不同空間聚類算法在識別優質集聚基本農田圖斑中的應用及對比研究

楊建新，劉 靜，龔 健，劉玉鈴，朱江洪

（1.中國地質大學（武漢）公共管理學院，湖北 武漢 430074；2.自然資源部法治研究重點實驗室，湖北 武漢 430074；3.青海省國土空間規劃研究院，青海 西寧 810006）

1 引言

永久基本農田是耕地中最精華的部分，要確保“飯碗始終端在自己手里”，劃定并保護永久基本農田是根本途徑。當前因建設占用、生態退耕、災害損毀、土地污染等原因導致永久基本農田劃定不實問題較為嚴重，“上山、下海、入湖、進溝”和“遠、邊、散、碎”等空間布局不合理現象明顯[1-2]。因而，按照保質足量、集中連片的基本要求，對現有永久基本農田保護圖斑進行調整補劃和布局優化是當前國土空間規劃和“三線”統籌劃定工作的迫切要求[3]，其中如何識別質量優等、空間集聚的永久基本農田保護圖斑是關鍵。

針對如何識別質量優等的基本農田保護圖斑，學者最初多是依據農用地分等成果選取質量等別高的耕地圖斑劃入基本農田保護區[4]。但分等成果多側重耕地自然質量，對農業區位條件、生態條件及建設水平等立地條件考慮不足[5]。一些學者借鑒美國農業部提出的 LESA（Land Evaluation and Site Assessment）評價體系，從耕地自然條件和立地條件兩方面評定耕地綜合質量來識別糧食生產能力高且耕作便利、形態穩定的基本農田保護圖斑[6-7]，不足在于評價指標體系中缺少考慮耕地在空間上的聚散性。因此，一些學者將集中連片度、集聚度等空間形態指標引入評價體系以體現基本農田保護圖斑在空間上的集中連片分布要求[8-10]。但僅將連片性或集聚性作為耕地綜合質量評價的一項指標考慮，存在與其他指標的權衡問題，不同指標之間可能存在抵消效應，且受指標權重影響較大，難以從整體上體現耕地圖斑的空間集聚性。此外，也有學者應用空間多目標優化算法同時考慮耕地質量和空間集聚性目標來識別優質連片永久基本農田保護圖斑[11-12]，不足之處在于該類方法對工作人員技術和計算機算力要求較高，實踐可操作性稍顯不足。

為更好地直觀體現基本農田高質量集中連片要求，一些學者在耕地綜合質量評價的基礎上，借助空間聚類方法表達耕地質量在空間上的集聚程度，以集聚性表征連片度進而識別高質量集聚永久基本農田保護圖斑，常用聚類方法包括K-Mean[13-14]、Local Moran’s I[15-16]和Getis-Ord Gi*[17]等。具體操作上多是根據耕地綜合質量的空間聚類結果采用矩陣組合法或四象限法將耕地圖斑劃分為不同的聚類區，并確定不同聚類區圖斑劃入基本農田保護區的優先級[17-18]，不足之處在于未能在地塊尺度提供同時包含耕地質量及其空間集聚信息的指示指標及相應的優選方案，以便能通過該指標的簡單排序精準識別指定面積的優質集聚基本農田保護圖斑。

此外，當前應用于識別永久基本農田保護圖斑的常見空間聚類算法均是使用近似圓形窗口來確定圖斑單元的鄰域結構，因此其識別的空間聚類區形狀也近似于圓形分布，這使得其不具備搜索空間非規則鄰域進而識別任意形狀空間聚類區的能力。而實際上耕地圖斑及其質量的空間分布是復雜非規則的，比如在山地丘陵區耕地更多可能是沿川谷呈帶狀分布，這將影響規則空間聚類算法在這些地形復雜區識別優質連片永久基本農田保護圖斑的有效性和適用性。

鑒于此，本文以青海省大通縣為研究區，從自然質量和立地條件兩方面評估研究區耕地綜合質量，在此基礎上應用常見的Local Moran’s I和Getis-Ord Gi*空間聚類算法以及具備識別空間非規則聚類結構的AMOEBA （A Multidirectional Optimum Ecotope-Based Algorithm）空間聚類算法，構建能同時反映耕地圖斑質量及其空間聚集性的地塊級表征指數并設計對應的排序優選方案，研究對比不同聚類指數及相應排序方案識別的不同面積比例的永久基本農田保護圖斑的平均質量和空間集聚程度，進而驗證不同空間聚類指數及排序方案的有效性，以期為永久基本農田調整補劃和布局優化工作提供方法借鑒。

2 研究區與數據來源

2.1 研究區概況

大通縣是青海省重要的糧農產品生產基地，是全國500個糧食大縣之一。2019年末全縣常住人口45.66萬人，常住人口城鎮化率46.01%。全縣分為川水、淺山、腦山和高山區4大地貌類型區。2018年末全縣耕地面積54 459.31 hm2（圖1），其中永久基本農田面積為43 489.15 hm2，保護比例為79.86%，永久基本農田利用等別分布在12—14 等，平均利用等別為13.33等，主要集中在川水地區，沿主要河流及其支流呈帶狀分布，該地區地勢平坦開闊、水資源豐富。因退耕還林、建設占用及農業結構調整等原因，當前大通縣永久基本農田不實現象較為突出，“非農化”“非糧化”問題較為嚴重，部分永久基本農田 “上山、入溝、進村”等空間布局不合理現象明顯，亟需布局優化。

圖1 研究區區位及耕地質量等別分布圖Fig.1 Location and level of farmland quality in the study area

2.2 數據來源及處理

本文所需數據主要有：（1）土地變更調查數據庫（2018年），用于提取居民點、農村道路等；（2）耕地等別數據庫（2018年），用于提取耕地矢量圖斑以及表層土壤質地、有機質含量、土壤酸堿度、有效土層厚度、灌溉保證率等反映耕地自然質量的評價指標；（3）DEM數據，主要用于提取高程和計算田面平整度，通過地理空間數據云（http://www.Gscloud.cn/）獲取；（4）統計年鑒等社會經濟數據由研究區統計局提供。所有空間數據在統一空間范圍后均采用2000國家大地坐標并投影到高斯克呂格平面坐標系，所有柵格數據均采用30 m×30 m分辨率。

3 研究方法

3.1 耕地綜合質量評價

3.1.1 評價單元

耕地質量評價單元是指在自然條件和社會經濟特征等方面均具有相對一致性的耕地單元。本文以研究區2018年耕地等別數據庫中確定的矢量耕地圖斑作為評價單元，最終確定評價單元12 108個。

3.1.2 評價指標選取及量化

本文以耕地糧食生產功能和與外部環境的協調為切入點，參考研究區耕地分等及已有相關研究成果[19-22]，遵循全面性、主導性、差異性和數據可獲取性等原則[23]，從自然質量和立地條件兩方面選擇11項指標建立耕地綜合質量評價指標體系（表1）。其中，自然質量指標包括表層土壤質地、有機質含量、土壤酸堿度、有效土層厚度、坡度、灌溉保證率6項指標，綜合反映了耕地土壤養分、酸堿度等物理化學性質以及農田水利條件；立地條件包括田面高程、田塊平整度、到農村居民點距離、到農村道路距離、路網密度5項指標，主要反映耕地耕作便利程度和機械化適宜度等。

根據評價指標的屬性不同，可采取分級賦分、極值標準化等方法對耕地質量評價指標進行量化。因本文中自然質量指標均從研究區耕地等別數據庫中直接提取，因此可直接采用其分級賦分結果進行指標量化，分級賦分規則表與《農用地質量分等規程（GBT28407—2012）》保持一致，具體見表1。立地條件指標中的田面高程指評價單元中各DEM柵格的均值，田塊平整度由評價單元中各DEM柵格的標準差表達，田塊到農村居民點和到農村道路的距離，通過ArcGIS 10.2的距離分析工具計算，路網密度通過在每個評價單元周圍建立1 000 m的緩沖區，將緩沖區內的道路長度作為該評價單元的路網密度。立地條件指標的賦值方法參考錢鳳魁等[23]的研究成果，采用極值標準化方法將指標量化到0～100之間，公式如下：

正向指標標準化：

負向指標標準化：

式（1）—式（2）中：y′ij為評價單元i指標j的標準化值；yij為評價單元i指標j的實際值；n為評價單元個數；m為評價指標個數；yj，max為評價指標j的最大值；yj，min為指標j的最小值。

3.1.3 評價模型建立

耕地質量評價模型主要有多因素綜合評價、逐級修正及理想點逼近等多種方法[24]。因本文選取的耕地質量評價指標既有正向促進指標，也有負向障礙指標（表1），因此適宜采用多因素綜合評價法[25]，其計算公式如下：

表1 耕地綜合質量評價指標因子量化賦分Tab.1 Quantification of farmland quality assessment factors

式（3）中：Fi為耕地圖斑i的綜合質量分值，y′ij為評價單元i指標j的標準化值，wj為指標權重。指標權重確定的科學性影響評價結果的準確性，常用的權重確定方法可分為主觀賦權法，如層次分析法[26]，以及客觀賦權法，如熵權法[27]。兩類權重確定方法各有利弊，常常結合使用。因此，本文擬采用層次分析法和熵權法綜合確定各指標權重[28]，結果見表2。

表2 耕地綜合質量評價指標權重Tab.2 Weight of farmland quality assessment factors

3.2 空間聚類算法

3.2.1 規則空間聚類算法

Local Moran’s I反映地理單元及其鄰域單元在空間上的高低值集聚、異常及隨機分布現象[29]。Local Moran’s I算法分析每個耕地圖斑與其鄰域圖斑質量的集聚或異常關系，并報告每個圖斑的Local Moran’s I值（以下簡稱I值）、z得分和p值，據此將耕地圖斑在空間上聚類為高—高（HH）、高—低（HL）、低—高（LH）、低—低（LL）和非顯著 （NS）5種類型。z得分為正且值越大，表明高質量或低質量耕地圖斑集聚程度越顯著。z值為負且值越小，表明圖斑綜合質量異質性程度越高。若z值趨近于0，且不具有統計顯著性，則表明耕地圖斑綜合質量表現為隨機分布。

Getis-Ord Gi*反映地理單元在空間上的高值集聚、低值集聚及隨機分布情況[30]。Getis-Ord Gi*算法分析每個耕地圖斑自身及其鄰域圖斑綜合質量與研究區所有耕地圖斑綜合質量均值的關系，進而計算每個圖斑的Getis-Ord Gi*值（后文簡稱Gi*值，該值同時也為z得分）和p值，并據此將耕地圖斑在空間上聚類為熱點（Hotspot）、冷點（Coldspot）和非顯著 （NS）三種類型。Gi*值為正且值越大，則高質量耕地圖斑的空間集聚度越明顯；Gi*值為負且值越小，則低質量耕地圖斑的空間集聚度越明顯；Gi*值趨近于0，且不具有統計顯著性，則空間集聚性不明顯，表現為隨機分布。

3.2.2 非規則鄰域搜索空間聚類算法

鄰域定義在空間聚類分析中起到關鍵作用。目前常見的鄰域定義方法主要有基于空間鄰接關系（兩個圖斑共邊頂點即互為鄰居）和基于空間距離（兩個圖斑相距小于給定距離即互為鄰居）兩種（圖2a，2b）。而無論Local Moran’s I和Getis-Ord Gi*算法使用何種鄰域定義方式，總體上均是基于近似規則的圓形窗口來確定鄰域單元，因此其識別的空間集聚或異常區形狀常與鄰域搜索窗口形狀接近，即近似于圓形分布。因而這兩種聚類算法均不具備搜索空間非規則鄰域進而識別任意形狀空間聚類結構的能力，常常會把一些低（高）值單元歸類到高（低）值聚集區中（圖2d），或將一個狹長的帶狀聚集區識別為多個小的聚集區（圖2e）。

AMOEBA非規則鄰域搜索空間聚類算法基于鄰域逐層搜索理念（圖2c）識別空間集聚區域，可以有效識別空間分布不規則的聚類結構（圖2f）。AMOEBA算法以Gi*統計量為基礎，從某一單元出發向各個方向逐層搜索其鄰域單元，計算該單元與不同鄰域單元組合的Gi*統計量，并將使得Gi*值最大化的單元納入集聚區，以此來識別不同空間集聚類型，其詳細原理可參考文獻[31-32]。AMOEBA算法計算每個圖斑的最大Gi*值（以下簡稱MaxGi*）和p值，并據此將耕地圖斑在空間上聚類為熱點（Hotspot）、冷點（Coldspot）和非顯著（NS）三種類型，MaxGi*值對耕地質量及其空間聚集性的指示含義與Gi*一致。

圖2 空間鄰域定義以及聚類區示意圖Fig.2 Definition of spatial neighborhood and spatial clusters

3.3 基本農田保護圖斑識別

3.3.1 空間聚類指數排序方案設計

本文基于不同空間聚類指數內涵設計3種排序方案，進而識別不同面積的永久基本農田保護圖斑，詳述如下。方案1：Getis-Ord Gi*算法計算的Gi*值（同時也是z得分）大小明確反映了耕地圖斑質量的高、低集聚情況，因此可首先按照集聚類型Hotspot，NS，Coldspot排序，然后每一類型中按Gi*值從大到小排序，進而識別不同面積比例下的永久基本農田保護圖斑。方案2：由于Local Moran’s I計算的耕地質量空間聚類指數z得分中較大的正值既可表示高值集聚，也可表示低值集聚；較小的負值既可表示高—低集聚，也可表示低—高集聚。因此，本文首先依據Local Moran’s I聚類結果將所有耕地圖斑按照HH、LH、NS、HL、LL的順序排序[33-34]，然后HH和HL聚類中將耕地圖斑按z得分從大到小排序，LH和LL聚類中將耕地圖斑按z從小到大排序，NS類別中因z得分不反映空間集聚性，可直接按耕地綜合質量分從大到小排序。方案3：AMOEBA算法按照集聚類型Hotspot，NS，Coldspot，且MaxGi*值從大到小排序，進而識別某一面積比例下的永久基本農田保護圖斑。本文還將所有耕地圖斑直接按照其綜合質量分從高到低排序，作為參照方案4，進而識別永久基本農田保護圖斑，以便與基于3種不同聚類指數排序方案劃定結果進行對比分析。

3.3.2 鄰域敏感性分析

此外，為研究基于空間聚類指數排序識別的基本農田圖斑的平均質量和空間集聚性對鄰域定義方式的敏感性，本文還對比了基于空間鄰接關系和基于不同空間距離兩種方式來定義耕地圖斑的空間鄰域對識別結果的影響。AMOEBA算法僅支持基于空間鄰接關系逐層搜索的鄰域定義，因而僅對比Local Moran’s I和Getis-Ord Gi*兩種聚類算法在不同鄰域定義方式下識別的永久基本農田保護圖斑差異。

4 結果分析

4.1 耕地綜合質量

研究區耕地綜合質量分值分布在［41.06, 81.82］之間，平均分為65.52，標準差為7.33，空間分布如圖3所示。可以看出，研究區高質量耕地主要沿主干河流及其支流沿岸分布，南部川水地區分布較多；質量較高耕地主要分布在中南部川水和淺山地區；中等質量耕地主要分布在中部、西部淺山地區；低等級耕地主要分布在中北部的半淺山、半腦山地區。

圖3 研究區耕地質量分布Fig.3 Farmland quality distribution in the study area

4.2 不同排序方案的空間差異性對比

依據4種不同排序方案對研究區耕地圖斑進行排序，按照排序指數從優到劣依次選定不同面積比例的基本農田保護圖斑，結果見圖4。從圖4可以看出基于4種排序方案識別的不同面積比例下的基本農田圖斑在空間分布上總體接近，但在局部細節上存在差異。特別是當基本農田保護比例較低時，基于不同排序方案識別的基本農田保護圖斑分布差異更為明顯。但整體上，基于3種空間聚類指數排序所識別的基本農田圖斑在空間分布上相對更為集聚，其中以基于AMEOBA聚類指數排序識別的基本農田圖斑的空間集聚優勢最為明顯。而當保護比例逐漸增大時，不同排序方案選定的基本農田圖斑差異趨小。

圖4 基于4種排序方案識別的不同面積比例下的基本農田圖斑分布Fig.4 Basic farmland selected based on the four ranking schemes under different protection proportions

4.3 不同排序方案下基本農田圖斑質量和連片度對比

將基于4種排序方案識別的不同面積比例下的基本農田保護圖斑柵格化后輸入Fragstate軟件計算斑塊數量（不同于基本農田圖斑數量），以表征不同保護比例下所選定基本農田圖斑的空間集聚和集中連片程度；同時計算了不同面積比例下所選定基本農田圖斑的平均綜合質量分，結果見圖5。從不同面積比例下所識別的基本農田圖斑的空間集聚性來看（圖5（a）），當基本農田保護比例小于50%時，基于AMEOBA算法識別的基本農田圖斑的斑塊數量明顯少于同等比例下按質量分排序識別的基本農田斑塊數，空間集聚程度更高。基于Getis-Ord Gi*算法識別的基本農田圖斑的空間集聚性則位于AMEOBA和Local Moran’s I算法之間，而Local Moran’s I算法識別的基本農田圖斑的斑塊數與基于質量分排序識別的基本農田斑塊數較為接近。當基本農田保護比例大于50%時，Getis-Ord Gi*算法識別的基本農田斑塊數最多，而基于其他3種排序方案識別的基本農田圖斑的空間集聚程度未表現出明顯的優劣特征。

從不同保護比例下選定的基本農田圖斑的平均綜合質量來看（圖5（b）），Local Moran’s I算法識別的基本農田圖斑的平均質量與按質量分排序識別的基本農田圖斑的平均質量幾乎一致。Getis-Ord Gi*算法識別的基本農田圖斑平均質量最低。當基本農田保護比例小于50%時，基于AMEOBA算法識別的基本農田圖斑平均質量與按質量分排序識別的基本農田圖斑平均質量接近；而當保護比例大于50%時，AMEOBA算法識別的基本農田圖斑平均質量與Getis-Ord Gi*算法識別結果接近。

圖5 不同聚類指數排序方案下不同面積比例基本農田圖斑的斑塊數及平均質量Fig.5 Number of plots and average quality of basic farmland with specific protection proportions under different ranking schemes in order of the corresponding spatial clustering index

總體來看，AMEOBA算法識別的基本農田圖斑在取得更為明顯的空間集聚優勢時，僅有小幅度的質量下降；Getis-Ord Gi*算法在保護比例低于50%時雖能取得一定的空間集聚優勢，但圖斑平均質量降幅大于AMEOBA算法；而Local Moran’s I算法識別結果在圖斑空間集聚程度和平均質量上均與按質量分直接排序識別結果幾乎一致，未表現出明顯的空間集聚優勢。

Getis-Ord Gi*算法識別結果的空間集聚性次于AMEOBA算法，耕地綜合質量損失也較AMEOBA更為明顯，但兩者總體特征和變化趨勢相似，這主要是因為兩者的基本數學原理具有一致性，即都是以Gi*統計量為基礎。造成兩者結果差異的原因主要在于鄰域搜索以及集聚區定義方式不同。首先，AMEOBA算法通過逐層搜索動態確定鄰域單元，因而具有識別非規則空間聚類結構的能力，更適宜于耕地質量呈現非規則集聚分布的地區；其次，AMEOBA算法在識別空間集聚單元時具有更為嚴格的條件，該算法每次僅嘗試在集聚區中加入一個鄰域單元，只有使得Gi*統計量增大的鄰域單元才能劃入高值集聚區之中，這使得AMEOBA能更有效識別高值集聚區中的低值單元，并將其排除在高值集聚區之外。這是當保護比例較低（＜50%）時AMEOBA算法能在本文所選研究區取得更優結果的主要原因。

Getis-Ord Gi*和Local Moran’s I均是基于中心單元耕地質量與其鄰域單元質量均值的高低關系確定空間集聚區，而鄰域中的個別低值耕地單元可能會被其他高值單元通過均值效應掩蓋而納入集聚區中，從而使得這些低值耕地單元也有較高的空間聚類指數值，這是造成Getis-Ord Gi*算法識別結果的質量損失更為明顯的主要原因。Local Moran’s I算法識別結果的空間集聚性及平均質量與基于綜合質量排序識別結果接近，特別是保護比例在20%～70%之間時，這主要是因為Local Moran’s I算法的聚類結果中71.86%的圖斑都歸類為非顯著性區域（NS），而這一類別中的耕地圖斑是直接基于綜合質量分進行排序的。

4.4 不同排序方案的鄰域敏感性對比

為驗證基于不同空間聚類指數排序識別基本農田保護圖斑的鄰域敏感性，本文對比分析了Local Moran’s I和Getis-Ord Gi*兩種聚類算法在空間鄰接關系鄰域和1 000～2 000 m（步長200 m，其中1 000 m是保證每個耕地圖斑均有至少一個鄰域圖斑的最小距離）不同空間距離鄰域下的永久基本農田保護圖斑的空間集聚程度和平均綜合質量，結果如圖6所示。可以看出，Getis-Ord Gi*方法在識別基本農田保護圖斑時對鄰域定義方式更為敏感。當使用空間距離定義鄰域時，Getis-Ord Gi*識別的基本農田圖斑在空間集聚性方面比基于鄰接關系定義鄰域方式識別結果更有優勢，但基本農田圖斑的平均質量也明顯更低。而當Local Moran’s I方法使用空間距離定義鄰域時，識別的基本農田圖斑在保護面積比例低于60%時與基于鄰接關系定義鄰域和按耕地綜合質量分排序識別的基本農田圖斑在空間集聚性上基本無差異，但耕地平均質量則有不同程度降低；而當保護比例大于60%，Local Moran’s I方法識別的基本農田圖斑在空間集聚性上顯示出一定優勢，且耕地質量與基于鄰接關系鄰域和按耕地綜合質量排序識別的基本農田圖斑接近。此外，在使用空間距離定義鄰域時，無論是Local Moran’s I還是Getis-Ord Gi*方法，當增加鄰域定義的距離時，不同保護比例下識別的基本農田圖斑的空間集聚性和平均綜合質量都無明顯差異，說明這兩種算法在識別基本農田圖斑時對鄰域定義距離敏感性較低。

圖6 不同鄰域定義方式下Getis-Ord Gi＊和Local Moran’s I算法識別的基本農田圖斑的斑塊數及平均質量Fig.6 Spot numbers and average quality of the basic farmland identified by the different contiguity-based neighborhood analysis of the Getis-Ord Gi＊ and the Local Moran’s I models

5 結論與討論

劃定永久基本農田保護區從本質上要求在識別基本農田保護圖斑時需同時考慮耕地圖斑質量高低及其空間聚散關系。傳統基于質量排序的識別方法雖然可以保證識別的基本農田圖斑具有較高質量，但可能會因為缺少對空間關系的整體考慮而損失空間集聚連片性。造成這一現象的原因部分是因為目前還未有一套易于操作且實用的技術方法能提供一種有效的地塊級排序指數來同時指示耕地圖斑質量高低及其空間集聚程度，進而指導識別優質集聚的基本農田保護圖斑。本文提出基于空間聚類算法構建此種表征指數，并設計不同排序方案進行對比分析以選擇最優方案，為識別優質集聚永久基本農田保護圖斑提供了一種簡單易行且有效的解決方案，取得的研究結論主要如下：（1）研究區高質量耕地圖斑表現出較為明顯的河谷帶狀分布特征；（2）當保護比例較低（＜50%）時，基于空間聚類指數排序方案識別的永久基本農田保護圖斑相比直接基于綜合質量排序方案識別結果均具有不同程度的空間集聚性優勢，其中以AMEOBA算法識別結果的空間集聚優勢最為明顯，且質量相較于基于綜合質量排序識別結果僅有小幅度降低；（3）基于鄰接關系的鄰域定義方式能在研究區取得比基于空間距離的鄰域定義方式更優的識別結果。

雖然本文結果表明AMEOBA算法在識別高質量集中連片永久基本農田保護圖斑時相較于Getis-Ord Gi*和Local Moran’s I更為適用，但這并不表明該算法在其他具有不同地形地貌特征的地區同樣能取得最優結果。已有研究也表明基于Getis-Ord Gi*輸出結果中的z得分進行排序，在投資總額較低時較AMEOBA和Local Moran’s I能更好地識別空間集聚且具有較高投資效益的生態修復區[33]。因此，本文結果雖然表明基于空間聚類算法計算表征耕地質量及其空間集聚性的相關指數，并設計相應的排序方案以此來識別高質量集聚永久基本農田保護圖斑是有效的，但具體哪種聚類指數更為適用則可能需要結合研究區耕地圖斑質量的集聚特征進行具體的對比分析才能確定。

此外，當保護比例較高時（＞50%），基于空間聚類指數排序的永久基本農田保護圖斑識別結果在空間集聚性上相較于基于綜合質量直接排序的識別結果并未表現出明顯優勢，且耕地圖斑的平均綜合質量更低，其中Getis-Ord Gi*識別結果的空間集聚性還具有明顯劣勢。但這并不表明基于聚類指數排序的識別方案在永久基本農田保護圖斑比例較高時不適用。因為雖然比例較高時基于空間聚類指數的識別結果在空間集聚性和耕地綜合質量上都未取得優勢，但其識別結果可確保基本農田保護區中高質量的耕地圖斑在空間上是集中連片分布的，對高標準農田建設區精準選址以及精細化調整補劃現有永久基本農田等工作均具有重要指導作用。而具體到永久基本農田保護比例低于多少時基于聚類算法的識別結果才能取得明顯的空間集聚優勢則取決于研究區耕地圖斑及其質量的空間集聚特征，一個初步的猜想是當耕地質量的空間自相關性（可用Global Moran’s I指數表征）越強，則該比例越高，基于空間聚類指數排序的識別方法的適用性越強。

同時，本文提出的基于聚類指數排序識別基本農田保護圖斑的技術方案具有操作簡單易用的特征。本文中使用的三種聚類算法在ArcGIS中均有相應的工具供直接使用，在完成耕地綜合質量分計算的前提下工作人員只需了解ArcGIS和Excel的基本操作即可完成相關工作。

首先，本文僅分析了永久基本農田保護圖斑識別中質量與空間集聚問題，而對永久基本農田保護區劃定中的保護規模和“三類”空間沖突協調等問題未有研究；其次，本文僅對比了不同聚類指數及其相應排序方案在識別優質集聚永久基本農田保護圖斑時的有效性及其優劣，而并未開展不同地貌類型研究區之間的橫向對比分析，后期可開展相關研究以進一步驗證本文所提出解決方案的適用性。