工業化區域撂荒耕地空間格局演變及影響因素分析

張天柱，張鳳榮，黃敬文，李 超，張佰林

工業化區域撂荒耕地空間格局演變及影響因素分析

張天柱1,2，張鳳榮1,2※，黃敬文1,2，李 超1,2，張佰林3

（1. 中國農業大學土地科學與技術學院，北京 100193；2. 自然資源部農用地質量與監控重點實驗室，北京 100193；3. 天津工業大學經濟與管理學院，天津 300387）

該文以箱包產業發展迅速的河北省高碑店市為研究區，基于1999－2001年、2007－2009年、2015－2017年間18期Landsat TM/OLI數據，采用CART決策樹分類方法提取出研究區的撂荒耕地范圍并分析其空間格局變化及影響因素。研究表明：1）對CART決策樹分類結果進行精度驗證，18期影像的分類精度介于87.5%～96.4%之間，可以滿足本研究的精度要求。2）高碑店市耕地撂荒類型以季節性（春季）撂荒為主，并且季節性撂荒和常年撂荒的耕地面積均呈現出逐漸減少的趨勢。3）耕地撂荒的主要形式由大規模集中式撂荒向小規模分散式撂荒轉變。4）農村工業發展是導致耕地撂荒的主要驅動因素，距離產業中心越近的地區其耕地撂荒率越高；交通條件及耕作半徑也在一定程度上影響耕地撂荒，但其影響程度逐年減弱；作物收益水平差距導致耕地撂荒呈現出季節性差異，而耕地流轉能有效抑制當地耕地撂荒現象。該研究結果能為全國其他類似地區的撂荒耕地研究提供參考，并對制定保障國家糧食安全以及促進區域可持續發展的相關政策提供依據。

農村；遙感；分類；CART決策樹；耕地撂荒

0 引 言

城鎮化的快速發展以及農村人口的不斷減少往往會造成農村勞動力數量不斷下降，進而導致耕地撂荒現象的發生。與其他國家相比，中國耕地總體質量較差，人均耕地數量少，農村耕地撂荒問題必然會對中國的糧食安全造成重大威脅。

由于耕地撂荒涉及到耕地保護、糧食安全等國家戰略性問題，所以備受學者關注，目前國內外相關研究主要集中在耕地撂荒的概念、驅動力、撂荒耕地信息獲取方法等方面。關于撂荒耕地的概念，目前學術界尚無統一定論，部分學者認為耕地閑置一年以上可以定義為撂荒，還有部分學者認為耕地荒蕪一季或一季以上的就可視為撂荒[1-2]。不同學者對耕地撂荒的定義略有不同，但是通過分析總結已有研究成果，我們可以將耕地撂荒的概念概括為：受到自然地理、社會經濟、政策制度等多方面的因素影響，耕地在一定時期內處于閑置或未充分利用狀態。耕地撂荒是多重因素共同作用的結果，其中最主要的原因為經濟效益的變化。城鎮化和工業化發展被視為耕地撂荒的最根本驅動力。因此，發達國家是耕地撂荒最嚴重的地區，其中美國、日本、歐洲等二三產業發達的地區更容易發生劣質耕地撂荒的現象[3-6]。而在中國耕地撂荒的驅動因素則更為復雜，一般認為，工業化的快速發展以及特有的土地承包管理制度被認為是促進中國耕地撂荒最重要原因[7]。關于撂荒耕地信息的獲取，當前國內的研究大部分采用農戶調查方法獲取耕地撂荒信息[8-10]，利用遙感影像獲取撂荒信息的相對較少。

明確撂荒耕地空間分布并分析其驅動因素對于提高農村地區耕地資源利用效率、保障國家糧食安全具有至關重要的作用。而目前中國的農業、國土等主管部門，均未開展關于撂荒耕地的統計調查。近年來，隨著遙感技術的迅速發展，農作物種植及生長的提取和監測逐漸成為農業遙感重要的研究內容之一[11-12]。遙感技術是目前獲取撂荒耕地最直接有效的手段，其基本思路主要是采用連續時相的遙感數據提取地物信息。目前已有的研究主要采用了改進多元紋理信息模型[13]、神經網絡[14]、最大似然分類[15]、支持向量機[16]等多種技術手段。

國內外學者對耕地撂荒的研究主要集中于地形條件復雜、耕作條件較差的山區、丘陵地帶，如西班牙東北部[17]、法國中南部[18]、中國重慶[19-20]、江西[21]等地區。然而，工業化、城市化的快速發展也會迫使平原地區的耕地出現短期的撂荒現象，平原地區作為中國主要的糧食生產區域，其耕地撂荒問題同樣值得關注，但目前有關平原地區耕地撂荒的研究較少，其中肖國峰等應用CART決策樹分類算法對山東省慶云縣和無棣縣的撂荒耕地進行提取[22]，其研究對撂荒耕地的提取提供了科學的方法。此外，當前有關耕地季節性撂荒的相關研究同樣較少，而短期的季節性撂荒也會直接影響到糧食安全問題。由于農村產業發展，耕地短期的季節性撂荒在中國較發達、且耕地資源稟賦較好的東部平原地區頻繁出現。

因此，本文在借鑒前人研究方法的基礎上，以近年來箱包產業發展較快，目前以形成特色產業集群，同時耕地季節性撂荒嚴重的高碑店市作為研究區，采用1999－2001年、2007－2009年、2015－2017年間18期Landsat TM/OLI衛星數據，應用CART決策樹分類算法進行遙感影像解譯，提取撂荒耕地范圍，并結合緩沖區分析、農村調研等方法對耕地撂荒現狀及演變的驅動力進行分析。以期為農村產業發展較好的平原地區的耕地資源利用提供科學的理論指導，并對制定保障國家糧食安全以及促進區域可持續發展的相關政策提供依據。

1 研究區域概況與數據來源

1.1 研究區概況

高碑店市隸屬于河北省保定市，地處京津保三角腹地，環首都經濟圈，南距保定68 km，北距北京82 km，東南距天津134 km，位于115°47′24″－116°12′40″E，39°5′53″－39°23′17″N。屬于華北平原，地勢平坦，土地肥沃，氣候類型為典型的半濕潤溫帶大陸性季風氣候，雨熱同期，四季分明，年均氣溫約17℃，年均降水量約600 mm，滿足冬小麥-夏玉米一年兩熟大田作物種植條件。播種作物品種以小麥、玉米為主，此外還種植有少量大豆、花生等。目前，全市耕地面積約4.47萬hm2，其中，水澆地占比達96%，且絕大多數為旱澇保收的高產穩產田。

自改革開放以來，高碑店市白溝鎮的箱包加工業發展迅速，并成為帶動周邊農村經濟發展的主要產業，發展至今，白溝箱包市場的年交易額超1 100億元。箱包生產、銷售市場主體3.4萬余家，年產箱包8億只，輻射周邊從業人員共150萬人，形成特色產業集群。由于以箱包產業為代表的二三產業發展迅速，再加上農業收入較低，當地越來越多的農民開始從事箱包產業，并因此導致耕地撂荒，特別是春冬兩季的季節性撂荒現象嚴重。圖1為研究區位置圖。

1.2 數據來源

1.2.1 農戶調研數據

筆者于2017年7－9月在研究區耕地撂荒較嚴重的東部、東南部地區選取豐元莊、何張村、南五里屯、北辛莊、大王村、耿莊6個調研村就耕地的流轉及利用現狀進行調研。

圖1 研究區地理位置

通過采訪村會計以及調研農戶了解調研村在2001年、2009年、2017年3個時間點的在冊流轉耕地面積以及耕地總面積。其中，由于多數調研村的村級耕地流轉組織于近幾年才成立，因此一般只能通過村會計獲取2017年的精確的耕地流轉數據。另外，由于研究區當地的耕地流轉一般發生在普通農戶和種糧大戶之間，因此，2001年和2009年的數據通過采訪村內主要的種糧大戶以及部分轉出耕地的農戶獲取。

表1 調研村基本情況

1.2.2 統計數據

本研究所用的統計數據來源于《全國農產品成本收益資料匯編》（2002－2017年），用于分析2001－2016年河北省小麥、玉米的單位面積純收益變化情況。

1.2.3 遙感影像數據

本研究所利用的遙感影像數據來源于美國地質調查局（USGS）（http://glovis.usgs.gov/）1999－2001年、2007－2009年、2015－2017年3個時期的 Landsat TM/OLI數據，其空間分辨率均為30 m，作為提取撂荒耕地的基礎數據；

在各研究時期內每年選取兩期影像，總共 18幅影像。考慮到研究區的主要種植作物及耕作制度，并綜合對比不同時期影像的作物生長情況，每年的2期影像的成像時間分別選取4－5月份和7－8月份。因為3－4月份為當地冬小麥的返青期，4－5月份的影像可以有效分辨出小麥等夏收作物的種植及生長情況，而7－8月份的影像可以提取出玉米、花生等秋收作物的種植及生長情況。因此每年所選取的兩期影像可以反映出研究區春季及秋季的耕地撂荒情況。所選取的18期影像的具體信息如表2所示。

表2 影像獲取時間及分類精度

此外，本文還使用了Google歷史影像數據及部分年份的土地利用現狀數據，用于輔助遙感解譯訓練樣本的選擇。由于Google earth的衛星影像，并非單一數據來源，而是由衛星影像與航拍數據的整合而成，本文所用的數據成像時間為2008年1月2日－2017年10月24日，空間分辨率介于0.6～4 m之間，數據來源于SXearth Google地圖下載器。對于1999－2001年的影像解譯，由于無法獲取Google歷史影像，主要依靠2001年高碑店市土地利用現狀圖輔助進行精度驗證及訓練樣本選擇，其數據來源于高碑店市國土資源局。

1.2.4 矢量數據

本研究所采用的矢量數據主要包括研究區2017年的路網矢量數據，來源于openstreetmap網站（www.openstreetmap.org），用來分析道路交通條件對耕地撂荒的影響。

2 研究方法

2.1 撂荒耕地的界定及識別方法

2.1.1 撂荒耕地界定

根據研究區實際情況，本文將撂荒耕地分為常年性撂荒耕地和季節性撂荒耕地，其中常年性撂荒耕地是指連續閑置或荒蕪兩年及兩年以上的耕地，季節性撂荒耕地是指在某季節閑置或荒蕪的耕地，本文中的季節性撂荒耕地包括兩種類型，一種是春季撂荒耕地，即春、冬兩季被撂荒的耕地，主要從4月前后的遙感影像中提取；另一種是秋季撂荒耕地，即夏、秋兩季撂荒的耕地，主要從8月前后的遙感影像中提取。

根據上述定義，本文將研究區某一年的耕地綜合撂荒率定義為常年撂荒率、春季撂荒率、秋季撂荒率的平均值，這樣可以綜合反映一年內耕地撂荒程度。其計算公式如下

式中為某一年的耕地綜合撂荒率，分別為當年春季撂荒的耕地面積，秋季撂荒的耕地面積，常年性撂荒耕地面積，當年的耕地總面積，hm2。

2.1.2 撂荒耕地的識別方法

本文應用CART決策樹分類并輔以人工目視解譯的分類方法，將遙感影像分為林地、耕地、裸地、草地、水域和建設用地6類。由于高碑店市地處平原地區，耕地撂荒之后一般會被認定為裸地，而少部分長期撂荒的耕地則可能會轉化為草地，因此將每年兩期影像的解譯結果中的耕地、裸地、草地3個類別疊加，并參照Google Earth高分辨率歷史影像確定當年的耕地實際范圍，作為當年的耕地本底數據，再將該年的春夏兩期影像解譯結果與當年的耕地本底數據疊加，判斷耕地本底數據范圍內的變化情況。耕地轉換為裸地或草地則可認定為耕地撂荒，依照此規則可以獲得每年春季撂荒和秋季撂荒的耕地范圍；將1999－2001年、2007－2009年、2015－2017年每個時間段內每年的春季撂荒、秋季撂荒范圍疊加，即可得到2001年、2009年、2017年常年撂荒耕地范圍。

2.2 遙感影像處理及CART決策樹分類

對18期Landsat TM/OLI 數據逐期進行輻射定標、大氣校正和圖像裁剪等預處理，并計算NDVI值；在ENVI 5.3軟件中進行 ISODATA 非監督分類，設置最大分類數量為10類，迭代次數為 10 次，得到非監督分類結果；將TM影像和OLI影像均包含的藍色波段、綠色波段、紅色波段、近紅外波段、中紅外波段、遠紅外波段6個波段和NDVI、ISODATA非監督分類結果合并為含有8個波段的待分類影像。

目前的遙感影像分類研究中，傳統的監督、非監督分類以及后來興起的人工智能神經網絡、專家系統分類等方法都是以遙感影像的光譜特征為基礎進行分類。然而，由于影像本身存在“同物異譜，異物同譜”的問題, 因此上述這些分類方法往往會出現較多的錯分、漏分情況。而決策樹分類方法能夠綜合利用影像的光譜信息以及其他輔助信息，并有效地解決上述問題[23]。目前決策樹分類主要包括ID3、C4.5、C5.0、CART等幾種常用的分類算法[24]。其中，CART決策樹分類可以根據人工選取的訓練樣本自動確定分類閾值并建立決策樹，分類精度較高[22,25]。

本文采用CART決策樹分類算法，對上述重組波段后的待分類影像進行決策樹分類。具體操作步驟包括，在ENVI5.3軟件中逐年逐期對待分類影像選擇訓練樣本，根據所選擇的訓練樣本自動運算建立分類決策樹，并執行分類決策樹，得到1999-2017年間18期遙感影像的分類結果。其中2001年4月17日影像分類過程中建立的決策樹如圖2所示。

2.3 景觀格局分析

采用斑塊面積（TA）、斑塊數目（NP）、平均斑塊面積（MPS）、平均形狀指數（MSI）、斑塊面積中位數（PSMD）、斑塊面積標準差（PSSD）等景觀格局指標對高碑店市撂荒耕地的景觀格局特征進行分析，各個指標均由Fragstats 4.1軟件計算獲取，由于篇幅所限，各個指標的具體含義及計算方法參見參考文獻[26]，本文不再贅述。

注：B1-B8分別對應合成影像的8個波段。

2.4 研究的技術路線

圖3為本文技術路線圖。

圖3 技術路線圖

3 撂荒耕地提取及空間格局分析

3.1 撂荒耕地提取結果

采用CART決策樹算法，對2.2章節中重組波段后的待分類影像進行決策樹分類。并采用混淆矩陣法對分類結果進行精度驗證。結果表明18期遙感影像的解譯總體分類精度介于87.5%～96.4%之間，具有較高的分類精度，可以滿足本研究的要求。

將每期解譯結果中的耕地、裸地、草地3個涉及到撂荒耕地提取的地類分別進行精度驗證以及更精細的人工目視解譯校正。其初始分類精度評價結果如表3所示，數據顯示，在CART決策樹自動分類結果中，耕地和裸地的分類精度較高，一般均能達到90%左右，而草地的解譯精度相對較低，為70%～80%，且變化范圍較大，這主要是由于研究區天然草地面積很少，再加上草地與某些農作物的影像特征較為接近，可能會出現難以避免的錯分現象。因此解譯結果中的草地解譯精度較低。針對上述3個地類，結合谷歌高清歷史影像以及高碑店市部分年份的土地利用現狀數據進行人工目視解譯校正，以此獲得3個不同時間段內的18期耕地、裸地、草地的精確解譯結果。

表3 耕地、裸地、草地的初始分類精度

以上述耕地、裸地、草地的影像分類結果為基礎，通過影像疊加分析提取出高碑店市1999－2001年、2007－2009年、2015－2017年3個研究時段內，季節性撂荒和常年撂荒耕地的空間分布（圖4）。結果顯示，高碑店市耕地的季節性撂荒現象嚴重，并且以春季撂荒為主，撂荒面積呈現出逐漸減少的趨勢。

圖4 1999－2017年高碑店市季節性撂荒耕地空間分布

通過對季節性撂荒耕地分布圖疊加分析，得到高碑店市常年撂荒耕地的空間分布（圖5），結果如下圖所示，和季節性撂荒相比，高碑店市耕地常年撂荒現象極少。2001年、2009年、2017年的常年撂荒面積分別為190.65、128.22、48.50 hm2。

3.2 撂荒耕地的空間格局分析

采用景觀格局指數的方法對研究區2001年、2009年、2017年的撂荒耕地的空間格局進行分析，分析結果如表4所示。

分析結果表明，2001－2017年間，高碑店市季節性撂荒耕地和常年撂荒耕地呈現出逐漸減少的趨勢。

從春季撂荒情況來看，撂荒面積由2001年的21 888.42 hm2降低至2017年的10 141.82 hm2。斑塊數目（NP）、平均斑塊面積（MPS）、斑塊面積中位數（PSMD）、斑塊面積標準差（PSSD）4個指標表明，春季撂荒斑塊數目增多，平均斑塊面積減小，同時斑塊面積的離散程度減小。表明大規模集中式撂荒情況減少，小規模分散式撂荒情況增多。

從秋季撂荒情況來看，研究區秋季撂荒耕地的面積明顯少于同年春季撂荒耕地面積。并且秋季撂荒的面積也呈現出逐年減少的趨勢。其中2009年秋季撂荒現象最為嚴重，撂荒面積達到了1 124.96 hm2。和春季撂荒情況類似，通過比較斑塊數目（NP）、平均斑塊面積（MPS）、斑塊面積中位數（PSMD）、斑塊面積標準差（PSSD）4個指標的變化情況，可以發現研究區秋季撂荒的耕地同樣呈現出大規模撂荒情況減少，小規模分散式撂荒情況增多的趨勢，但這種趨勢沒有春季撂荒明顯。

圖5 高碑店市常年撂荒耕地的空間分布

表4 2001－2017年高碑店市撂荒耕地景觀指數

春季撂荒和秋季撂荒的斑塊平均形狀指數（MSI）均呈現出逐年降低的趨勢，表明撂荒耕地的形狀趨于規則，這也進一步反映了高碑店市大規模無序撂荒的情況減少，撂荒類型逐漸以小規模的農戶層面撂荒為主。

與季節性撂荒相比，研究區耕地常年撂荒的情況較少。景觀分析結果表明撂荒耕地斑塊面積明顯減少，由2001年的190.65 hm2減少至2017年的48.50 hm2。

4 耕地撂荒空間格局及其演變的影響因素分析

4.1 撂荒耕地的工業區位條件分析

產業中心的發展會帶動周邊農村二三產業的迅速發展，并促進農村勞動力由第一產業向二三產業集聚，因此導致耕地撂荒情況的加劇。高碑店市白溝鎮自改革開放以來，大力發展箱包產業，目前已發展為一個輻射周邊11個縣（市）、55個鄉鎮、500多個自然村，從業人員超過150萬人的區域特色產業集群。本文以白溝鎮作為帶動高碑店市農村經濟發展的主要產業中心，在白溝鎮周圍生成5、10、20 km的多級緩沖區，并在GIS軟件中將緩沖區圖層與各撂荒耕地圖層進行疊加分析，得到距白溝不同范圍內的撂荒耕地分布情況，并分別計算不同年份各級緩沖區范圍內的耕地綜合撂荒率。其結果如表5所示。

表5 距白溝鎮不同范圍內耕地撂荒情況

從空間尺度變化來看，2001年、2009年、2017年3個年份內，隨著離產業中心白溝距離的增加，各個緩沖區域內的耕地綜合撂荒率均呈現出遞減的趨勢。這表明由于產業中心對農村發展的輻射帶動作用隨著距離的增加而逐漸衰減，因此距產業中心距離越近的農村其耕地綜合撂荒率越高。

4.2 撂荒耕地的交通條件及耕作半徑分析

道路交通條件以及耕作半徑是影響著農業生產的重要因素之一。本文從撂荒耕地距離公路的距離以及距離農村居民點的距離兩個方面來分析交通條件以及耕作半徑對耕地撂荒的影響。

對高碑店市道路矢量圖和農村居民點周圍分別生成距離50、100、200 m和100、200、500 m的多級緩沖區。并在GIS軟件中將緩沖區圖層與各撂荒耕地圖層進行疊加分析，得到距公路及農村居民點不同范圍內的撂荒耕地空間分布情況。并計算不同區域范圍內的耕地綜合撂荒率，其結果如表6所示。

表6 距道路或農村居民點不同范圍內耕地撂荒情況

分析結果表明，2001－2017年，隨著離道路或居民點距離的增加，研究區耕地的綜合撂荒率逐漸下降，只有距離道路50和100 m范圍內沒有表現出這種趨勢。這表明道路和耕作半徑也在一定程度上影響著耕地撂荒，距離農村居民點或道路越近的耕地其綜合撂荒率越低，反之則越高。

以極差和標準差兩個指標對距離道路和居民點不同范圍內的耕地綜合撂荒率進行分析，以此來反映不同時期、不同范圍內耕地綜合撂荒率的離散程度變化情況，分析結果如表7和表8所示。2001－2017年，距離道路或農村居民點不同范圍內的耕地綜合撂荒率的極差和標準差均表現為逐漸下降，這反映出距道路或農村居民點不同范圍內的耕地綜合撂荒率的變化幅度降低，表明道路交通條件以及耕作半徑對于耕地撂荒的影響程度減弱。

表7 距道路不同范圍內耕地綜合撂荒率的極差及標準差變化情況

表8 距農村居民點不同范圍內耕地綜合撂荒率的極差及標準差變化情況

4.3 撂荒地區耕地經營收益分析

從撂荒耕地的空間格局（圖4）可以明顯看出，高碑店市耕地的撂荒主要集中在春季，其中2001－2017年，春季平均撂荒面積為16 708.37 hm2，而秋季平均撂荒面積僅1 017.10 hm2，僅為春季的6.09%。究其原因，主要是由于當地的玉米投入產出水平較高，再加上玉米生長季集中在夏季，雨熱同期，需要的人力物力條件相對較少。而小麥的生長期則集中在冬季，需要定期灌溉，需消耗較多的人力、財力。因此，造成當地玉米的單位面積純收益遠高于小麥。圖6表明了河北省小麥玉米的單位面積純收益變化情況，除去最近幾年玉米行情下跌以外，2001－2013年期間內，河北省的玉米單位面積純收益遠高于小麥。因此造成了當地農民長期以來更傾向于種植玉米，并導致春冬兩季耕地的大面積撂荒。

圖6 2001－2016年河北省小麥、玉米單位面積純收益

4.4 撂荒地區耕地流轉變化分析

前文分析表明，2001－2017年高碑店市撂荒耕地面積逐漸下降。對調研村耕地流轉情況的調研結果如表9所示，2001－2017年，6個調研村中只有耿莊村2009年的耕地流轉率較2001年略有下降，其余5個村莊的耕地流轉率均表現出逐漸上升的趨勢。

在6個調研村周邊生成3 km緩沖區，并將緩沖區與2001年、2009年、2017年的耕地撂荒數據進行疊加，提取出調研村周邊3 km范圍內的撂荒耕地分布（表10），并分析其撂荒程度變化情況。結果表明6個調研村中，只有何張村的耕地綜合撂荒率表現為先增后減，其余5個村莊耕地綜合撂荒率基本上均表現為逐漸下降的趨勢。

如表9和表10所示，將6個調研村耕地流轉率和綜合撂荒率的變化情況進行對比分析，可以看出，調研村的耕地綜合撂荒率和流轉率呈現出明顯的負相關趨勢。通過采訪每個村的村會計了解到，6個調研村目前均成立了村級耕地流轉組織，村民間進行耕地流轉需要向村委會報備，流轉費用也由村集體統一發放。這一舉措在一定程度上促進了耕地的流轉，同時有效抑制了當地耕地的大面積撂荒的現象。

表9 調研村耕地流轉變化情況

表10 調研村耕地撂荒變化情況

5 討 論

本文應用CART決策樹分類算法對30 m分辨率的Landsat基礎數據進行遙感影像解譯，將其分為林地、耕地、裸地、草地、水域和建設用地6大類。但受多種因素限制，其解譯精度可能會存在一定的誤差，一方面，由于研究區地處平原，草地面積極少，一般僅分布于季節性河道、坑塘周邊或者城郊公園內，受遙感影像分辨率限制，解譯為草地的地塊有可能是與草地比較相似的其他作物，因此可能造成錯分現象；另一方面，ISODATA非監督分類結果作為一種特征參與分類，能夠在一定程度上提高地物識別效率和精度，但是對于非監督分類過程中可能會存在一定的錯分或漏分的部分，將其作為一種特征（波段）參與分類，可能會最終的分類結果造成一定的誤差。因此，針對上述誤差，需要借助Google高分影像進行人工目視解譯校正，但這種方式會花費大量的人力與時間，在今后的研究中，可以考慮采用其他空間分辨率更高、光譜信息更為豐富的遙感數據源進行解譯，以便更大程度減少上述類似的誤差。

另外，本文在進行耕地撂荒解譯時，影像選取時間主要是依據春小麥-夏玉米這兩種主要農作物的生長期，對于播種較晚的夏茬胡蘿卜（7－8月份播種）等生長期不同的作物未予考慮，盡管此類作物播種面積較小，但仍可能會對耕地撂荒的解譯結果會造成一定的誤差。

本文通過實地調研了解到耕地流轉是促進高碑店市耕地撂荒率降低的一個重要影響因素，當前高碑店市各地的農村土地流轉工作已經陸續開展，但部分農村仍然存在土地流轉交易制度缺失、農民流轉意愿較低等一系列問題。部分農民由于思想閉塞，顧慮流轉后耕地面積減小、自身的合法權益受到侵占等問題，因此不愿將耕地流轉，阻礙了當地耕地規模經營工作的進一步推進，未來政府應加大宣傳力度，在堅持農村聯產承包經營制度和穩定土地承包關系的基礎上引導農民積極參與土地流轉。

6 結 論

本文以河北省高碑店市為研究區，對1999－2001年、2007－2009年、2015－2017年三個研究時段內18期Landsat TM/OLI遙感影像數據進行預處理，結合 Google Earth的高分辨率影像圖選取訓練樣本，利用 CART決策樹分類方法進行遙感解譯，得到研究時段內18期土地利用現狀分布圖，根據撂荒地識別方法提取出季節性撂荒耕地以及常年撂荒耕地的分布范圍；并對撂荒耕地空間分布格局的影響因素進行分析。研究主要得出以下結論：

1）采用CART決策樹分類方法對高碑店市進行遙感影像解譯，并進行精度驗證，結果表明，18期影像的分類精度介于87.5%～96.4%之間，在此分類結果的基礎上，提取出耕地、裸地、草地并進行進一步的人工目視解譯，最終得到的分類結果可以滿足高碑店市撂荒耕地的提取的精度要求。

2）高碑店市耕地撂荒以季節性撂荒為主，常年撂荒耕地面積較少，并且季節性撂荒以春季撂荒（冬閑田）為主，其中2001年春季撂荒耕地的面積達21 888.42 hm2，季節性撂荒和常年撂荒面積均呈現出逐漸減少的趨勢。

3）對撂荒耕地的斑塊數目（NP）、平均斑塊面積（MPS）、斑塊面積中位數（PSMD）、斑塊面積標準差（PSSD）、平均形狀指數（MSI）等景觀指標的分析結果表明，高碑店市耕地撂荒形態由大規模集中式撂荒逐漸轉變為小規模分散式撂荒。

4）農村工業發展是導致耕地撂荒的主要驅動因素，緩沖區分析結果表明距離產業中心越近的地區其耕地綜合撂荒率越高；交通條件及耕作半徑也在一定程度上影響耕地撂荒，但在地勢平坦的平原地區，其影響程度逐漸減弱。

5）作物收益水平差距導致高碑店市的耕地撂荒呈現出季節性差異，長期以來小麥單位面積純收益較低是導致高碑店市大面積春季耕地撂荒的主要因素，而耕地流轉能有效抑制當地耕地撂荒現象，農村實地調研結果顯示，6個調研村莊的耕地流轉率與耕地綜合撂荒率的變化呈明顯的負相關趨勢。

[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 with English abstract)

[2] Smaliychuk A, Müller 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] Meyfroidt P, Lambin E F. Global forest transition prospects for an end to deforestation[J]. The Annual Review of Environment and Resources, 2011, 36: 343－371.

[4] Queiroz C, Beilin R, Folke C, et al. Farmland abandonment: Threat or opportunity for biodiversity conservation? A global review[J]. Frontiers in Ecology and the Environment, 2014, 12(5): 288－296.

[5] MacDonald D, Crabtree J R, Wiesinger G, et al. Agricultural abandonment in mountain areas of Europe: Environmental consequences and policy response[J]. Journal of Environmental Management, 2000, 59(1): 47－69.

[6] Romero-Calcerrada R, Perry G L W. The role of land abandonment in landscape dynamics in the SPA 'Encinares del r?o Alberchey Cofio, Central Spain, 1984－1999[J]. Landscape and Urban Planning, 2004, 66(4): 217－232.

[7] 曹志宏，郝晉珉，梁流濤. 農戶耕地撂荒行為經濟分析與策略研究[J]. 農業技術經濟，2008(3)：43－46.

Cao Zhihong, Hao Jinmin, Liang Liutao. Economic analysis and strategy research on farmers' farmland abandonment behavior[J]. Journal of Agrotechnical Economics, 2008(3): 43－46. (in Chinese with English abstract)

[8] Xie H, Wang P, Yao G. Exploring the dynamic mechanisms of farmland abandonment based on a spatially explicit economic model for environmental sustainability[J]. Sustainability, 2014, 6(3): 1260－1282.

[9] Dong J, Liu J, Yan H. Spatio-temporal pattern and rationality of land reclamation and cropland abandonment in mid-eastern Inner Mongolia of China in 1990－2005[J]. Environmental Monitoring and Assessment, 2011, 179(1/4): 137－153.

[10] 李贊紅，閻建忠，花曉波，等. 不同類型農戶撂荒及其影響因素研究：以重慶市12個典型村為例[J]. 地理研究，2014，33(4)：721－734.

Li Zanhong, Yan Jianzhong, Hua Xiaobo, et al. Factors influencing the cultivated land abandonment of households of different types: A case study of 12 typical villages in Chongqing Municipality[J]. Geographical Research, 2014, 33(4): 721－734. (in Chinese with English abstract)

[11] 劉忠，萬煒，黃晉宇，等. 基于無人機遙感的農作物長勢關鍵參數反演研究進展[J]. 農業工程學報，2018，34(24)：60－71.

Liu Zhong, Wan Wei, Huang Jinyu, et al. Progress on key parameters inversion of crop growth based on unmanned aerial vehicle remote sensing[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(24): 60－71. (in Chinese with English abstract)

[12] 郭文茜，任建強，劉杏認，等. 統計數據總量約束下全局優化閾值的冬小麥分布制圖[J]. 遙感學報，2018，22(6)：1023－1041.

Guo Wenqian, Ren Jianqiang, Liu Xingren, et al. Winter wheat mapping with globally optimized threshold under total quantity constraint of statistical data[J]. Journal of Remote Sensing, 2018, 22(6): 1023－1041. (in Chinese with English abstract)

[13] 馬尚杰，裴志遠，王飛，等. 基于GF-1影像的沿淮地區冬季耕地撂荒遙感調查應用[J]. 農業工程學報，2019，35(1)：227－233.

Ma Shangjie, Pei Zhiyuan, Wang Fei, et al. Application on remote sensing survey of abandoned farmlands in winter along the Huaihe River based on GF-1 image[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(1): 227－233. (in Chinese with English abstract)

[14] 呂雅慧，鄖文聚，張超，等. 基于TOPSIS和BP神經網絡的高標準農田綜合識別[J]. 農業機械學報，2018，49(3)：196－204.

Lü Yahui, Yun Wenju, Zhang Chao, et al. Multi-characteristic comprehensive recognition of well-facilitied farmland based on TOPSIS and BP Neural Network[J]. Transactions of the Chinese Society for Agricultural Machinery, 2018, 49(3): 196－204. (in Chinese with English abstract)

[15] 朱秀芳，李石波，肖國峰. 基于無人機遙感影像的覆膜農田面積及分布提取方法[J]. 農業工程學報，2019，35(4)：106－113.

Zhu Xiufang, Li Shibo, Xiao Guofeng. Method on extraction of area and distribution of plastic-mulched farmland based on UAV images[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(4): 106－113. (in Chinese with English abstract)

[16] 牛繼強，林昊，牛櫻楠，等. 經濟欠發達地區撂荒耕地空間格局與驅動因素分析[J]. 農業機械學報，2017，48(2)：141－149.

Niu Jiqiang, Lin Hao, Niu Yingnan, et al. Analysis of spatial pattern and driving factors for abandoned arable lands in underdevelopment region[J]. Transactions of the Chinese Society for Agricultural Machinery, 2017, 48(2): 141－149. (in Chinese with English abstract)

[17] Melendez P, Hernández E I, Navapro P J, et al. Socioeconomic factors influencing land cover changes in rural areas: The case of the Sierra de Albarracín (Spain)[J]. Applied Geography, 2014, 52: 34－45.

[18] Andre M F. Depopulation, land use change and landscape transformation in the French Massif Central[J]. Royal Swedish Academy of Sciences, 1998, 27(4): 351－353.

[19] 史鐵丑，徐曉紅. 重慶市典型縣撂荒耕地圖斑的提取與驗證[J]. 農業工程學報，2016，32(24)：261－267.

Shi Tiechou, Xu Xiaohong. Extraction and validation of abandoned farmland parcel in typical counties of Chongqing[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(24): 261－267. (in Chinese with English abstract)

[20] 張佰林，楊慶媛，嚴燕，等. 快速城鎮化進程中不同類型農戶棄耕特點及原因：基于重慶市十區縣540戶農戶調查[J]. 資源科學，2011，33(11)：2047－2054.

Zhang Bailin, Yang Qingyuan, Yan Yan, et al. Characteristics and reasons of different households’farming abandonment behavior in the process of rapid urbanization based on a survey from 540 households in 10 Counties of Chongqing Municipality[J]. Resources Science, 2011, 33(11): 2047－2054. (in Chinese with English abstract)

[21] Xie Hualin, Wang Peng, Yao Guanrong. Exploring the dynamic mechanisms of farmland abandonment based on a spatially explicit economic model for environmental sustainability: A case study in Jiangxi Province, China[J]. Molecular Diversity Preservation International, 2014, 6(3): 1260－1282.

[22] 肖國峰，朱秀芳，侯陳瑤，等. 撂荒耕地的提取與分析：以山東省慶云縣和無棣縣為例[J]. 地理學報，2018，73(9)：1658－1673.

Xiao Guofeng, Zhu Xiufang, Hou Chenyao, et al. Extraction and analysis of abandoned farmland: A case study of Qingyun and Wudi counties in Shandong Province[J]. Acta Geographica Sinica, 2018, 73(9): 1658－1673. (in Chinese with English abstract)

[23] 陳云，戴錦芳，李俊杰. 基于影像多種特征的CART決策樹分類方法及其應用[J]. 地理與地理信息科學，2008，24(2)：33－36.

Chen Yun, Dai Jinfang, Li Junjie. CART-based decision tree classifier using multi-feature of image and its application[J]. Geography and Geo-Information Science, 2008, 24(2): 33－36. (in Chinese with English abstract)

[24] 趙萍，傅云飛，鄭劉根，等. 基于分類回歸樹分析的遙感影像土地利用/覆被分類研究[J]. 遙感學報，2005，9(6)：708－716.

Zhao Ping, Fu Yunfei, Zheng Liugen, et al. Cart－based land use/cover classification of remote sensing images[J]. Journal of Remote Sensing, 2005, 9(6): 708－716. (in Chinese with English abstract)

[25] 呂利利，頡耀文，黃曉君，等. 基于CART決策樹分類的沙漠化信息提取方法研究[J]. 遙感技術與應用，2017，32(3)：499－506.

Lü Lili, Xie Yaowen, Huang Xiaojun, et al. Desertification information extraction method research based on the CART decision tree classification[J]. Remote Sensing Technology and Application, 2017, 32(3): 499－506. (in Chinese with English abstract)

[26] 鄭新奇，付梅臣. 景觀格局空間分析技術及其應用[M]. 北京：科學技術出版社，2010：92－144.

Spatial pattern evolution of abandoned arable land and its influencing factor in industrialized region

Zhang Tianzhu1,2, Zhang Fengrong1,2※, Huang Jingwen1,2, Li Chao1,2, Zhang Bailin3

(1100193;2100193,;3300387,)

This paper takes Gaobeidian City of Hebei Province as the research area. Based on the Landsat TM/OLI data from 1999 to 2001, 2007-2009 and 2015-2017, the CART decision tree classification method is used to extract the distribution of abandoned arable land in the study area. Finally, we analyze its spatial pattern change characteristics and influencing factors. The study draws the following conclusions: 1) Using CART decision tree classification method to interpret remote sensing images in Gaobeidian City and verify the accuracy. The result shows that: 1）the classification accuracy of 18-stage images are between 87.5% and 96.4%, which can meet the accuracy requirements of this study; 2) The type of abandoned arable land in Gaobeidian City is mainly seasonal abandonment. The area of abandoned arable land reached 21 888.42 hm2in the spring of 2001, and the area of seasonal abandoned arable land and perennial abandoned arable land are gradually decreasing; 3) The analysis of landscape indicators including plaque number (NP), average plaque area (MPS), median plaque area (PSMD), plaque area standard deviation (PSSD), and average shape index (MSI) of the abandoned arable land shows that the main form of the abandonment of arable land has changed from large-scale centralized abandonment to small-scale decentralized abandonment; 4) The development of rural industry is the main driving factor leading to the abandonment of arable land. The result of the buffer analysis shows that the closer the industrial center is, the higher the comprehensive abandonment rate; The traffic conditions and farming radius also affect the abandonment of arable land to a certain extent, but in the flat plains region, its impact gradually weakened; 5) The gap in crop yields leads to seasonal differences in the cultivated land reclamation in Gaobeidian City. The long-term low net income per unit area of wheat is the main factor leading to the large-scale spring abandonment of arable land in Gaobeidian City, and the arable land transfer can effectively inhibit the abandonment of arable land. The results of rural survey show that the arable land transfer rate in the six surveyed villages shows a significant negative correlation with the change of the arable land abandonment rate. Due to the low resolution of remote sensing images used in this study, the interpretation accuracy may be affected. In addition, the selection time of remote sensing images is mainly based on the growth of spring wheat and summer maize, which do not take into account the late planting of summer stubble carrot and other crops in different growth periods. Although the sowing area of such crops is small, it may still cause errors in the interpretation of abandoned arable land. In order to solve the above problems, it is necessary to use Google high-resolution image for manual visual interpretation and correction, but this method will cost a lot of manpower and time. In future research, other remote sensing data sources with higher spatial resolution and richer spectral information can be considered for interpretation in order to solve these problems. The research results can provide reference for the study of abandoned arable land in other similar areas in China, and provide basis for the formulation of national food security and regional sustainable development policies.

rural areas; remote sensing; classification; CART decision tree; abandonment of arable land

10.11975/j.issn.1002-6819.2019.15.031

F301.2

A

1002-6819(2019)-15-0246-10

2019-04-10

2019-07-23

中國國土勘測規劃院外協項目（2018073-4）；天津市科技發展戰略研究計劃項目（17ZLZXZF00170）

張天柱，博士生，研究方向為土地可持續利用。Email：ztz@cau.edu.cn

張鳳榮，教授，博士生導師，研究方向為土地可持續利用。Email：frzhang@cau.edu.cn

張天柱，張鳳榮，黃敬文，李 超，張佰林. 工業化區域撂荒耕地空間格局演變及影響因素分析[J]. 農業工程學報，2019，35(15)：246－255. doi：10.11975/j.issn.1002-6819.2019.15.031 http://www.tcsae.org

Zhang Tianzhu, Zhang Fengrong, Huang Jingwen, Li Chao, Zhang Bailin. Spatial pattern evolution of abandoned arable land and its influencing factor in industrialized region[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(15): 346－255. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2019.15.031 http://www.tcsae.org