冀魯豫省際邊界區域撂荒地提取與分析

丁 銳 ，張二梅 ，謝紫菁，紀文政 ，邵懷勇

（成都理工大學，a.國土資源部地學空間信息技術重點實驗室；b.地球科學學院，成都 610059）

在快速工業化、城鎮化進程中，受農地利用“邊際化規律”作用，農地棄耕撂荒已成為普遍現象［1］。農地邊際化是指農地收入由低到少的現象，是社會、經濟、政治等多種因素影響的結果。撂荒地的時空變化對糧食安全、生態環境的穩定性以及社會經濟效益都有著非常重要的影響［2］。省際邊界區是指中國省際行政區劃邊緣交界區域。省際邊界地區遠離各地區省會城市，難以受到強經濟中心的輻射作用，且處于不同省級行政單元交界地區，容易產生政策不同步、各自為政的現象，嚴重制約了當地的經濟增長和區域協調發展。由于經濟發展的不平衡、不充分，撂荒現象在省界邊際地區表現得尤為明顯。

對于耕地撂荒現象，遙感技術在撂荒地研究中發揮的作用日趨明顯。國內學者利用遙感數據采用了諸多方法進行研究［3-6］。主要可分為面向對象的分析方法、基于多尺度分形特征的提取、基于決策樹分類方法和聯合變化檢測法等。國外學者［7-9］針對歐洲大面積連片耕地撂荒現象，主要采用基于MODIS NDVI時間序列的方法進行撂荒地提取，但由于分辨率因素和國內撂荒破碎分布的現狀，在國內研究中應用存在一定限制。張碧蓉等［10］針對不同分辨率影像的撂荒地提取方法進行了對比分析，發現針對中分辨率的Landsat影像，利用地物光譜曲線差異，撂荒地提取采用決策樹分類方法效果較好。決策樹結合多項指標，在中分辨率撂荒地識別提取中具有明顯優勢。為此，本文選取冀魯豫三省交界處的6個縣（市）作為研究區，運用CART決策樹分類方法對數據初步分類，結合土地流轉方法提取撂荒地，從而分析撂荒地空間格局、撂荒復墾、持續撂荒現象并結合經濟指標研究其驅動因素，以期為省際邊緣地區撂荒地提取及分析研究提供案例。

1 研究區概況與數據來源

本研究以河北省邯鄲市魏縣、大名縣，山東省聊城市冠縣、莘縣，河南省濮陽市南樂縣、清豐縣6個冀魯豫三省交界處的縣級行政單元為研究區。這一區域地處華北平原，位于黃河下游，地理坐標為35°46′26″-36°42′12″N、114°43′42″-115°46′43″E，陸地面積5 935.6 km2，為溫帶大陸性季風氣候，雨熱同期，光照充足。研究區經濟以第一產業為支柱，主要農作物有小麥、玉米、棉花、蔬菜等。其中魏縣、大名縣為國家重點貧困縣，經濟較為落后，伴隨著城鎮建設速度的加快，當地耕地大量減少，同時也出現了耕地撂荒現象，嚴重影響當地糧食產量。因此，選取冀魯豫省際交界處的6個縣，提取撂荒地數量并分析其分布狀況。

研究所用的數據為美國地質勘探局（USGS）（http：//glovis.usgs.gov/）提供的 2000—2018 年 30 m分辨率的Landsat數據，作為地物識別分類的基礎數據。因為4—6月作物生長茂盛，易于區分耕地與建筑用地、水體、裸地的特征，因此選取該時間段影像清晰、云量較少的遙感影像作為當年的地物識別底圖，每年選取一幅，2000—2018共19幅影像。除此之外，還使用 USGS（https：//gdex.cr.usgs.gov）提供的30 m分辨率SRTM DEM數字高程數據，以此提取坡度作為決策樹分類依據；并利用Google Earth影像和部分其他高分辨率影像數據作為地物特征點識別依據，用于結果精度檢驗；最后結合各省經濟年鑒數據分析耕地撂荒驅動因素。

2 研究方法

2.1 撂荒地界定

關于撂荒地的定義，綜合國內外研究，一部分學者將耕地閑置一年以上視為撂荒，一部分學者將耕地閑置3個月或以上定義為撂荒，也有一部分學者以此為基礎，將耕地撂荒分為季節性撂荒和常年性撂荒［11-13］。本文結合前人研究結果以及研究區撂荒特點，對撂荒地識別定義為：前一年的耕地在第二年轉化為裸地區域定為當年耕地撂荒區域，前一年的撂荒地在第二年又轉化為耕地部分定義為復墾區域。

2.2 研究技術路線

研究流程分為以下四步，第一步：對數據進行預處理，結合多項參數生成新的波段組合影像；第二步：根據新的波段組合影像進行CART決策樹分類，得到2000—2018年歷年的土地利用圖；第三步：結合驗證樣本對分類結果進行精度驗證；第四步：每兩年分類結果疊加，得到土地流轉結果，識別每年撂荒地并分析撂荒地空間分布、計算撂荒面積、復墾率、持續撂荒及結合當地經濟年鑒數據探尋撂荒驅動因素。技術路線圖如圖1所示。

2.2.1 數據預處理 首先對2000—2018年Landsat遙感影像進行預處理，包括研究區邊界掩膜裁剪、快速大氣校正，由于2012年Landsat7影像數據存在條帶，因此對2012年數據進行插值條帶修復處理；處理完成后，根據影像波段信息計算歸一化差分植被指數 （Normalized Difference Vegetation Index，NDVI）、歸一化差分建筑指數（Normalized Difference Built-up Index，NDBI）、歸一化差分水體指數（Normalized Difference Water Index，NDWI）值，利用這 3個歸一化指數有助于提高決策樹模型的精度，更好區分植被、水體、裸地三類地物的特征，其計算公式如下：

圖1 技術路線圖

式中，NIR代表近紅外波段，R代表可見光紅光波段，G代表可見光綠光波段，SWIR代表短波紅外波段。

在ENVI 5.3軟件中使用ISODATA非監督分類方法，迭代次數設置為10次，類別設置為10～15類，得到ISODATA分類結果，并根據DEM數據在ArcMap 10.3軟件裁剪研究區進行坡度計算，得到坡度結果；將原始 Landsat影像與 NDVI、NDBI、NDWI、ISODATA初步分類結果和坡度結果進行波段組合，得到新的決策樹分類基礎數據。

2.2.2 執行決策樹分類 CART（Classification and Regression Tree）相較于其他決策樹方法，具有嚴格無參數、方法實現簡單、運行速度較快、結構清晰及易理解等優點［14］，被稱為是數據挖掘領域的里程碑式算法。決策樹由節點和分支組成，根據地物光譜特征等事物的自身屬性進行不同類別的區分，采用屬性和特征已知的訓練集構建決策樹模型。將測試數據放入決策樹模型，根據其屬性信息依次判斷測試集中對象所屬的地物類別，最終得到分類結果。CART算法利用二分遞歸原理，將當前樣本劃分為兩個子樣本，生成的每個非葉子節點都有兩個分支。如果當前節點的所有樣本不屬于同一類地物或者僅剩下一個樣本，則該節點為非葉子節點，最終每個屬性的分裂點構成判斷條件，該屬性劃分的子樹為最優分支。依照上述原則建立出分類樹，再利用剪枝算法對其進行剪枝，最終得到最優的決策樹模型。結合Google Earth高分辨率影像和實地數據，根據預處理得到的波段組合新影像選取訓練樣本，分別為水體、建筑用地、裸地和農田。由于研究區在2011年后出現大面積大棚種植區，與農田等其他地物有著不同的影像特征，所以2011年后的訓練樣本加入大棚區這一分類。將第一步數據預處理后得到的波段組合的影像和70%的樣本作為訓練樣本放入CART分類器中進行分類，得到優化決策樹模型。再在ENVI 5.3軟件中執行建立的決策樹模型，得到土地利用分類結果。2000—2018年的影像依次處理，得到連續19年的土地利用分類圖。

2.2.3 精度驗證 對執行決策后的分類結果進行精度驗證，檢驗分類結果準確性。將選取樣本數量的30%用于驗證樣本，檢驗決策樹分類結果的準確性。精度檢驗指標包括總體精度（Overall Accuracy，OA）、生產者精度（Producer's Accuracy，PA）、用戶精度（User's Accuracy，UA）、錯分漏分誤差和 Kappa系數。經過驗證，保證總體精度以及Kappa系數均在80%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80%以上，最終分類精度保持在75%以上為合格。如果精度較低，重復第二步操作，直至精度滿足要求。

2.2.4 撂荒地識別提取 撂荒地識別提取是本研究的關鍵步驟，其結果的準確性關系著后續撂荒耕地復墾和持續撂荒的精度。根據“2.1”中關于撂荒地的定義，將2000—2018年的19幅土地利用結果以相鄰兩年為單位進行連續比較。從2000年開始，以2000年為基準年，以2001年為判斷年，判別2001年土地利用結果變化，若2000年的耕地區域在2001年轉化為裸地，則視該地塊為撂荒；接著以2001年為基準年，2002年為判別年得到2002年撂荒結果，以此類推得到2001—2018年18幅撂荒耕地分布圖。

為定量反映當年的撂荒情況，引入撂荒率來反映當年撂荒程度，即當年的撂荒面積占前一年耕地面積的比重。其表達式如下：

式中，Paf表示第i+1年的撂荒率；SAi+1表示第i+1年的撂荒地面積；SFi表示第i年的耕地面積。

2.2.5 撂荒地復墾與持續提取 撂荒地與耕地常存在相互轉換關系，當撂荒耕地在第二年重新耕作，轉化為耕地，即為復墾。根據2001—2018年的撂荒地識別結果，如果同一地塊在第i年為撂荒地，而在第i+1年重新轉化為耕地，則視該地塊為復墾耕地，以此為依據統計2002—2018年每年的復墾面積。根據每年的復墾面積，結合上一年的撂荒面積數據，統計該年的復墾率，其表達式如下：

式中，Prf表示第i+1年的復墾率；SRi+1表示第i+1年的復墾面積；SAi表示第i年的撂荒面積。

為探尋研究區持續撂荒趨勢，將2001—2018年的撂荒地提取結果進行疊加，得到持續撂荒分布圖，以此分析研究區持續撂荒結果。

3 結果與分析

3.1 撂荒地空間格局分析

基于CART決策樹分類方法，根據多項指標因子得到每年的初步土地利用分類結果。在滿足“2.2.3”中確定的精度要求后，最終獲得了2000—2018年19年的研究區土地利用圖。根據“2.2.4”建立的撂荒地提取規則，將相鄰兩年的土地利用結果進行疊加，得到2001—2018年的撂荒地分布圖（部分年份如圖2所示）。

圖2 研究區撂荒地分布圖

根據分類結果信息，當地的建筑分布呈 “馬蜂窩”式聚集狀，且隨著經濟的發展，建筑用地面積呈逐漸增加趨勢，裸地面積逐年減少，其中冠縣和莘縣變化尤其明顯。莘縣境內在2011年前后出現較為明顯的大棚種植區，且大棚區面積逐年增加，由此可見當地大棚農業發展迅猛，為當地的農業經濟發展作出重要貢獻。由于棉花的生長周期與當地小麥等其他農作物不一致，而春季棉花作物的地物特征與裸地極其相似，因此大名縣境內在春季的影像分類中存在大面積裸地區域，通過高精度影像比對，確定研究中大名縣境內的連片裸地為棉花種植地。由于采取連續兩年的影像疊置結合耕地變化提取撂荒區域，因此這部分棉花地對最終結果有一定影響但總體可以接受。

由圖2可知，撂荒地在研究區范圍內均有分布，主要集中在研究區東北部，南部地區撂荒程度較輕。在2016和2018年的結果圖中，撂荒地主要集中在研究區中部，研究區邊緣撂荒地分布減少。通過不同年份的撂荒地結果對照比較，可以看出研究區撂荒地呈明顯減少趨勢，尤其2016和2018年較2002、2004年等早期年份撂荒地提取結果呈明顯減少趨勢。

3.2 撂荒地空間構成分析

根據2001—2018年的撂荒地提取結果，統計不同區（縣）的撂荒面積并計算每年的撂荒率。結果表明，2001—2003年撂荒較為嚴重，其中2002年撂荒率最大為1.78%，撂荒面積6 662.43 hm2。2015年后撂荒率跌破1%，并一直維持在較低水平，其中2017年撂荒率最小，僅為0.52%，該年撂荒面積也最小，為1 956.33 hm2。冀魯豫邊界區6縣撂荒情況總體控制得不錯，每年的撂荒率均小于2%，年均撂荒率為1.34%，撂荒率總體呈下降趨勢。

將各區（縣）撂荒面積統計結果進行對比（表1），2001—2014年冠縣和莘縣的撂荒面積較大，在2014年后明顯下降。2012年大名縣撂荒面積增幅尤為巨大，經考證主要是受2012年影像數據質量影響，導致提取質量下降，排除此年誤差影響，大名縣撂荒面積總體維持在較低水平。其他5縣的撂荒面積雖然在21世紀初占比較大，但都在近幾年得到明顯控制。

表1 2001—2018年冀魯豫邊界區縣撂荒地統計結果 （單位：hm2）

3.3 復墾與持續撂荒分析

耕地因多種復雜因素撂荒，當條件有利于耕作時，往往又會出現撂荒耕地復墾現象，因此統計復墾耕地也是耕地撂荒分析中重要的一環。根據“2.2.5”中的規則對2001—2018年進行復墾統計（表2）。結果表明，2003年復墾率最高，為69.33%，復墾面積達4 618.98 hm2；2013年復墾率最小，為3.91%，復墾面積為251.55 hm2。2002—2018年年均復墾率為32%，總體復墾情況較好，僅有 2002、2013、2018年3年復墾率低于10%。分析每年的撂荒率趨勢，發現復墾率總體呈以兩年為單位上升又下降的循環波動趨勢。

耕地的持續撂荒嚴重影響到糧食安全，對土質等耕作條件也會產生一定影響。將2001—2018年歷年的撂荒地提取結果進行疊加，對研究區撂荒進行持續性分析，統計研究區6縣的持續撂荒結果（表3）。由表3可知，研究區持續撂荒主要集中在1～2年范圍內，撂荒地持續1年的面積最大，有20 037.87 hm2，僅有很少一部分撂荒地持續時間大于10年，持續撂荒大于12年的小于1 hm2，由于研究區總面積較大，這部分撂荒完全可以忽略不計。各區（縣）對比中，冠縣、大名縣和莘縣持續撂荒面積占比較大，與撂荒面積趨勢一致。

表2 2002—2018年冀魯豫邊界區（縣）撂荒復墾統計結果（單位：hm2）

表3 2001—2018年冀魯豫邊界區縣持續撂荒地統計結果

圖3 研究區持續撂荒分布

將2001—2018年的撂荒地結果進行疊加分析，得到研究區持續撂荒分布結果（圖3），研究區撂荒時間較長的地區主要分布在北部，但由于占比較少，所以結果不是特別明顯，研究區大部分為短時間撂荒。由此可知研究區持續撂荒不是十分明顯，大部分僅為短時間撂荒，一段時間后又開始復墾，可見當地對常年撂荒地的控制十分可觀。

3.4 撂荒驅動因素分析

根據各項撂荒數據，結合冀魯豫三省統計年鑒的經濟指標，對撂荒地產生的驅動因素進行分析。以研究區中魏縣為例，整理各年份年鑒中的農業經濟指標（表4）。結合撂荒地總體趨勢，研究區撂荒面積在2000—2003年較大，而2000年當地農林漁牧從業人員僅占總鄉村從業人口的25.58%，由此可見，21世紀初的撂荒現象主要受制于農業人口大量外出務工，未從事農業勞動導致撂荒地產生。2012年后農林漁牧從業人口比例雖然有所下降，但是并沒有出現撂荒率上升的現象，一方面得益于農業機械化程度提高，另一方面歸功于政府農業及扶貧政策的實施，農民純收入呈逐年增長趨勢，務農收入提高也改善了耕地撂荒情況。2014年后撂荒現象得到控制，結合當地經濟指標數據和政府政策分析，發現2014年正值實施精準扶貧重點施策。近5年中國扶貧政策取得階段性成果，貧困發生率低于4%，有望在2020年建成“全面小康社會”。研究區撂荒面積雖然在世紀初占比較大，但都在近幾年得到顯著控制，由此可見精準扶貧等一系列政策在當地取得一定成果，當地農民生活條件相對得到改善，撂荒土地也因此再次盤活起來，幫助農民增收和推動當地經濟發展。

表4 2000—2016部分年份魏縣經濟指標

綜上所述，在冀魯豫省際邊界區撂荒因素主要取決于務農人口占比、農業生產效率和當地政府的政策實施，除此之外，自然災害和當地環境質量也會影響耕地撂荒，由于其受具體年份和地區影響，不將其納為主要分析因素。值得一提的是，不同地區撂荒因素也存在一定差異性，要視具體情況進行分析，合理探尋撂荒地驅動因素。

3 小結

研究結果表明，撂荒地在研究區分布較為均勻，東北部相對較多，南部地區撂荒程度較輕。2015年后撂荒面積減少，研究區邊界地區表現得尤為明顯。

冀魯豫三省交界處6縣的撂荒面積總體呈下降趨勢。其中2002年撂荒面積最大，為6 662.43 hm2，該年撂荒率也達到峰值，為1.78%。2015年后研究區撂荒現象得到有效控制，2015—2018年撂荒率均小于1%，分別為0.89%、0.61%、0.52%、0.64%。研究區復墾呈上升又下降循環波動，年均復墾率為32%。其中2003年復墾率最大，達69.33%。冀魯豫邊界區常年撂荒現象不是特別明顯，主要為1～2年的短時期撂荒。其中持續1年的撂荒面積最大，有20 037.87 hm2。研究區最長持續撂荒時間為14年，但是占比極小，面積僅有0.09 hm2。結合當地經濟數據分析，冀魯豫邊界區撂荒主要取決于務農人口、農業生產效率及當地政府政策。隨著農業機械化程度提高以及“精準扶貧”等一系列政府政策支持，研究區撂荒情況在2015年后得到有效控制。

本研究基于遙感 （RS）、地理信息系統（GIS）、CART決策樹分類等方法對冀魯豫省際邊界區撂荒地進行提取與分析，但受制于影像分辨率因素限制，本研究方法對于小圖斑撂荒地提取還有一定局限性，僅適用于連續明顯的撂荒地塊。本研究結果一定程度上為全國其他相似省際邊界區撂荒耕地研究提供了案例，也為維護國家耕地紅線安全和政府可持續政策決策提供了依據。