参数；
通过预测得到建设用地需求，具体步骤如下：
步骤3.1，收集整理规划区域至少10年的总建设用地面积，利用线性模型、指数模型、抛物线模型以及灰色预测模型GM(1,1)四种趋势外推法，建立时间序列与总建设用地面积之间的关系，得到各趋势外推法的拟合R2值；
步骤3.2，根据拟合方程的R2值从高至低进行排序，并剔除R2较小的模型。根据剔除后模型对建设用地总面积的预测值，结合二项式系数进行权重赋值，根据式2计算得到总建设用地预测面积结果L，作为总建设用地预测结果；
式2中：i为剔除R2较小的模型后剩余的模型个数；Li为剔除后第i个模型规划末年(即规划期末)规划范围的总建设用地面积预测值；Wi为第i个模型建设用地面积预测值所对应二项式系数权重；
步骤3.3，确定主要建设用地类型；
本发明实施例中，确定四个主要建设用地类型，分别为村庄建设用地、城镇生活居住用地、城镇工业仓储用地和区域交通用地，其主要影响因素分别为农村人口、城镇人口、二产增加值以及路网密度；因此，需收集整理规划范围至少10年的村庄建设用地、城镇生活居住用地、城镇工业仓储用地和区域交通用地面积以及农村人口、城镇人口、二产增加值以及路网密度。
步骤3.4，利用异速增长模型拟合主要建设用地与影响因素的关系，根据政策文件等调整模型参数(a、b)，设置规划末年(即规划期末)影响因素自变量数据，对规划末年主要建设用地面积进行预测，具体实施步骤如下：
341)计算得到历年用地类型及影响因素的增长率：
ΔXi＝(Xi-Xi-1)/Xi-1，ΔYi＝(Yi-Yi-1)/Yi-1，i>0(式3)
式3中，Y为主要建设用地类型的面积，包括村庄建设用地、城镇生活居住用地、城镇工业仓储用地和区域交通用地；X为主要建设用地类型对应的影响因素，分别为农村人口、城镇人口、二产增加值以及路网密度；i代表年份。若Xi为第i年的农村人口，则Yi为第i年的村庄建设用地面积；
342)构建建设用地与影响因素之间的异速增长模型，得到回归参数a、b：
ΔYi＝a·ΔXib(式4)
式4中，a、b为回归参数，ΔXi为第i年影响因素的增长率，ΔYi为第i年影响因素所对应建设用地类型的增长率。
343)回归参数a、b代表了观察数据期间历年建设用地增长率与影响因素增长率的关系，其不足也在于仅能判断观察数据期间的增长率之间的关系，但无法校正观察数据初期的存量土地利用(Stock)是否合理，因此用户可以根据现状国家政策和技术经济预期等，调整历年数据回归的参数a、b，以更加精准预测规划末年建设用地；
344)利用规划末年(即规划期末)的影响因素自变量数据Xm和现状数据X0，求出规划基期年(现状年份)至规划末年的影响因素年均增长率：
ΔX＝(Xm/X0)1/m-1(式5)
式5中，ΔX为规划基期年至规划末年的影响因素年均增长率；m为规划末年与现状年份的差值；X0为规划基期年即现状年份的影响因素值；
345)将ΔX代入异速增长模型，求出建设用地自规划基期年份至规划末年的年均增长率：
ΔY＝a·ΔXb(式6)
式6中，ΔX为基期年至规划末年的影响因素年均增长率；ΔY为建设用地自基期年份至规划末年的年均增长率。
346)根据现状建设用地Y0和ΔY求出规划末年的建设用地Ym：
Ym＝Y0(1+ΔY)m(式7)
式7中，ΔY为建设用地自基期年份至规划末年的年均增长率；m为规划末年与基期年的差值；Y0为基期年即现状年份的建设用地面积；
步骤3.5，比较预测结果与现状的关系，进行预测结果校核，确定规划末年(即规划期末)建设用地需求面积和非建设用地需求面积(区域总面积减去建设用地总面积)；
具体步骤为：计算预测得到的主要建设用地(村庄建设用地、城镇生活居住用地、城镇工业仓储用地、区域交通用地)及其总和与总建设用地的比例，以及对应的现状比例。其中预测比例不能大于1，若预测比例大于1，则根据现状比例以及各区域的发展目标等进行调整；具体地，首先设定总建设用地预测结果不变，扣掉一部分的其他建设用地(在实施例中扣除1％的其他建设用地)，得到剩余的建设用地量；再将剩余的建设用地量按照预测得到的各主要建设用地比例进行分配，得到调整后的备选方案。在该备选方案的基础上，用户可结合现状比例以及各区域的发展目标等进行调整，得到规划末年建设用地需求面积。
4)根据规划区情况，设置土地转换参数，包括设置转换弹性参数、转换矩阵并确定土地
利用类型不变的区域；
步骤4.1，根据各土地利用转移的难易程度，设置转换弹性参数。取值在0到1之间，数值越大，表示此类土地利用类型越难以向其他类型转移，即土地利用类型的稳定性越高。
步骤4.2，根据各土地利用类型之间能否相互转移，设置转换矩阵。转换矩阵中的取值为0或1，为0代表A地类不能转化为B地类，为1代表A地类可以转化为B地类。
步骤4.3，根据国家政策、规划区发展目标等，确定土地利用类型不变的区域，如基本农田和生态红线范围等。即限制区域的土地利用类型与基期年的土地利用类型一致；
5)利用迭代法，得到土地利用空间布局优化图，具体执行如下操作：
步骤5.1，根据限制条件，确定栅格图中“允许参与土地利用转化的栅格”；限制区域将不参与迭代。
步骤5.2，根据式8计算栅格i土地利用类型j的总概率。
式8中，TPROPij为栅格i上土地利用类型j的总概率；是通过Logistic回归方程求得的土地利用类型j在栅格i中出现的概率；ELASj是土地利用类型j的转换弹性；ITERj是土地利用类型j的迭代变量；
步骤5.3，对各土地利用类型赋相同的迭代变量值(ITERj)，按照每一栅格对不同土地利用类型分布的总概率(TPROPij)从大到小对各栅格的土地利用面积进行初次分配；
步骤5.4，比较不同土地利用类型初次分配面积和需求面积；若土地利用类型初次分配面积大于需求面积，就减小ITERj值；反之，就增大ITERj值，再进行土地利用面积的第二次分配。
重复步骤5.2～5.4，直到各土地利用变化的分配面积等于需求面积为止，结束迭代。
本发明还提供了一种利用多模型与优化后的CLUE-S模型相组合的村镇区域土地利用规划智能化集成系统；包括驱动因子选取模块、Logistic回归参数设置模块、转换参数设置模块、用地需求设置模块和布局优化模块；
驱动因子选取模块：用于进行驱动因子的选取、基础数据的处理，便于用户利用二项Logistic回归方法，建立每个空间单元(栅格)的现状土地利用类型与驱动因子之间的定量关系；
基础数据的处理包括土地利用重分类模块和文件合并模块；
Logistic回归参数设置模块，主要用于录入β0～βn(每个现状土地利用类型与驱动因子之间的二项Logistic回归参数)，以此确定各土地利用类型的适宜性分布图；
转换参数设置模块主要用于录入空间分配限制条件和保护土地利用不变的范围。其中转换弹性和转换矩阵的录入、查看与修改，是为了限制土地利用转换的数量和用地类型；通过土地利用限制范围的输入保护土地利用不变的区域；
用地需求设置模块主要完成利用趋势外推法(包括线性模型、指数模型、抛物线模型、灰色预测模型GM(1,1))对总建设用地进行拟合。根据拟合效果，人工选择合理的预测模型，结合二项式系数权重，对总建设用地进行预测；利用异速增长模型对主要建设用地进行拟合，调整拟合参数，对主要建设用地(包括村庄建设用地、城镇生活居住用地、城镇工业仓储用地和区域交通用地)进行预测。根据总建设用地预测结果，结合主要建设用地结构预测，在建设用地进行校核的基础上，设置各土地利用类型需求；
布局优化模块主要完成通过迭代法进行迭代，当各土地利用的分配面积等于需求面积时，得到土地利用空间布局优化图。
与现有技术相比，本发明的有益效果是：
本发明提供了一种利用多模型与优化后CLUE-S模型相组合的村镇区域土地利用规划智能化方法和智能化系统，在对现有空间布局方法进行优化的基础上，结合更加合理有效的土地利用数量预测模型，能够提升村镇层面土地利用规划效率，克服传统土地利用规划方式对规划人员经验的依赖、主观性较强等缺点，使得土地利用规划工作智能化、高效化，更贴近实际情况。
本发明提供的技术方案的优点包括：
一是利用二项式系数权重，综合线性模型、指数模型、抛物线模型以及灰色预测模型GM(1,1)四种趋势外推法预测结果，保证建设用地总量预测精度。
二是从建设用地的主要影响因素出发，利用异速增长模型对主要建设用地(包括村庄建设用地、城镇生活居住用地、城镇工业仓储用地、区域交通用地)进行预测，反映建设用地与影响因素不处于同一维度的关系，从根本上提高建设用地预测精度。
三是本发明还实现将建设用地总量控制与主要建设用地结构预测相结合，提升建设用地预测精度。根据不同建设用地的分异程度和主要影响因素的不同，将建设用地分为村庄建设用地、城镇生活居住用地、城镇工业仓储用地、区域交通用地以及其他建设用地，解决现状中重总量控制轻结构比例的问题。
四是本发明通过利用z-score标准化方法处理土地利用驱动因子数据，将处理后驱动因子数据用于二项Logistic回归，提高土地利用与空间驱动因子之间关系的准确性，达到优化CLUE-S模型的目的。然后将合理的建设用地预测结果与优化后的CLUE-S模型相结合，使得村镇区域土地利用规划在尊重客观土地利用空间变化趋势，以及建设用地数量变化趋势的基础上进行，模型内部参数可量化、可控，规划成果更贴近于实际。
附图说明
图1是本发明实施例提供的村镇区域土地利用规划智能化方法的流程框图。
图2是本发明实施例中确定用地需求的流程框图。
图3是本发明实施例提供的村镇区域土地利用规划智能化系统的结构框图。
具体实施方式
下面结合附图，通过实施例进一步描述本发明，但不以任何方式限制本发明的范围。
本发明提供一种村镇区域土地利用规划智能化方法，通过组合多种方法，以达到提高土地利用空间布局优化成果的目的。本发明在利用线性模型、指数模型、抛物线模型以及灰色预测模型等趋势外推法对总建设用地进行预测的基础上，结合异速增长模型对主要建设用地面积的预测结果，确定建设用地最终预测结果，并将该预测结果作为优化后CLUE-S模型中土地利用需求条件，实现建设用地合理预测之下的土地利用空间布局优化。土地利用规划的地类一般包括林地、耕地等，而土地利用变化的核心在于建设用地，因此本发明中，数量预测具体针对建设用地进行预测。
图1是村镇区域土地利用规划智能化方法的流程框图，本发明提供的土地利用空间规划智能化方法，通过趋势外推法预测建设用地总量；通过获取建设用地的主要影响因素，利用异速增长模型对主要建设用地进行预测，得到主要建设用地与影响因素不处于同一维度的关系，提高建设用地预测精度；再将建设用地总量控制与主要建设用地结构预测结合，提升建设用地数量预测精度；最后将建设用地预测结果与优化后CLUE-S模型相结合，得到土地利用空间布局优化方案；包括如下步骤：
1)收集并整理相关基础数据，包括规划范围DEM、表层土质地、土壤有机质含量、土壤酸碱度、土壤阳离子交换能力、农村经济总收入、农民人均所得、人均GDP、地均GDP、一产比重、二产比重、三产比重、乡村从业人数、乡村人口数、劳动力资源数、人口密度、单位GDP能耗、到河流的距离、到道路的距离、到居民点的距离、到李渡工业园区的距离等土地利用驱动因子数据和土地利用现状图(包括河流、居民点、道路等地类信息)。将这些数据均按照统一的范围和栅格大小进行栅格化，使得每个栅格单元的属性信息对应起来。
2)根据二项Logistic回归结果，获取每个地类的适宜性分布图，具体包括两个步骤。
步骤2.1，通过二项Logistic回归，捕捉土地利用变化规律，即建立每个空间单元(栅格)的现状土地利用类型与驱动因子之间的定量关系(如式1所示)。
式1中，i表示某一土地利用类型；Pi表示每个栅格可能出现某一土地利用类型i的概率；X1,i～Xn,i表示某一土地利用类型i第n个驱动因子的标准化值(如下式所示)；β0为回归结果常数项；β1～βn是各驱动因子的回归系数；经过标准化处理可消除驱动因子量纲和数量级的影响，同时保留各指标间变异程度上的差异，准确反映原始数据所包含的信息。
上式中，Xn,i表示某一土地利用类型i第n个驱动因子的标准化值，xn,i表示某一土地利用类型i第n个驱动因子的原始值，u为某一土地利用类型i第n个驱动因子数据的均值，σ为某一土地利用类型i第n个驱动因子数据的标准差。
步骤2.2，根据式1求得每个土地利用类型的适宜性分布图。
3)利用多种方法确定土地利用类型需求参数。土地利用需求的核心在于建设用地需求，建设用地需求通过预测得到；图2是本发明实施例中用地需求确定方法的流程框图，具体步骤如下：
步骤3.1，收集整理规划区域至少10年的总建设用地面积，利用趋势外推法，建立时间序列与总建设用地面积之间的关系，得到各趋势外推法的拟合R2值。趋势外推方法包括线性模型、指数模型、抛物线模型、灰色预测模型GM(1,1)。其中：
311)线性模型、指数模型、抛物线模型的拟合方程如下，拟合方程中L为总建设用地面积，t为序数化的时间年份。
线性模型：L＝a+b·t
指数模型：L＝a·bt
抛物线模型：L＝a+b1·t+b2·t2
312)GM(1,1)的具体实施步骤如下：
3121)针对各年份原始数据序列Xi计算累加数据序列i为年份序列；T0＝X0；
3122)根据累加数据序列计算均值数据序列Zi＝(Ti+Ti-1)/2，Z0＝T0＝X0；
3123)对原始数据序列Xi和均值数据序列Zi进行线性回归：Xi＝a+b·Zi，a、b为回归参数；
3124)根据参数a、b的值求参数u、v。其中u＝(1+0.5b)/(1-0.5b)，v＝(a-b·X0)/(1+0.5b)；
3125)根据u、v得到原始数据序列Xi与时间t的关系：Xt＝ut-2·v；
3126)该方法的回归R2值采用3123)的回归R2值。
步骤3.2，根据拟合方程的R2值从高至低进行排序，并剔除R2较小的模型。根据剔除后模型对建设用地总面积的预测值，结合二项式系数进行权重赋值，根据式2计算得到总建设用地预测结果。
式中：Li为剔除后模型规划末年规划范围的总建设用地面积预测值，Wi为建设用地面积预测值的对应二项式系数权重，Wi的确定过程如下：
321)确定剔除R2较小的模型后剩余模型(即有效模型)的个数n，选择对应n-1次展开式系数作为二项式系数权重的比例。
322)根据计算得到Wi的值。
例如，当有效模型的个数为4时，将预测结果按照由高至低顺序排列，其对应二项式系数为3次方展开式系数，即(x+y)3展开式系数，分别为1、3、3、1。则有效模型预测结果对应的二项式系数权重分别为1/8、3/8、3/8、1/8。
步骤3.3，收集整理规划范围至少10年的村庄建设用地、城镇生活居住用地、城镇工业仓储用地和区域交通用地面积以及农村人口、城镇人口、二产增加值以及路网密度。本发明根据主要因素影响的不同，确定四个主要建设用地类型，分别为村庄建设用地、城镇生活居住用地、城镇工业仓储用地和区域交通用地，其主要影响因素分别为农村人口、城镇人口、二产增加值以及路网密度。
步骤3.4，利用异速增长模型拟合主要建设用地与影响因素的关系，调整模型参数(a、b)，设置规划末年影响因素自变量数据，预测规划末年主要建设用地面积，具体实施步骤如下。
341)计算历年用地类型及影响因素的增长率ΔXi＝(Xi-Xi-1)/Xi-1，ΔYi＝(Yi-Yi-1)/Yi-1，i>0。
342)构建建设用地与影响因素之间的异速增长模型，ΔYi＝a·ΔXib，得到回归参数a，b。
注：城镇人口用地增长一般为正数，可用该模型进行求解，若遇到增长率为负值的情况，可采用人口Xi和建设用地面积Yi替代上式中的ΔXi和ΔYi直接建立人口与用地的幂律公式。理由：前者考虑的是增量间的幂律，后者考虑的是存量间的幂律)。
343)回归参数a、b代表了历年建设用地与影响因素的关系，因此用户可以根据现状国家政策等，调整参数a、b，以更加精准预测规划末年建设用地。
344)利用规划末年的影响因素自变量数据Xm和现状数据X0，求出基期年至规划末年的影响因素年均增长率：ΔX＝(Xm/X0)1/m-1，m为规划末年与现状年份的差值。
345)将ΔX代入异速增长模型求出建设用地自基期年份至规划末年的年均增长率：ΔY＝a·ΔXb。
346)根据现状建设用地Y0和ΔY求出规划末年的建设用地Ym：Ym＝Y0(1+ΔY)m。
步骤3.5，比较预测结果与现状的关系，进行预测结果校核，得到规划末年建设用地需求面积，进而确定各土地利用类型需求。具体步骤为：计算预测得到的主要建设用地(村庄建设用地、城镇生活居住用地、城镇工业仓储用地、区域交通用地)及其总和与总建设用地的比例，以及对应的现状比例。其中预测比例不能大于1，若预测比例大于1，可根据现状比例以及各区域的发展目标等进行调整。具体地，首先设定总建设用地预测结果不变，扣掉其中1％的其他建设用地，得到剩余的建设用地量；再将剩余的建设用地量按照预测得到的各主要建设用地比例进行分配，得到调整后的备选方案。在该备选方案的基础上，用户可结合现状比例以及各区域的发展目标等进行调整，得到规划末年建设用地需求面积，确定各地类需求。
4)根据规划区情况，设置土地转换参数；
步骤4.4，根据各土地利用转移的难易程度，设置转换弹性参数。取值在0到1之间，数值越大，表示此类土地利用类型越难以向其他类型转移，即土地利用类型的稳定性越高。
步骤4.5，根据各土地利用类型之间能否相互转移，设置转换矩阵。转换矩阵中的取值为0或1，若为0，则代表A地类不能转化为B地类，若为1，则代表A地类可以转化为B地类。
步骤4.6，根据国家政策、规划区发展目标等，设置限制土地利用变化的区域。
5)利用迭代法，输出土地利用空间布局优化图，具体步骤如下。
步骤5.5，根据限制条件，确定栅格图中“允许参与土地利用转化的栅格”。限制区域将不参与迭代。
步骤5.6，根据式8计算栅格i土地利用类型j的总概率。
式中，TPROPij为栅格i上土地利用类型j的总概率；是通过Logistic回归方程求得的土地利用类型j在栅格i中出现的概率；ELASj是土地利用类型j的转换弹性；ITERj是土地利用类型j的迭代变量。
步骤5.7，对各土地利用类型赋相同的迭代变量值(ITERj)，按照每一栅格对不同土地利用类型分布的总概率(TPROPij)从大到小对各栅格的土地利用面积进行初次分配。
步骤5.8，比较不同土地利用类型初次分配面积和需求面积。若土地利用类型初次分配面积大于需求面积，就减小ITERj值；反之，就增大ITERj值，再进行土地利用面积的第二次分配。
重复第5.6～5.8步，直到各土地利用类型的分配面积等于需求面积为止。
图3是本发明实施例提供的村镇区域土地利用规划智能化集成系统的结构框图。本发明实施例中，利用上述多模型与优化后CLUE-S模型相组合的土地利用空间规划方法实现土地利用空间规划智能化集成系统，包括用地重分类模块、驱动因子选取模块、文件合并模块、Logistic回归参数设置模块、转换参数设置模块、用地需求设置模块和布局优化模块，系统包括的模块和子模块如表1所示：
表1村镇区域土地利用规划智能化系统模块说明
需要注意的是，公布实施例的目的在于帮助进一步理解本发明，但是本领域的技术人员可以理解：在不脱离本发明及所附权利要求的精神和范围内，各种替换和修改都是可能的。因此，本发明不应局限于实施例所公开的内容，本发明要求保护的范围以权利要求书界定的范围为准。