基于格網化表達的縣域基本農田集中連片特征提取

荊耀棟，畢如田，周淑琴，史 廣

（山西農業大學資源環境學院，山西 太谷　030801）

基于格網化表達的縣域基本農田集中連片特征提取

荊耀棟，畢如田，周淑琴，史 廣

（山西農業大學資源環境學院，山西 太谷030801）

研究目的：為快速準確獲取基本農田空間分布特征及其集中連片信息，提出在空間數據格網化表達基礎上的模糊紋理指數提取方法。研究方法：借助SuperMap Objects二次開發平臺，設計基本農田單要素屬性信息無損格網化程序，針對100 m×100 m、200 m×200 m、400 m×400 m、800 m×800 m 4種格網尺度下的表達結果，綜合分析不同尺度格網化表達的空間自相關性。在借鑒空間濾波算法的基礎上，分析基本農田要素空間密度分布特征，結合農用地分等定級成果設計模糊紋理指數算法，并且選取山西省澤州縣進行實例驗證。研究結果：基本農田格網化表達結果可形成連續的空間密度表面，豐富了基本農田空間數據的表達方式，利于空間分析；經模糊紋理指數方法所提取的集中連片指數可用于定量化表達與分析，結合空間密度特征能快速提取基本農田集中連片區。研究結論：該方法可用于提取基本農田的空間分布特征，為基本農田保護、布局優化提供方法借鑒。

土地信息；基本農田；格網化；模糊紋理指數；集中連片

1　引言

基本農田是按照一定時期人口及社會經濟發展對農產品的需求，依據土地利用總體規劃確定的不得占用的耕地［1］。它是保障國家糧食安全的基礎，經過多年實踐形成了一套完整的基本農田保護制度，如保護面積、空間布局、劃定與調整等。在基本農田管理實踐中，由于缺乏基本農田空間分布特征定量化描述，常存在重數量、偏主觀、缺乏空間定位、規劃與布局隨意、保優不保劣、保近不保遠、忽略“優質集中”保護方針中的“集中”管理模式的問題［2］。為解決以上問題，中國學者引入基本農田“連片性”概念，用于表達相同質量或等級區間地塊的連接程度。集中連片同等級耕地有利于提高基礎設施的規模效益、大型機械使用、農業科技推廣、控制面源污染、農業產業化，以及提高農用地價值等［2］。已有文獻從基本農田規劃與布局［3-4］、高標準基本農田劃定［5］、農用地分等定級［6-9］、基本農田集中連片性［10］等方面進行研究，完善了中國基本農田保護研究的理論體系。基本農田連片性計算方法主要有：空間相通性、模糊紋理定量法、基本農田保護指數法三種［2］。

國內外有關連片性研究大多集中在景觀生態學領域的景觀連接度上，特別是生物資源管理和生物多樣性保護，包括土地利用［11］、種群結構［12］、林地保護［13-14］、物種保護［15-17］、棲息地保護［18］等方面。景觀連接度包括結構連接度和功能連接度，與廊道無直接關系，但與生態過程、研究目的及廊道組成、寬度和質量有關，只要物質、能量、物種可達限定的距離或斑塊與相鄰景觀元素在功能上相似則具有景觀連接度［19］。基本農田集中連片則側重考慮其社會經濟因素如數量、質量等，綜合研究結構上的空間相連程度、相鄰程度及一定鄰域內的集聚程度［2］。目前，基本農田集中連片劃定工作主要應用空間連通性方法，而模糊紋理指數法的實現、應用以及基本農田空間分布密度特征研究的文獻鮮有報道。

現今空間數據呈現數量龐大、多源異構、結構復雜等特征。為實現空間數據的整合與分享、空間數據融合與分析，國內外學者提出了格網化表達方法。格網或網格（GRID）研究主要涉及網格地圖和網格計算，其中網格地圖以網格為單元，描述或表達其中的屬性分類、統計分級以及變化參數和模擬現實。國內外學者主要從人口［20-21］、經濟、資源環境［22-24］三方面對格網化進行研究。資源環境研究中引入格網方法，增加了空間數據表現形式，增強了空間數據處理與分析［22］。目前格網化方法主要有：面積最大值法（Rule of Maximum Area，RMA）和屬性信息無損失柵格化法（Rasterization Method without Attribute Information Loss，RMAIL）［25］。基本農田要素空間數據的格網化表達與描述，對于基本農田多尺度布局與管理具有一定的實踐意義。近年來高分辨率影像在基本農田監測研究中主要關注解譯與信息提取，所獲取的空間數據仍需進一步分析其空間特征和分布模式。本研究在基本農田數據單要素屬性無損格網化表達基礎上，研究提取其空間分布特征規律及集中連片區特征的方法，以期為基本農田保護與規劃提供有效手段。

2　研究區與數據

2.1研究區

晉城市澤州縣位于山西省東南端邊界處，與河南省接壤，位于太行山最南麓，東、西、南三面環山，北中部為丘陵地貌，東南部為高山地貌。全縣總面積2023 km2，其中山地60.8%、丘陵30.9%、平川8.3%。屬暖溫帶半濕潤大陸性季風氣候，年均氣溫10—11℃左右，無霜期188 d，年降雨量533.3 mm。現轄3鄉、13鎮，2012年末全縣總人口42.27萬人，生產總值217.7億元。澤州縣是農業縣，耕地64648.01 hm2，占總面積的29.82%，其中基本農田55830.91 hm2。縣域內礦產資源豐富，煤炭開采、工業建設壓占和損毀優質耕地和基本農田，影響農業生產、危害生態環境，區域糧食安全面臨嚴峻挑戰。

2.2數據來源

本文基礎數據為澤州縣土地利用規劃空間數據庫（2006—2020年）、1∶1萬土地利用調查數據庫（2009年）、農用地分等定級成果（2005年）。基本農田數據由縣級土地利用規劃數據庫（1∶10000）中提取，耕地矢量數據從澤州縣農用地分等定級成果中提取。數字高程采用STR DEM，精度30 m。經空間數據格式轉換、校正并統一投影轉化為西安80坐標系，高斯—克呂格3度分帶，中央經度114度。

3　研究方法

3.1基本農田屬性無損格網化表達

本文格網化表達對象為基本農田，作為單一要素選取面積屬性信息無損柵格化法為格網化表達方法。格網化基本思路：先借助SuperMap Objects二次開發平臺，以縣級行政界線外接矩形為范圍生成不同尺度的格網數據集，同時對格網單元標識碼編號，然后與基本農田矢量數據進行空間疊加，按格網單元標識碼分類匯總格網單元內基本農田面積，將其作為格網單元屬性值，保證各級格網單元中耕地面積的總和為縣轄區內基本農田總面積。通過分析格網單元純度空間分布規律，揭示基本農田無損格網化表達尺度效應。

3.2空間自相關分析

對基本農田進行無損格網化表達后，改變了基本農田要素在空間上的分布與配置。為分析基本農田格網單元的空間分布模式，利用空間自相關進行空間統計分析。空間自相關可顯示某種地表現象間是否存在某種特殊空間形態，可識別地理數據間的空間依賴、空間關聯或空間自相關，通過空間位置建立數據間聚類關系［27-28］。本文利用Moran' I檢測基本農田格網單元空間自相關性：

式1中，I表示空間屬性值的分布特征（集聚模式、離散模式、隨機分布模式），取值范圍為［-1，1］，-1代表完全負相關，1為完全正相關，0為不相關；i≠j；N為區域單元總數；Xi和Xj為空間位置i和j上的觀測值；Wij為空間權重矩陣。

3.3基本農田鄰域空間密度特征提取

由于耕地質量及其利用具有空間關聯性，空間距離越小的田塊其質量與利用的關聯程度也越高。因此，在土地利用中的耕地保護、規劃、整理需考慮現有地塊的特征及與周邊地塊的相互關系［28］。為打破行政界線約束，設計N×N滑動模板，將基本農田鄰域空間密度特征用滑動模板鄰域內基本農田面積與鄰域面積的比值進行表示，對格網化表達結果逐格網單元進行交疊式統計，取值范圍為［0，1］。該方法在空間上即為鄰域中心格網單元的計算結果，代表其鄰域范圍內的耕地聚集度分布特征，可用于構建基本農田空間地理要素趨勢面。

鄰域空間密度特征在一定程度上避免了傳統的以孤立格網單元或行政轄區來統計基本農田空間密度特征，但不能很好地解決田塊之間的連片度，為此引入局部模糊紋理定量方法來解決集中連片定量描述。

3.4局部模糊紋理定量方法

將無損格網化后的基本農田數據與農用地分等定級數據進行疊加，通過面積最大似然法確定基本農田的耕地質量等級，然后利用周尚意等提出的模糊紋理指數（WL）方法［2］進行連片度提取。WL = Aj/ A，其中：WL為紋理指數，Aj代表鄰域內j等級耕地的面積，A代表鄰域內耕地的總面積。該方法以格網單元為中心、一定半徑范圍內的小鄰域紋理狀況對耕地連片度進行定量化描述。

局部模糊紋理指數在現有GIS軟件平臺中尚無法直接提取，借鑒SOBEL邊緣檢測、中值濾波、高通濾波等算法［29-31］基礎上，設計比例系數均為1的N×N滑動模板。N的大小根據模糊紋理半徑與格網單元格大小確定，即N = 2×R / G + 1。其中N為滑動模板大小，R為模糊紋理半徑，G為格網單元格邊長，1代表滑動模板的中心格網單元。本研究借助GIS二次開發平臺編寫C++程序，逐格網單元做卷積運算。具體過程：首先計算鄰域中心格網單元對應等級耕地面積，再計算鄰域內耕地總面積，二者之比即為局部模糊紋理指數，取值范圍為［0，1］。模糊紋理狀況由鄰域半徑刻畫，不同大小的模糊紋理半徑計算所得的模糊紋理指數也不盡相同，實際應用可根據研究區具體情況確定。該指數含義明確，指數值趨于0表示對應鄰域中心等級耕地面積為0，趨于1則表示鄰域內耕地等級全部與鄰域中心相同。局部模糊紋理指數充分考慮了耕地質量等級與周邊耕地等級的空間結構，所表現的連片形式為各級耕地的局部連片性。

4　結果與分析

4.1無損格網化分析

為分析基本農田空間數據格網表達的尺度特征，對澤州縣基本農田數據進行4個空間尺度的格網化表達：100 m×100 m、200 m×200 m、400 m×400 m、800 m×800 m。將格網單元按基本農田純度劃分為5個范圍段（0—0.2、0.2—0.4、0.4—0.6、0.6—0.8、0.8—1.0），并制作不同尺度下的格網化基本農田專題圖。

隨格網尺度從100—800 m逐級增大，高純度單元數減少，低純度單元數增加，各尺度格網單元分布見表1。將各尺度格網純度單元數作歸一化處理，轉化為百分比，可得出格網化尺度逐級增大，網格單元純度分布也隨之發生變化。整體上表現為尺度提高，高純度單元減少，低純度格網單元相應增加。純度為0—0.1、0.1—0.2、0.2—0.3、0.3—0.4的格網單元，隨格網尺度增大而增大；純度為0.4—0.5、0.5—0.6、0.6—0.7、0.7—0.8的格網單元變化不顯著，較為穩定；純度為0.8—0.9、0.9—1.0的格網單元的變化極顯著，按照格網化尺度每增大一級，相應格網單元減少約為1/4的規律變化。

表1　不同尺度格網單元純度分布表Tab.1 The purity distribution of different scale grid cell

純度為0—0.8的格網單元隨格網尺度的提高相應面積呈增長趨勢，純度為0.8—1.0則反之。因此，單要素格網化也表現出“此消”和“彼長”現象，但這種現象集中體現在格網單元的純度指標特征上，已有文獻中關于多要素格網化時表現在不同地類之間［25］；基本農田破碎度大的地方，隨尺度的逐級提高，格網單元純度指標急速下降；基本農田分布相對集中區域，格網單元純度級別間轉換較為緩慢。

4.2格網化基本農田空間自相關性分析

針對原始基本農田數據進行全局自相關性分析，Moran'I指數為0.07，數值趨近于0，原始基本農田空間上表現為隨機分布。對各尺度格網數據全局自相關性分析，100 m、200 m、400 m、800 m格網的Moran'I指數分別為0.43、0.47、0.55、0.41，置信度均為0.99。不同尺度格網Moran'I指數雖有一定隨機性，但格網化后的數據對基本農田表達整體呈現為全局自相關。因此，對基本農田進行格網化后使其空間分布形成連續的密度表面，利于準確描述基本農田的空間分布特征，豐富了針對基本農田數據空間數據的表達與分析方式。

4.3基本農田鄰域空間密度特征分析

基本農田單要素格網化表達后，格網單元隨尺度增大而純度急速下降，可得出研究區的基本農田格網化表達對其空間結構改變較大，因此選取澤州縣格網尺度較小的100 m×100 m基本農田格網數據進行計算，并參考文獻2以模糊紋理半徑為1 km進行基本農田空間密度特征提取，將計算所得基本農田空間密度指數按照0—0.1、0.1—0.2、0.2—0.3、0.3—0.4、0.4—0.5、0.5—0.6、0.6—0.7、0.7—0.8、0.8—0.9、0.9—1.0共10個級別劃分并進行專題地圖制作（圖1，封二）。圖1顯示澤州縣基本農田空間密度的梯度特征顯著，西北高、東南低，由高到低逐級變化，對于澤州縣內基本農田空間結構表達較好，可定量化描述基本農田空間分布密集度。基本農田空間密度10個級別所占比例分別為1.80%、5.52%、9.06%、13.60%、15.84%、16.84%、15.66%、13.30%、7.38%、1.01%，在0.3—0.4、0.4—0.5、0.5—0.6、06—0.7、0.7—0.85個級別上分布最為集中，占全縣基本農田的75.24%。

表2　研究區基本農田空間密度特征分布表 單位：hm2Tab.2 The table of prime farmland spatial density distribution about study area unit： hm2

從圖1可得出澤州縣內各鄉鎮基本農田空間密度特征差異明顯，空間上形成了李寨鄉、周村鎮、大東溝鎮、下村鎮、大陽鎮和北義城鎮、高都鎮、金村鎮兩個密集分布區域。全縣及各鄉鎮不同空間密度特征分布面積顯示（表2），不同空間密度的基本農田呈正態分布，縣域尺度上在密度特征指數為0.6左右達到峰值，鄉鎮尺度上在0.65左右達到峰值。高都鎮密度特征指數為0.6—0.7、0.7—0.8的基本農田占全縣面積的2.41%和2.83%，為分布顯著集中鄉鎮；柳樹口鎮、大箕鎮、晉廟鋪鎮、山河鎮、犁川鎮、南嶺鄉、南村鎮的基本農田空間密度較低。

4.4基本農田集中連片度分析

4.4.1集中連片度計算 利用局部模糊紋理指數法對研究區100 m×100 m的基本農田格網化數據進行計算，模糊半徑為1 km。計算所得模糊紋理指數按照0—0.1、0.1—0.2、0.2—0.3、0.3—0.4、0.4—0.5、0.5—0.6、0.6—0.7、0.7—0.8、0.8—0.9、0.9—1.0這10個級別分段，制作澤州縣基本農田集中連片度（局部）專題圖（圖2，封二）。第10級局部模糊紋理指數集中連片性較強，具有清晰的集聚區邊界，在基本農田空間分布較多的區域更為顯著，如下村鎮、大東溝鎮、巴公鎮、北義城鎮、高都鎮等。

4.4.2鄉級基本農田集中連片度 澤州縣基本農田局部集中連片度按高、中、低劃分，比例分別為52.02%、30.85%、17.13%。周村鎮、大陽鎮、南村鎮、李寨鄉、南嶺鄉集中連片較強，高、中集聚基本農田達80%；巴公鎮、大箕鎮、柳樹口鎮、犁川鎮、大東溝鎮、下村鎮、金村鎮、城區集中連片稍弱，高、中集聚基本農田比例約為75%；山河鎮、高都鎮、北義城鎮、晉廟鋪鎮、川底鄉的集中連片最差，高、中集聚基本農田比例約為64%。

4.4.3不同耕地等級基本農田的集中連片度 研究區各等級基本農田集中連片面積按紋理指數大小呈正態分布。一等耕地基本農田模糊紋理指數主要集中在0.3—0.4、0.4—0.5、0.5—0.6、0.6—0.7四個分段，其中0.5—0.6分段最多，占14.96%；二等耕地基本農田主要集中在0.4—0.5、0.5—0.6、0.6—0.7、0.8—0.9四個分段，其中0.5—0.6分段最多，占13.46%；三等耕地基本農田主要集中在0.5—0.6、0.7—0.8、0.8—0.9、0.9—1.0四個分段，其中0.9—1.0分段最多，占16.09%；四等耕地基本農田主要集中在0.6—0.7、0.7—0.8、0.8—0.9、0.9—1.0四個分段，0.9—1.0分段最多，占20.30%；五等耕地基本農田全部集中在0.9—1.0分段；六等耕地基本農田主要集中在0.6—0.7、0.7—0.8、0.8—0.9、0.9—1.0四個分段，0.8—0.9分段最多，占18.28%；七等耕地基本農田主要集中在0.7—0.8、0.8—0.9、0.9—1.0三個分段，0.9—1.0分段最多，占31.13%。

整體上來看，隨耕地等級的升高，模糊紋理指數遞增，其中基本農田為一、二等耕地的集中連片度最低，三、四等次之，五、六、七等最高。

4.4.4基本農田集中連片度地形分布特征 利用DEM對獲取的基本農田集中連片度數據采用雙線性插值進行空間賦值，并按基本農田集中連片度高、中、低進行分類匯總。澤州縣內高集中連片基本農田分布區域平均海拔850 m，主要在727—1027 m之間，屬于研究區的低山、丘陵區；中度集中連片基本農田平均海拔832 m，主要在700—980 m之間，屬于研究區的丘陵區；低集中連片基本農田分布區域平均海拔793 m，集中分布在683—1007 m之間，屬于研究區的丘陵、低丘區。

4.5基本農田集中連片區劃定

綜合分析基本農田空間分布密集度與局部連片性特征，以80%的基本農田劃入集中連片區為約束，經反復試驗最終確定澤州縣基本農田集中連片區提取條件為：局部模糊紋理指數不低于0.6、空間密度分布不低于20%。對計算結果進行空間疊加后再次提取，經面狀數據融合、小斑剔除、圖斑編號，結果見圖3。

圖3　澤州縣基本農田集中連片區分布圖Fig.3 The map about concentrated area of prime farmland

澤州縣各鄉鎮基本農田集中連片區面積見表3。全縣集中連片區148塊，總面積675.34 km2，平均面積4.65 km2。金村鎮、巴公鎮、高都鎮、大東溝鎮、下村鎮、周村鎮、城區面積較大，約占全縣基本農田集中連片區的53.36%；柳樹口鎮、山河鎮、大陽鎮、北義城鎮、南村鎮、大箕鎮分布相對較少，約占30.87%；南嶺鄉、晉廟鋪鎮、犁川鎮、川底鄉、李寨鄉分布最少，約占15.77%。

表3　澤州縣基本農田集中連片區分布表Tab.3 The table of concentrated area about prime farmland

5　結論與討論

本文在農用地分等定級和空間數據格網化表達基礎上，分析設計了基本農田局部模糊紋理指數算法，并以山西省澤州縣為例進行應用研究，對基本農田無損格網化表達的空間自相關性、鄰域空間密度特征與局部集中連片性進行分析，得出以下結論：（1）無損格網化用以表達基本農田單一要素時，形成的空間要素連續密度表面利于分析其空間分布特征。其中單一要素格網化“此消”、“彼長”的尺度效應表現在格網單元純度指標上。經無損網格化表達的基本農田在空間上形成了連續的密度表面，可反映基本農田在一定地理空間內的分布狀態，利于空間特征提取與描述。（2）鄰域空間密度特征可較好地描述基本農田在空間上的集聚程度，但不能很好地表達田塊間的連片性。所提取模糊紋理指數代表一定半徑范圍內的基本農田連片度，充分考慮了與周邊基本農田的空間分布結構，糊紋理指數與鄰域空間密度特征相結合能定量化表達基本農田空間集中連片特征，可快速提取縣域基本農田集中連片區。（3）作為實例驗證研究的澤州縣，空間上集中連片的基本農田面積占全縣52.02%，主要分布在周村鎮、大陽鎮、南村鎮、李寨鄉、南嶺鄉。同時縣域內自然等級較高、集中連片性較差的基本農田1347.34 hm2，自然等級較低、集中連片較高的基本農田5573.48 hm2是基本農田整治潛力區域。當前農村用地結構正向“劣質、細碎、分散”和“優質、集中、連片”兩個方面發展演化，通過耕地整治規劃有望轉化為優質集中連片耕地。

本文成果對基本農田空間特征信息的提取及集中連片管理提供了借鑒和思路。同時，不同模糊紋理半徑大小與格網化尺度對基本農田空間密度特征和連片度提取結果的影響需進一步研究。

（

）：

［1］鄖文聚，張蕾娜，程鋒.基本農田保護20年［J］ . 中國土地，2009，（11）：51 - 53.

［2］周尚意，朱阿興，邱維理，等.基于GIS 的農用地連片性分析及其在基本農田保護規劃中的應用［J］ . 農業工程學報，2008， 24（7）：72 - 77.

［3］奉婷，張鳳榮，李燦，等.基于耕地質量綜合評價的縣域基本農田空間布局［J］ . 農業工程學報，2014，30（1）：200 - 210.

［4］唐秀美，潘瑜春，劉玉，等.基于四象限法的縣域高標準基本農田建設布局與模式［J］ . 農業工程學報，2014，30（13）：238 - 246.

［5］薛劍，韓娟，張鳳榮，等.高標準基本農田建設評價模型的構建及建設時序的確定［J］ . 農業工程學報，2014，30（5）：193 - 203.

［6］王洪波，程鋒，張中帆，等.中國耕地等別分異特性及其對耕地保護的影響［J］ . 農業工程學報，2011，7（11）：1 - 8.

［7］張英，潘瑜春，曾志炫，等.基于農用地分等定級的耕地入選基本農田評價比較分析［J］ . 中國土地科學，2013，26（3）：29 - 33.

［8］張景路，李釗，張永福，等.基于農用地分等成果的基本農田劃定方法研究［J］ . 國土與自然資源研究，2014，（1）：25 - 26.

［9］張雷娜，劉曉燕.農用地分等定級成果在基本農田保護中的應用研究［J］ . 地域研究與開發，2007，26（4）：87 - 88.

［10］郭姿含，楊永俠.基于GIS的耕地連片性分析方法與系統實現［J］ . 地理與地理信息科學，2010，26（3）：59 - 62.

［11］劉世梁，楊玨婕，安晨，等.基于景觀連接度的土地整理生態效應評價［J］ .生態學雜志，2012，（3）：689 - 695.

［12］Hamilton G.S，Mather P.B，Wilson J.C. Habitat heterogeneity influences connectivity in a spatially structured pest population［J］ . Journal of Applied Ecology，2006，43（2）：219 - 226.

［13］Garc ía-Feced C，Saura S，Elena-Rossell ó S R. Improving landscape connectivity in forest districts： a two-stage process for prioritizing agricultural patches for reforestation ［J］ . Forest Ecology and Management， 2011， 261（1）：154 - 161.

［14］陳杰，梁國付，丁圣彥.基于景觀連接度的森林景觀恢復研究——以鞏義市為例［J］ .生態學報，2012，32（12）：3773 - 3781.

［15］Awade M，Metzger J P. Using gap-crossing capacity to evaluate functional connectivity of two Atlantic rainforest birds and their response to fragmentation ［J］ . Austral Ecology，2008，33（7）：863 - 871.

［16］楊天翔，張韋倩，樊正球，等.基于鳥類邊緣種行為的景觀連接度研究——空間句法的反規劃應用［J］ . 生態學報，2013，33（16）：5035 - 5046.

［17］歐維新，袁薇錦.基于景觀連接度的鹽城濱海濕地丹頂鶴生境斑塊重要性評價［J］ . 資源科學，2015，37（4）：823 - 830.

［18］Saura S，Pascual-Hortal L I A. A new habitat availability index to integrate connectivity in landscape conservation planning：Comparison with existing indices and application to a case study［J］ .Landscape and Urban Planning， 2007， 83（2）：91 - 103.

［19］陳利頂，傅伯杰.景觀連接度的生態學意義及其應用［J］ . 生態學雜志，1996，（4）：37 - 42.

［20］符海月，李滿春，趙軍，等.人口數據格網化模型研究進展綜述［J］ . 人文地理，2006，（3）：115 - 119.

［21］葉靖，楊小喚，江東.鄉鎮級人口統計數據空間化的格網尺度效應分析——以義烏市為例［J］ .地球信息科學，2010，12（1）：40 - 47.

［22］賈艷紅.基于格網GIS的生態安全評價研究［D］ . 蘭州：西北師范大學，2005.

［23］祖鵬蕾，翟亮，張繼賢，等.威海市格網化自然生態環境評價［J］ . 測繪科學，2013，38（4）：49 - 51.

［24］謝正輝，劉謙，袁飛，等.基于全國50km×50km網格的大尺度陸面水文模型框架［J］ . 水利學報，2004，（5）：78 - 81.

［25］白燕，廖順寶.矢量數據屬性信息無損柵格化的實現方法——以全國1：25萬土地覆被數據為例［J］ . 地球信息科學學報，2010，12（3）：385 - 391.

［26］梁艷平，鐘耳順，朱建軍.城市人口分布的空間相關性分析［J］ .工程勘察，2003，（4）：48 - 50.

［27］王培震，石培基，魏偉，等.基于空間自相關特征的人口密度格網尺度效應與空間化研究——以石羊河流域為例［J］ . 地球科學進展，2012，27（12）：1363 - 1372.

［28］喬榮鋒，高進云，畢芳英.空間相關性對耕地保護決策的影響研究——以天津市寧河縣大北澗沽鎮為例［J］ . 華中農業大學學報（社會科學版），2013，（1）：59 - 64.

［29］吳國偉，謝金法，郭志強.基于Sobel算子的車輛輪廓邊緣檢測算法［J］ . 河南科技大學學報（自然科學版），2009，30（6）：38 - 41.

［30］張旭明，徐濱士，董世運.用于圖像處理的自適應中值濾波［J］ . 計算機輔助設計與圖形學學報，2005，17（2）：295 - 299.

［31］周姍姍，柴金廣.圖像預處理的濾波算法研究［J］ . 科學技術與工程，2009，9（13）：3830 - 3832.

（本文責編：陳美景）

Extraction of Concentrated Prime Farmland based on Grid within the Scale of County

JING Yao-dong， BI Ru-tian， ZHOU Shu-qin， SHI Guang
（College of Resource and Environment， ShanXi Agricultural University， Taigu 030801， China）

The aim of this paper is to propose a spatial grid-based fuzzy texture index extraction method applied to obtain the spatial distribution characteristics， retrieval concentrated contiguous information of prime farmland quickly and accurately. The lossless grid computing program for attribute information of prime farmland was developed on the SuperMap Objects platform. Four different spatial grid of 100×100 m， 200×200 m， 400×400 m， 800×800 m were designed and their spatial autocorrelation were analyzed. Based on spatial filtering algorithm， spatial density distribution characteristics of the prime farmland of Zezhou county in Shanxi province were analyzed， and a fuzzy texture index algorithm was also developed based on the classification， gradation and valuation of agricultural land of Zezhou county. Results show that： 1）Grid-based prime farmland can form continuous spatial density surface. This method enriches the spatial data presentation of the prime farmland and is beneficial to analyze the spatial data； 2）the concentrated contiguous index based on fuzzy texture index extraction method can be employed as a quantitative expression of spatial data. Concentrated regions of prime farmlandcan be extracted quickly using fuzzy texture index extraction method combined with the spatial density distribution characteristics. This paper has established a novel method for spatial distribution information extraction of prime farmland，which supports a theoretical reference for further protection， layout optimization of the prime farmland.

land information； prime farmland； grid transformation； fuzzy texture index； centralize and connectivity

F301.2，S282

A

1001-8158（2015）10-0057-08

10.11994/zgtdkx.2015.10.008

2015-04-17

2015-07-12

國土資源部公益性行業項目“北方村莊壓煤山丘區土地綜合整治技術研究”（201411007）。

荊耀棟（1980-），男，山西陽泉人，博士研究生。主要研究方向為土地信息技術。E-mail： jydyyzsq@163.com

畢如田（1963-），男，山西陽泉人，博士生導師。主要研究方向為3S技術及應用、資源環境信息技術。E-mail： brt@sxau.edu.cn