基于神經網絡模型的耕地撂荒風險評價
——以廣東興寧市為例

吳茗華，王薇，劉光盛,3，王紅梅,3

（1. 華南農業大學水利與土木工程學院，廣東 廣州 510640；2. 華南農業大學公共管理學院，廣東 廣州 510640；3. 廣東省土地利用與整治重點實驗室，廣東 廣州 510640）

耕地是農業生產的基礎，是我國最為寶貴的資源。隨著城鎮化、工業化進程的快速推進，農村大量農業勞動力不斷向城鎮非農部門轉移，而由于制度約束、農戶風險意識等原因，農村土地流轉不暢，導致農村勞動力（資本）與土地脫鉤，大量農田被拋荒。與其他國家相比，中國人均耕地占有量少，坡耕地面積較大，耕地總體質量差，大面積的耕地撂荒不僅加劇了人地矛盾，而且嚴重影響國家糧食安全。2018年中央農村工作會議指出，中國人的飯碗任何時候都要牢牢端在自己手上。習近平總書記也做出重要指示，要實行最嚴格的耕地保護制度，像保護大熊貓一樣保護耕地。經過多年的耕地保護，中國耕地的數量和質量均有較大提升，“飯碗”已基本端穩在自己手里，但“飯碗”的閑置與撂荒已成為耕地保護亟待解決的新問題。

針對耕地撂荒這一新問題，國內外學者主要圍繞耕地撂荒驅動力及原因、耕地撂荒分布特點及影響因子、應對撂荒的政策等問題進行了大量的探討和分析。首先，耕地撂荒驅動研究表明，城鎮化和工業化發展是許多地區耕地撂荒的最根本驅動力[1]，農業勞動力析出與農村人口減少被認為是耕地撂荒的直接原因[2]。如葛霖等[3]從農戶視角探討了山區耕地撂荒的原因，認為農業比較效益低、農業生產條件差和農戶勞動力缺乏是山區耕地撂荒的主要原因；牛繼強等[4]則認為灌溉條件、交通條件和耕作半徑是耕地撂荒的重要驅動因素。其次，耕地撂荒影響因素研究則主要從區域、農戶和地塊3個維度構建影響因素體系，研究表明：耕地撂荒主要受區域層面的社會經濟狀況、農戶層面的勞動力特征以及地塊層面的農業生產條件影響[5]，但學者對耕地撂荒影響因素的研究主要局限于農戶尺度，極少從微觀地塊尺度進行研究。如雷錕等[6]基于農戶尺度選取指標，認為耕地面積、耕地塊數、耕作半徑、距集鎮距離和農戶家庭人均收入對于農戶耕地撂荒具有顯著影響。張英等[7]認為在農地流轉市場較為完善的地區，選擇在村莊尺度上進行農業勞動力對耕地撂荒影響分析研究較為合理。最后，耕地撂荒對策研究較早，21世紀初，馮廷華和馬玉良[8]就提出撂荒現象從表面上看是農民生產積極性下降所致，實質是農業效益低下、扶持和保護農業的政策措施乏力，認為各級政府必須加大宏觀調控力度，深化農村改革，力爭走出一條以保護利用耕地為中心，立足內涵挖潛，“節流”、“開源”并舉，不斷提高土地效益的路子，才能從根本上解決土地棄耕撂荒問題。之后許多學者則從增加投入、改善環境、保護耕地、穩定糧價、推進農村稅費制度改革和土地流轉制度等方面提出耕地撂荒應對政策[9-11]。

綜上，國內外學者對耕地撂荒的驅動原因、影響因素及對策的研究已達到一定深度，但較少學者關注耕地撂荒風險研究[12]，而當前少量耕地撂荒風險研究也存在指標考慮不全，方法較為主觀等問題，同時已有研究對農村勞動力析出導致的耕地撂荒問題還主要局限于農戶尺度，較少從微觀地塊尺度進行探究。因此，本文從微觀地塊尺度選取指標，構建基于人工神經網絡的耕地撂荒風險測度模型，評估耕地撂荒風險，明確撂荒耕地基本特征。而案例區-興寧市為粵北山區農業大縣，耕地撂荒問題較為嚴峻，對研究耕地地塊尺度的撂荒風險具有較高價值，同時可為華南丘陵山區耕地撂荒風險研究提供參考。

1 研究區域及數據來源

1.1 研究區域概況

興寧市地跨 115°30′～116°00′E，23°50′～24°37′N之間，位于廣東省東北部，與江西省接壤，地處粵北山區，地勢東北高西南低，境內四周山嶺綿亙，地貌類型以丘陵為主。亞熱帶季風氣候，年平均降雨量1 540 mm，年平均氣溫20.40 ℃，自然環境優越，無霜期長，光照充足，四季宜耕宜牧。興寧市地域總面積2 105 km2，下轄興田、福興、寧新3個街道和17個鎮。2017年興寧市戶籍人口118.89萬人，全市實現生產總值177.58億元，其中，農業總產值74.24億元，工業總產值96.89億元。興寧市具有發展農業的有利氣候條件，農業經濟比重較大，但地處粵北山區，經濟發展相對落后，大量農村勞動力轉移至珠江三角洲等經濟發達地區，耕地撂荒日益嚴峻。

1.2 數據來源與處理

選擇覆蓋研究區的生產季（2016年9月27日）與非生產季（2016年12月16日）Landsat-8OLI影像（分辨率30 m）作為遙感數據。原始Landsat-8OLI數據基于ENVI軟件，經過圖像裁剪、大氣校正等處理后，用于撂荒耕地提取。從91衛圖助手獲取研究區Google Earth影像圖（分辨率0.5 m），作為高分辨率圖像，用作選取訓練樣本和驗證樣本隨機點，并目視解譯撂荒耕地。其他數據如高程數據（分辨率10 m）來源于91衛圖助手，土地利用數據及耕地質量數據來源于興寧市自然資源局；人口和經濟數據來源于興寧市統計局的《興寧市統計年鑒（2017）》和《興寧市2017年國民經濟和社會發展統計公報》。

2 研究方法與過程

2.1 研究思路

本文從微觀地塊尺度出發，以2016年興寧市現有耕地為風險評價對象，選取人工神經網絡模型（BP-ANN）作為撂荒風險測度模型，結合文獻分析成果選取測度指標，構建指標體系，并利用植被覆蓋度（NDVI）差值和實地判別的撂荒耕地驗證模型精度，通過驗證后的模型評估現有耕地撂荒風險。根據撂荒風險高低將現有耕地劃分為不同風險級，分析撂荒風險與耕地地塊特征關聯度，獲取高撂荒風險耕地基本特征，最后提出差異化耕地撂荒治理對策。

2.2 撂荒風險測度模型構建

2.2.1 測度模型選取 人工神經網絡(ANN, Arti ficial Neural Network)是以大量神經元聯結組成非線性復雜網絡，通過分布式并行信息處理的數學模型來模擬人腦神經判斷的運行過程，依靠系統的復雜程度調整內部大量節點之間相互連接的關系來處理信息，具有自主學習、自主適應、聯想存貯以及高速尋求最優解的能力，通常應用于回歸或者分類問題，對于復雜地理系統的優化計算、實現地理模式辨識和地理過程模擬等問題有較強的適應性[13]。人工神經網絡類型多樣，有徑向基函數網絡(RBF, Radial Basis Function)、BP神 經 網 絡 (BP Net-work, Back Propagation Network)、自組織特征映射網絡(SOM,Self-Organizing Feature Map)、自適應共振網絡(ART,Adaptive Resonance Theory)等類型。

目前應用最為廣泛的神經網絡——BP神經網絡(Back Propagation Network, BP Net-work)是一種按照誤差逆向傳播算法訓練的多層前饋神經網絡，由信息的正向傳播和誤差的反向傳播兩個過程組成，采用梯度下降算法，將誤差函數值最小化（圖1）。BP神經網絡在進行模式識別和預測方面具有較好的容錯性，可以實現任何函數的逼近，在網絡訓練期間反向傳播誤差，不斷地修正每層神經元之間連接權重和閾值，直至均方差最小，一定程度上避免主觀因素對評價結果的影響，提高預測的精準性、公平性和客觀性。BP神經網絡的結構分為3層：輸入層、隱藏層和輸出層。輸入層為神經元數目，即輸入變量的個數；隱藏層的層數視問題的復雜性決定；輸出層神經元數為輸出變量的個數，Logistic函數、hyperbolic函數和S形函數等函數常用于激活神經元。本文將基于BP神經網絡開展耕地撂荒風險評價研究。

圖1 BP-ANN模型結構示意圖Fig. 1 Structural diagram of BP-ANN model

2.2.2 指標體系構建 在宏觀社會經濟環境一定的條件下，地塊尺度耕地撂荒的風險主要取決于耕地的農業生產條件[5]，農業生產條件可進一步細分為耕地本身的基礎條件、自然地理條件、土壤條件和基礎設施條件四個方面。結合相關文獻，考慮數據的可獲取性，耕地基本條件選取耕地類型、地塊大小和田塊形狀3個指標；耕地自然地理條件選取高程、坡度、地形部位、耕作半徑以及地塊到森林邊緣距離5個指標；耕地土壤條件選取光溫/氣候潛力指數、土壤有機質含量、土壤酸堿度和有效土層厚度4個指標；耕地基礎設施主要選取田塊平整度、田間道路建設、灌溉水源和灌溉保證率4個指標（表1）。

2.3 模型驗證

為驗證模型精度，將通過NDVI差值和實地判別獲取的撂荒耕地與模型模擬的高風險撂荒耕地進行交叉驗證，根據模型精度檢驗耕地撂荒風險測度模型。

2.3.1 撂荒耕地界定 耕地撂荒也稱為“棄耕”、“拋荒”，國內外學者認為撂荒耕地是在目前耕地性質不變的前提下，一定時期內處于閑置或荒蕪狀態的可耕作地塊[14]，但對一定時期沒有統一的界定。史鐵丑和李秀彬[15]認為耕地閑置一年以上可以定義為撂荒；Smaliychuk等[16]認為耕地荒蕪一季或一季以上可視為撂荒。結合前人的研究，基于中國人地矛盾突出、國家糧食安全壓力大的現狀，依據《土地管理法》第三十七條對閑置、荒蕪耕地管理的時間規定，本文采用較為嚴格的標準對撂荒耕地進行定義：耕地閑置或荒蕪一年以上（包括一年）即可判定為撂荒耕地。

表1 興寧市耕地撂荒風險測度指標體系Table 1 Index system for risk measurement of farmland abandonment in Xingning

2.3.2 撂荒耕地辨識 利用ENVI5.1軟件平臺，將生產季和非生產季的NDVI提取出來，再對生產季和非生產季的NDVI做差值處理，得到NDVI差值數據。NDVI的差值反映的是該年度生產季（4-7月或9-11月）到非生產季節（11月-次年2月）的植被覆蓋度變化，一般認為，華南地區生產季種植有農作物的耕地，NDVI值呈正值，且植被覆蓋度越大，NDVI值越大；而非生產季耕地由于不種植農作物，NDVI值會較小或者為負值。因此，根據華南地區作物生長規律，若該年耕地正常耕種，則其NDVI差值應較大，反之，若該年耕地撂荒，其NDVI差值將會較小。

利用Landsat-8OLI影像數據提取興寧市2016年生產季和非生產季NDVI并計算兩者差值。采用隨機抽樣法，抽取整體的10%，然后結合Google Earth影像圖進行目視解譯，統計撂荒地塊的NDVI差值區間范圍，確定撂荒地塊提取閾值，并根據NDVI差值閾值提取興寧市2016年撂荒地塊。

2.3.3 模型精度檢驗 將模型模擬的高撂荒風險耕地與通過NDVI差值提取的撂荒耕地導入ArcGIS10.2軟件中，連接二者的矢量數據屬性進行疊加分析，計算PCM（Percent Correct Metric）系數，檢驗ANN模型模擬耕地撂荒風險精度。如果PCM處于60%～80%之間表明學習訓練情況良好；40%～60%表示合格；小于40%則表示模型不合格。PCM計算公式如下：

式中：TP表示高撂荒風險且實際撂荒的地塊數量；RP表示實際撂荒的地塊數量。

結合2016年興寧市耕地利用數據，將高撂荒風險地塊和實際撂荒地塊進行疊加分析，通過數據統計，得出高撂荒風險且實際撂荒的耕地地塊數量為9 137，實際撂荒的耕地地塊數量為12 550，即BP-ANN模型的PCM系數為72.8%，模型精度較高，表明BP-ANN模型能夠較好地測度研究區耕地撂荒情況。

2.4 撂荒風險計算

基于耕地撂荒風險測度指標體系，運用IBM SPSS Statistics 22軟件平臺的“神經網絡”-“多層感知器”命令構建BP神經網絡（其結構為輸入層17層、隱藏層1層和輸出層1層；隱藏層激活雙曲正切函數，輸出層激活Softmax函數）。由于原始數據中的指標值存在量綱和數值區間的差異，無法構建成統一有序的數據集合，在構建BP神經網絡時需將數據進行標準化處理，同時為了避免出現過度訓練現象，將分區結構設置為50%訓練、20%檢驗、30%支持，運行構建的BP神經網絡進行學習和訓練后，得出興寧市現有耕地未來撂荒的風險概率值。

3 結果與分析

3.1 耕地撂荒風險級別分布

利用通過驗證的BP神經網絡模型測度耕地撂荒風險，得到的結果為介于0～1之間的數值，數值越大表明撂荒風險越高，而數值越小則表明撂荒風險越低。根據興寧市全域內現有耕地撂荒風險和各風險概率數值區間耕地地塊比重，采用自然斷點法將耕地撂荒風險分為低、中、高三級，其中，0～0.3之間為低撂荒風險地塊，0.3～0.9之間為中撂荒風險地塊，0.9～1之間為高撂荒風險地塊。

研究結果表明，興寧市耕地整體撂荒風險較高。從空間上看，興寧市耕地撂荒風險整體呈現“中間低四周高”的分布趨勢，中部為盆地，地勢較為平坦，水田居多，耕地撂荒風險較小，而四周為山地，坡耕地較多，耕作便利性較差，撂荒風險高（詳見圖2）。結合各鎮情況可以發現，低撂荒風險耕地主要分布在中部地勢較為低洼的幾個鄉鎮，其中，坭陂鎮、新陂鎮、龍田鎮撂荒風險較低；而高撂荒風險耕地主要分布在地勢較高的幾個鄉鎮，其中，合水鎮、黃陂鎮、羅浮鎮撂荒風險較高。從面積上看，高撂荒風險耕地面積為10 481 hm2，占耕地總面積的30.13%；中撂荒風險耕地面積為9 885 hm2，占耕地總面積的28.42%；低撂荒風險耕地面積為14 417 hm2，占耕地總面積的41.45%。從地塊數量上看，高撂荒風險地塊占比最大，為41.77%；中撂荒風險地塊次之，為34.07%；低撂荒風險地塊占比最小，為24.16%（詳見圖3）。面積和地塊數量占比上的差異從一定程度上說明了耕地細碎化加劇耕地撂荒的風險。

圖2 興寧市耕地撂荒風險級別分布圖Fig. 2 Distribution map of risk level of farmland abandonment in Xingning

實地調查也表明，興寧市耕地撂荒的現象較為嚴峻，各鎮均有不同程度耕地撂荒風險。分析其主要原因有：1）興寧地處粵北山區，受比較利益驅動，大多數青壯勞動力均外出打工，在家務農的農戶大都為半退休狀態的中老年，種田已不再是其主要經濟來源，而僅為滿足口糧需求[17]；2）興寧多山，梯田、山坑田數量較多，這些耕地耕作不便利，農戶一般選擇撂荒或改種果樹（沙田柚）；3）農田排灌等水利設施不足。興寧山地較多，地勢高低不平，缺少農田排灌設施，易發生旱澇災害[18]。

圖3 興寧市耕地在不同撂荒風險等級中的分布Fig. 3 Distribution of farmland in different risk levels of abandonment in Xingning

3.2 不同撂荒風險耕地特征

為探究不同撂荒風險的耕地特征，擬從基礎條件、自然地理條件、土壤條件以及基礎設施條件四個方面深入分析。

3.2.1 基礎特征 統計基礎條件指標與耕地撂荒風險的分布情況可以發現，由于旱地水利條件較差，撂荒風險最高，近九成旱地為中高撂荒風險，其中高撂荒風險耕地接近六成。水田撂荒風險較低，約3/4水田為中低撂荒風險，水澆地的撂荒風險則主要以中撂荒風險為主（詳見圖4）。

對比田塊形狀與耕地撂荒風險關系可以發現，田塊越規整耕地撂荒的風險越低。從表2可知，田塊系數小于0.6的耕地中，高撂荒風險的耕地比例最大，其中，當田塊系數小于0.3時，約3/4的耕地為高撂荒風險。田塊系數大于0.8時，約九成耕地為中低撂荒風險。綜上，高撂荒風險耕地主要為田塊較小，形狀不規整的旱地。

圖4 耕地類型在不同撂荒風險級別中的分布Fig. 4 Distribution of farmland types in different risk levels

3.2.2 自然地理特征 坡耕地撂荒風險比一般耕地更高。從表3可知，隨著坡度上升，高撂荒風險耕地比例逐漸增大。當耕地坡度大于15°時，約六成耕地為高撂荒風險。從不同撂荒風險耕地的平均高程上看，高程越高，耕地撂荒風險越高。高撂荒風險耕地的平均高程為224 m，比中低撂荒風險耕地分別高出約80 m和60 m。而從耕地所處的地形部位看，地形部位較差的耕地撂荒風險較高。位于陡崖、山頂和山脊部位的高撂荒風險耕地占比分別為89.42%、48.61%和37.02%；而位于平原的高撂荒風險耕地占比較低，僅為9.08%。最后，從耕地與森林的距離看，高撂荒風險耕地一般位于森林邊緣，受樹蔭和樹種影響，隨著耕地距森林邊緣的距離增加，耕地撂荒的風險越小。在距離森林邊緣小于50m的耕地中，約六成耕地處于高撂荒風險狀態，在距離森林邊緣超過50 m的耕地中，僅有不到兩成處于高撂荒風險狀態（詳見表4）。綜上，高撂荒風險耕地具備高程高，坡度大，距離森林近以及地形部位差等特征。

表2 耕地田塊形狀（系數）在不同撂荒風險級別中的分布Table 2 Distribution of field shape coef ficients in different risk levels

表3 耕地坡度在不同撂荒風險級別中的分布Table 3 Distribution of farmland slope in different risk levels

表4 地塊到森林邊緣距離在不同撂荒風險級別中的分布Table 4 Distribution of land-to-forest edge distances in different risk levels

3.2.3 土壤質量特征 首先，從土壤有機質含量看，耕地撂荒風險與耕地土壤有機質含量成反比，高撂荒風險耕地土壤有機質含量一般也較低。從表5可知，土壤有機質含量小于10 g/kg的耕地中，約六成處于高撂荒風險狀態，而土壤有機質含量超過30 g/kg的耕地中，僅有不到兩成處于高撂荒風險狀態。而低撂荒風險地塊則主要集中于土壤有機質含量高于20 g/kg的耕地中。其次，從有效土層厚度看，土層厚度較低的耕地撂荒風險較大，有效土層厚度小于60 cm的耕地中，約六成處于高撂荒風險狀態，而有效土層厚度超過100 cm的耕地中，僅有不到兩成處于高撂荒風險狀態，超過一半處于低撂荒風險狀態（表5）。通過分析耕地撂荒風險與耕地土壤質量特征可以發現，高撂荒風險耕地一般土壤較為貧瘠，土地厚度較小。值得注意的是，土壤質量較高的耕地也存在較大比例高撂荒風險地塊，這在一定程度上說明興寧市耕地撂荒的情況較為嚴峻。

表5 土壤有機質含量、有效土層厚度在不同撂荒風險級別中的分布Table 5 Distribution of soil organic matter content and effective soil thickness in different risk levels

表6 灌溉保證率在不同撂荒風險級別中的分布Table 6 Distribution of irrigation guarantee rate in different risk levels

3.2.4 基礎設施特征 基礎設施主要包括田間道路和灌溉條件。首先，田間道路是影響農業生產的重要條件之一，道路條件決定耕作的難易程度，可達性較差的地塊往往成為優先撂荒地塊。而從統計結果也可以看出，路網密度越小，中高撂荒風險耕地比例越高。其次，農業生產需要水源灌溉保證，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[19]。從表6可知，灌溉保證率越高，耕地撂荒風險越小。在灌溉保證率高于55%的耕地中，約一半為低撂荒風險。在灌溉保證率高于75%的耕地中，僅有5.33%處于高撂荒風險狀態。因此，高撂荒風險耕地一般基礎設施條件較差。

4 結論

本文以廣東省興寧市2016年耕地為研究對象，基于遙感影像數據、GIS技術和BP神經網絡模型，從基礎條件、自然地理條件、土壤條件及基礎設施條件四個方面，選取17個指標進行耕地撂荒風險評價，得出如下結論：

興寧市耕地整體撂荒風險較高，約三成耕地處于高撂荒風險狀態；受地形地貌影響，興寧市耕地撂荒風險呈現中間低四周高的分布態勢。從耕地基礎條件看，高撂荒風險耕地主要為旱地，具有田塊細碎、形狀不規整特征；從耕地自然地理條件看，高撂荒風險耕地一般分布在坡度較大，海拔較高，距離森林較近以及地形條件較差的區域；從耕地土壤條件看，高撂荒風險耕地土壤較為貧瘠，土層厚度較小；從耕地基礎設施條件看，路網不完善，灌溉保證率低會進一步加劇耕地撂荒風險。BP神經網絡模型在預測耕地撂荒風險方面有較大的優勢，預測精度較高，能較好地反映耕地撂荒風險空間分布格局，為耕地集約利用和政策制定提供重要參考。然而，本文研究主要從微觀地塊尺度研究耕地撂荒風險，對農戶和社會經濟因素關注較少，未來可建立基于農戶-地塊雙層撂荒風險預測指標體系，進一步提高撂荒風險預測精度。

5 對策建議

隨著農村青壯勞動力的析出及農村人口老齡化的加劇，興寧市耕地撂荒趨勢將日益嚴峻，建議從以下方面開展治理行動：

首先，建立耕地撂荒風險動態監測體系。通過定期監測，及時發現高撂荒風險區域，診斷其成因，進而分類提出針對性治理對策。對于基礎條件較差導致的高撂荒風險耕地，可將這些耕地納入土地整治規劃中，通過旱改水、土地平整等土地整治工程改善其基礎條件；對于自然地理條件較差的高撂荒風險耕地，可考慮將其納入退耕還林、退耕還草范圍，或在不破壞耕作層的條件下，適當鼓勵農民發展水果、花卉、蔬菜、藥材等經濟作物；對于土壤條件較差的撂荒耕地，應鼓勵進行適當休耕輪作，通過水稻-經濟作物輪作或季節性休耕，提高土壤肥力，改善耕地質量。而對因基礎設施條件較差而導致的高撂荒風險耕地，應重點納入土地整治和高標準農田建設項目，通過溝渠路網建設，改善耕作條件，提高耕作便利性，同時提倡使用先進農業機械，減少農業對密集勞動力的依賴，擴大農戶種植面積，進而提高耕地產出。

其次，應加強耕地流轉，鼓勵適當規模經營。青壯勞動力缺失是興寧當前耕地撂荒的主要原因。在勞動力外出不可避免的情況下，增加耕地經營的規模顯得尤為重要[20]。一方面，應通過農業補貼等方式，鼓勵當地種植大戶多種地；政府應盡快落實農地確權登記成果，建立農地流轉交易平臺和中介服務體系，減少種植大戶的尋地成本。另一方面，借鄉村振興戰略的政策東風，吸納部分外出務工人員返鄉承包土地，借助電子商務，發展特色農業經濟，打造農業品牌。同時，應加強農業職業培訓，培育新型農民主體，讓更多的農民有能力經營更大規模土地，從而減少耕地閑置與撂荒。