企业官网建设流程全解析

1. “范围”这个词先得拆开：农牧交错带到底是一条线还是一片带

“农牧交错带范围”这六个字，看着像一道地理简答题，真做起来更像一个数据工程的活儿。我在几个生态监测和土地利用评价的项目里反复碰过这个问题，每次被问到“你们这个范围是怎么画出来的”，背后其实藏着至少三层意思：它是气候意义上的半湿润与半干旱过渡区，是植被意义上的森林草原向典型草原过渡区，也是土地利用意义上的耕地与草地插花分布的带状区域。这三层意思重叠但不重合，所以“范围”从来不是一个唯一解，而是一组带误差带的解。

这份东西适合谁看？如果你正在做区域生态本底调查、草地承载力评估、旱作农业布局、土地退化监测，或者只是要给一份区划图找个能自圆其说的技术路线，那这套流程基本能直接拿来改改就用。它不需要你有多深的生态学功底，但要求你对栅格数据处理、投影、阈值分割这些基本功心里有数——农牧交错带范围的界定，说到底是把“过渡”这个模糊的定性描述，翻译成一串可以被栅格计算器执行的数字。

1.1 从气候界线到过渡带的认识转变

早期最省事的做法，就是拿一条年降水量等值线当边界。理由很直白：降水少到一定程度，旱作农业的投入产出比就撑不住了，耕地自然退场，草地接手。这条思路在教科书里流传很广，操作上也极其简单——插值出一张降水栅格，画一条等值线，转成面，完事。问题在于，它把一条有几十公里甚至上百公里宽度的过渡带，压成了一条零宽度的线。你拿着这条线去统计面积，得到的永远是“线这边是什么、线那边是什么”，而真实世界里，线两侧十几公里范围内的地块是耕地和草地混着长的，一个村子东头种地、西头放牧的情况非常普遍。

我在第一次做这类区划时也踩过这个坑：直接用一条等值线切出来，结果和实地走访的印象差得很远。原因是降水只是限制因子之一，温度、地形、土壤质地、灌溉条件任何一个变量都可能把局部格局打乱。后来改成“带”的思路才顺过来——不是找一条线，而是找一片“耕地占比和草地占比同时都不低”的区域，用多个指标共同约束，得到的边界自然就有了宽度感。

注意：只要你的成果要用于面积统计或者项目布设，“线”的表述一定要改成“带”，并且在技术说明里写清楚过渡带的宽度定义方式，否则后面所有数字都会被质疑。

1.2 三条主流界定路径各自的适用场景

第一条是气候指标路径，核心变量是年降水量、≥10℃积温、干燥度。优点是物理意义清楚、数据易得、跨区域可比性强；缺点是对地形和人为活动的响应迟钝，山区容易出偏差。这条路径适合做宏观尺度、跨行政区的顶层范围。

第二条是土地覆被路径，用耕地率、草地率、耕地与草地的插花程度来判定。优点是直接对应“农牧”二字，落图效果好，和土地利用现状能对上；缺点是对数据年份极其敏感，某一年退耕或者开荒，范围就跟着跳。适合做中尺度、需要和土地利用规划衔接的场景。

第三条是景观与统计路径，用斑块密度、破碎度、农牧业产值结构、牲畜存栏与耕地面积的比例这类指标。优点是贴近“交错”的本质；缺点是统计数据口径不统一、行政单元尺度粗，落到栅格上要靠面插值，精度打折扣。适合做辅助校验，不建议单独成图。

我在实际项目里的常规组合是：气候路径定骨架，土地覆被路径修细节，景观统计路径做验证。三者不是并列关系，而是主次关系，这一点在技术方案里要写明白，否则评审时容易被问“三个结果不一样听谁的”。

1.3 为什么同一份名字能出好几版范围

不同版本的农牧交错带范围差异，八成不是谁算错了，而是三件事没说清楚：指标选了几个、阈值取在哪、统计单元是栅格还是县。指标从两个加到五个，范围可能缩水一圈，因为多指标叠加相当于取交集，约束越强面积越小；阈值从宽松放到严格，面积可能差出几十万平方公里；统计单元从县改成公里格网，边界立刻从折线变成犬牙。

所以我现在写技术说明，第一段一定是“口径声明”：本范围基于哪几类指标、阈值取多少、最小上图单元多大、过渡带宽度如何定义。有了这段话，别人拿到图才不会第一反应是“怎么和我见过的不一样”。

2. 数据源选型：哪些数据能进模型，哪些只能做校验

数据这块的教训最贵。我见过不止一次，模型本身没问题，但底下的降水和土地利用两套数据投影不一致、重采样方式用错，最后面积偏差百分之十几，回头查了三天才发现是双线性插值把分类数据插成了小数。所以这一节我想把选型和预处理拆开讲，因为这两件事实际是一件事的两面。

2.1 气象数据：站点、格点与插值的取舍

站点观测的优点是准确，缺点是稀疏，尤其在过渡带这种地形复杂、站点分布不均的区域，直接插值很容易在山区插出假的干湿梯度。格点再分析产品的优点是连续无缝，缺点是存在系统偏差，特别是降水在复杂地形下容易低估。我的一般做法是两条腿走路：用格点产品做主插值，用站点观测做偏差校正，或者至少做一次交叉验证，看看两者在过渡带核心区的差值有多大。

插值方法上，降水用薄板样条或者带高程协变量的协同克里金，比反距离权重靠谱得多，因为降水和高程的相关性在过渡带非常显著。温度用普通克里金加高程回归就够了。这里有个容易忽略的点：插值出来的栅格一定要保留分辨率信息，如果最终要在 1km 格网上做叠加，那插值就直接按 1km 做，不要先插到 100m 再重采样上去，那是白白放大噪声。

多年平均的处理同样关键。气候标准期至少要用 30 年，我一般取最近三个整十年。用单年数据做范围，遇到干旱年或者丰水年，边界会整体平移，做出来的图明年就作废了。如果项目要求反映动态变化，那就老老实实做至少三个时段的序列，每个时段都用时段平均，而不是拿某一年的数据代表整个时段。

2.2 土地利用与植被数据的分辨率陷阱

土地利用数据的坑主要在两个地方。一是分类体系的口径，不同产品的“草地”包含的范围不一样，有的把疏林地、灌草丛也算进去，有的不算，直接拿两个产品对比，草地的面积能差出两成。二是混合像元，30m 分辨率在农牧交错带上其实不太够用，因为过渡带的地块本来就细碎，一个像元里可能一半耕地一半草地，分类器只能硬判成一种。这直接导致耕地率和草地率这两个指标在过渡带核心区被系统性压低。

我的应对办法是：主分析用 30m 产品没问题，但在计算耕地率、草地率这类比例指标时，不要用单像元的值，而是用移动窗口统计，比如 1km 或者 3km 窗口内的占比。窗口一大，混合像元的影响就被平均掉了，得到的是“区域尺度上的农牧比例”，这恰恰符合过渡带的定义逻辑。窗口大小不是随便定的，我用 1km 起步，因为再小就回到单像元的噪声问题；也不宜超过 5km，否则会把本该有宽度感的边界抹平。

植被数据这一块，生长季 NDVI 均值或者植被覆盖度是好用的辅助变量，但要注意时间窗口。取 6 到 9 月的均值比较稳妥，取全年均值会被冬季积雪和休耕干扰。另外，覆盖度反演模型一定要在同一批数据上标定，跨区域直接套参数，误差会很大。

2.3 地形与土壤数据的辅助作用

地形在过渡带不是主角，但常常是那个“决定边界往哪儿拐”的角色。同样的降水和积温条件下，阳坡和阴坡、平坦地和陡坡的耕地占比能差一倍。所以我在打分模型里通常会给高程和坡度各留一个小权重，主要作用是压制那些气候指标看起来“像”，但地形根本不支持耕作的地方，比如陡坡区被误判进来。

土壤数据主要是质地和厚度，用来辅助判断旱作农业的适宜性。沙质土保水差，降水稍多一点也撑不起稳定耕作；土层薄的山地丘陵同理。这部分数据精度普遍偏粗，我只用它做一个粗筛，不作为主判据。

2.4 投影与栅格对齐：九成的面积误差在这里

这一条我要单独拎出来说，因为它是最容易被忽略、后果又最严重的一步。所有参与叠加的栅格，必须统一到等面积投影再做面积相关的计算。地理坐标系下的经纬度格网，一个格子在不同纬度上代表的实际面积能差出一倍多，拿它去统计面积，误差是系统性的，而且改都改不回来。

具体做法是：统一用等面积圆锥投影，中央经线按研究区居中定，双标准纬线取研究区南北边界的纬度。所有栅格重采样到这个投影下，像元大小统一到米制（比如 1000m × 1000m）。分类数据重采样用最近邻或者众数，绝对不能用双线性或者三次卷积——那会造出一堆 0.37 这种没有意义的类别值。

# 把分类栅格重采样到等面积投影下，用众数聚合 gdalwarp -t_srs EPSG:XXXX \ -tr 1000 1000 \ -r mode \ -srcnodata 0 -dstnodata 0 \ landuse_30m.tif landuse_1km_albers.tif

还有一个细节：NoData 的对齐。两套数据的有效范围如果不一样，叠加后边缘会出现一圈莫名其妙的空值带，二值化的时候被当成“不符合条件”，于是边界上平白多出一条直的切边。解决方法是先做一次掩膜求交，把研究区裁剪成同一范围，再开始叠加。

3. 指标体系和阈值：把“过渡”翻译成可计算的数字

到这一步，思路已经很清楚了：我要找的是“气候上处于半湿润向半干旱过渡、土地覆被上耕地和草地都不占绝对优势”的那片区域。剩下的工作就是把这两句话变成可执行的条件。这里我想把每个指标的取值逻辑和背后的取舍讲透，因为阈值定错，后面所有工序都白做。

3.1 气候指标：降水、积温与干燥度

年降水量是最常用的单一指标，过渡带大致落在 250 到 500 毫米这个区间，核心区常以 400 毫米为参照。但我建议把它当成一个区间条件而不是一条界线：降水在 350 到 450 毫米之间的区域给满分，往两侧递减，低于 250 或者高于 500 直接判零。这样处理出来的结果天然带宽度。

≥10℃ 年积温反映的是热量条件，旱作农业一般需要 2000 到 3500℃。取值逻辑同上，做成梯形隶属函数。

干燥度是我最看重的一个指标，因为它把降水和蒸散放在一起考虑了，比单看降水稳得多。工程上常用的是谢良尼诺夫式：

K = 0.16 × ΣT(≥10℃) / P(同期降水)

其中 ΣT 是 ≥10℃ 期间的积温，P 是同一时段的降水量。系数 0.16 是把积温折算成潜在蒸散的經驗系数。判读标准大致是：K < 1.0 湿润，1.0 到 1.5 半湿润，1.5 到 2.0 半干旱，大于 2.0 干旱。农牧交错带的核心落在 K 约 1.2 到 2.0 之间。

举个实算的例子。某站点 ≥10℃ 积温 2800℃，同期降水 380 毫米，K = 0.16 × 2800 ÷ 380 = 448 ÷ 380 ≈ 1.18，属于半湿润偏干，处在过渡带的湿润一侧。另一个站点积温 3000℃，同期降水 250 毫米，K = 480 ÷ 250 = 1.92，已经是半干旱，处在过渡带的干旱一侧。第三个站点积温 2600℃，降水 300 毫米，K = 416 ÷ 300 ≈ 1.39，正好卡在中间。三个站点的空间分布一出来，过渡带的走向基本就有轮廓了。

我用干燥度而不是单用降水，还有一个现实原因：它能自动消化不同海拔带来的温度差异。山区降水多但温度低，蒸散也低，单看降水会把它误判成湿润区；干燥度会把这一偏差纠正过来。

3.2 土地覆被指标：耕地率、草地率与耕地草地比

耕地率和草地率用移动窗口统计得到，窗口取 1 到 3 公里。常用的判据是：耕地占比在 15% 到 50% 之间、草地占比在 30% 到 60% 之间，两者合计超过 60%。这个区间的逻辑是——耕地太少说明已经是纯牧区，草地太少说明已经是纯农区，两头都不算“交错”。

除了各自的占比，我还喜欢加一个耕地草地比，就是窗口内耕地面积除以草地面积，取值落在 1:3 到 3:1 之间算典型交错。这个指标的好处是它对整体密度不敏感，只关心两者的相对关系，可以补上占比法的漏判。比如一个窗口里耕地 25%、草地 25%，其余是林地和建设用地，占比法可能因为合计不足 60% 判掉，但耕地草地比正好是 1:1，典型的插花格局，应该保留。

景观破碎度也可以纳入，用斑块密度或者边缘密度来刻画。破碎度高说明农牧地块交织得细，符合交错带的特征。但这个指标对数据分辨率极其敏感，换个数据源值就变了，所以我一般只在小范围内做精修时用，不做全域主判据。

3.3 植被指标与地形约束

生长季 NDVI 均值落在 0.2 到 0.5 之间，或者植被覆盖度在 30% 到 60% 之间，可以作为辅助条件。太低的说明是荒漠或者重度退化，太高的说明是森林。这个指标的主要作用是在气候指标模棱两可的地方提供一个额外的判别信号。

地形约束我一般设得比较宽：高程 1000 到 2500 米给中等权重，坡度大于 25 度的区域直接降权。这样做的目的不是精确筛选，而是排除明显不合理的“飞地”，比如一小片陡坡林子被气候指标判进了过渡带。

3.4 阈值怎么定：经验值、分位数还是寻优

阈值的来源有三种。一是文献经验值，好处是可比性强，写报告时好交代；坏处是不同区域的适用性有差异，尤其研究区跨了几个气候带的时候，一套阈值通吃会失真。

二是分位数法，把指标的全域分布算出来，取某个分位区间。比如取干燥度的 30% 到 70% 分位作为过渡带区间。这个方法的好处是自适应，换了研究区不用重新调参；坏处是它保证了“总有一部分区域被选中”，即使这个区域实际上并不存在过渡带特征——如果研究区整体都在湿润区，分位数法也会硬切出一块来，这就离谱了。

三是寻优法，拿已知的交错带样本点（野外调查点、统计上的半农半牧县）做训练，找一组阈值让分类精度最高。这个方法最靠谱，但依赖样本质量，样本少的时候容易过拟合。

我的做法是先用经验值定一个初版，用分位数法做敏感性检查，再用样本点做局部微调。三步走下来，阈值基本就稳了。

3.5 多指标怎么合成：等权、加权与模糊隶属度

合成方式直接影响结果的宽严。等权叠加最简单，但把干燥度和坡度同等看待显然不合理。层次分析法给权重看着严谨，但主观性其实不小，而且权重一改结果就变，可重复性差。

我个人更推荐模糊隶属度合成。每个指标不判“是与否”，而是给一个 0 到 1 之间的隶属度，比如干燥度 1.4 给 1.0，1.1 给 0.7，1.8 给 0.6，然后用加权平均或者取最小值合成。取最小值相当于“一票否决”，只要有一个指标严重不符合就排除，适合边界要收紧的场景；加权平均更平滑，适合要保留过渡宽度的场景。

这张表不是标准答案，是我在几个项目里反复调出来的一个起点。真正落地时权重一定要按研究区的实际情况调，尤其是跨纬度跨度大的区域，气候指标的权重应该更高一些。

4. 从栅格到边界：一次完整的实操流程

前面都是准备，这一节是我实际跑一遍的完整流程，包括几个容易出问题的参数设置。整个流程在任意支持栅格运算的 GIS 平台或者脚本环境里都能复现，我这里用命令行和伪代码表达，思路是通用的。

4.1 栅格化与重采样

第一步把所有指标栅格统一到同一个等面积投影、同一个像元大小、同一个范围。像元我一般取 1000 米，原因是气候插值栅格通常在 1km 量级，土地利用虽然是 30m，但通过窗口统计后本质上也是 1km 尺度的信息，强行降到 100m 只是增加计算量，精度并不会真的提高。

重采样规则要分类处理：连续变量（降水、积温、NDVI）用双线性，分类变量（土地利用）用众数，比例变量（耕地率、草地率）用双线性但要保证值域在 0 到 1 之间，重采样后可能出现 -0.02 这种越界值，需要截断。

import numpy as np def clamp(arr, lo=0.0, hi=1.0): return np.clip(arr, lo, hi) # 比例栅格重采样后截断，避免越界值污染后续打分 cropland_ratio = clamp(cropland_ratio_resampled) grassland_ratio = clamp(grassland_ratio_resampled)

4.2 打分叠加与得分分布观察

每个指标按隶属函数转成 0 到 1 的分数，再按权重加权求和，得到一张 0 到 1 的综合得分栅格。这一步做完，先不要急着二值化，一定要把得分分布画出来看一眼。我习惯算一下分位数：如果得分中位数在 0.5 以上，说明大部分区域都“像”过渡带，那指标可能设得太松；如果 90% 分位都不到 0.4，说明太严。

正常的分布应该是一个偏态分布，主体集中在 0.3 到 0.6，右侧有一个明显的拖尾，那个拖尾就是过渡带。如果分布是双峰的，说明研究区里存在两类完全不同的区域被混在一起算了，这时候要考虑分区建模。

4.3 阈值分割与二值化

按得分分布定阈值，我一般取 0.55 到 0.6 之间，具体看拖尾的位置。这里有个经验：宁可稍微宽一点，也不要卡得太死。因为过渡带的核心特征就是边界模糊，卡太死会切出一堆碎片，后期滤波处理起来很麻烦。宽出来的部分，后面用碎斑去除和形态学算子能修掉。

二值化之后立刻做一次面积统计，和文献里同区域的范围面积做个粗略比对。差一个数量级肯定有问题，差个 20% 到 30% 属于正常的方法差异，可以在技术说明里解释。

4.4 碎斑处理：众数滤波与形态学算子

二值图出来必然是满天星。处理顺序我固定为三步：先众数滤波，再开闭运算，最后去小斑。

众数滤波用 3×3 或者 5×5 窗口，把孤立的单像元噪声吃掉。窗口不要超过 7×7，否则边界会被啃得太圆，失去真实的锯齿形状。开运算先腐蚀后膨胀，专门去掉小面积的正向孤岛；闭运算先膨胀后腐蚀，填补内部的小孔洞。两个算子各做一次，结构元素用 3×3 的方形。

去小斑是按连通域面积筛，把面积小于某个下限的斑块合并到相邻的大斑块里。这个下限我通常取 5 到 10 平方公里，具体看制图比例尺。如果是 1:100 万的小比例尺图，最小上图面积可以放大到 25 平方公里。

from scipy import ndimage # 众数滤波用中值近似替代，3x3 窗口 smoothed = ndimage.median_filter(binary_mask, size=3) # 连通域标记，统计每个斑块面积（像元数 × 1km²） labeled, n = ndimage.label(smoothed) sizes = ndimage.sum(smoothed, labeled, range(1, n + 1)) min_pixels = 5 # 对应 5 平方公里 keep = np.isin(labeled, np.where(sizes >= min_pixels)[0] + 1)

这一步做完，图面会干净很多。但要提醒一句：去小斑不能过头，有些小斑其实是真实的过渡带飞地，特别是在山地丘陵区，一条河谷可能就是一条狭长的农牧交错带。所以我的习惯是把小于下限的斑块先列出来，人工看一眼分布，实在不合理的再删。

4.5 矢量化、平滑与过渡带外扩

栅格转矢量之后，边界是一堆直角折线，直接出图很难看。用平滑算法处理一下，容差设 300 到 500 米，既能把直角磨圆，又不会让边界偏离原始位置太多。平滑之后要检查一下面积变化，一般控制在 2% 以内是可以接受的。

我强烈建议最终成果不要只交一条硬边界，而是交一个核心区加一个过渡带。做法是把硬边界分别向内、向外缓冲 10 到 20 公里，形成内缘线和外缘线，中间那圈就是过渡带。这样表达才符合“交错”的本质，也方便下游使用方按需取用：做严格统计用核心区，做生态修复布设用过渡带。

4.6 按行政单元汇总与面积统计

很多下游用途是按行政单元要数据的，所以要再做一步分区统计。这里有个细节值得说：一个行政单元被边界切过，它的“属于过渡带的面积占比”怎么算，直接影响后续的政策衔接。我的做法是给出三个数：单元内过渡带面积、单元总面积、占比。占比超过 50% 的列为典型单元，20% 到 50% 的列为部分涉及，低于 20% 的只做备注。这样划分比简单的“是/否”二元判断实用得多。

面积统计还有个小陷阱：矢量面转栅格再统计，和直接对矢量面算几何面积，结果会差一点，因为像元化过程有取整。我的原则是以矢量几何面积为准，栅格统计只用来做交叉校验。

5. 常见问题与排查实录

这一节全是踩过的坑，按问题现象来组织，方便你对号入座。

5.1 碎斑满地、边界犬牙交错

最常见的现象是二值图出来像撒了一把芝麻。原因通常有三个：一是阈值卡在得分分布的陡峭段，稍微一点噪声就跨过阈值；二是某个指标的原始数据本身噪声大，比如站点稀疏区的插值降水；三是分辨率不匹配，30m 的土地利用和 1km 的气候栅格直接叠加，前者的小尺度变异被放大。

排查顺序我一般是：先看得分分布，如果在阈值附近有大量样本堆积，就把阈值往拖尾方向挪一点；再看单个指标的栅格，找出噪声最大的那个，对它先做一次低通滤波再参与打分；最后检查分辨率是否统一。

5.2 换了年份范围就“跳”

这个问题的根源是把动态的东西当静态处理了。年际降水波动本来就大，丰水年边界往干旱侧推，枯水年往湿润侧收，摆幅几十公里很正常。如果项目只需要一个代表范围，就必须用多年平均，并且明确说明代表的是哪个气候标准期。

如果项目本身要反映变化趋势，那就老老实实做多期，但要注意各期必须用同一套指标、同一套阈值、同一套处理方法，只有输入数据变。我见过有人在对比两期时，顺手把阈值也调了，结果得出一堆没法解释的结论。

5.3 面积统计对不上

先查投影。地理坐标系下算面积，是最经典的错误，而且在低纬度误差还不明显，一到中高纬度就离谱。再查重采样方式，分类数据用双线性插值会插出一堆中间值，统计时被算进或漏掉。最后查 NoData 掩膜，两套数据有效范围不一致时，叠加结果的边缘会凭空少一圈。

5.4 和既有资料差得离谱

先别急着改自己的模型。第一步确认对方的口径：是指标不同，还是阈值不同，还是统计单元不同。很多差异其实来自统计单元——按县统计和按栅格统计，边界附近的县一进一出，总面积能差出一大截。第二步做空间对比，把两版范围叠在一起，看差异集中在哪些区域。如果差异集中在山区，大概率是地形处理不同；如果集中在绿洲或者灌溉区，大概率是土地利用数据把灌溉耕地算进去了，而这部分在气候上根本不属于过渡带。

5.5 问题速查表

提示：这张表建议直接放进项目的过程文档里，后面交接或者答疑的时候能省很多口舌。

6. 结果校验与落地用法

范围画出来了，事情只做了一半。没有校验的范围，本质上只是一张好看的图。

6.1 三类校验：内部一致性、外部对比、独立样本

内部一致性看的是逻辑自洽：核心区的各项指标是不是都落在设定区间内，过渡带的指标是不是处在边缘值附近。做法很简单，在核心区和过渡带内各随机撒一批点，回读每个点的指标值，看分布是否符合预期。如果核心区里有一批点的干燥度只有 0.9，那说明合成环节出了问题。

外部对比是拿已有的区划成果做空间叠合，算交并比。交并比能到 0.6 以上，基本说明方法站得住；低于 0.4 就要认真找原因，但也不必强求一致，方法不同结果本来就会不一样。

独立样本验证是最有说服力的。样本可以来自野外调查点、基层的农牧业统计、或者高分辨率影像的人工判读。我一般会挑 100 到 200 个点，其中一半在范围内、一半在范围外，算一下总体精度和 Kappa 系数。总体精度 80% 以上、Kappa 0.6 以上，我认为是可以交付的水平。

6.2 敏感性分析：给范围加一个不确定度

这一步很多人省略，但对成果的可信度影响很大。做法是把每个阈值上下浮动 10%，重新跑一遍，看总面积变化多少。如果某个阈值动 10% 面积就变 30%，说明这个阈值是敏感因子，必须在报告里明确写出来；如果所有阈值动 10% 面积变化都在 10% 以内，那这个范围算是稳健的。

我通常会给最终成果配一个不确定度区间，比如“核心范围 XX 万平方公里，上下浮动约 8%”。这句话看着不起眼，但在后续做承载力测算、投资估算的时候，能把很多争议提前化解掉。

6.3 这套范围能拿去干什么

用途上我见过几类。一是生态修复项目的空间布设，过渡带是土地退化最敏感的区域，优先在这里布局治理措施，投入产出比高。二是草地承载力与畜牧业布局，范围的边界决定了哪些区域该以草定畜、哪些可以农牧结合。三是旱作农业的适宜性评价，过渡带的降水条件决定了种植结构应该偏耐旱作物。四是土地退化与沙化监测，把范围作为监测的基线，逐年比对变化。五是生态补偿测算，按范围内的面积和类型分配资金。

每一类用途对范围精度的要求不一样。做监测基线，边界精度要求最高，碎斑必须处理干净；做宏观测算，核心区加过渡带的双圈表达就够用。所以在交付前，最好先问清楚下游要拿它干什么，再决定出哪一版。

6.4 交付物怎么组织

我现在的标准交付包是五件套：一张核心区加过渡带的范围图，一份指标与阈值的完整参数表，一份精度评价报告，一套可复现的处理脚本，还有一份口径声明。前三件是给评审看的，后两件是给下一个接手的人看的。

脚本这部分特别值得强调。同一套流程，不同人跑出来的结果不一样，八成是某一步的参数被手改了没记录。把所有参数写进配置文件，把随机种子固定，把中间结果全部落盘，这样别人复跑才能得到一样的结果。我自己吃过亏——半年前做的一版范围，后来要更新，发现当时的平滑容差是多少已经想不起来了，只能从头再跑一遍。

最后分享一个小习惯：每次出图，我都会在范围的四至方向上各挑三个点，把它们的气候指标和土地利用构成记录下来，做成一张“边界特征表”。这张表平时没什么用，但一旦有人质疑“凭什么这里算过渡带”，翻出来一看就清楚了。比事后重新跑数据省事得多。