經濟欠發達地區撂荒耕地空間格局與驅動因素分析

牛繼強 林 昊 牛櫻楠 樊 勇 唐文武

(1.信陽師范學院地理科學學院， 信陽 464000；2.北卡羅來納大學夏洛特分校地理與地球科學系， 夏洛特 28223)

經濟欠發達地區撂荒耕地空間格局與驅動因素分析

牛繼強1林 昊1牛櫻楠1樊 勇1唐文武2

(1.信陽師范學院地理科學學院， 信陽 464000；2.北卡羅來納大學夏洛特分校地理與地球科學系， 夏洛特 28223)

基于遙感(RS)、地理信息系統(GIS)技術、支持向量機(SVM)和景觀指數等方法，提出了撂荒耕地信息提取的技術路線和研究思路。以河南省羅山縣子路鎮為研究區，采用2013、2015年春秋兩季的4景Landsat-8 OLI遙感影像，提取該鎮撂荒耕地及其時空分布信息，進而分析地形、交通、灌溉條件和耕作半徑等幾個農業生產條件對子路鎮耕地撂荒的影響，得出利用遙感影像提取撂荒耕地的正確率達到90%以上；該區域撂荒耕地主要分為季節性撂荒和常年性撂荒，且季節性撂荒較為嚴重；地形、交通、灌溉和耕作半徑均影響耕地撂荒的時空分布，且地形因素中的坡度影響最大。研究結果不僅能夠對經濟欠發達地區撂荒耕地空間信息提取、驅動因素分析提供技術支撐，而且也可為國家糧食安全以及區域可持續發展政策的制定提供依據。

撂荒耕地； 遙感； 地理信息系統； 空間格局； 驅動因素

引言

隨著城鄉一體化和社會經濟轉型的快速推進，在農業生產效益低下與農村勞動力向外轉移等多重因素的影響下，農村撂荒耕地面積逐年增加，在我國經濟欠發達地區尤其是丘陵和山區最為明顯[1]。耕地撂荒也可定義為“拋荒”、“棄耕”，部分學者認為耕地閑置一年以上就可視為撂荒，也有學者認為，耕地荒蕪一季或一季以上的就可視為撂荒[2-3]。

遙感影像具有重獲周期短、輻射面積大、分辨率高、獲取方便等優勢，利用遙感技術能夠快速、準確地獲取研究區域大尺度的耕地空間分布、面積等信息，對于準確估計和掌握耕地動態變化具有重要的意義。利用遙感影像提取撂荒耕地的本質是識別耕地，然后通過耕地動態變化獲取撂荒耕地。目前，學者對利用遙感技術提取耕地信息進行了諸多研究，但涉及提取撂荒耕地的研究較少。基于歸一化植被指數(NDVI)時間序列，可獲取大尺度耕地信息，但提取精度較低[4-9]；基于監督分類、非監督分類、多尺度分形、面向對象等算法可提取中微尺度的耕地信息[10-18]，但這些方法都是依據數理統計學理論，在選取訓練樣本上要求數目趨于無窮大時，才能獲取良好的提取精度，而實際工作中樣本的數目往往是有限的。支持向量機(Support vector machines，SVM)作為一種新型的分類方法，在解決小樣本、非線性及高維模式識別中，具有明顯的優勢[19-24]。

本文選取河南省羅山縣子路鎮為研究區，將支持向量機算法用于撂荒耕地提取，并將撂荒耕地細分為季節性和常年性撂荒，研究其空間格局，進而利用GIS空間分析功能，研究撂荒耕地的空間格局及其驅動因素，以期為耕地撂荒問題的研究提供案例。

1 研究區概況和數據源

羅山縣子路鎮位于(31°44′～32°19′ N，114°10′～114°42′ E)河南省東南部(圖1)，東西長約10 km，南北長約20 km，總面積128.8 km2，距信陽市40 km，緊靠312國道，公路交通便利。研究區地勢西南偏高，東北偏低，丘陵、壟崗、平原相互交錯，而丘陵大部分位于南部和西南部。鎮轄24個村，全鎮總人口4.82萬人，其中農業人口4.3萬人。耕地面積3 935 hm2。農業主產傳統上是春夏種水稻，秋冬種油菜、小麥，盛產茶葉、板栗，歷來是大別山農副產品的集散地。但由于第二、三產業發展不足，屬典型的經濟欠發達地區，近年來由于種種原因，在該研究區耕地超半數每年種植一季，多數耕地常年閑置，撂荒非常嚴重。開展對該區域撂荒耕地的研究具有現實意義，可為該類型區域撂荒耕地研究奠定基礎。

圖1 研究區地理位置Fig.1 Location of study area

本研究所用數據為2013年4月26日和8月16日、2015年4月16日和8月22日4個日期羅山縣Landsat-8 OLI影像數據、SRTM-DEM數據以及子路鎮矢量數據(耕地、行政界線、水系、道路、居民點等)。

2 研究方法

2.1 撂荒耕地的界定

將撂荒耕地分為兩類：一類是耕地閑置或荒蕪兩年及兩年以上定義為常年性撂荒耕地；另一類是耕地閑置或荒蕪一季的認為是季節性撂荒耕地。

2.2 研究技術路線

耕地撂荒是社會經濟發展、思維方式轉變的產物，是我國現存并將長期存在的一種現象。本文首先對研究區原始遙感影像以及DEM進行裁剪；然后在研究區影像波段特征的基礎上選擇最佳波段組合，基于SVM進行監督分類以及分類后處理；對分類后處理的結果進行動態監測得到季節性撂荒耕地及常年性撂荒耕地，并選取部分區域利用高分辨影像和野外調查進行驗證；其次，將研究區DEM數據分別生成坡度坡向圖，結合道路、水系等矢量數據與撂荒耕地疊加分析，從農業生產條件分析耕地撂荒產生的驅動因素。本研究的技術流程如圖2所示。

圖2 技術路線圖Fig.2 Framework of analysis

2.3 撂荒耕地的時空信息提取研究

2.3.1 波段選擇

Landsat-8 OLI影像數據可以通過選擇波段組合直接提取撂荒耕地信息[12]。在波段選擇上遵循3個原則：①單個波段的標準差盡可能最大。②組合波段間的相關系數盡可能最小。③目標地物類型在所選波段組合能夠被很好區分。通過上述各波段的特點，對4個日期的Landsat-8影像分別比較2～7單波段的標準差以及波段組合間的相關系數。進行最佳指數因子的計算，如表1所示，最后選取各個日期影像的最適合的波段組合分別為357、357、356、456。

表1 影像波段的最佳指數因子Tab.1 Optimum index factor of image bands

2.3.2 支持向量機分類算法

支持向量機分類算法由VAPNIK等[25]于1995年首先提出，該算法通過尋求結構化風險最小來增強學習機泛化能力和推廣性，進而實現經驗風險和置信范圍的最小化，從而達到即使是在統計樣本量較少的情形下，亦能獲得良好統計規律的目的；它的基本模型定義為特征空間上的間隔最大的線性分類器，即支持向量機的學習策略便是間隔最大化，最終可轉換為一個凸二次規劃問題的求解。具體原理如下：

設線性可分樣本集為xi，i=1,2…,l；而類別用y表示，取值1或-1；考慮兩類樣本的線性判別函數為

f(x)=ωTx+b

(1)

式中ω——法向量b——截距

線性分類器就是要在n維的數據空間中找到一個超平面，其方程表示為

ωTx+b=0

(2)

兩種類別邊緣方程為

ωTx+b=±1

(3)

支持向量機的核心在于尋求最優分類超平面，使得類別邊緣最大化。為了使分類間隔最大，可在約束條件

yi(ωTxi+b)=i≥(i=1,2,…,n)

(4)

(5)

的最小值的問題，其實際上是一個凸優化問題。然而在實際分類中，很難保證類別之間是線性可分的。因此支持向量機的處理方法是選擇一個核函數，通過將數據映射到高維空間，來解決在原始空間中現行不可分的問題。在本研究中，徑向基核函數在撂荒耕地提取中效果最佳。徑向基核函數可以表達為

k(xixj)=exp(-γ‖xi-xj‖2) (γ>0)

(6)

2.4 撂荒耕地的空間分布格局分析

2.4.1 撂荒耕地空間格局構成

主要研究景觀圖斑的組成情況，通過對圖斑總面積(TA)、圖斑個數(NP)、平均圖斑面積(MPS)、中位數圖斑面積(MedPS)等指標進行評價。

(1)圖斑總面積

(7)

式中ai——第i個圖斑的面積

(2)平均圖斑面積：可用來對比不同景觀的聚集或破碎程度，即

(8)

2.4.2 撂荒耕地空間格局特征

主要反映撂荒耕地圖斑在空間分布上的尺度和強度情況，通過平均圖斑形狀指數(MSI)、平均圖斑分維指數(MPFD)和Shannon多樣性指數(SDI)來進行分析。

(1)平均圖斑形狀指數反映景觀要素圖斑的規則程度，即

(9)

式中Pi——圖斑i的周長

MSI≥1，當景觀中所有的圖斑均為正方形時，MSI=1；當圖斑的形狀偏離正方形時，MSI增大。

(2)平均圖斑分維指數用以度量圖斑邊界的復雜程度。其具體表達式為

(10)

(3)Shannon多樣性指數用來衡量圖斑在空間分布上的均勻程度，即

(11)

SDI是比較同一景觀不同時期多樣性變化的一個有力手段。

3 結果與分析

3.1 撂荒耕地信息提取與空間格局分析

3.1.1 撂荒耕地的信息提取

基于支持向量機的方法，采用2.3.1節中確定的波段，通過對4個不同日期遙感影像分類結果的比較來提取季節性及常年性撂荒耕地。通過混淆矩陣來計算Kappa系數、錯分誤差、總體分類精度、漏分誤差、制圖精度和用戶精度。通過計算，總體分類精度以及Kappa系數均在90%以上，錯分誤差、漏分誤差小于5%，并且用戶精度與制圖精度也都在90%以上，符合本實驗的精度要求。本研究將通過耕地和提取的撂荒耕地疊置分析，去除掉錯分的撂荒耕地，獲取了子路鎮2013年、2015年季節性撂荒耕地和常年性撂荒耕地的空間分布(圖3)。結果表明，子路鎮耕地的季節性撂荒現象和常年性撂荒現象均較為嚴重。

圖3 研究區2013—2015年撂荒耕地空間分布Fig.3 Spatial distributions of abandoned arable land from 2013 to 2015

3.1.2 撂荒耕地空間構成分析

采用2.4節中的方法對撂荒耕地的空間分布格局進行分析。子路鎮常年性撂荒耕地面積為293.04 hm2，占總耕地面積的7.45%。在季節性撂荒中2013年秋季撂荒撂荒現象最為嚴重，共有960個圖斑撂荒，達到563.63 hm2，占總耕地面積的14.33%。從NP、MPS、MedPS和圖斑面積標準差(PSSD)等指數綜合分析可見，2013年秋季撂荒范圍較廣，且有較大地塊被撂荒；2015年秋季撂荒現象較輕，其特征是撂荒面積小、地塊少，且都是零散分布。

常年性撂荒耕地地塊最多，共有1 243個圖斑。但是從NP、MPS、MedPS和PSSD等指數來看，常年性撂荒和2015年春、秋兩季類似，撂荒耕地多為分散零星的小片耕地。

3.1.3 撂荒耕地的空間格局特征分析

從MSI指數來看，子路鎮2013年春的撂荒耕地地塊最為規則，2015年秋季次之，其他季節和常年性撂荒耕地地塊規則程度一致。從MPFD指數來看，常年性撂荒和各季節性撂荒耕地邊界復雜程度大致相當，表現出撂荒耕地的地塊特征趨于一致(表2)。

從SDI指數來看，2013年春季和2015年秋季的指數較小，說明這2個時期撂荒耕地的空間分布相對較為集中；2013年秋季和2015年春季的指數較大，說明這2個時期撂荒耕地的空間分布較為均衡。常年性撂荒耕地的SDI指數為4.311，表明子路鎮常年性撂荒耕地的空間分布也較為均衡。

3.2 耕地撂荒的驅動因素分析

3.2.1 基于DEM的坡度坡向提取

地形是決定農業生產的重要條件，地形因影響光、熱、水、土的分布，從而間接影響耕地的空間分布格局[26]。根據研究區概況以及坡度坡向分級標準，將坡度柵格分為0°～2°、2°～6°、6°～15°、15°以上共4個類別(圖4a)；將坡向柵格重分類為陽坡、陰坡、半陽坡、半陰坡4個類別(圖4b)。將坡度、坡向矢量與撂荒耕地矢量做疊加運算，得到撂荒耕地在不同坡度和坡向下的面積(表3、表4)。

表2 子路鎮撂荒耕地景觀指數Tab.2 Landscape metrics of abandoned arable land

分析得出，2013年和2015年研究區撂荒耕地在不同的地形分布不同。具體表現為：2013年季節性撂荒、2015年春季撂荒以及常年性撂荒，90%以上的撂荒耕地位于0°～15°的緩坡，坡度在15°以上的撂荒耕地幾乎很少；2015年秋季撂荒主要分布在15°以上的中坡以及0°～6°的緩坡。通過實地調查分析，坡度較大的耕地大部分已經實施退耕還林工程，耕地面積較小，因此撂荒的面積較小。此外這一趨勢說明，子路鎮的撂荒耕地比較嚴重，已經出現大面積坡度較小、質量較高的耕地出現撂荒現象。

圖4 坡度、坡向與撂荒耕地矢量數據疊置分析Fig.4 Overlay analysis of slope, aspect and abandoned arable land

坡度/(°)2013年春季撂荒2013年秋季撂荒2015年春季撂荒2015年秋季撂荒常年性撂荒面積/hm2比例/%面積/hm2比例/%面積/hm2比例/%面積/hm2比例/%面積/hm2比例/%0～279.3156.26353.4062.70343.9299.2874.2159.85290.2999.062～659.1341.96200.4835.572.490.7248.4039.042.750.946～152.501.789.581.70001.231.0000≥15000.170.03000.140.1100總計140.94100563.63100346.41100123.98100293.04100

表4 子路鎮撂荒耕地坡向Tab.4 Statistics of abandoned arable land for different aspects

無論是季節性撂荒還是常年性撂荒，陽坡、陰坡、半陽坡、半陰坡撂荒耕地面積比約為1∶1∶1∶1，可見撂荒耕地的分布與坡向無關。

3.2.2 撂荒耕地的灌溉條件分析

灌溉條件在一定程度上可以決定耕地的質量，會直接影響農業生產的豐歉[27]。對研究區水系設置50、100、200 m緩沖區(圖5)，將緩沖區圖層與撂荒耕地圖層進行疊加運算，得到不同緩沖半徑下的撂荒耕地面積(表5)。結果顯示：撂荒耕地的灌溉情況總體不高，季節性撂荒和常年性撂荒中70%以上的撂荒耕地分布于缺乏灌溉設施的地方。因此灌溉條件是影響農民撂荒耕地的主要因素。

圖5 灌溉水系周圍季節性及常年性撂荒地空間分布Fig.5 Seasonal and perennial abandoned arable lands around irrigation water

灌溉距離/m2013年春季撂荒2013年秋季撂荒2015年春季撂荒2015年秋季撂荒常年性撂荒面積/hm2比例/%面積/hm2比例/%面積/hm2比例/%面積/hm2比例/%面積/hm2比例/%<509.256.5659.9610.6426.857.756.705.4082.7528.2450～1005.143.6532.775.8119.145.5318.1914.6743.1914.74100～20011.618.2472.7812.9141.3411.9311.299.1192.4531.55>200114.9481.55398.1270.64259.0874.7987.8070.8274.6525.47總計140.94100563.63100346.41100123.98100293.04100

3.2.3 撂荒耕地的交通條件分析

交通，尤其是田間道路是影響著農業生產的重要條件之一。交通條件決定耕作的難易，從而影響耕地撂荒的程度。道路周圍撂荒地分布(圖6)，對子路鎮矢量道路圖生成道路周圍50、100、200 m的緩沖區，并且將緩沖區圖層與撂荒耕地圖層進行疊加運算，得到不同交通條件下的撂荒耕地面積(表6)。季節性撂荒耕地60%以上分布于交通條件差的地方(道路兩側100 m緩沖區外)，常年性撂荒耕地大多數位于道路兩側50 m緩沖區以外100 m緩沖區以內區域。

3.2.4 撂荒耕地的耕作半徑分析

耕作半徑是指從農村居民點到農業作業區的空間距離。本文用緩沖區分析的方法來衡量耕作半徑。以研究區農村居民地范圍邊界，分別以50 m、100 m為緩沖距，開始進行緩沖區計算分析并得到不同緩沖區范圍內的撂荒耕地的面積，具體結果如圖7、表7所示。從圖7中可以發現，大部分的撂荒耕地，尤其是面積較大的地塊，位于緩沖區范圍之外(距離居民點較遠)。由表7可見，季節性撂荒耕地50%以上分布在離居民地100 m以外的區域，常年性撂荒也有將近40%位于離居民地100 m以外的區域，說明撂荒耕地與農村居民地的空間關系密切，農村居民地離耕地的距離是影響耕地撂荒的重要因素之一。

交通距離/m2013年春季撂荒2013年秋季撂荒2015年春季撂荒2015年秋季撂荒常年性撂荒面積/hm2比例/%面積/hm2比例/%面積/hm2比例/%面積/hm2比例/%面積/hm2比例/%<5028.0719.92117.3820.8358.9617.0225.1020.25126.9043.3050～10024.2217.18101.6318.0353.6015.4718.4514.8850.0417.08100～20045.0431.96177.7631.54106.0330.6131.2725.2262.3421.27>20043.6130.94166.8629.60127.8236.9049.1639.6553.7618.35總計140.94100563.63100346.41100123.98100293.04100

圖7 農村居民點與季節性及常年性撂荒地的空間關系Fig.7 Relationships between villages and seasonal and perennial abandoned arable lands

耕作半徑/m2013年春季撂荒2013年秋季撂荒2015年春季撂荒2015年秋季撂荒常年性撂荒面積/hm2比例/%面積/hm2比例/%面積/hm2比例/%面積/hm2比例/%面積/hm2比例/%<5035.5225.2099.9817.7467.2219.4022.9518.51132.8745.3450～10025.7618.28101.8518.0755.2615.9520.8416.81125.9742.99>10079.6656.52361.8064.19223.9364.6580.1964.6834.2011.67總計140.94100563.63100346.41100123.98100293.04100

4 結束語

基于遙感(RS)、地理信息系統(GIS)技術、支持向量機(SVM)和景觀指數等方法，提出了撂荒耕地信息提取的技術路線和研究思路。提取子路鎮撂荒耕地及其時空分布信息；進而以該鎮為典型研究區，對農業生產條件中的地形、灌溉條件、交通條件和耕作半徑等撂荒耕地的驅動因素進行分析。研究發現子路鎮部分季節性撂荒現象比常年性撂荒現象明顯；雖然坡度是影響農業生產的重要條件，但是子路鎮已經出現大面積坡度較小的耕地撂荒現象，且有加劇趨勢；灌溉條件、交通條件和耕作半徑是耕地撂荒的重要驅動因素，在農業生產條件不佳的區域，出現了大面積撂荒現象。該研究結論不僅能夠更好地了解子路鎮的撂荒耕地分布特點以及其驅動因素，而且也將為全國其他相似地區的撂荒耕地研究提供分析案例，為國家糧食安全以及區域可持續發展政策的制定提供依據。

1 李升發,李秀彬. 耕地撂荒研究進展與展望[J]. 地理學報, 2016, 71(3): 370-389. LI Shengfa, LI Xiubin. Progress and prospect on farmland abandonment[J]. Acta Geographica Sinica, 2016, 71(3): 370-389.(in Chinese)

2 SMALIYCHUK A, MULLER D, PRISHCHEPOV A V, et al. Recultivation of abandoned agricultural lands in Ukraine: patterns and drivers[J]. Global Environmental Change, 2016, 38: 70-81.

3 史鐵丑,李秀彬. 歐洲耕地撂荒研究及對我國的啟示[J]. 地理與地理信息科學, 2013, 29(3): 101-103. SHI Tiechou, LI Xiubin. Farmland abandonment in Europe and its enlightenment to China[J]. Geography and Geo-Information Science, 2013, 29(3): 101-103.(in Chinese)

4 何超英,廖安平,陳志剛,等. NDVI時間序列在全球耕地提取中的應用[J]. 地理信息世界, 2013, 20(2): 66-69，88. HE Chaoying, LIAO Anping, CHEN Zhigang, et al. Application of NDVI time-series in global cropland classification[J]. Geomatics World, 2013, 20(2): 66-69,88.(in Chinese)

5 呂婷婷, 劉闖. 基于MODIS數據的泰國耕地信息提取[J]. 農業工程學報, 2010, 26(2): 244-250. Lü Tingting, LIU Chuang. Extraction of information of cultivated land using time-series MODIS data in Thailand[J]. Transactions of the CSAE, 2010, 26(2): 244-250.(in Chinese)

6 高應波,柳欽火,李靜,等. 基于時序植被指數特征時相識別的多熟制耕地提取新方法[J]. 遙感技術與應用, 2015, 30(3): 431-438. GAO Yingbo, LIU Qinhuo, LI Jing, et al. A new methodology for extracting multiple cropping land based on distinguishing characteristic phases of time series vegetation index[J]. Remote Sensing Technology and Application 2015, 30(3): 431-438.(in Chinese)

7 ESTEL S, KUEMMERLE T, ALCANTARA C, et al. Mapping farmland abandonment and recultivation across Europe using MODIS NDVI time series[J]. Remote Sensing of Environment, 2015, 163: 312-325.

8 ALCANTARA C, KUEMMERLE T, PRISHCHEPOV A V, et al. Mapping abandoned agriculture with multi-temporal MODIS satellite data[J]. Remote Sensing of Environment, 2012, 124: 334-347.

9 PRISHCHEPOV A V, RADELOFF V C, DUBININ M, et al. The effect of Landsat ETM/ETM + image acquisition dates on the detection of agricultural land abandonment in eastern Europe[J]. Remote Sensing of Environment, 2012, 126:195-209.

10 龐新華,朱文泉,潘耀忠,等. 基于高分辨率遙感影像的耕地地塊提取方法研究[J]. 測繪科學, 2009, 34(1): 48-49,161. PANG Xinhua, ZHU Wenquan, PAN Yaozhong, et al. Research on cultivated land parcel extraction based on high-resolution remote sensing image[J]. Science of Surveying and Mapping, 2009, 34(1): 48-49,161.(in Chinese)

11 徐世武,楊雙,孫飛,等. 面向對象的高分辨率影像單值分類耕地提取方法研究[J]. 測繪通報, 2014(10): 78-81. XU Shiwu, YANG Shuang, SUN Fei, et al. Method research on cultivated land extraction based on object one-class classification of high-spatial-resolution images[J]. Bulletin of Surveying and Mapping, 2014(10): 78-81.(in Chinese)

12 牛魯燕,張曉艷,鄭繼業,等. 基于Landsat8 OLI數據的山東省耕地信息提取研究[J]. 中國農學通報, 2014, 30(34): 264-269. NIU Luyan, ZHANG Xiaoyan, ZHENG Jiye, et al. Extraction of cultivated land information in Shandong province based on Landsat8 OLI data[J]. Chinese Agricultural Science Bulletin, 2014, 30(34): 264-269.(in Chinese)

13 祝民強,周萬蓬,吳仁貴,等. 贛中丘陵區TM影像的耕地信息提取模型研究[J]. 遙感技術與應用, 2004, 19(3): 173-176. ZHU Minqiang, ZHOU Wanpeng, WU Rengui, et al. Study on the extraction of cultivated land information from TM images of the hill region in central Jiangxi[J]. Remote Sensing Technology and Application, 2004, 19(3): 173-176.(in Chinese)

14 程維芳,周藝,王世新,等. 基于多光譜遙感的撂荒地識別方法研究[J]. 光譜學與光譜分析, 2011, 31(6): 1615-1620. CHENG Weifang, ZHOU Yi, WANG Shixin, et al. Study on the method of recognizing abandoned farmlands based on multispectral remote sensing[J]. Spectroscopy and Spectral Analysis 2011, 31(6): 1615-1620.(in Chinese)

15 董士偉,李憲海,李紅,等. 基于多尺度分形特征的ETM+影像耕地提取[J]. 農業工程學報, 2011, 27(2): 213-218,393. DONG Shiwei, LI Xianhai, LI Hong, et al. Extraction of cultivated land using ETM+ image based on multiscale fractal signature[J]. Transactions of the CSAE, 2011, 27(2): 213-218,393.(in Chinese)

16 BUTT A, SHABBIR R, AHMAD S S, et al. Land use change mapping and analysis using remote sensing and GIS: a case study of simly watershed, Islamabad, Pakistan[J]. The Egyptian Journal of Remote Sensing and Space Science, 2015, 18(2): 251-259.17 LARSSON S, NILSSON C. A remote sensing methodology to assess the costs of preparing abandoned farmland for energy crop cultivation in northern Sweden[J]. Biomass and Bioenergy, 2005, 28(1): 1-6.

18 STEFANSKI J, CHASKOVSKYY O, WASKE B. Mapping and monitoring of land use changes in post-Soviet western Ukraine using remote sensing data[J]. Applied Geography, 2014, 55: 155-164.

19 張豪,羅亦泳,張立亭,等. 基于遺傳算法最小二乘支持向量機的耕地變化預測[J]. 農業工程學報, 2009, 25(7): 226-231. ZHANG Hao, LUO Yiyong, ZHANG Liting, et al. Cultivated land change forecast based on genetic algorithm and least squares support vector machines[J]. Transactions of the CSAE, 2009, 25(7): 226-231.(in Chinese)

20 林卉,戴濟平,李魏,等. 基于模糊支持向量機分類的土地利用時空演變研究[J]. 測繪通報, 2012(5): 17-19,28. LIN Hui, DAI Jiping, LI Wei, et al. Temporal and spatial change of land use based on fuzzy support vector machine[J]. Bulletin of Surveying and Mapping, 2012(5): 17-19,28.(in Chinese)

21 田源, 塔西甫拉提·特依拜,丁建麗,等. 基于支持向量機的土地覆被遙感分類[J]. 資源科學, 2008, 30(8): 1268-1274. TIAN Yuan, T T, DING Jianli, et al. Land cover classification using remote sensing image based on support vector machines[J]. Resources Science, 2008, 30(8): 1268-1274.(in Chinese)

22 韓文霆,郭聰聰,張立元,等.基于無人機遙感的灌區土地利用與覆被分類方法[J/OL]. 農業機械學報, 2016, 47(11): 270-277. http:∥www.j-csam.org/jcsam/ch/reader/create_pdf.aspx?file_no=20161137&flag=1&journal_id=jcsam. DOI: 10.6041/j.issn.1000-1298.2016.11.037. HAN Wenting, GUO Congcong, ZHANG Liyuan, et al. Classification method of land cover and irrigated farm land use based on UAV remote sensing in irrigation[J/OL].Transactions of the Chinese Society for Agricultural Machinery,2016,47(11):270-277.(in Chinese)

23 臧淑英,張策,張麗娟,等. 遺傳算法優化的支持向量機濕地遙感分類——以洪河國家級自然保護區為例[J]. 地理科學, 2012, 32(4): 434-441. ZANG Shuying, ZHANG Ce, ZHANG Lijuan, et al. Wetland remote sensing classification using support vector machine optimized with genetic algorithm: a case study in Honghe nature national reserve[J]. Scientia Geographica Sinica, 2012, 32(4): 434-441.(in Chinese)

24 PAL M. Support vector machines for classification in remote sensing[J]. International Journal of Remote Sensing, 2005, 26(5): 1007-1011.

25 VAPNIK V. The nature of statistical learning theory[M]. Berlin, Heidelberg, Germany: Springer Science & Business Media, 2013.

26 楊斌,王金生. 基于GIS的丘陵區耕地景觀格局時空演變特征分析[J]. 測繪工程, 2014, 23(9): 1-4,8. YANG Bin, WANG Jinsheng. The spatial-temporal evolution of landscape pattern for farmland in the hilly area based on GIS[J]. Engineering of Surveying and Mapping, 2014, 23(9): 1-4,8.(in Chinese)

27 楊永俠,王旭,孟丹,等.基于空間自相關的耕地等別指數檢驗方法研究[J/OL].農業機械學報, 2016, 47(5): 328-335. http:∥www.j-csam.org/jcsam/ch/reader/create_pdf.aspx?file_no=20160545&flag=1&journal_id=jcsam. DOI: 10.6041 /j.issn.1000-1298.2016.05.045. YANG Yongxia, WANG Xu, MENG Dan, et al. Test method of cultivated land grading index based on spatial autocorrelation[J/OL].Transactions of the Chinese Society for Agricultural Machinery,2016,47(5):328-335.(in Chinese)

Analysis of Spatial Pattern and Driving Factors for Abandoned Arable Lands in Underdevelopment Region

NIU Jiqiang1LIN Hao1NIU Yingnan1FAN Yong1TANG Wenwu2

(1.SchoolofGeographicSciences,XinyangNormalUniversity,Xinyang464000,China2.DepartmentofGeographyandEarthScience,UniversityofNorthCarolinaatCharlotte,Charlotte28223,USA)

With rapid urbanization and industrialization, rural work forces have migrated to cities, leading to remarkable reduction in rural poulation. So large amounts of arable lands have been abandoned in China in recent years. Abandoned arable lands in under development region of China have seriously affected the redline of arable land and national food security, which has become a major practical problem facing urban-rural integration. Multispectral remote sensing has the advantage of wide range and high speed in terms of data acquisition. It has great potential in the study of lands use. A new research approach and technical roadmap were proposed for abandoned land information extraction based on remote sensing, geographic information system, support vector machines and landscape ecological index. The study area, Zilu town, Henan province, China, is a typical underdevelopment region. Four scenes Landsat-8 OLI data from 2013 to 2015 were used to extract abandoned arable land, and its spatial-temporal distribution was analyzed based on landscape metrics. Furthermore, analysis of driving factors was conducted, such as terrain, traffic, irrigation conditions and farming radius in terms of the impact of abandoned arable lands in the study area. The results showed that the accuracy of extracting abandoned arable lands using RS was above 90%. The area of abandoned arable lands was divided into seasonal and perennial abandoned, and the former was more severe. The factors of terrain, traffic, irrigation conditions and farming radius affected the spatial-temporal distribution of abandoned arable lands, and the slope of the terrain had the greatest impact. The results can provide technical support for spatial information extraction of abandoned arable land in underdevelopment region, and can be applied to establishment of regional sustainable development policy.

abandoned arable lands; remote sensing; geographic information system; spatial pattern; driving factor

10.6041/j.issn.1000-1298.2017.02.019

2016-08-22

2016-10-07

國家自然科學基金項目(41201387、41671405)和河南省高等學校重點科研項目(17A170010)

牛繼強(1977—)，男，副教授，主要從事空間數據挖掘與土地信息系統研究，E-mail： njq8196@163.com

S17；P962

A

1000-1298(2017)02-0141-09