研究背景
在社会经济快速转型与城镇化深度发展的背景下，传统土地利用规划方法面临前所未有的挑战。静态评估体系和经验主导的决策模式已难以应对城市发展的复杂性和动态性。
GDLUS模型核心创新
GBDT多源数据挖掘
采用梯度提升决策树算法，整合多期土地利用数据与地形、气候、社会经济等多维驱动因子，构建涵盖自然和社会要素的多源数据集
动态改进模块
包含参数提取、目标分解和加权随机采样三个子模块，实现宏观数量需求与微观空间布局的动态反馈机制
多尺度空间评估
采用3×3至9×9卷积核量化邻域效应，结合发展概率进行空间配置评估，实现精准的空间优先级量化
长时序规律捕捉
突破PLUS模型的两期数据限制，整合2000-2020年长时序数据，全面提取土地利用变化的特征和模式
技术架构流程
多源数据集构建
整合土地利用、地形、气候、人口、区位条件和城镇发展等多源异构数据，创新性引入夜间灯光数据、普通中学在校学生数、医疗卫生机构床位数等新型驱动指标
GBDT规则挖掘
为每类土地独立训练GBDT模型，通过负梯度近似残差实现损失函数最速下降优化，捕捉土地利用类型与驱动因子的特异性关系
动态改进模块运行
参数提取模块构建转移概率矩阵→目标分解模块进行时空维度分解→加权随机采样模块动态调整采样权重，形成完整闭环
多情景模拟应用
基于共享社会经济路径（SSPs）框架，模拟SSP1（可持续发展）、SSP2（自然发展）、SSP5（化石燃料主导）三种情景下的2050年土地利用格局