耕地生產力隱性退化遙感監測與影響因素分析

李 卓 查思含 霍 偉 王林林 郭文華 孫丹峰

(1.自然資源部城市國土資源監測與仿真重點實驗室，深圳 518034；2.中國農業大學土地科學與技術學院，北京 100193；3.自然資源部信息中心，北京 100036)

0 引言

耕地作為寶貴的土地資源，是農業糧食生產的命脈和主要載體，關乎國計民生[1-2]。從中國耕地保護制度70年的歷史變遷來看，耕地生產力面臨的危機是動態演變的[3-4]。當今，復雜多變的自然環境和社會經濟體系對耕地生產力空間造成了顯著的擁擠效應[5]。一方面，人口劇增、城鎮化進程推進侵占了大量耕地，導致優質耕地數量銳減[6-8]。另一方面，在產業經濟收益梯度差的影響下，農業勞動力析出導致了耕地利用強度、效率降低等現象[9]。為了保障糧食安全和耕地資源的可持續利用，國家先后制定了18億畝耕地“紅線”、高標準農田建設等耕地保護戰略決策。由此可見，保障耕地生產力持續穩定是確保口糧絕對安全的重要議題。

耕地生產力的構成可從剛性空間和彈性空間解釋[10]。耕地生產力的剛性空間主要由耕地面積、區位條件、自然質量等因素決定。因此，耕地生產力的剛性空間一旦受損，如耕地面積流失、耕地質量退化，通常不可逆，恢復難度較大。相反，耕地生產力的彈性空間易受農戶種植意愿影響，具有較大主觀性，如耕地利用強度、農資投入等。因此，耕地生產力彈性空間損失又被稱為耕地生產力的隱性退化，其恢復具有較大的可操作性和彈性[10]。我國充分重視耕地生產力隱性退化監管，實施了多種“藏糧于地，藏糧于技”的耕地保護政策，旨在穩定耕地產能、兼顧農戶收益。雖然眾多學者已基于耕地利用強度[11]、耕地利用效率[12]、復種指數[13]等方面開展了大量研究，但專門針對耕地生產力隱性退化的監測和影響因素分析還有待于進一步深入。

現代遙感技術為探索耕地生產力的隱性退化開辟了新途徑。一方面，海量遙感大數據為耕地生產力評估提供了宏觀多時態、快速高維度的基礎資料，有助于構建耕地產能整體認知和局部差異精細識別的立體評估體系[14-15]。另一方面，得益于遙感光譜信息技術的發展，作物生物量時序特征重構及趨勢提取豐富了耕地生產力變化分析的研究方法[16]。耕地生產力的遙感反演多是基于年際作物生物量的動態趨勢分析。以植被指數和光能利用模型表征耕地生產力的驗證已在田塊、景觀、區域等不同尺度開展，并取得了較好的結果[17-18]。目前常用的時間序列趨勢信息提取法有Theil-Sen趨勢分析、MK檢驗、Pearson相關系數等。這些算法簡潔、可操作性強，屬于典型的回歸分析法，能反映研究時段內耕地生產力曲線的趨勢[19]。但離群值對回歸分析法的影響較大，尤其是特定年份作物生物量出現突變性震蕩時，傳統回歸分析法的穩健性會顯著降低[19]。BFAST(Breaks for additive seasonal and trend)算法能充分利用年際時間序列的細節特征，將時間序列迭代分解為趨勢項、季節項和殘差項，可分段監測時間序列的趨勢特征，有效抵抗自然或人為因素對作物生物量曲線特征干擾[20]。

鑒于此，本研究以江蘇省永久耕地為例，基于2001—2019年中分辨率成像光譜儀(Moderate resolution imaging spectroradiometer，MODIS)遙感影像，開展耕地生產力隱性退化的遙感監測和影響因素分析，旨在識別耕地生產力隱性退化過程和驅動機制，為耕地保護政策的制定提供技術支持。

1 研究區與數據源

1.1 研究區概況

江蘇省地處我國東部沿海(30°45′～35°8′N，116°21′～121°56′E，圖1)，是長江經濟帶的重要組成部分之一。該區域為典型的東亞季風氣候，雨熱同期、水資源豐富。江蘇省擁有廣袤的平原，面積占比86.9%，農業生產條件優越，耕地面積457萬hm2，粳稻和優質弱筋小麥享譽全國。江蘇省耕地主要以水田為主，水稻是該區域歷史悠久的糧食作物，主要類型有釉米、粳米、糯米等。旱地在蘇南蘇北均有分布，主要種植麥類等夏糧作物。另外，大豆、油菜、花生等油料作物也是江蘇省耕地種植的重要類型。江蘇省下轄13個地級行政區，2020年常住人口8 474.80萬人，城鎮化率達73.44%，地區生產總值達10.27萬億元。在社會經濟加速發展的同時，江蘇省耕地數量、農業勞動力人數逐年減少，耕地開始出現退耕、撂荒現象，耕地生產力退化風險不斷凸顯。

圖1 研究區概況Fig.1 Study area overviews

1.2 數據來源

用于反演耕地生產力的遙感影像為MODIS MOD43A4產品數據集。該數據集為包含7個波段的陸地地表反射率產品，空間分辨率為500 m，時間分辨率為16 d。該數據集在尺度、時效等方面具有顯著優勢，是計算植被指數應用最為廣泛的基礎數據源。本研究在Google Earth Engine平臺的支持下，基于線性光譜混合分解模型，提取植被端元(GV)，刻畫作物冠層光合作用能力，重構作物生物量時序曲線的基礎數據序列。為了匹配其他數據集，經過最大值合成、裁剪等預處理，最終得到江蘇省2001—2019年1 km月尺度的GV數據集。江蘇省耕地范圍數據來源于資源環境科學與數據中心的中國土地利用現狀遙感監測數據集。本研究中，基于2000、2005、2010、2015年的土地利用現狀圖，選擇均為耕地的像元為研究對象，定義為永久耕地，研究其生產力隱性退化趨勢。研究區的永久耕地不但嚴格要求土地利用類型的一級地類為耕地不變，并保證二級地類(水田和旱地)不發生轉換。2001—2019年江蘇省的統計數據來源于《江蘇統計年鑒》、《江蘇農村統計年鑒》和《江蘇省人口普查公報》。

2 研究方法

2.1 耕地生產力遙感估算

多星種、多分辨率的遙感數據集為不同時空尺度的耕地生產力估算提供了數據支撐。耕地生產力的遙感估算方法可概括為兩種：①基于立地條件(氣候、土壤、地形等)對耕地產能的影響分析。②通過植被生物量遙感指標評估耕地生產力。植被生物量遙感指標能綜合反映耕地的現實生產力，并為不同作物生產力提供統一度量[19-21]。常用的植被生物量遙感指標有歸一化差值植被指數(Normalized difference vegetation index，NDVI)和凈初級生產力(Net primary productivity，NPP)。NDVI已被廣泛應用于作物長勢監測和估產，與耕地生產力有強的相關關系[22]。NPP相較于NDVI考慮了作物自養呼吸消耗的有機物，對作物有機物的積累量化更精細[23]。然而，傳統植被生物量遙感指標在集約農區反演耕地生產力具有以下弊端：在高密度、集約化農耕區中，傳統植被生物量遙感指標易出現過飽和現象，削弱了耕地生產力的變化特征；由于混合像元的影響，傳統的植被生物量遙感指標難以剝離土壤信息對作物生物量的影響[24-25]。線性光譜混合分解模型的核心思想是在亞像元尺度計算純凈端元的豐度，以具有明確物理意義的端元豐度表達地物景觀要素的特征信息[26-28]。本研究以全球非冰層陸地地表3類通用端元中的植被端元(GV)豐度替代傳統植被生物量指標。GV端元能有效剝離作物生物量信息與其他地物信息的干擾，用于反演耕地生產力具有顯著優勢。GV端元豐度反映地塊植被有效光合作用葉片生物量的累積，種植結構的變化則會通過影響多端元組分比例，進而表現在GV端元豐度的增加或減少。多端元信息的提取有效避免了傳統植被生物量指標的過飽和現象。另一方面，改善了混合像元中多種地物對作物信息提取的影響，增強了作物生物量與土壤信息的差異性，提高了對耕地生產力反演的準確性。

得益于衛星高頻重訪周期，以突出作物季節性、物候性的生物量估算建模極大地豐富了耕地生產力遙感反演的研究體系[29]。作物生長季是生物量累積的關鍵期，但在氣候、環境和田間管理影響下，作物生長季節的起始和長度均會發生改變，進而影響有機物累積總量[13]。因此，利用長時序、高時密作物生物量曲線追蹤耕地生產力變化趨勢很重要。然而，基于時間序列遙感數據反演耕地生產力的動態變化并不簡單，因為時間序列包含物候和趨勢變化的組合，此外還有幾何誤差、大氣散射和殘云產生的噪聲等的影響。綜上，利用遙感技術對耕地生產力研究的核心思想是充分利用作物年際生長周期的生物量曲線的全部時間細節，挖掘軌跡中包含的形狀信息，揭示耕地生產力的時空演變特征。

2.2 BFAST算法

作物生物量曲線的變化特征易受溫度和降水變化影響[16]。此外，人為因素對作物物候以及耕地生產力的影響同樣顯著。因此，針對耕地生產力的變化監測應在季節性變化和多年趨勢兩個尺度上同時考慮。BFAST算法作為一種基于時間序列的多用途干擾檢測方法，能充分利用年際間的時間細節，可識別時序數據的季節變化特征和多年趨勢特征[20]。該方法能將時間序列的迭代分解集成為趨勢項、季節項和殘差項，并具有檢測時間序列內變化的方法[30]。其基本公式為

(1)

式中yt——數據序列

α1、α2——截距，即趨勢項

γj——振幅δj——相位，即季節項

f——已知頻率，即觀測周期

εt——誤差項，是時間t的不可觀測誤差項

j——監測期起始時刻

k——監測期結束時刻

季節趨勢模型將時間序列中的潛在趨勢和季節變化考慮在內，以便在殘差結果中去除季節趨勢的干擾。

2.3 耕地生產力隱性退化識別方法

耕地生產力隱性退化易受農戶種植行為影響，具有較大的隱蔽性和彈性。因此，需要建模歷史時期耕地生產力的季節趨勢特征，以便對監測時期的耕地生產力進行變化檢測。主要步驟有：①基于給定的時間序列，將其分為歷史時期和監測時期。②使用BFAST算法對歷史時期的耕地生產力時序數據擬合回歸模型。③判斷監測時期的觀測值是否符合該回歸模型，或是否檢測到變化。本研究中耕地生產力隱性退化監測結果如圖2所示?；谙裨叨?，首先設置2001—2010年為耕地生產力的歷史時期，2011—2019年為耕地生產力的監測時期。然后基于歷史時期耕地GV曲線進行回歸建模。最后判定擬合曲線與監測時期的GV曲線的趨勢差異。如圖2a所示，該像元耕地在研究時段內無顯著趨勢，即基于歷史時期的擬合GV曲線與監測時期的實測值的趨勢一致。圖2b為負趨勢，監測時期的耕地GV曲線低于擬合曲線，該像元耕地生產力逐漸減弱，即存在隱性退化風險。圖2c為正趨勢，監測時期的耕地GV曲線高于擬合曲線，該像元耕地生產力存在增加趨勢。因此，本研究以趨勢的正負反映該像元耕地生產力隱性退化是否存在，以負趨勢量化退化程度。綜上，BFAST算法用于建模歷史時期耕地生產力變化的預期行為，從而用于識別監測時期耕地生產力的隱性退化風險。

圖2 耕地生產力隱性退化識別結果Fig.2 Identification results of recessive degradation for cultivated land productivity

2.4 耕地生產力隱性退化影響因素分析方法

耕地生產力隱性退化是受自然環境和社會經濟等多種因素共同影響的復雜過程[31]。多種影響因素的數據類型和尺度差異較大，一直是分析耕地生產力變化影響因素面臨的難點。地理探測器是一種空間分異性檢驗工具，被廣泛應用于評估地理現象發生影響因素的相對重要性[32]。地理探測器將變量進行離散化處理，分類成不同類型層，能實現在同一空間尺度探索不同因子的影響作用[33]。本研究首先應用地理探測器的影響因子探測功能，分析江蘇省耕地生產力隱性退化的主導影響因素。然后對各市內部進一步開展多級探測，用于耕地生產力隱性退化的地域分異類型劃分。其中，每個影響因素指標對耕地生產力隱性退化的解釋力用q度量，表達式為

(2)

式中h——基于影響因素差異性構建的分層序號

L——分層數σ2——總方差

n——研究區樣本量數

nh——第h層樣本數量

q反映變量指標對耕地生產力隱性退化的影響程度，取值范圍為[0，1]，值越大表明該變量指標的解釋力越強。

為了識別不同影響因子間的交互作用，本研究基于交互因子探測法對各影響因素進行交互分析。交互因子探測用于計算兩種因子x1和x2共同作用時，是否會提升或降低對耕地生產力隱性退化的解釋力。評估方法可簡單描述為：首先計算x1和x2因子的解釋力q(x1)和q(x2)，然后將交互量x1∩x2重新代入回歸方程計算解釋力q(x1∩x2)，最后比較q(x1)、q(x2)和q(x1∩x2)。具體判定依據為：若q(x1∩x2)

根據已有研究成果，本研究從生產條件、產出效益和人口因素3個準則層、8項指標變量對耕地生產力隱性退化的影響因素進行量化分析。生產條件準則層中選取農業機械化總動力X1、農藥施用量X2、化肥施用量X3和固定資產投資額X4為指標變量。產出效益準則層包括第一產業比重X5和農業產值X6。人口因素準則層包括種植業從業人員數量X7和外流人口數量X8。各項指標變量具體描述如表1所示。采用ArcGIS 10.2軟件平臺，8項指標變量通過自然斷點法進行離散化處理為類型量，并重采樣為1 km×1 km的柵格單元，進行影響因素分析。

表1 8項指標變量描述Tab.1 Description of eight indicators

3 結果與分析

3.1 耕地生產力隱性退化空間分布差異

如圖3a所示，在研究時段內江蘇省耕地生產力趨勢具有顯著的空間差異。東南地區耕地生產力趨勢主要為正，相反，西北地區以負趨勢為主，且兩種趨勢在空間格局上均呈現一定的聚集性。圖3b為基于耕地生產力趨勢判定的江蘇省耕地生產力隱性退化區域，即負趨勢的生產力。耕地生產力負趨勢反映了耕地生產力隱性退化程度。從退化程度的分布特征來看，高退化地區主要分布于西北，低退化地區通常散布于高風險區周邊，呈簇擁狀。圖4為基于行政界線統計的江蘇省及其各市耕地生產力隱性退化比例。由圖4可知，江蘇省存在隱性退化的耕地比例為21.9%。各市耕地生產力隱性退化比例存在顯著梯度性，可分為4個梯度。第1梯度耕地生產力隱性退化比例最高，主要為西北的徐州市和宿遷市，分別為47.2%和43.4%。第2梯度為淮安市、南京市和連云港市，其耕地生產力隱性退化比例介于24.7%～29.7%之間。第3梯度主要有常州市、泰州市、鹽城市和鎮江市，比例約為15%。東南地區的蘇州市、無錫市和南通市的耕地生產力隱性退化比例最低，均不足10%，為第4梯度，且未出現聚集性。

圖3 江蘇省耕地生產力隱性退化空間分布特征Fig.3 Spatial distributions of recessive degradation for cultivated land productivity in Jiangsu Province

圖4 江蘇省及其各市耕地生產力隱性退化區域比例Fig.4 Proportion of recessive degraded areas for cultivated land productivity in Jiangsu Province and its cities

3.2 耕地生產力隱性退化影響因素分析

3.2.1主導影響因子探測分析

表2為基于地理探測器的江蘇省耕地生產力隱性退化的因子探測結果。在生產條件、產出效益和人口因素3個基準層選取的8個影響因子均通過顯著性檢驗(p<0.05)。其中，外流人口數量X8、種植業從業人員數量X7和農業機械總動力X1對耕地生產力隱性退化解釋力最強，q分別為0.364、0.335和0.261。化肥施用量X3和第一產業比重X5對耕地生產力隱性退化的空間差異性解釋力相對較差，q分別為0.169和0.159。

表2 江蘇省耕地生產力隱性退化主導因子探測結果(q)Tab.2 Detected results (q)of recessive degradation for cultivated productivity in Jiangsu Province

3個準則層中，人口因素對耕地生產力隱性退化的解釋力最強，說明農業勞動力對當地耕地生產效率貢獻至關重要，是保障耕地生產力的基礎。人口外流數量X8導致從事種植業的青壯年減少，難以保障高強度的農業勞作。因此，耕地生產力表現為隱性衰退。在生產條件因素中，農業機械總動力X1對耕地生產力隱性退化的解釋力強于農藥施用量X2和化肥施用量X3。江蘇省地勢平坦，平原面積占比超86%，因此，農業機械化程度對替代當地農戶人工勞動力具有重要意義。當農業機械使用受限時，迫使農戶投入更多人工勞動力，進而增加了勞動成本，導致耕地生產力隱性退化。產出效益是衡量農業發展潛力、表達農民種植意愿的重要指標?；诮洕鷮W中利益最大化原理假說，較低經濟收益的第一產業易受二、三產業高收益的吸引，導致農民放棄耕作轉向工商活動。因此，農業產值X6對耕地生產力隱性退化解釋力較強。

3.2.2因子交互探測分析

耕地生產力隱性退化的形成過程受多種因子交互影響，本研究基于3個準則層中的8個指標變量進行交互探測分析。表3為江蘇省耕地生產力隱性退化影響因子交互探測結果，結果顯示多因子交互耦合后對耕地生產力隱性退化的解釋力q均有不同程度的提高，且呈非線性趨勢。綜合來看，以人口因素與生產條件最為顯著，其中，化肥使用量X3與種植業從業人員數量X7的驅動力最強，高達0.470。單一影響因子的探測分析已表明人口因素準則層中的指標變量對江蘇省耕地生產力隱性退化解釋力最強，然而疊加生產條件準則層中的指標變量后，q又進一步提升。這說明現代農業機械化是保障江蘇省耕地生產力穩定的重要物質基礎。另外，產出效益影響因素與人口因素交互耦合后提高了對耕地生產力隱性退化的解釋力。具體表現在由4個指標變量交互組成的6種變量類型較高的q(0.370～0.449)。江蘇省是我國經濟強省，但南北仍存在較大的經濟差距。由于農業生產周期長、效益回報慢，易被其他產業影響，因此需要資金和政策的傾斜支持。從江蘇省耕地生產力隱性退化的空間分布差異亦可以體現，加強資金投入、政策管理對耕地生產保護和預防生產力隱性退化意義重大。

表3 江蘇省耕地生產力隱性退化影響因子交互探測結果(q)Tab.3 Interaction detected results (q)of recessive degradation for cultivated productivity in Jiangsu Province

3.3 耕地生產力隱性退化地域分異類型

基于江蘇省13個行政市，進行耕地生產力隱性退化主導影響因子探測和地域分異類型分析。在生產條件、產出效益和人口因素3個基準層選取對耕地生產力隱性退化解釋力最強(q最大)的指標變量作為制約各市耕地生產力穩定的主導因素，并將各市分為生產條件約束型、產出效益約束型和人口因素約束型。圖5為各市q分布情況，其中，農業機械化總動力X1、農業產值X6和外流人口數量X8分別為3種約束類型的首要因素。生產條件約束型地區包括南京市、常州市、鎮江市、無錫市和蘇州市。從地域空間來看，這些城市集中于蘇南經濟發達地區。由圖3、4可知，蘇南地區耕地生產力隱性退化區域較少且分布分散。因此應注重區域丘陵地形和破碎化的耕地斑塊對農業生產的束縛。屬于產出效益約束型的城市有宿遷市、揚州市和南通市，對比3項指標變量的q發現，產出效益準則層中的指標解釋力優勢不顯著，具體表現在農業產值X6的解釋力還伴有較高的外流人口數量X8因素，說明各市間的經濟水平和收入水平差異是阻礙耕地穩定生產的重要因素。人口因素約束型地區在江蘇省占比最大，主要城市有徐州市、淮安市、連云港市、泰州市和鹽城市。這些城市集中于蘇北地區，該區域經濟發展相較于蘇南較差，農村青年勞動力外流顯著，因此其耕地生產力隱性退化顯著且分布集中。

基于江蘇省3種耕地生產力隱性退化的地域分異類型(圖5d)，提出相應的政策建議。對于生產條件約束型地區應加強高標準農田建設，嚴守耕地紅線，提高生產效率、確保耕地生產力持續穩定。產出效益約束型地區應結合區域農業生產特點，實施惠農政策、推廣農業技術，增加農業產值，提高農民生產積極性。人口因素約束型是江蘇省區域耕地生產力隱性退化的主要類型。因此，應妥善處理蘇北地區勞動力外流問題。建議調節優化農戶的家庭生計特征，通過土地流轉，提高農業規?；⒔档娃r業生產成本，減緩勞動力析出，增加經濟收益。

圖5 江蘇省耕地生產力隱性退化主導因素空間分布特征和地域分異類型Fig.5 Spatial distributions and regional differentiation types of dominant factors of recessive degradation of cultivated land productivity in Jiangsu Province

4 結論

(1)以江蘇省為例，基于2001—2019年MODIS 遙感影像，通過BFAST算法建模歷史時期耕地生產力變化特征作為趨勢基準，用于判斷監測時期耕地是否存在生產力隱性退化。結果顯示，江蘇省存在生產力隱性退化的耕地比例為21.9%，具有顯著的空間差異。西北地區的徐州市、宿遷市的耕地生產力隱性退化比例最高，分別為47.2%和43.4%，且表現出聚集性。東南地區的蘇州市、無錫市和南通市的耕地生產力隱性退化比例較低，均不足10%。

(2)地理探測器因子探測分析表明外流人口數量、種植業從業人員數量和農業機械化總動力3項指標對江蘇省耕地生產力隱性退化的解釋力最強。因子交互探測結果顯示多因子交互耦合后對耕地生產力隱性退化的解釋力均有不同程度的提高。綜合來看，以人口因素與生產條件解釋力增強最為顯著。

(3)耕地生產力隱性退化的地域分異類型劃分為生產條件約束型、產出效益約束型和人口因素約束型。從各市的q分布情況來看，農業機械化總動力、農業產值和外流人口數量分別為3種約束類型的首要因素。從地域空間來看，人口因素約束型地區在江蘇省占比最大，主要集中于蘇北地區。對于不同約束類型區域提出了加強高標準農田建設、實施惠農政策、通過土地流轉提高農業規模化及降低農業生產成本、減緩勞動力析出等相應的政策建議。