典型山區撂荒耕地精準識別及驅動機制研究

關鍵詞：撂荒耕地；影響機理；驅動機制；隨機森林；系統動力學模型

耕地作為人類生存、發展與繁榮的基礎，肩負著維護生態平衡、確保糧食自給自足、驅動經濟增長及維系社會穩定的多重使命。然而，在城鎮化與工業化的推動下，城市擴張，人口激增，對土地資源的需求急劇上升，為耕地資源的可持續利用帶來了前所未有的挑戰，加強耕地保護成為了刻不容緩的時代課題[1]。中共二十大報告指出，必須全方位夯實糧食安全根基，堅守十八億畝耕地紅線[2]。為夯實糧食安全基礎，不斷提高土地利用率，各地大力整治耕地撂荒，但由于各種原因，耕地撂荒現象依然存在[3]。精準且迅速地獲取撂荒耕地的信息，識別長期撂荒耕地，探討其成因與驅動機制，是耕地撂荒治理需要解決的基礎性問題[4]。

精準識別撂荒耕地是研究驅動機制的前提，對于制定耕地保護相關政策至關重要[5]。目前，國內研究多依賴傳統調查手段收集撂荒耕地信息，相較之下，利用遙感影像技術進行數據獲取的研究較為缺乏，且傳統的目視解譯和數理統計分類方法效率低下[6]。為了突破這一瓶頸，需要創新遙感技術與算法。馬尚杰等[7]利用遙感圖像抽樣統計計算小地物扣除系數，評估霍邱縣冬季耕地撂荒情況，此方法過于依賴于衛星影像的分辨率和質量，識別精度和效率都有待提高。韋中暉等[8]分析了耕地各種覆蓋類型的NDVI季相變化規律，并構建多時相協同變化檢測模型，對鹿泉區的耕地撂荒狀態進行了識別，但識別過程中只采用了NDVI一個綜合信息變量，難以保證識別精度。1997年MITCHELL[9]提出了機器學習算法，這一算法通過計算機不斷學習積累經驗，提升處理效率與性能。近年來，憑借其強大的自適應和自學習的并行信息處理能力，在遙感影像分類研究中得到廣泛應用[10]。其中人工神經網絡、決策樹、支持向量機和隨機森林等方法在多項研究中展現出優秀的分類性能，成為研究者們關注的焦點[11]，并被用于撂荒耕地識別。如ALCANTARA等[12]通過TIMESAT時間序列分析工具得到不同物候的指標，在此基礎上采用支持向量機算法進行分類，實現了中歐和東歐撂荒耕地的識別。丘陵和山區受土地貧瘠、地形陡峭、農業基礎設施薄弱、地理位置偏遠等影響，耕地撂荒現象較嚴重[13]。對于氣候復雜，地塊破碎、圖像視覺特征模糊的山區，由于難以滿足其監測需求，相關研究成果較為缺乏[14]。谷曉天等[15]利用Landsat8OLI影像數據和DEM數據，對人工神經網絡、決策樹、支持向量機和隨機森林4種機器學習方法的分類效果進行對比。研究顯示，隨機森林方法在分類精度和處理效率上具有顯著優勢，適用于復雜地形區土地利用信息高效提取。

耕地撂荒是自然、社會、制度等多方面因素的作用結果，是土地利用和土地覆被變化的重要研究議題，研究撂荒耕地的驅動機制對于理解土地資源的合理利用、保障糧食安全和推動農業可持續發展具有重要意義[16]。國內外對耕地撂荒影響因素和驅動機制的研究大多基于Logistic回歸模型和Tobit回歸模型。田玉軍等[17]通過二分類Logistic回歸模型分析了寧夏南部山區農業勞動力析出對耕地撂荒的影響；PRISHCHEPOV等[18]通過Logistic回歸模型發現蘇聯解體造成社會制度變化會導致耕地撂荒面積增加，龍明順等[19]運用二元Logistic和Tobit回歸模型分析山區耕地細碎化對農戶放棄耕作行為的影響，謝花林等[20]運用Tobit和Logic模型，分析興國縣不同代際農戶對耕地撂荒行為的影響。由于耕地撂荒影響因素十分龐雜，而Logistic和Tobit回歸模型能考慮的變量有限，難以揭示影響機制。而系統動力學模型通過系統內部的反饋循環和因果鏈，能夠綜合考慮多種因素及其相互影響關系，有助于更全面的理解撂荒耕地的動態演變和機制[21]。

本文選取典型山地區江西省蘆溪縣為研究區域，運用隨機森林法精準識別地類，進而識別撂荒耕地；通過構建撂荒耕地的系統動力學模型，探析撂荒耕地系統中不同影響因素，揭示驅動機制。本文不但可為撂荒耕地的快速精準識別提供方法參考，也可為耕地保護和糧食安全政策保障提供決策參考。

1研究區及數據源

1.1研究區概況

蘆溪縣隸屬江西省萍鄉市，位于江西省西部、萍鄉市東部，介于東經113°49′～114°16′，北緯27°24′～27°46′，屬亞熱帶濕潤性季風氣候，氣候溫和，光照充足，四季較為分明。海拔63～1912m，全域土地面積為961km2，主要的土地利用類型為林地和耕地，耕地主要分布在西北部，呈現條帶狀。蘆溪縣地形以丘陵為主，地勢從西北向東南逐漸升高，南部的武功山脈構成一道自然屏障。復雜的山地地形和丘陵地貌限制了蘆溪縣農業機械化的發展，增加了耕作難度，加之近年來圍繞武功山的旅游業迅猛發展，第三產業逐漸成為蘆溪縣經濟發展的重要推力，耕地撂荒現象比較普遍，具有典型性和代表性。

1.2數據及預處理

考慮到不同季節的遙感影像能夠捕捉耕地利用狀況的季節性變化，對于識別撂荒耕地至關重要[22]。本文選取蘆溪縣無云、質量良好且不同季節的遙感影像，包括2013年10月12日、2014年2月1日、2015年10月18日、2016年12月6日的Landsat衛星影像、2017年2月14日、2018年10月12日、2019年9月22日、2020年5月19日、2021年9月21日、2022年9月6日和2023年10月16日的Sentinel-2A衛星影像。社會經濟數據來源于2015—2023年江西省統計年鑒和蘆溪縣國民經濟和社會發展統計公報，并通過線性插值法填補空缺數據，該方法通過假設兩個已知數據點之間的變化是線性的來估算中間未知點的值，在統計學中有廣泛應用[23]。

2研究方法

本文根據研究目標確定地物分類體系，分析不同地類的影像特征，構建初選特征因子集，運用隨機森林特征優選算法進行特征優選。以此為基礎，構建研究區訓練樣本集，運用隨機森林分類方法得到2013—2023年各年土地利用分類，采用混淆矩陣法對分類結果進行精度驗證。接著，通過對比分類結果提取出研究時段內撂荒耕地的時空分布信息。最后，使用系統動力學模型分析耕地撂荒驅動機制。

2.1隨機森林法

2.1.1土地利用特征因子集構建

提升分類精度的關鍵在于合理地選取多樣化的特征因子[24]。本文選取具有明顯統計差異，能夠有效區分不同地類的特征作為識別地類的特征因子，包括光譜特征、形狀特征、植被特征和紋理特征。（1）光譜特征因子：影像光譜特征作為地物判讀和分類的物理基礎，是識別地類的直接依據[25]。因此，本文選取藍、綠、紅、近紅外波段作為初選光譜特征因子。（2）形狀特征因子：不同地類的形狀特征不同，可以輔助識別地類，耕地斑塊輪廓通常接近于矩形，邊緣線條流暢清晰，而自然植被、小型集水區等形狀更為復雜多變[26]。因此，本文選取長寬比和形狀指數作為初選形狀特征因子。（3）植被特征因子：植被特征能夠較為直觀地反映出自然植被與農作物物候特征的差異，是地物分類的關鍵參考指標[27]。因此，本文選擇了歸一化植被指數（NDVI）、比值植被指數（RVI）、差值植被指數（DVI）、土壤調節植被指數（SAVI）、增強型植被指數（EVI）、綠度植被指數（GNDVI）作為初選植被特征因子。（4）紋理特征因子：紋理特征可以充分利用遙感影像的高空間分辨率捕捉地物表面的結構和模式，提高對地物復雜性和多樣性的識別能力[28]。灰度共生矩陣（GLCM）方法是一種廣泛使用的描述影像紋理特征的方法，有助于解決影像“同物異譜”和“異物同譜”現象[29]。因此，本文選擇對比度、相關性、熵、同質性作為初選紋理特征（表1）。

本文利用隨機森林算法計算所有特征變量的重要性和貢獻度，結果如圖1。

按照初選特征因子重要性程度由高至低依次將特征輸入至隨機森林模型中，結果見圖2。隨著特征數量的增加，分類精度逐步提高，至14個特征時達到頂點。

特征數量不足時，分類精度較低，而數量過多時會增加運行成本[30]。進一步分析發現，當輸入模型的特征數量從10增加至14時，分類精度雖有所提升，但幅度不大，而運行時間卻隨著特征數量的增加顯著增長。綜合分析可知，當輸入特征數量為10時，模型在保持較高分類精度的同時，也實現了高效益。基于此，對特征因子進行精簡可得撂荒耕地優選特征為NDVI、MSAVI、RVI、EVI、藍波段、紅波段、GNDVI、綠波段、DVI和對比度。

2.1.2地物分類

由LEOBREIMAN于2001年提出的隨機森林分類算法，運用集成學習的思想，將多個決策樹組合為一個復合模型，是一個以決策樹為基本單元的高效分類方法[31]。當輸入訓練樣本時，每棵樹獨立地對輸入的樣本進行分類，最終通過多數投票的方式，選擇得票最多的類別作為預測結果；在構建每棵樹的過程中，約1/3的數據不會被用于訓練，這些數據稱為袋外數據，可以用來評估模型的準確性。與單棵決策樹相比，隨機森林具有更好的泛化能力，能夠減少過擬合的風險，即使在樣本量較小的情況下也能保持穩定性，并且易于實現，分類效果通常較好，在識別地類時具有明顯的優勢[32]。

2.1.3精度驗證

混淆矩陣是評估分類結果精度的指標[33]。本文構建驗證集樣本的真實類別與預測類別的混淆矩陣，通過計算總體精度（OA）、Kappa系數（K）、精確度（P）、召回率（R）、F1分數，度量模型的效果。

OA是指在遙感圖像解譯或分類中，分類結果與真實情況一致的比例，其值越接近1，模型的整體表現越好[34]；P是指模型預測為正類中實際為正類的比例；R是指模型成功識別出的正類樣本占所有實際正類樣本的比例；F1分數是精確度和召回率的平衡指標，F1分數越接近1表示模型在平衡準確率和召回率方面表現越好[35]。計算如式（1）—式（4）。

2.2系統動力學模型

系統動力學是1958年J·W·FORRESTER教授提出的系統仿真方法。這是一種基于系統思維的計算機模擬方法，它將自然科學中的系統論、控制論、信息論等理論與經濟學相結合，通過信息反饋的概念來分析社會經濟系統，不僅能分析研究信息反饋系統，也有助于認識并解決系統問題[21]。

本文模擬在保護十八億畝耕地紅線的背景下，假設前提為不考慮重大耕地政策的影響，空間邊界為蘆溪縣，基期年為2015年，數據時段為2015—2023年，時間步長為1a，系統邊界為人口子系統、氣溫子系統、經濟子系統、生產條件子系統，系統內容主要包括影響耕地撂荒的各因素及其相互作用機制。根據系統結構、反饋機制以及反饋回路，采用表函數法和線性回歸法等統計分析方法確定模型參數值，構建相關方程，繪制存量流量圖。運用Vensim軟件，不斷調整修正，使模擬結果接近蘆溪縣撂荒耕地現狀，并進行靈敏度驗證，計算公式為：

式（7）中：S為輸出變量Y對變化參數X的靈敏度；DX和DY為t時間內X和Y因參數調整而產生的變化值。當S（t）＜１時，表明該參數為非敏感性因子；當S（t）≥１時，表明該參數為敏感性因子。

3結果與分析

3.1土地利用分類結果及精度驗證

本文采用優選出的特征組合，結合研究區的實際情況，將土地利用類型分為耕地、林地、裸地、建筑用地和水域5類，選取空間上均勻分布的圖斑作為訓練樣本，并根據各地類的面積比例確定訓練樣本數量，建立訓練樣本庫。本文選取蘆溪縣的訓練樣本面積分別為耕地22.87km2，林地103.07km2，裸地12.36km2，建筑用地15.13km2，水域3.24km2，其中驗證樣本占訓練樣本的17.65%。

運用隨機森林分類方法得到研究區2013—2023年各年土地利用分類結果（圖3）。

從圖3中可以看出，試驗區土地利用類型以林地和耕地為主，兩者合計約占總面積的80%；建筑用地約占試驗區總面積的7%左右，其分布總體分散、相對集中，隨時間呈擴張趨勢。

為確保分類的可靠性，對結果進行精度檢驗。在研究區內選擇均勻分布的130個驗證樣本點（圖4）。通過目視解譯確定這些圖斑的地類，利用混淆矩陣計算總體分類精度、精確度、召回率、F1分數和Kappa系數（表2），總體分類精度介于80.77%～88.46%，精確度介于78.69%～87.50%，召回率介于80.33%～86.67%，F1分數介于80.00%～87.18%，Kappa系數介于0.761～0.849。

3.2撂荒耕地識別

本文采用2011年土地整理與土地儲備國際研討會所確立的標準，將連續兩年及以上未耕作的耕地定義為撂荒耕地[37]。基于2013年的土地分類結果，識別出轉為裸地或林地的耕地，并利用土地報批數據剔除非農化轉用的耕地，將此耕地歸類為“休耕/撂荒”狀態；然后，根據時間尺度進一步判斷，若“休耕/撂荒”狀態的持續時間大于等于兩年，則判定此耕地為撂荒，反之則判定為休耕。同時以2015年蘆溪縣的撂荒耕地圖層為基準，提取撂荒時間長度的耕地信息。

得到2015—2023年蘆溪縣的撂荒耕地面積依次為31.02km2、20.13km2、34.98km2、98.21km2、35.85km2、21.54km2、48.38km2、74.94km2、40.87km2，其空間分布如圖5。整體來看，這段時間內撂荒耕地面積沒有呈現出穩定的上升或下降趨勢，而是經歷多次波動，在2018年撂荒耕地面積達到最高，為98.21km2。2016年撂荒耕地面積最少，為21.54km2。從空間上看，撂荒耕地主要分布在蘆溪縣西北部和新泉鄉，呈現碎小分散的圖斑。

統計不同撂荒時間長度的撂荒耕地面積，如圖6。2015—2023年共有224.41km2土地發生過撂荒。撂荒時間長度為2a的耕地面積最大，為88.83km2，占總撂荒面積的39.58%，主要集中在南部新泉鄉附近，其次是撂荒時間長度為3a和5a的耕地，撂荒面積為49.30km2和32.29km2，占總撂荒面積的21.87%和14.39%，分別分布在蘆溪縣的西北部和南坑鎮、張佳坊鄉，撂荒總時間長度為9a的耕地面積為3.36km2，占總撂荒面積的1.48%，主要分布在蘆溪縣西北部。由此可見，長期撂荒多發生于蘆溪縣西北部，而新泉鄉的土地撂荒時長較短。

3.3撂荒耕地影響機制分析

3.3.1撂荒影響因素分析

社會經濟要素變化是撂荒的主要驅動力，耕地撂荒基本都可歸結為宏觀經濟層面的變化[37]；勞動力析出是撂荒的直接原因，勞動力在持續析出過程中農戶無暇顧及所有土地，最終部分土地被撂荒[38]；生產條件是撂荒的關鍵因素，農田基礎設施條件改善和機械化發展提高了農業產出效率，減少了對耕地的需求，導致部分耕地因缺乏經濟動力而被撂荒[13]；氣候因素是撂荒的重要因素，極端氣候和不穩定的降水模式會導致農作物產量波動，增加農業生產風險，從而減少耕地的經濟吸引力[39]。

這些子系統并非孤立存在，而是通過相互作用和協同，形成一個有機的整體。（1）隨著城鎮化、工業化進程的發展，我國農村人口數量呈現逐漸減少的趨勢[17]，同時，第二、第三產業尤其是近年來蘆溪縣旅游業的飛速發展，使得城鄉收入差距擴大，促使農村農業勞動力流出，導致一些質量較低的耕地被撂荒。（2）農民的收入主要來源于農業和非農業兩個渠道。一方面，若外出務工成為農民的主要收入來源，農民更傾向于離開農村去城市工作；另一方面，化肥和農藥價格等農業成本的上升以及自然災害的發生，導致耕地的收益降低，促使部分農民放棄耕作。（3）經濟水平提高帶來了農業技術提高，而農業技術的進步允許人們在更少的土地上實現更高的糧食產量，減少對勞動力的需求，增加了耕地撂荒的風險。（4）氣候變化可能導致農業生產條件惡化，影響糧食產量和農民收入，導致農業勞動力減少，從而增加耕地撂荒的風險。

撂荒影響因素系統的構成以及主要作用機制如圖7。

3.3.2耕地撂荒機制模擬

存量流量圖是系統動力學中的一個核心概念，能夠將系統的結構和行為可視化，清晰地展示了系統中的“存量”和“流量”的關系，識別系統中的反饋回路，為理解復雜系統的行為提供了一種結構化的方法[40]。通過對系統框架圖的適當拓展與延伸，得到了撂荒耕地的存量流量圖，如圖8。

限于篇幅，列出部分主要模型系統方程：

（1）農業保險密度=10.539+0.072×地區生產總值+0.658×歷史受災面積+0.52×農業保險宣傳熱度。

（2）糧食單產變化量=17265.9-18.826×農藥施用量-23.748×勞動力密度-0.561×化肥施用量+480.511×年均氣溫差值+0.476×年均降水量差值。

（3）種植收入=糧食單價×糧食總產量。

（4）耕地面積變化量=75.884+0.0014×農業勞動力-49.596×年均氣溫差值-0.238×年均降水量差值-6.003×有效灌溉面積+2.074×機收面積。

（5）耕地面積=INTEG（耕地面積變化量，141.22）。

（6）農業勞動力=2.23+0.039×老齡化比例+1.289×男女比例-0.297×老年撫養比+0.074×農村人口+43.887×農產品需求-2.653×農業機械總動力。

（7）新增轉移勞動力=-7318.74+3851.59×城鄉居民人均收入比+5033.11×城鎮化率+756.624×路網密度。

（8）撂荒耕地面積=272.255-4.644×農業保險密度+0.014×新增轉移農村勞動力-8855.18×人均農業與非農業收入比。

為確保模型能夠準確地反映系統的行為模式，對模型進行歷史仿真檢驗。選取2015—2023年具有代表性的農業保險密度、耕地面積、糧食產量和撂荒耕地面積作為檢驗的變量。研究認為歷史性檢驗誤差在-10%～10%都是合理的[41]，可以說明模型模擬結果的準確性。各變量的歷史性檢驗誤差范圍在-8.25%～8.95%（表3），說明本文建立的撂荒耕地的系統模型具有較高的合理性，能夠較好地模擬耕地撂荒過程。

從模型中選取11個關鍵參數進行靈敏度分析，將每個參數逐年增加和減少10%，計算得到2015—2023年各參數的靈敏度值，再求其平均值，得到11個變量的平均靈敏度（表4）。除城鄉居民人均收入比和老齡化比例2個指標的靈敏度較高外，其余指標的靈敏度均小于0.1，說明這些參數的變化對于系統的影響非常小，并且11個參數靈敏度均小于1，表明構建的系統動力學模型具有可靠性和穩定性，能夠滿足建模要求[42]。

根據模擬結果，將影響因素轉化為三條途徑：

（1）農業收入水平影響途徑。農業勞動力受人口結構和農產品市場的共同影響，一般而言，老齡化程度越嚴重、男性勞動力比重越低，撫養比越高，農業勞動力數量越少[43]，而社會對農產品需求的增加會激勵更多勞動力投入農業生產，反之則會使農業勞動力過剩，進而減少農業從業者數量。農業勞動力，結合當地的氣候環境和生產條件，對耕地規模起著關鍵性作用。耕地提供種植空間，勞動力密度影響勞動效率，氣候決定作物生長環境，化肥和農藥的使用直接關系到作物的健康生長，4者共同決定了農業產量。耕種收益的高低和耕作成本的多少決定農民的農業收入，農業收入與非農業收入的比是影響耕地是否撂荒的關鍵經濟因素，如果農業與非農業收入比過低，意味著從事農業的收益遠低于其他行業，降低農民耕種土地的積極性，農民可能會減少耕種面積甚至放棄耕種。

（2）農村勞動力影響途徑。社會經濟結構和基礎設施建設水平是影響新增轉移農村勞動力的重要因素。城鎮化率的提高通常意味著更多的就業機會和更高的收入潛力，促使農村勞動力向城市轉移；城鄉居民人均收入比反映了城鄉之間經濟水平的差異，若這一比例過高，會吸引更多的農村人口向城市遷移以尋求更高的收入；農業機械總動力的提升意味著對人力的依賴減少，促使更多農村勞動力轉向其他行業或地區尋找就業機會；交通條件的改善降低了農村與城市的交通距離和成本，為勞動力轉移提供了便利。4個因素相互作用，共同推動了農村人口向城市遷移。隨著新增轉移農村勞動力的增加，農業生產中的勞動力減少，部分耕地因此被閑置，增加了撂荒現象。

（3）農業保險影響途徑。農業保險的覆蓋率受宏觀經濟規模、歷史自然災害發生頻率以及宣傳強度的共同影響。地區生產總值是衡量經濟實力和居民收入的關鍵指標，它決定了居民對農業保險的購買力，影響農業保險的密度；自然災害頻發會增加農業生產的不確定性和風險，農民為保障生計，更傾向于購買農業保險來分散這些風險；農業保險的宣傳是提升公眾對保險重要性認知的關鍵環節，一旦農民對其價值及風險保障功能有了充分的了解，他們將更傾向于選擇投保，從而提升保險產品的購買率。農業保險能夠有效緩解了自然災害和市場波動等不可預見因素對農民造成的經濟損失，降低了他們因高風險而放棄耕作的意愿，減少了耕地撂荒。

4結論和討論

4.1結論

本文以2015—2023年的蘆溪縣為研究對象，利用隨機森林識別地類，在此基礎上提取撂荒耕地信息，并構建蘆溪縣撂荒耕地系統動力學模型，模擬人口、經濟、農業生產能力以及耕地撂荒之間的相互作用，主要結論如下：

（1）利用隨機森林算法對特征因子進行優化選擇，并識別土地利用類型的方法，該方法的總體精度范圍在80.77%～88.46%，精確度在78.69%～87.50%，召回率在80.33%～86.67%，F1分數在80.00%～87.18%，Kappa系數在0.761～0.849，表明其在實際應用中具有較高的可靠性和準確性，提升了耕地撂荒識別的效率和效果。

（2）2015—2023年，蘆溪縣撂荒耕地面積呈現出明顯的波動性，2018年撂荒面積最大，達98.21km2，2016年年撂荒面積最小，為20.13km2，從空間角度來看，研究區的撂荒耕地地塊破碎，主要集中在蘆溪縣西北部和新泉鄉，從時間角度來看，在新泉鄉耕地多發生長時間的撂荒，西北部的耕地撂荒的時間相對較短。

（3）系統動力學模型對蘆溪縣2015—2023年的耕地變化過程的仿真結果顯示，各變量的歷史性檢驗誤差范圍在-8.25%～8.95%，除2個指標的靈敏度較高外，其余指標的靈敏度均小于0.1，具有較高的擬合精度。表明構建的系統動力學模型能夠有效模擬耕地撂荒過程。

（4）耕地撂荒是經濟、人口、生產條件和氣候等多個變量共同影響的結果，這些因素形成了一個相互作用的系統，對撂荒耕地的影響主要總結為三個途徑：農業收入水平影響途徑，農業勞動力影響途徑，農業保險影響途徑。

4.2討論

我國糧食需求量巨大而人均耕地占有量有限這一國情決定了耕地保護的極端重要性，快速、精準的識別撂荒耕地能夠有效監控耕地撂荒，為制定農業政策提供重要的數據支持。現有技術在識別山區撂荒耕地時，常面臨識別精度和時效性不足、特征選擇以及多源數據融合難等挑戰[10]。與已有識別撂荒耕地的方法比較[6-8]，隨機森林分類方法具有高精度和強魯棒性[31]，能夠在撂荒耕地識別中表現出更優異的性能。本文通過隨機森林分類方法識別典型山區蘆溪縣土地利用類型，取得了較高的精度，并在此基礎上提取撂荒耕地，驗證了其在撂荒耕地監測中的有效性和實用性。

當前，我國耕地保護面臨新形勢和新變化，需要正視國際復雜形勢對耕地保護的影響，防止耕地撂荒。目前對耕地撂荒機制研究仍然存在不足，使用系統動力學模型能夠通過構建系統反饋結構，綜合考慮多種影響因素及其相互作用，模擬撂荒耕地的動態演變過程，提供更全面和深入的機制分析。基于此，本文在提取撂荒耕地信息的前提下，利用系統動力學模型模擬耕地撂荒機制，為理解耕地撂荒的復雜過程，指導土地資源的合理配置和制定政策提供科學依據。蘆溪縣作為一個地形復雜且近年來旅游業迅速崛起的山區縣，耕地撂荒具有典型性代表性，研究結果可以為其他類似區域耕地保護提供參考。

本文構建的系統動力學模型提出的農業收入水平、農業勞動力和農業保險三個影響撂荒耕地的途徑，與已有研究成果同中有異。孫晶晶等[44]、田玉軍等[17]、張禹書等[45]分別證實了農業收入水平、農業勞動力和農業保險對撂荒耕地的影響。農業政策、自然地理條件對撂荒耕地的影響在不少研究中得到證實，本文限于農業政策難以量化進入模型，自然地理條件如高程、坡度等在模型時間步長內通常不會出現顯著變化，故并未討論二者對撂荒耕地的影響。此外，本文在識別撂荒耕地時政策上只考慮了耕地非農化，并未考慮生態退耕、農業產業結構調整（如耕地種植果樹、苗木等行為）等其他非糧化行為的影響。鑒于國家采取了嚴格的政策措施堅決遏制耕地非糧化，其對研究結果的影響相對有限。

目前學術界對于撂荒耕地的定義尚未達成共識，除本文采用的定義外，還有“耕地閑置一年以上”“耕地荒蕪一季或一季以上”等[46]，內涵有較大差異。考慮到輪休制度的存在，將閑置時間少于兩年的耕地定義為撂荒耕地可能帶來誤判，本文采用了“將連續兩年及以上未耕作的耕地定義為撂荒耕地”的定義。對撂荒耕地的不同定義會導致識別時標準不一致，影響識別結果。在遙感數據方面，由于Sentinel-2A衛星數據在2016年以前不可獲取，因此2015年和2016年的撂荒耕地識別采用Landsat衛星數據。Landsat衛星數據具有較長的重訪周期和較低的空間分辨率，使得對耕地變化的監測不夠及時和精確，影響當期撂荒耕地識別精度，但對2016—2023年的總體識別精度影響有限。