基于遙感的海東市樂都區撂荒耕地空間分布特征研究

摘 要 為識別研究區撂荒地并了解其影響因素，幫助制定和完善相關政策，減少耕地負面影響，進一步保障糧食安全，選取青海省東部重要農業產業基地、具區域代表性（平原、山地均具備）、能體現區域特色的地域研究單元海東市樂都區，以遙感數據、青海省地理空間數據為信息源，基于農作物的生長周期以季度變化構建NDVI時間序列數據，通過比較不同時間段內的NDVI數值差異來實現研究區撂荒地識別研究，并通過核密度分析、空間自相關分析和冷熱點分析等方法探討研究區撂荒地的空間分布特征。結果顯示，研究區耕地撂荒率近些年來相對穩定，撂荒地主要集中在研究區山間道路兩側，這些區域坡耕地坡度較大，從而導致了大量碎化耕地被撂荒。政府可通過制定一系列農業政策，如糧食補貼，促進糧食種植，從而保障糧食安全。

關鍵詞 撂荒地；NDVI時間序列；核密度分析；空間自相關；糧食安全；青海省海東市樂都區

中圖分類號：F323.211 文獻標志碼：A DOI：10.19415/j.cnki.1673-890x.2024.01.015

中國是農業生產大國[1]。作為人類生存的物質基礎，農田在糧食生產和生物多樣性保護方面發揮著至關重要的作用。改革開放以來，中央實施了一系列措施補充建成用地占用的耕地，以保持總面積的動態平衡，如耕地戰略儲備制度、耕地征用補償平衡等[2]。但在過去十年中，耕地仍然發生了重大變化，有條件優良的耕地被轉化為了建設用地，有退耕還林還草，有坡度高于2°的森林被清理用于耕種，也有各類其他用地轉化為耕地。在耕地再分配過程中，新增耕地逐漸向海拔較高、坡度較陡的地區轉移，坡耕地越來越普遍[3]。因此無論是開發還是開墾，高海拔、坡度較高的耕地補充，已成為耕地資源的重要組成部分，對保障糧食安全具有至關重要的作用。然而，現有的研究主要集中在平原地帶優質耕地的研究，對山區農田是否得到長期有效利用關注不夠[4]。

青海省海東市樂都區位于西北地區農牧交錯地帶，是青海省東部重要的農業產業基地，但該區域大部分是坡耕地，與原始耕地相比，在機械化、大規模運營和農業支持措施方面處于不利地位，限制了糧食產量，且隨著農業生產材料和勞動力成本的增加，坡耕地的糧食生產越來越具有高投入和低產出的特征[5]。當產量不符合農民的期望時，條件較差的耕地往往會被撂荒。耕地撂荒破壞了耕地利用的連續性，是對土地資源的嚴重浪費，對糧食生產和生態平衡產生了巨大影響。因此本文通過識別研究區耕地的撂荒情況，分析青海省東部農牧交錯地帶撂荒耕地的空間分布格局及其變化，量化耕地的連續性，以期為該區域合理管理耕地利用、保障未來糧食安全提供依據。

1" 研究區概況

樂都區是海東市的縣轄區，位于青海省東部湟水河中下游，全區轄7鎮12鄉，總面積3 050 km2（圖 1，102°09＇～102°47＇E，36°16＇～36°46＇N）。農作物分布在這一地區，主要類型為小麥、馬鈴薯、油菜等[6]。該區地貌以山地為主，地勢錯綜復雜，氣候不穩定，云層干擾頻繁，耕地主要分布于湟水河兩岸和南北山地，海拔相差最大可達2 644 m。此外該區域經濟不發達，人均GDP遠低于全國平均水平，高比例的農民工不再從事農業工作，這可能導致疏于管理的耕地被撂荒。

2" 數據來源與研究方法

2.1" 數據來源

本研究所用遙感數據為Sentinel-2遙感影像（分辨率為10 m），來源于GEE平臺（https：//earthengine.google.com/），Google Earth Engine（GEE）集成了大規模遙感影像數據和現有的分類產品，以及大量的函數和現有算法，可應用于大規模土地監測[7]。本文所用NDVI數據基于Sentinel-2影像，通過波段計算獲取得到月最大值NDVI合成數據，時間序列NDVI數據將用于撂荒地識別。研究區邊界矢量數據來源于國家基礎地理信息中心（www.webmap.cn），樂都區第三次全國國土調查數據來源于青海省自然資源廳（https：//zrzyt.qinghai.gov.cn/index）。

2.2" 研究方法

2.2.1" NDVI變化監測

NDVI（歸一化植被指數）是一種廣泛用于遙感影像分析的指標，可用于估算植被覆蓋度和生長狀況[8]。該指標基于植被對不同波長的反射率的變化來計算，可以通過計算近紅外波段和紅色波段之間的比率來獲得。NDVI的值范圍從-1～1，值越高表示植被覆蓋度越高。NDVI的變化監測通常用于研究植被的生長和變化趨勢，例如在不同季節或多年的時間段內監測植被覆蓋度的變化。

本文基于農作物的生長周期以季度變化構建NDVI時間序列數據，通過比較不同時間段內的NDVI圖像來實現，以確定植被的生長或退化情況。具體內容為基于樂都區2019年三調耕地圖斑，隨機選取三調屬性表中耕種樣本和未耕種樣本各50個，通過對比研究區耕種樣本和非耕種樣本春夏NDVI值變化的差異（表 1），確定兩種地類的最佳分割點。然后連續調整分割點直到所有的樣本歸類到對應的樣本集中，最終確定分割閾值為0.33。

本文中，我們將耕地一年以內未種植的情況叫作輪休，持續時間超過一年未種植的情況我們作做撂荒。通過運用ArcGIS軟件，對研究區的NDVI數據進行耕地區域的掩膜處理，得到耕地地塊的NDVI數值，對該NDVI數值進行春夏和夏秋的差值運算，并進行重分類。把NDVI差值大于0.33的判定為本年度耕種地塊，小于0.33的判定為本年度未耕種地塊，將相鄰年份未耕種地塊進行疊加，重疊的地塊判定為撂荒地，沒有重疊的地塊判定為當年未耕種，具體撂荒地提取流程圖如圖 2。

2.2.2" 核密度分析

核密度分析是一種空間數據分析方法，用于確定數據分布在空間上的密度模式[9]。在核密度分析中，數據集被視為一組離散的事件，這些事件被認為在空間上隨機分布。該分析可以確定在給定區域內存在哪些地方有更高的密度，并可用于探究某一現象的分布模式和熱點區域的空間分布。本研究通過 ArcGIS 軟件Spatial Analyst Tools 中“Density”下的“Kernel Density”分析工具對研究區撂荒耕地點狀數據按搜索半徑為 3 km 進行核密度分析。然后再在 ArcGIS 里利用自然裂點法將核密度分析結果重分類成 5 個級別，按照核密度從小到大依次為低密度區、中低密度區、中密度區、中高密度區和高密度區。

2.2.3" 空間自相關分析

空間自相關分析是一種用于研究地理空間數據中空間相關性的統計方法[10]，其基本思想是檢測地理空間數據集中的觀測值之間的相似性或相關性，通常使用空間權重矩陣來量化觀測值之間的空間鄰近性，然后計算各個觀測值與其鄰近觀測值之間的相關性指標。本研究采用全局自相關分析和冷熱點分析來研究區域撂荒耕地空間集聚性，二者分別用 Moran's [I] 和 Getis-Ord [Gi?]指數進行分析。

1）全局自相關分析。本研究用全局自相關分析了解研究區撂荒地集中的空間模式和集聚程度，判斷研究區撂荒地是否集聚。全局Moran's [I]的取值范圍為-1～1，其中正值表示正相關性且分布集聚，負值表示負相關性且呈分散型分布，而接近于0的值表示不存在空間自相關。定義如下：

式中，[zi]、[zj]分別為撂荒耕地圖斑[i]、[j]的面積與其平均值的偏差；[wij]為撂荒耕地圖斑[i]和[j]的空間權重；[S0]為所有空間權重集合；[n]為撂荒耕地圖斑總數；[Z]為標準化值；[E[I]]和[V[I]] 分別為期望值和方差。

2）冷熱點分析。冷熱點分析能夠識別和定量評估撂荒耕地空間集聚的范圍和集聚程度。進行GIS冷熱點分析的常用方法之一是基于空間統計指標的Getis-Ord [Gi?]統計量。[Gi?]為正時，表示出現熱點集聚，[Gi?]越大說明高值集聚程度越高；當 [Gi?]為負時，表示出現冷點集聚，[Gi?]越小說明低值聚類緊密。其計算公式為：

式中，[xi]、[xj]分別為撂荒耕地圖斑[i]和[j]的面積。

3" 結果與分析

3.1" 撂荒耕地分布及變化

研究區2019—2022年撂荒地空間分布如圖 3所示，從整體分布來看，撂荒地主要集中在東部地區和湟水河向南北輻射的山間道路，這是因為部分坡耕地坡度較大且遠離居民點，難以利用機械進行耕種，導致撂荒耕地分布較為集中；部分年份處于湟水河兩岸的城鎮地區撂荒地也較為集中，這是因為部分年份城市擴張城鎮建設用地占用耕地導致耕地處于常年撂荒的現象。研究區2019—2022年份的撂荒地面積和撂荒率如表 2所示，整體來看近些年份研究區耕地撂荒率較為穩定且有持續變好的現象，這也與政府部門對耕地的持續重視和相關土地政策實施有關。

3.2" 撂荒耕地核密度分析

對研究區2020年撂荒地塊進行核密度分析，結果如圖 4所示。由圖可知，研究區撂荒耕地分布具有集聚性，撂荒耕地核密度最大值3.04點/km2，最小值為0，平均值為0.27點/km2。研究區中密度區域集中在共和鄉、碾伯鎮、蒲臺鄉和洪水鎮，高密度區域集中在洪水鎮。通過實地和Google Earth Pro軟件中影像對這些區域的了解，碾伯鎮處于湟水河兩岸的城鎮地區，城鎮化的建設是導致該地區撂荒的最大因素。共和鄉、蒲臺鄉和洪水鎮的耕地大部分處于湟水河向南北山地輻射的山區道路兩側，這些地區的耕地的坡度更大，離居民點相對較遠且地塊較為碎片化，農耕機具很難得到利用，這也是該地區撂荒地較為集中的原因。

3.3" 撂荒耕地空間自相關分析

1）全局自相關分析。本文基于核密度值做研究區撂荒地空間自相關分析，運用Geoda軟件對研究區撂荒耕地進行全局自相關分析。結果顯示，Moran′s [I] 為 0.519 0，Z-value值為5.403 1。表明研究區撂荒地核密度在空間上呈集聚分布的態勢。

2）冷熱點分析。本文基于核密度值，利用 ArcGIS 的“Hot Spot Anal?ysis（Getis-Ord [Gi?]）”工具對研究區撂荒耕地進行冷熱點分析，結果顯示，研究區撂荒耕地[Gi?]指數為-1.546 18～2.773 27，根據 [Gi?]指數值的大小，利用自然裂點法將冷熱點分析結果重分類成 5 級（圖 5）。研究區低集聚區和較低集聚區屬于冷點區，高集聚區和較高集聚區屬于熱點區，其中低集聚區分布在下營藏族鄉、城臺鄉和峰堆鄉，較低集聚區分布在瞿曇鎮、李家鄉、馬營鄉和中嶺鄉，較高集聚區分布在達拉土族鄉、壽樂鎮、雨潤鎮、碾伯鎮和中壩藏族鄉，高集聚區分布在高廟鎮、洪水鎮和蒲臺鄉。從空間分布來看，熱點區域主要分布在湟水河兩岸的城鎮地區和研究區東南部，前者是由于城鎮化建設導致農用地被占用，后者是由于該地區地形破碎復雜，溝壑縱橫，耕作條件較差且遠離居民點，從而導致耕地被撂荒；冷點區域主要集中在南北的鄉鎮，這是由于研究區南北山地海拔較高，但坡耕地的坡度更為平緩，也使得該地區耕地被撂荒的情況較輕。

4" 結論

以全國第三次土地調查中的耕地土地利用圖對遙感圖像進行掩膜，去除耕地范圍外的變化地物干擾，僅在耕地范圍內提取撂荒地，并使用Sentinel系列（分辨率為10 m）數據提取的NDVI數據進行撂荒地識別提取，相較于二調數據和遙感解譯提取耕地信息結果準確性更高。結果顯示：研究區耕地整體撂荒率近些年相對穩定，雖有起伏但沒有大的變化，從空間分布圖和撂荒地核密度分析及空間自相關分析結果來看，研究區耕地主要分布在南北山地和沿湟水河兩岸，而撂荒地主要集中在湟水河向南北輻射的山間道路兩側，這與研究區的地形地勢有很大的關系。湟水河兩岸土地相對平整，部分年份因為城市建設占用耕地導致撂荒地較為集中；在通向南北山地的山間地帶，由于坡耕地坡度較大導致很多耕地常年被撂荒，這其中有耕作條件的限制，也有當地居民常年依賴的農作物收入較低轉至其他方式就業而導致撂荒的因素。

耕地撂荒的原因主要受有人類活動和自然環境的影響。高海拔且耕地地面的不平整導致了山區耕地的碎片化，從而抑制了規模化種植，導致很多耕地常年疏于管理被撂荒。而山區經濟的發展滯緩，使得城鄉遷移，農業活動勞動力短缺，進一步導致了耕地撂荒現象的加劇。鑒于撂荒耕地在研究區的分布，政府應采取有針對性的措施，改善耕地利用。政府應進一步增加對農村農業的補貼，縮小收入差距；應建立相應的耕地出讓制度以減少人為因素造成的耕地碎片化，加強集聚分散耕地，提高農業投入產出比，從而保障國家糧食安全。

參考文獻：

[1] 王學，李秀彬，宋恒飛.我國耕地撂荒問題分析及其對策研究[J].中國土地，2023（2）：15-17.

[2] 陳美球.耕地經營者的耕地保護責任與權益探析[J].中國土地，2023（2）：12-14.

[3] 范戰平，趙啟航.耕地占補平衡制度：歷程·問題·建議[J].哈爾濱師范大學社會科學學報，2023，14（1）：66-69.

[4] 吳峰，李沛鴻，熊凡，等.基于遙感的南方丘陵山區耕地撂荒研究[J].北京測繪，2022，36（11）：1519-1523.

[5] 龍明順，趙宇鸞，張東麗.山區耕地細碎化對農戶耕地撂荒的影響[J].農業工程學報，2022，38（21）：231-239.

[6] 馬扶林， 周秉榮， 許正福. 基于GIS的青海省主要農作物種植區劃[J]. 現代農業科技， 2016 （12） ： 207-208，212.

[7] 王小娜， 田金炎， 李小娟， 等. 谷歌地球引擎云平臺對遙感發展的改變[J]. 遙感學報， 2022， 26 （2） ：299-309.

[8] 宋憲強， 梁釗雄， 周紅藝等. 基于決策樹與時序NDVI變化檢測的耕地撂荒遙感監測——以四川省涼山州普格縣為例[J]. 山地學報， 2021， 39 （6） ： 912-921.

[9] 陳曦，彭鳳姣，蔡勇，等.基于ArcGIS核密度分析法的湖北省國家濕地公園空間分布特征及影響因素[J].綠色科技，2021，23（2）：1-3.

[10] 許曉婷，王思恩，焦俏，等.陜西關中平原撂荒耕地空間分布格局[J].湖北農業科學，2023，62（3）：75-79.

收稿日期：2023-08-05

基金項目：青海省重點研發與轉化計劃項目（2022-QY-225）；青海民族大學創新項目（39M2023014）。

作者簡介：葉鵬帥（1998—），碩士，主要從事耕地資源監測與評價研究。E-mail：1796220951@qq.com。

*為通信作者：E-mail：1989990003@qhu.edu.cn。