工业化区域撂荒耕地空间格局演变及影响因素分析

张天柱，张凤荣，黄敬文，李 超，张佰林

工业化区域撂荒耕地空间格局演变及影响因素分析

张天柱1,2，张凤荣1,2※，黄敬文1,2，李 超1,2，张佰林3

（1. 中国农业大学土地科学与技术学院，北京 100193；2. 自然资源部农用地质量与监控重点实验室，北京 100193；3. 天津工业大学经济与管理学院，天津 300387）

该文以箱包产业发展迅速的河北省高碑店市为研究区，基于1999－2001年、2007－2009年、2015－2017年间18期Landsat TM/OLI数据，采用CART决策树分类方法提取出研究区的撂荒耕地范围并分析其空间格局变化及影响因素。研究表明：1）对CART决策树分类结果进行精度验证，18期影像的分类精度介于87.5%～96.4%之间，可以满足本研究的精度要求。2）高碑店市耕地撂荒类型以季节性（春季）撂荒为主，并且季节性撂荒和常年撂荒的耕地面积均呈现出逐渐减少的趋势。3）耕地撂荒的主要形式由大规模集中式撂荒向小规模分散式撂荒转变。4）农村工业发展是导致耕地撂荒的主要驱动因素，距离产业中心越近的地区其耕地撂荒率越高；交通条件及耕作半径也在一定程度上影响耕地撂荒，但其影响程度逐年减弱；作物收益水平差距导致耕地撂荒呈现出季节性差异，而耕地流转能有效抑制当地耕地撂荒现象。该研究结果能为全国其他类似地区的撂荒耕地研究提供参考，并对制定保障国家粮食安全以及促进区域可持续发展的相关政策提供依据。

农村；遥感；分类；CART决策树；耕地撂荒

0 引 言

城镇化的快速发展以及农村人口的不断减少往往会造成农村劳动力数量不断下降，进而导致耕地撂荒现象的发生。与其他国家相比，中国耕地总体质量较差，人均耕地数量少，农村耕地撂荒问题必然会对中国的粮食安全造成重大威胁。

由于耕地撂荒涉及到耕地保护、粮食安全等国家战略性问题，所以备受学者关注，目前国内外相关研究主要集中在耕地撂荒的概念、驱动力、撂荒耕地信息获取方法等方面。关于撂荒耕地的概念，目前学术界尚无统一定论，部分学者认为耕地闲置一年以上可以定义为撂荒，还有部分学者认为耕地荒芜一季或一季以上的就可视为撂荒[1-2]。不同学者对耕地撂荒的定义略有不同，但是通过分析总结已有研究成果，我们可以将耕地撂荒的概念概括为：受到自然地理、社会经济、政策制度等多方面的因素影响，耕地在一定时期内处于闲置或未充分利用状态。耕地撂荒是多重因素共同作用的结果，其中最主要的原因为经济效益的变化。城镇化和工业化发展被视为耕地撂荒的最根本驱动力。因此，发达国家是耕地撂荒最严重的地区，其中美国、日本、欧洲等二三产业发达的地区更容易发生劣质耕地撂荒的现象[3-6]。而在中国耕地撂荒的驱动因素则更为复杂，一般认为，工业化的快速发展以及特有的土地承包管理制度被认为是促进中国耕地撂荒最重要原因[7]。关于撂荒耕地信息的获取，当前国内的研究大部分采用农户调查方法获取耕地撂荒信息[8-10]，利用遥感影像获取撂荒信息的相对较少。

明确撂荒耕地空间分布并分析其驱动因素对于提高农村地区耕地资源利用效率、保障国家粮食安全具有至关重要的作用。而目前中国的农业、国土等主管部门，均未开展关于撂荒耕地的统计调查。近年来，随着遥感技术的迅速发展，农作物种植及生长的提取和监测逐渐成为农业遥感重要的研究内容之一[11-12]。遥感技术是目前获取撂荒耕地最直接有效的手段，其基本思路主要是采用连续时相的遥感数据提取地物信息。目前已有的研究主要采用了改进多元纹理信息模型[13]、神经网络[14]、最大似然分类[15]、支持向量机[16]等多种技术手段。

国内外学者对耕地撂荒的研究主要集中于地形条件复杂、耕作条件较差的山区、丘陵地带，如西班牙东北部[17]、法国中南部[18]、中国重庆[19-20]、江西[21]等地区。然而，工业化、城市化的快速发展也会迫使平原地区的耕地出现短期的撂荒现象，平原地区作为中国主要的粮食生产区域，其耕地撂荒问题同样值得关注，但目前有关平原地区耕地撂荒的研究较少，其中肖国峰等应用CART决策树分类算法对山东省庆云县和无棣县的撂荒耕地进行提取[22]，其研究对撂荒耕地的提取提供了科学的方法。此外，当前有关耕地季节性撂荒的相关研究同样较少，而短期的季节性撂荒也会直接影响到粮食安全问题。由于农村产业发展，耕地短期的季节性撂荒在中国较发达、且耕地资源禀赋较好的东部平原地区频繁出现。

因此，本文在借鉴前人研究方法的基础上，以近年来箱包产业发展较快，目前以形成特色产业集群，同时耕地季节性撂荒严重的高碑店市作为研究区，采用1999－2001年、2007－2009年、2015－2017年间18期Landsat TM/OLI卫星数据，应用CART决策树分类算法进行遥感影像解译，提取撂荒耕地范围，并结合缓冲区分析、农村调研等方法对耕地撂荒现状及演变的驱动力进行分析。以期为农村产业发展较好的平原地区的耕地资源利用提供科学的理论指导，并对制定保障国家粮食安全以及促进区域可持续发展的相关政策提供依据。

1 研究区域概况与数据来源

1.1 研究区概况

高碑店市隶属于河北省保定市，地处京津保三角腹地，环首都经济圈，南距保定68 km，北距北京82 km，东南距天津134 km，位于115°47′24″－116°12′40″E，39°5′53″－39°23′17″N。属于华北平原，地势平坦，土地肥沃，气候类型为典型的半湿润温带大陆性季风气候，雨热同期，四季分明，年均气温约17℃，年均降水量约600 mm，满足冬小麦-夏玉米一年两熟大田作物种植条件。播种作物品种以小麦、玉米为主，此外还种植有少量大豆、花生等。目前，全市耕地面积约4.47万hm2，其中，水浇地占比达96%，且绝大多数为旱涝保收的高产稳产田。

自改革开放以来，高碑店市白沟镇的箱包加工业发展迅速，并成为带动周边农村经济发展的主要产业，发展至今，白沟箱包市场的年交易额超1 100亿元。箱包生产、销售市场主体3.4万余家，年产箱包8亿只，辐射周边从业人员共150万人，形成特色产业集群。由于以箱包产业为代表的二三产业发展迅速，再加上农业收入较低，当地越来越多的农民开始从事箱包产业，并因此导致耕地撂荒，特别是春冬两季的季节性撂荒现象严重。图1为研究区位置图。

1.2 数据来源

1.2.1 农户调研数据

笔者于2017年7－9月在研究区耕地撂荒较严重的东部、东南部地区选取丰元庄、何张村、南五里屯、北辛庄、大王村、耿庄6个调研村就耕地的流转及利用现状进行调研。

图1 研究区地理位置

通过采访村会计以及调研农户了解调研村在2001年、2009年、2017年3个时间点的在册流转耕地面积以及耕地总面积。其中，由于多数调研村的村级耕地流转组织于近几年才成立，因此一般只能通过村会计获取2017年的精确的耕地流转数据。另外，由于研究区当地的耕地流转一般发生在普通农户和种粮大户之间，因此，2001年和2009年的数据通过采访村内主要的种粮大户以及部分转出耕地的农户获取。

表1 调研村基本情况

1.2.2 统计数据

本研究所用的统计数据来源于《全国农产品成本收益资料汇编》（2002－2017年），用于分析2001－2016年河北省小麦、玉米的单位面积纯收益变化情况。

1.2.3 遥感影像数据

本研究所利用的遥感影像数据来源于美国地质调查局（USGS）（http://glovis.usgs.gov/）1999－2001年、2007－2009年、2015－2017年3个时期的 Landsat TM/OLI数据，其空间分辨率均为30 m，作为提取撂荒耕地的基础数据；

在各研究时期内每年选取两期影像，总共 18幅影像。考虑到研究区的主要种植作物及耕作制度，并综合对比不同时期影像的作物生长情况，每年的2期影像的成像时间分别选取4－5月份和7－8月份。因为3－4月份为当地冬小麦的返青期，4－5月份的影像可以有效分辨出小麦等夏收作物的种植及生长情况，而7－8月份的影像可以提取出玉米、花生等秋收作物的种植及生长情况。因此每年所选取的两期影像可以反映出研究区春季及秋季的耕地撂荒情况。所选取的18期影像的具体信息如表2所示。

表2 影像获取时间及分类精度

此外，本文还使用了Google历史影像数据及部分年份的土地利用现状数据，用于辅助遥感解译训练样本的选择。由于Google earth的卫星影像，并非单一数据来源，而是由卫星影像与航拍数据的整合而成，本文所用的数据成像时间为2008年1月2日－2017年10月24日，空间分辨率介于0.6～4 m之间，数据来源于SXearth Google地图下载器。对于1999－2001年的影像解译，由于无法获取Google历史影像，主要依靠2001年高碑店市土地利用现状图辅助进行精度验证及训练样本选择，其数据来源于高碑店市国土资源局。

1.2.4 矢量数据

本研究所采用的矢量数据主要包括研究区2017年的路网矢量数据，来源于openstreetmap网站（www.openstreetmap.org），用来分析道路交通条件对耕地撂荒的影响。

2 研究方法

2.1 撂荒耕地的界定及识别方法

2.1.1 撂荒耕地界定

根据研究区实际情况，本文将撂荒耕地分为常年性撂荒耕地和季节性撂荒耕地，其中常年性撂荒耕地是指连续闲置或荒芜两年及两年以上的耕地，季节性撂荒耕地是指在某季节闲置或荒芜的耕地，本文中的季节性撂荒耕地包括两种类型，一种是春季撂荒耕地，即春、冬两季被撂荒的耕地，主要从4月前后的遥感影像中提取；另一种是秋季撂荒耕地，即夏、秋两季撂荒的耕地，主要从8月前后的遥感影像中提取。

根据上述定义，本文将研究区某一年的耕地综合撂荒率定义为常年撂荒率、春季撂荒率、秋季撂荒率的平均值，这样可以综合反映一年内耕地撂荒程度。其计算公式如下

式中为某一年的耕地综合撂荒率，分别为当年春季撂荒的耕地面积，秋季撂荒的耕地面积，常年性撂荒耕地面积，当年的耕地总面积，hm2。

2.1.2 撂荒耕地的识别方法

本文应用CART决策树分类并辅以人工目视解译的分类方法，将遥感影像分为林地、耕地、裸地、草地、水域和建设用地6类。由于高碑店市地处平原地区，耕地撂荒之后一般会被认定为裸地，而少部分长期撂荒的耕地则可能会转化为草地，因此将每年两期影像的解译结果中的耕地、裸地、草地3个类别叠加，并参照Google Earth高分辨率历史影像确定当年的耕地实际范围，作为当年的耕地本底数据，再将该年的春夏两期影像解译结果与当年的耕地本底数据叠加，判断耕地本底数据范围内的变化情况。耕地转换为裸地或草地则可认定为耕地撂荒，依照此规则可以获得每年春季撂荒和秋季撂荒的耕地范围；将1999－2001年、2007－2009年、2015－2017年每个时间段内每年的春季撂荒、秋季撂荒范围叠加，即可得到2001年、2009年、2017年常年撂荒耕地范围。

2.2 遥感影像处理及CART决策树分类

对18期Landsat TM/OLI 数据逐期进行辐射定标、大气校正和图像裁剪等预处理，并计算NDVI值；在ENVI 5.3软件中进行 ISODATA 非监督分类，设置最大分类数量为10类，迭代次数为 10 次，得到非监督分类结果；将TM影像和OLI影像均包含的蓝色波段、绿色波段、红色波段、近红外波段、中红外波段、远红外波段6个波段和NDVI、ISODATA非监督分类结果合并为含有8个波段的待分类影像。

目前的遥感影像分类研究中，传统的监督、非监督分类以及后来兴起的人工智能神经网络、专家系统分类等方法都是以遥感影像的光谱特征为基础进行分类。然而，由于影像本身存在“同物异谱，异物同谱”的问题, 因此上述这些分类方法往往会出现较多的错分、漏分情况。而决策树分类方法能够综合利用影像的光谱信息以及其他辅助信息，并有效地解决上述问题[23]。目前决策树分类主要包括ID3、C4.5、C5.0、CART等几种常用的分类算法[24]。其中，CART决策树分类可以根据人工选取的训练样本自动确定分类阈值并建立决策树，分类精度较高[22,25]。

本文采用CART决策树分类算法，对上述重组波段后的待分类影像进行决策树分类。具体操作步骤包括，在ENVI5.3软件中逐年逐期对待分类影像选择训练样本，根据所选择的训练样本自动运算建立分类决策树，并执行分类决策树，得到1999-2017年间18期遥感影像的分类结果。其中2001年4月17日影像分类过程中建立的决策树如图2所示。

2.3 景观格局分析

采用斑块面积（TA）、斑块数目（NP）、平均斑块面积（MPS）、平均形状指数（MSI）、斑块面积中位数（PSMD）、斑块面积标准差（PSSD）等景观格局指标对高碑店市撂荒耕地的景观格局特征进行分析，各个指标均由Fragstats 4.1软件计算获取，由于篇幅所限，各个指标的具体含义及计算方法参见参考文献[26]，本文不再赘述。

注：B1-B8分别对应合成影像的8个波段。

2.4 研究的技术路线

图3为本文技术路线图。

图3 技术路线图

3 撂荒耕地提取及空间格局分析

3.1 撂荒耕地提取结果

采用CART决策树算法，对2.2章节中重组波段后的待分类影像进行决策树分类。并采用混淆矩阵法对分类结果进行精度验证。结果表明18期遥感影像的解译总体分类精度介于87.5%～96.4%之间，具有较高的分类精度，可以满足本研究的要求。

将每期解译结果中的耕地、裸地、草地3个涉及到撂荒耕地提取的地类分别进行精度验证以及更精细的人工目视解译校正。其初始分类精度评价结果如表3所示，数据显示，在CART决策树自动分类结果中，耕地和裸地的分类精度较高，一般均能达到90%左右，而草地的解译精度相对较低，为70%～80%，且变化范围较大，这主要是由于研究区天然草地面积很少，再加上草地与某些农作物的影像特征较为接近，可能会出现难以避免的错分现象。因此解译结果中的草地解译精度较低。针对上述3个地类，结合谷歌高清历史影像以及高碑店市部分年份的土地利用现状数据进行人工目视解译校正，以此获得3个不同时间段内的18期耕地、裸地、草地的精确解译结果。

表3 耕地、裸地、草地的初始分类精度

以上述耕地、裸地、草地的影像分类结果为基础，通过影像叠加分析提取出高碑店市1999－2001年、2007－2009年、2015－2017年3个研究时段内，季节性撂荒和常年撂荒耕地的空间分布（图4）。结果显示，高碑店市耕地的季节性撂荒现象严重，并且以春季撂荒为主，撂荒面积呈现出逐渐减少的趋势。

图4 1999－2017年高碑店市季节性撂荒耕地空间分布

通过对季节性撂荒耕地分布图叠加分析，得到高碑店市常年撂荒耕地的空间分布（图5），结果如下图所示，和季节性撂荒相比，高碑店市耕地常年撂荒现象极少。2001年、2009年、2017年的常年撂荒面积分别为190.65、128.22、48.50 hm2。

3.2 撂荒耕地的空间格局分析

采用景观格局指数的方法对研究区2001年、2009年、2017年的撂荒耕地的空间格局进行分析，分析结果如表4所示。

分析结果表明，2001－2017年间，高碑店市季节性撂荒耕地和常年撂荒耕地呈现出逐渐减少的趋势。

从春季撂荒情况来看，撂荒面积由2001年的21 888.42 hm2降低至2017年的10 141.82 hm2。斑块数目（NP）、平均斑块面积（MPS）、斑块面积中位数（PSMD）、斑块面积标准差（PSSD）4个指标表明，春季撂荒斑块数目增多，平均斑块面积减小，同时斑块面积的离散程度减小。表明大规模集中式撂荒情况减少，小规模分散式撂荒情况增多。

从秋季撂荒情况来看，研究区秋季撂荒耕地的面积明显少于同年春季撂荒耕地面积。并且秋季撂荒的面积也呈现出逐年减少的趋势。其中2009年秋季撂荒现象最为严重，撂荒面积达到了1 124.96 hm2。和春季撂荒情况类似，通过比较斑块数目（NP）、平均斑块面积（MPS）、斑块面积中位数（PSMD）、斑块面积标准差（PSSD）4个指标的变化情况，可以发现研究区秋季撂荒的耕地同样呈现出大规模撂荒情况减少，小规模分散式撂荒情况增多的趋势，但这种趋势没有春季撂荒明显。

图5 高碑店市常年撂荒耕地的空间分布

表4 2001－2017年高碑店市撂荒耕地景观指数

春季撂荒和秋季撂荒的斑块平均形状指数（MSI）均呈现出逐年降低的趋势，表明撂荒耕地的形状趋于规则，这也进一步反映了高碑店市大规模无序撂荒的情况减少，撂荒类型逐渐以小规模的农户层面撂荒为主。

与季节性撂荒相比，研究区耕地常年撂荒的情况较少。景观分析结果表明撂荒耕地斑块面积明显减少，由2001年的190.65 hm2减少至2017年的48.50 hm2。

4 耕地撂荒空间格局及其演变的影响因素分析

4.1 撂荒耕地的工业区位条件分析

产业中心的发展会带动周边农村二三产业的迅速发展，并促进农村劳动力由第一产业向二三产业集聚，因此导致耕地撂荒情况的加剧。高碑店市白沟镇自改革开放以来，大力发展箱包产业，目前已发展为一个辐射周边11个县（市）、55个乡镇、500多个自然村，从业人员超过150万人的区域特色产业集群。本文以白沟镇作为带动高碑店市农村经济发展的主要产业中心，在白沟镇周围生成5、10、20 km的多级缓冲区，并在GIS软件中将缓冲区图层与各撂荒耕地图层进行叠加分析，得到距白沟不同范围内的撂荒耕地分布情况，并分别计算不同年份各级缓冲区范围内的耕地综合撂荒率。其结果如表5所示。

表5 距白沟镇不同范围内耕地撂荒情况

从空间尺度变化来看，2001年、2009年、2017年3个年份内，随着离产业中心白沟距离的增加，各个缓冲区域内的耕地综合撂荒率均呈现出递减的趋势。这表明由于产业中心对农村发展的辐射带动作用随着距离的增加而逐渐衰减，因此距产业中心距离越近的农村其耕地综合撂荒率越高。

4.2 撂荒耕地的交通条件及耕作半径分析

道路交通条件以及耕作半径是影响着农业生产的重要因素之一。本文从撂荒耕地距离公路的距离以及距离农村居民点的距离两个方面来分析交通条件以及耕作半径对耕地撂荒的影响。

对高碑店市道路矢量图和农村居民点周围分别生成距离50、100、200 m和100、200、500 m的多级缓冲区。并在GIS软件中将缓冲区图层与各撂荒耕地图层进行叠加分析，得到距公路及农村居民点不同范围内的撂荒耕地空间分布情况。并计算不同区域范围内的耕地综合撂荒率，其结果如表6所示。

表6 距道路或农村居民点不同范围内耕地撂荒情况

分析结果表明，2001－2017年，随着离道路或居民点距离的增加，研究区耕地的综合撂荒率逐渐下降，只有距离道路50和100 m范围内没有表现出这种趋势。这表明道路和耕作半径也在一定程度上影响着耕地撂荒，距离农村居民点或道路越近的耕地其综合撂荒率越低，反之则越高。

以极差和标准差两个指标对距离道路和居民点不同范围内的耕地综合撂荒率进行分析，以此来反映不同时期、不同范围内耕地综合撂荒率的离散程度变化情况，分析结果如表7和表8所示。2001－2017年，距离道路或农村居民点不同范围内的耕地综合撂荒率的极差和标准差均表现为逐渐下降，这反映出距道路或农村居民点不同范围内的耕地综合撂荒率的变化幅度降低，表明道路交通条件以及耕作半径对于耕地撂荒的影响程度减弱。

表7 距道路不同范围内耕地综合撂荒率的极差及标准差变化情况

表8 距农村居民点不同范围内耕地综合撂荒率的极差及标准差变化情况

4.3 撂荒地区耕地经营收益分析

从撂荒耕地的空间格局（图4）可以明显看出，高碑店市耕地的撂荒主要集中在春季，其中2001－2017年，春季平均撂荒面积为16 708.37 hm2，而秋季平均撂荒面积仅1 017.10 hm2，仅为春季的6.09%。究其原因，主要是由于当地的玉米投入产出水平较高，再加上玉米生长季集中在夏季，雨热同期，需要的人力物力条件相对较少。而小麦的生长期则集中在冬季，需要定期灌溉，需消耗较多的人力、财力。因此，造成当地玉米的单位面积纯收益远高于小麦。图6表明了河北省小麦玉米的单位面积纯收益变化情况，除去最近几年玉米行情下跌以外，2001－2013年期间内，河北省的玉米单位面积纯收益远高于小麦。因此造成了当地农民长期以来更倾向于种植玉米，并导致春冬两季耕地的大面积撂荒。

图6 2001－2016年河北省小麦、玉米单位面积纯收益

4.4 撂荒地区耕地流转变化分析

前文分析表明，2001－2017年高碑店市撂荒耕地面积逐渐下降。对调研村耕地流转情况的调研结果如表9所示，2001－2017年，6个调研村中只有耿庄村2009年的耕地流转率较2001年略有下降，其余5个村庄的耕地流转率均表现出逐渐上升的趋势。

在6个调研村周边生成3 km缓冲区，并将缓冲区与2001年、2009年、2017年的耕地撂荒数据进行叠加，提取出调研村周边3 km范围内的撂荒耕地分布（表10），并分析其撂荒程度变化情况。结果表明6个调研村中，只有何张村的耕地综合撂荒率表现为先增后减，其余5个村庄耕地综合撂荒率基本上均表现为逐渐下降的趋势。

如表9和表10所示，将6个调研村耕地流转率和综合撂荒率的变化情况进行对比分析，可以看出，调研村的耕地综合撂荒率和流转率呈现出明显的负相关趋势。通过采访每个村的村会计了解到，6个调研村目前均成立了村级耕地流转组织，村民间进行耕地流转需要向村委会报备，流转费用也由村集体统一发放。这一举措在一定程度上促进了耕地的流转，同时有效抑制了当地耕地的大面积撂荒的现象。

表9 调研村耕地流转变化情况

表10 调研村耕地撂荒变化情况

5 讨 论

本文应用CART决策树分类算法对30 m分辨率的Landsat基础数据进行遥感影像解译，将其分为林地、耕地、裸地、草地、水域和建设用地6大类。但受多种因素限制，其解译精度可能会存在一定的误差，一方面，由于研究区地处平原，草地面积极少，一般仅分布于季节性河道、坑塘周边或者城郊公园内，受遥感影像分辨率限制，解译为草地的地块有可能是与草地比较相似的其他作物，因此可能造成错分现象；另一方面，ISODATA非监督分类结果作为一种特征参与分类，能够在一定程度上提高地物识别效率和精度，但是对于非监督分类过程中可能会存在一定的错分或漏分的部分，将其作为一种特征（波段）参与分类，可能会最终的分类结果造成一定的误差。因此，针对上述误差，需要借助Google高分影像进行人工目视解译校正，但这种方式会花费大量的人力与时间，在今后的研究中，可以考虑采用其他空间分辨率更高、光谱信息更为丰富的遥感数据源进行解译，以便更大程度减少上述类似的误差。

另外，本文在进行耕地撂荒解译时，影像选取时间主要是依据春小麦-夏玉米这两种主要农作物的生长期，对于播种较晚的夏茬胡萝卜（7－8月份播种）等生长期不同的作物未予考虑，尽管此类作物播种面积较小，但仍可能会对耕地撂荒的解译结果会造成一定的误差。

本文通过实地调研了解到耕地流转是促进高碑店市耕地撂荒率降低的一个重要影响因素，当前高碑店市各地的农村土地流转工作已经陆续开展，但部分农村仍然存在土地流转交易制度缺失、农民流转意愿较低等一系列问题。部分农民由于思想闭塞，顾虑流转后耕地面积减小、自身的合法权益受到侵占等问题，因此不愿将耕地流转，阻碍了当地耕地规模经营工作的进一步推进，未来政府应加大宣传力度，在坚持农村联产承包经营制度和稳定土地承包关系的基础上引导农民积极参与土地流转。

6 结 论

本文以河北省高碑店市为研究区，对1999－2001年、2007－2009年、2015－2017年三个研究时段内18期Landsat TM/OLI遥感影像数据进行预处理，结合 Google Earth的高分辨率影像图选取训练样本，利用 CART决策树分类方法进行遥感解译，得到研究时段内18期土地利用现状分布图，根据撂荒地识别方法提取出季节性撂荒耕地以及常年撂荒耕地的分布范围；并对撂荒耕地空间分布格局的影响因素进行分析。研究主要得出以下结论：

1）采用CART决策树分类方法对高碑店市进行遥感影像解译，并进行精度验证，结果表明，18期影像的分类精度介于87.5%～96.4%之间，在此分类结果的基础上，提取出耕地、裸地、草地并进行进一步的人工目视解译，最终得到的分类结果可以满足高碑店市撂荒耕地的提取的精度要求。

2）高碑店市耕地撂荒以季节性撂荒为主，常年撂荒耕地面积较少，并且季节性撂荒以春季撂荒（冬闲田）为主，其中2001年春季撂荒耕地的面积达21 888.42 hm2，季节性撂荒和常年撂荒面积均呈现出逐渐减少的趋势。

3）对撂荒耕地的斑块数目（NP）、平均斑块面积（MPS）、斑块面积中位数（PSMD）、斑块面积标准差（PSSD）、平均形状指数（MSI）等景观指标的分析结果表明，高碑店市耕地撂荒形态由大规模集中式撂荒逐渐转变为小规模分散式撂荒。

4）农村工业发展是导致耕地撂荒的主要驱动因素，缓冲区分析结果表明距离产业中心越近的地区其耕地综合撂荒率越高；交通条件及耕作半径也在一定程度上影响耕地撂荒，但在地势平坦的平原地区，其影响程度逐渐减弱。

5）作物收益水平差距导致高碑店市的耕地撂荒呈现出季节性差异，长期以来小麦单位面积纯收益较低是导致高碑店市大面积春季耕地撂荒的主要因素，而耕地流转能有效抑制当地耕地撂荒现象，农村实地调研结果显示，6个调研村庄的耕地流转率与耕地综合撂荒率的变化呈明显的负相关趋势。

[1] 李升发，李秀彬. 耕地撂荒研究进展与展望[J]. 地理学报，2016，71(3)：370－389.

Li Shengfa, Li Xiubin. Progress and prospect on farmland abandonment[J]. Acta Geographica Sinica, 2016, 71(3): 370－389. (in Chinese with English abstract)

[2] Smaliychuk A, Müller D, Prishchepov A V, et al. Recultivation of abandoned agricultural lands in Ukraine: Patterns and drivers[J]. Global Environmental Change, 2016, 38: 70－81.

[3] Meyfroidt P, Lambin E F. Global forest transition prospects for an end to deforestation[J]. The Annual Review of Environment and Resources, 2011, 36: 343－371.

[4] Queiroz C, Beilin R, Folke C, et al. Farmland abandonment: Threat or opportunity for biodiversity conservation? A global review[J]. Frontiers in Ecology and the Environment, 2014, 12(5): 288－296.

[5] MacDonald D, Crabtree J R, Wiesinger G, et al. Agricultural abandonment in mountain areas of Europe: Environmental consequences and policy response[J]. Journal of Environmental Management, 2000, 59(1): 47－69.

[6] Romero-Calcerrada R, Perry G L W. The role of land abandonment in landscape dynamics in the SPA 'Encinares del rıo Alberchey Cofio, Central Spain, 1984－1999[J]. Landscape and Urban Planning, 2004, 66(4): 217－232.

[7] 曹志宏，郝晋珉，梁流涛. 农户耕地撂荒行为经济分析与策略研究[J]. 农业技术经济，2008(3)：43－46.

Cao Zhihong, Hao Jinmin, Liang Liutao. Economic analysis and strategy research on farmers' farmland abandonment behavior[J]. Journal of Agrotechnical Economics, 2008(3): 43－46. (in Chinese with English abstract)

[8] Xie H, Wang P, Yao G. Exploring the dynamic mechanisms of farmland abandonment based on a spatially explicit economic model for environmental sustainability[J]. Sustainability, 2014, 6(3): 1260－1282.

[9] Dong J, Liu J, Yan H. Spatio-temporal pattern and rationality of land reclamation and cropland abandonment in mid-eastern Inner Mongolia of China in 1990－2005[J]. Environmental Monitoring and Assessment, 2011, 179(1/4): 137－153.

[10] 李赞红，阎建忠，花晓波，等. 不同类型农户撂荒及其影响因素研究：以重庆市12个典型村为例[J]. 地理研究，2014，33(4)：721－734.

Li Zanhong, Yan Jianzhong, Hua Xiaobo, et al. Factors influencing the cultivated land abandonment of households of different types: A case study of 12 typical villages in Chongqing Municipality[J]. Geographical Research, 2014, 33(4): 721－734. (in Chinese with English abstract)

[11] 刘忠，万炜，黄晋宇，等. 基于无人机遥感的农作物长势关键参数反演研究进展[J]. 农业工程学报，2018，34(24)：60－71.

Liu Zhong, Wan Wei, Huang Jinyu, et al. Progress on key parameters inversion of crop growth based on unmanned aerial vehicle remote sensing[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(24): 60－71. (in Chinese with English abstract)

[12] 郭文茜，任建强，刘杏认，等. 统计数据总量约束下全局优化阈值的冬小麦分布制图[J]. 遥感学报，2018，22(6)：1023－1041.

Guo Wenqian, Ren Jianqiang, Liu Xingren, et al. Winter wheat mapping with globally optimized threshold under total quantity constraint of statistical data[J]. Journal of Remote Sensing, 2018, 22(6): 1023－1041. (in Chinese with English abstract)

[13] 马尚杰，裴志远，王飞，等. 基于GF-1影像的沿淮地区冬季耕地撂荒遥感调查应用[J]. 农业工程学报，2019，35(1)：227－233.

Ma Shangjie, Pei Zhiyuan, Wang Fei, et al. Application on remote sensing survey of abandoned farmlands in winter along the Huaihe River based on GF-1 image[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(1): 227－233. (in Chinese with English abstract)

[14] 吕雅慧，郧文聚，张超，等. 基于TOPSIS和BP神经网络的高标准农田综合识别[J]. 农业机械学报，2018，49(3)：196－204.

Lü Yahui, Yun Wenju, Zhang Chao, et al. Multi-characteristic comprehensive recognition of well-facilitied farmland based on TOPSIS and BP Neural Network[J]. Transactions of the Chinese Society for Agricultural Machinery, 2018, 49(3): 196－204. (in Chinese with English abstract)

[15] 朱秀芳，李石波，肖国峰. 基于无人机遥感影像的覆膜农田面积及分布提取方法[J]. 农业工程学报，2019，35(4)：106－113.

Zhu Xiufang, Li Shibo, Xiao Guofeng. Method on extraction of area and distribution of plastic-mulched farmland based on UAV images[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(4): 106－113. (in Chinese with English abstract)

[16] 牛继强，林昊，牛樱楠，等. 经济欠发达地区撂荒耕地空间格局与驱动因素分析[J]. 农业机械学报，2017，48(2)：141－149.

Niu Jiqiang, Lin Hao, Niu Yingnan, et al. Analysis of spatial pattern and driving factors for abandoned arable lands in underdevelopment region[J]. Transactions of the Chinese Society for Agricultural Machinery, 2017, 48(2): 141－149. (in Chinese with English abstract)

[17] Melendez P, Hernández E I, Navapro P J, et al. Socioeconomic factors influencing land cover changes in rural areas: The case of the Sierra de Albarracín (Spain)[J]. Applied Geography, 2014, 52: 34－45.

[18] Andre M F. Depopulation, land use change and landscape transformation in the French Massif Central[J]. Royal Swedish Academy of Sciences, 1998, 27(4): 351－353.

[19] 史铁丑，徐晓红. 重庆市典型县撂荒耕地图斑的提取与验证[J]. 农业工程学报，2016，32(24)：261－267.

Shi Tiechou, Xu Xiaohong. Extraction and validation of abandoned farmland parcel in typical counties of Chongqing[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(24): 261－267. (in Chinese with English abstract)

[20] 张佰林，杨庆媛，严燕，等. 快速城镇化进程中不同类型农户弃耕特点及原因：基于重庆市十区县540户农户调查[J]. 资源科学，2011，33(11)：2047－2054.

Zhang Bailin, Yang Qingyuan, Yan Yan, et al. Characteristics and reasons of different households’farming abandonment behavior in the process of rapid urbanization based on a survey from 540 households in 10 Counties of Chongqing Municipality[J]. Resources Science, 2011, 33(11): 2047－2054. (in Chinese with English abstract)

[21] Xie Hualin, Wang Peng, Yao Guanrong. Exploring the dynamic mechanisms of farmland abandonment based on a spatially explicit economic model for environmental sustainability: A case study in Jiangxi Province, China[J]. Molecular Diversity Preservation International, 2014, 6(3): 1260－1282.

[22] 肖国峰，朱秀芳，侯陈瑶，等. 撂荒耕地的提取与分析：以山东省庆云县和无棣县为例[J]. 地理学报，2018，73(9)：1658－1673.

Xiao Guofeng, Zhu Xiufang, Hou Chenyao, et al. Extraction and analysis of abandoned farmland: A case study of Qingyun and Wudi counties in Shandong Province[J]. Acta Geographica Sinica, 2018, 73(9): 1658－1673. (in Chinese with English abstract)

[23] 陈云，戴锦芳，李俊杰. 基于影像多种特征的CART决策树分类方法及其应用[J]. 地理与地理信息科学，2008，24(2)：33－36.

Chen Yun, Dai Jinfang, Li Junjie. CART-based decision tree classifier using multi-feature of image and its application[J]. Geography and Geo-Information Science, 2008, 24(2): 33－36. (in Chinese with English abstract)

[24] 赵萍，傅云飞，郑刘根，等. 基于分类回归树分析的遥感影像土地利用/覆被分类研究[J]. 遥感学报，2005，9(6)：708－716.

Zhao Ping, Fu Yunfei, Zheng Liugen, et al. Cart－based land use/cover classification of remote sensing images[J]. Journal of Remote Sensing, 2005, 9(6): 708－716. (in Chinese with English abstract)

[25] 吕利利，颉耀文，黄晓君，等. 基于CART决策树分类的沙漠化信息提取方法研究[J]. 遥感技术与应用，2017，32(3)：499－506.

Lü Lili, Xie Yaowen, Huang Xiaojun, et al. Desertification information extraction method research based on the CART decision tree classification[J]. Remote Sensing Technology and Application, 2017, 32(3): 499－506. (in Chinese with English abstract)

[26] 郑新奇，付梅臣. 景观格局空间分析技术及其应用[M]. 北京：科学技术出版社，2010：92－144.

Spatial pattern evolution of abandoned arable land and its influencing factor in industrialized region

Zhang Tianzhu1,2, Zhang Fengrong1,2※, Huang Jingwen1,2, Li Chao1,2, Zhang Bailin3

(1100193;2100193,;3300387,)

This paper takes Gaobeidian City of Hebei Province as the research area. Based on the Landsat TM/OLI data from 1999 to 2001, 2007-2009 and 2015-2017, the CART decision tree classification method is used to extract the distribution of abandoned arable land in the study area. Finally, we analyze its spatial pattern change characteristics and influencing factors. The study draws the following conclusions: 1) Using CART decision tree classification method to interpret remote sensing images in Gaobeidian City and verify the accuracy. The result shows that: 1）the classification accuracy of 18-stage images are between 87.5% and 96.4%, which can meet the accuracy requirements of this study; 2) The type of abandoned arable land in Gaobeidian City is mainly seasonal abandonment. The area of abandoned arable land reached 21 888.42 hm2in the spring of 2001, and the area of seasonal abandoned arable land and perennial abandoned arable land are gradually decreasing; 3) The analysis of landscape indicators including plaque number (NP), average plaque area (MPS), median plaque area (PSMD), plaque area standard deviation (PSSD), and average shape index (MSI) of the abandoned arable land shows that the main form of the abandonment of arable land has changed from large-scale centralized abandonment to small-scale decentralized abandonment; 4) The development of rural industry is the main driving factor leading to the abandonment of arable land. The result of the buffer analysis shows that the closer the industrial center is, the higher the comprehensive abandonment rate; The traffic conditions and farming radius also affect the abandonment of arable land to a certain extent, but in the flat plains region, its impact gradually weakened; 5) The gap in crop yields leads to seasonal differences in the cultivated land reclamation in Gaobeidian City. The long-term low net income per unit area of wheat is the main factor leading to the large-scale spring abandonment of arable land in Gaobeidian City, and the arable land transfer can effectively inhibit the abandonment of arable land. The results of rural survey show that the arable land transfer rate in the six surveyed villages shows a significant negative correlation with the change of the arable land abandonment rate. Due to the low resolution of remote sensing images used in this study, the interpretation accuracy may be affected. In addition, the selection time of remote sensing images is mainly based on the growth of spring wheat and summer maize, which do not take into account the late planting of summer stubble carrot and other crops in different growth periods. Although the sowing area of such crops is small, it may still cause errors in the interpretation of abandoned arable land. In order to solve the above problems, it is necessary to use Google high-resolution image for manual visual interpretation and correction, but this method will cost a lot of manpower and time. In future research, other remote sensing data sources with higher spatial resolution and richer spectral information can be considered for interpretation in order to solve these problems. The research results can provide reference for the study of abandoned arable land in other similar areas in China, and provide basis for the formulation of national food security and regional sustainable development policies.

rural areas; remote sensing; classification; CART decision tree; abandonment of arable land

10.11975/j.issn.1002-6819.2019.15.031

F301.2

A

1002-6819(2019)-15-0246-10

2019-04-10

2019-07-23

中国国土勘测规划院外协项目（2018073-4）；天津市科技发展战略研究计划项目（17ZLZXZF00170）

张天柱，博士生，研究方向为土地可持续利用。Email：ztz@cau.edu.cn

张凤荣，教授，博士生导师，研究方向为土地可持续利用。Email：frzhang@cau.edu.cn

张天柱，张凤荣，黄敬文，李 超，张佰林. 工业化区域撂荒耕地空间格局演变及影响因素分析[J]. 农业工程学报，2019，35(15)：246－255. doi：10.11975/j.issn.1002-6819.2019.15.031 http://www.tcsae.org

Zhang Tianzhu, Zhang Fengrong, Huang Jingwen, Li Chao, Zhang Bailin. Spatial pattern evolution of abandoned arable land and its influencing factor in industrialized region[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(15): 346－255. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2019.15.031 http://www.tcsae.org