

Extraction and analysis of abandoned farmland: A case study of Qingyun and Wudi counties in Shandong Province
XIAOGuofeng

通讯作者:
收稿日期:2018-03-5
修回日期:2018-07-10
网络出版日期:2018-09-25
版权声明:2018《地理学报》编辑部本文是开放获取期刊文献,在以下情况下可以自由使用:学术研究、学术交流、科研教学等,但不允许用于商业目的.
基金资助:
作者简介:
-->
展开
摘要
关键词:
Abstract
Keywords:
-->0
PDF (6472KB)元数据多维度评价相关文章收藏文章
本文引用格式导出EndNoteRisBibtex收藏本文-->
1 引言
随着城镇化的快速发展,土地利用类型和人口分布也随之改变,乡村人口持续减少,出现大面积的耕地退耕现象[1]。耕地撂荒是耕地利用变化的重要表现形式之一,是在经济与自然等因素的共同作用下,土地生产经营者在一定时期内对现有耕地停止或减少耕耘,从而导致耕地处于一种荒芜或未充分利用的状态[2]。与其他国家相比,中国耕地总体质量差,人均耕地数量少[3],坡耕地面积较大[4],部分地区存在着大量的耕地撂荒现象[5,6]。耕地的大面积撂荒不仅加剧了人地矛盾,而且涉及到国家粮食的安全问题。因此,提取撂荒耕地空间分布、撂荒数量以及撂荒地复垦数量对于耕地保护至关重要。另外,大量的研究表明耕地撂荒对生物多样性[7]、土壤质量[8,9]、碳循环[10,11]、生态环境[12]等均存在影响,提取撂荒耕地空间分布也可以为耕地撂荒的生态环境影响分析提供数据基础。
目前中国缺少各地区的耕地撂荒统计数据和资料。随着遥感技术的快速发展,遥感影像的时间、空间分辨率都得到大幅度提升,高时空分辨率遥感影像不仅可以提取撂荒地的规模和数量,而且能够分析时间序列的撂荒趋势以及驱动因素。因此,利用遥感影像提取撂荒地成为一种快速、有效的途径。关于撂荒耕地的提取,Alcantara等基于连续时相的遥感数据提取地物的植被指数(NDVI)时间序列曲线,提取撂荒耕地的规模[13]。Yusoff等基于撂荒后的单期遥感影像,结合历史耕地本底数据提取研究区的撂荒地面 积[14]。Alcantara等在2013年利用MODIS时间序列数据提取2004-2006年中欧和东欧的撂荒地分布范围,并制作撂荒地分布图,统计出撂荒面积[15]。Baumann等利用1986-2008年的Landsat数据,基于支持向量机分类方法提取乌克兰西部的土地撂荒情况[16]。Kuemmerle等利用Landsat TM/ETM+影像制作土地利用覆盖图,提取罗马尼亚南部地区1990-2005年撂荒地的范围,发现撂荒率为21.1%[17]。Estel等利用MODIS时间序列数据,基于随机森林分类方法提取2001-2012年欧洲地区的撂荒地,撂荒率为24.4%[18]。马玲玲对内蒙古自治区和林格尔县的耕地撂荒进行了研究,利用历年土地利用变更数据提取1996-2009年和林格尔县的耕地撂荒的数量、撂荒速度、撂荒率[19]。程维芳在广东省惠东县、海丰县和陆丰县对比分析了3种撂荒地提取方法(基于建立解译标志的撂荒地提取方法、基于NDVI的时间序列特征撂荒耕地提取方法和基于光谱特征的土地分类提取方法)的精度,结果表明基于NDVI时间序列特征的撂荒耕地提取方法效果最佳[20]。史铁丑等利用两期耕地图层叠加,剔除退耕还林和森林工程图斑,提取了重庆市典型县的耕地撂荒分布[21]。牛继强等利用2013年、2015年春秋两季的4景Landsat-8 OLI遥感影像,提取河南省罗山县子路镇的撂荒耕地及其时空分布信息[22]。
国内关于撂荒地的研究基本上是选择两期遥感影像提取撂荒地的规模和数量,缺少长时间序列的撂荒地研究,而且几乎没有关于撂荒地复垦研究。另外,山区丘陵地区耕种条件差、农业收入低等因素,导致山区丘陵地区的耕地出现趋势性的撂荒现象;城市化的快速发展迫使平原地区的耕地出现短期的撂荒现象。而平原地区作为全国的主要粮食生产区域,水温条件良好,适应大面积的农作物种植,短期的耕地撂荒直接影响到粮食安全问题。因此,选取山东省的平原地区(庆云县和无棣县)作为研究区,基于Landsat数据和HJ1A数据,利用决策树(Classification And Regression Tree, CART)分类算法制作了1990-2017年的土地利用分类图。以基准年(1990年)的耕地数据作为本底数据,根据撂荒地的定义和识别规则,提取研究区1992-2017年的撂荒地空间分布,利用GIS空间统计功能,统计撂荒地的持续撂荒时间,并提取撂荒地的复垦范围,为今后的撂荒地驱动因素分析和风险评价提供基础数据。
2 研究区与数据来源
2.1 研究区概况
本文选取山东省的庆云县和无棣县作为研究区(图1)。山东省位于中国东部沿海、黄河下游,34°22′54″N~38°24′06″N、114°47′30″E~122°42′18″E之间,陆地面积15.58万 km2,下辖17个地级市,县级单位137个。山东省的气候属暖温带季风气候类型,降水集中,雨热同期,全年无霜期由东北沿海向西南递增,光照资源充足,热量条件可满足农作物一年两作的需要。山东省是全国的产量大省之一,主要农作物有小麦、玉米、水稻、大豆、棉花和花生等。根据已有的研究[23]和调查报告[24]发现,山东省的庆云县和无棣县耕地撂荒现象比较严重,因此,本文选取山东省庆云县和无棣县,提取撂荒地的规模和数量,制作1992-2017年的耕地撂荒空间分布图。
图1研究区地理位置
-->Fig. 1Location of the study area
-->
2.2 研究数据
本文利用来源于美国地质勘探局(USGS)(http://glovis.usgs.gov/)1990-2011年、2013-2017年30 m分辨率的Landsat数据,作为提取撂荒地的基础数据;由于2012年Landsat 7数据存在条带现象,不易于地物分类,用2012年30 m分辨率的HJ1A数据进行替代,该数据来源于中国资源卫星应用中心(http://www.cresda.com/CN/)。最终组成1990-2017年连续时间序列数据,每年有2期影像,总共56幅影像。每年的2期影像时期分别为4-6月份(个别年份选择3-6月份的影像)和7-10月份。理论上7-10月份草地、林地和农作物都比较茂盛,因此7-10月份遥感影像分类精度要高于4-6月份影像的分类精度;而建设用地、水体和裸地在不同月份的差异性不大,两期影像的分类精度基本一致。因此,除了个别年份7-10月份遥感影像质量较差,有云覆盖,其余大部分基准期的影像都选在7-10月份,影像的具体信息如表1所示。Tab. 1
表1
表1影像获取时间及分类结果精度
Tab. 1Image acquisition time and classification accuracy
年份 | 时期(月、日) | 基准 时期 | 分类精度 | 年份 | 时期(月、日) | 基准 时期 | 分类精度 | ||||
---|---|---|---|---|---|---|---|---|---|---|---|
时期1 | 时期2 | 时期1(%) | 时期2(%) | 时期1 | 时期2 | 时期1(%) | 时期2(%) | ||||
1990 | 0506 | 0911 | 0911 | 92.5 | 94.2 | 2004 | 0528 | 1003 | 1003 | 87.5 | 89.1 |
1991 | 0509 | 1006 | 0509 | 90.3 | 84.3 | 2005 | 0515 | 0904 | 0904 | 87.7 | 89.9 |
1992 | 0527 | 1018 | 1018 | 91.7 | 91.8 | 2006 | 0502 | 0907 | 0907 | 89.1 | 90.4 |
1993 | 0514 | 0903 | 0903 | 86.0 | 92.1 | 2007 | 0505 | 0809 | 0809 | 84.0 | 90.9 |
1994 | 0517 | 0906 | 0517 | 92.6 | 91.4 | 2008 | 0608 | 0827 | 0827 | 84.2 | 88.3 |
1995 | 0504 | 0824 | 0504 | 93.7 | 88.4 | 2009 | 0526 | 0830 | 0830 | 86.9 | 89.2 |
1996 | 0522 | 1013 | 0522 | 86.4 | 83.5 | 2010 | 0427 | 0614 | 0427 | 90.1 | 86.4 |
1997 | 0423 | 1016 | 1016 | 85.3 | 88.7 | 2011 | 0516 | 0820 | 0820 | 86.8 | 86.9 |
1998 | 0528 | 0629 | 0629 | 85.2 | 85.2 | 2012 | 0527 | 0928 | 0928 | 89.6 | 90.2 |
1999 | 0429 | 0803 | 0803 | 90.4 | 92.4 | 2013 | 0521 | 0825 | 0825 | 84.1 | 91.1 |
2000 | 0501 | 0906 | 0906 | 85.3 | 88.6 | 2014 | 0508 | 0929 | 0929 | 86.5 | 90.9 |
2001 | 0418 | 0909 | 0909 | 87.0 | 92.2 | 2015 | 0425 | 0815 | 0815 | 87.9 | 90 |
2002 | 0710 | 1014 | 0710 | 91.7 | 86.4 | 2016 | 0513 | 1004 | 0513 | 91.4 | 84.2 |
2003 | 0627 | 0915 | 0915 | 88.8 | 91.1 | 2017 | 0516 | 1023 | 1023 | 91.5 | 91.4 |
新窗口打开
此外,本文还使用了来源于地理空间数据云(http://www.gscloud.cn/)30 m分辨率的DEM数字高程数据,作为土地利用分类的辅助数据;Google Earth影像和部分高分辨率土地分类数据,作为训练样本和验证样本的基础数据。
3 研究方法
技术流程如图2所示。主要包括:① 对TM数据和HJ1A数据进行预处理,生成CART决策树的输入影像;② 根据Google Earth影像和已有高分辨率土地分类数据集,逐年选择训练样本和验证样本,利用CART决策树方法对每年两期影像进行分类,并分别验证分类精度;③ 融合两期分类结果形成每年最终的土地利用覆盖图;④ 建立撂荒地的识别规则,识别出每年撂荒的耕地,得到逐年的撂荒地空间分布图;⑤ 利用每年的耕地分布图提取出逐年的撂荒耕地复垦空间分布图。
图2技术路线图
-->Fig. 2Technology roadmap
-->
3.1 数据预处理
对TM数据和HJ1A数据进行几何校正、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中进行ISODATA非监督分类,类别数量设置为10~15,迭代次数为10次,得到非监督分类结果;在ArcGIS中对DEM数据进行坡度计算,并裁剪出研究区域的坡度数据;将原影像的红波段、绿波段、蓝波段、近红外波段、NDVI、ISODATA非监督分类结果和坡度合并为含有7个波段的待分类影像。3.2 CART决策树算法
在遥感影像分类应用中,为了提高分类精度,研究者提出了人工智能神经网络、决策树、支持向量机等分类方法。其中决策树分类方法能够充分利用影像的光谱特征信息和其他辅助信息,有效解决遥感影像“同物异谱”、“异物同谱”的问题[25]。决策树常用的算法有:ID3、C4.5、CART等[26]。与其他决策树相比,CART决策树的模型简单,根据训练样本确定分类阈值,自动建立决策树,不受其他因素影响,与神经网络、支持向量机等方法相比,分类效果良好,精度较高[27]。CART,即分类回归树算法。CART算法是Breiman等[28]于1984年提出的决策树构建算法。CART算法是一种二分递归分割技术,把当前样本集划分为两个子样本集,使得生成的决策树的每个非叶子结点都有两个分支。因此,CART算法生成的决策树是结构简洁的二叉树。由于CART算法构成的是一个二叉树,它在每一步的决策时只能是“是”或者“否”,即使一个要素有多个取值,也是将数据分为两部分。
CART算法采用经济学中的基尼系数(Gini index)作为选择最佳测试变量的准则,选择标准是每个子节点达到最高的纯度,也就是所有子节点的要素特征都属于同一类别。假设数据集D中的因变量有
式中:
3.3 土地利用覆盖图制作
在遥感影像分类时,考虑到山东省农作物耕作制度为一年两熟制,为了提高分类结果的精度,需要在一年中选择两期高质量影像进行分类。根据山东省农作物的物候信息,两期影像时期应选择为4-6月份和7-10月份,从图1可以看出:对于一年两熟制的耕作制度,一年中的两期影像的耕地范围不一致,前一期是耕地,后一期可能是裸地;前一期是裸地,而后一期可能是耕地。两期影像分类结果的耕地变化比较大,将分类后的耕地信息叠加,能提高耕地的分类精度。具体流程:首先对两期影像分别进行分类,分为耕地、林地、草地、水体、建设用地和裸地6大类;然后对两期的分类结果分别进行精度检验,选择一期较高精度的分类结果作为基准土地利用分类图;提取出另一期分类结果中的耕地,叠加到基准土地利用分类图,覆盖原有的分类结果,得到高精度的分类结果(图3)。
图3耕地提取示意图
注:绿色表示耕地;黄色表示裸地;蓝色表示水体;红色表示建设用地
-->Fig. 3Sketch map of farmland extraction
-->
3.4 撂荒耕地识别
耕地撂荒也可以称为“抛荒”“弃耕”,一部分****认为耕地闲置一年以上可以定义为撂荒,还有一部分****认为耕地荒芜一季或一季以上的就可视为撂荒[2, 29-30]。结合前人的研究,本文中耕地撂荒的定义为:耕地闲置或荒芜两年以上(包括两年)为耕地撂荒。而耕地闲置或荒芜一年或一季度定义为耕地轮休。基于此定义,本文确立了如下撂荒耕地识别规则:首先,提取基准年(1990年)的耕地范围,作为耕地本底数据,分别判断其他年份每个像元(T)的土地利用类型在本底耕地范围中的变化,若T为耕地,认为土地利用类型没有变化;若T为建筑用地、水体或者林地,则认为该像元发生变化,属于土地利用类型的转化;若T为草地和裸地,则认为该像元有可能撂荒。由于耕地荒芜之后,开始状态是裸地,随着时间推移,逐渐变为草地,因此草地也属于疑似撂荒的一部分。另外由耕地直接转化为草地的情况很少,本实验不予考虑。由以上规则得到每年的疑似撂荒耕地的范围。然后,以基准年(t)之后的一年(t+1)的疑似撂荒耕地的范围为基准,提取t+2年疑似撂荒耕地与t+1年疑似撂荒耕地的重叠区域,作为t+2年的撂荒地空间分布图,其他年份逐次类推。最后,将所有年份的撂荒耕地进行叠加,得到撂荒地持续时间分布结果。耕地撂荒通常用耕地的撂荒率定量化表达,即每年的撂荒面积占本底耕地面积的比例。具体表达式如下:
式中:
3.5 撂荒耕地的复垦识别
耕地是农业生产的基础,大面积的耕地撂荒严重阻碍了农业生产和经济发展,撂荒地的恢复是解决该问题的关键。撂荒地的恢复也称为撂荒耕地的复垦,是将已有的撂荒耕地恢复为可利用耕地的过程。本文中撂荒耕地的复垦识别规则为:以第t年的撂荒耕地空间分布范围为掩膜裁剪第t+1年的土地利用覆盖图,得到撂荒耕地变化图;然后判断每个像元(T)的土地利用类型,若T为耕地,则认为该像元是复垦耕地;判断结果作为第t+1年的复垦耕地空间分布图。撂荒耕地的复垦通常用复垦率定量化表达,即第t+1年的复垦的撂荒耕地面积占第t年的撂荒耕地面积的比例。具体表达式如下:
式中:
4 结果分析
4.1 CART决策树分类结果及验证
利用2012年的HJ1A数据补充缺少的TM数据,组成1990-2017年连续时间序列数据,每年有2期影像,总共56幅影像。利用ENVI 5.3对数据进行预处理后,逐年逐期选择训练样本,并结合CART决策树分类算法自动建立分类决策树(1990年5月6日合成影像建立的决策树如图4所示),然后执行分类决策树,得到1990-2017年的56幅分类结果。最后选择分类精度较高的影像作为基准,将同年另一幅分类结果的耕地叠加至基准期分类结果,得到逐年的土地利用分类图(部分年份分类结果如图5所示)。
图4决策树(B1-B7分别对应合成影像的7个波段)
-->Fig. 4Decision tree (B1-B7 correspond to the seven bands of the composite image)
-->

图5庆云县和无棣县土地利用分类结果图
-->Fig. 5Land use classification results in Qingyun and Wudi counties
-->
从图5中可以看出,随着经济的发展,水域面积逐渐增加,靠近海边的大部分裸地都转换为水塘,随着城市化速度加快,相应的建筑用地面积也是逐年增加,未利用土地面积逐渐减少。特别是最近几年,除了靠近海滩边缘,基准年原有的裸地基本上都被利用起来了,转化为水域、建设用地和林地等。
在Google Earth软件中,针对不同年份不同时期的待分类影像,调整Google Earth影像的获取时间,尽量保证Google Earth影像获取年份和时期和待分类影像的获取时间一致。结合已有的高分辨率土地利用数据集,在整个研究区内逐年逐期均匀选取各类地物的训练样本和验证样本,并对56幅分类结果分别进行混淆矩阵精度验证,得到每年每期分类结果的精度评价如表1所示。1990-2017年所有时期的影像分类精度在83.5%~94.2%之间,基准时期的影像分类精度在85%以上,具有较高的分类精度。其中,1990年分类结果中的耕地数据将作为研究撂荒地的本底,本底耕地提取精度对撂荒地的提取识别研究至关重要。因此,对1990年的两期影像选择大量的训练样本,并对选择的训练样本反复检查,最终得到高精度的分类结果,分类精度分别为92.5%和94.2%,其结果可以作为耕地范围的本底数据。
4.2 撂荒地识别
根据CART算法得到每年的土地利用分类图,结合1990年本底耕地数据,利用撂荒地的识别规则得到1992-2017年的撂荒地空间分布图(图6)。耕地的撂荒范围主要分布在研究区域的中部地区,而边缘地区撂荒程度较轻。
图6庆云县和无棣县撂荒地分布图
-->Fig. 6Distribution of abandoned farmland in Qingyun and Wudi counties
-->
在ArcGIS软件中逐年统计撂荒耕地的面积,并根据撂荒率的定义计算每年的耕地撂荒率(表2)。从表2中,发现研究区域1996年、1997年和1998年撂荒率较高,撂荒率最大值为5.37%,而1994年、2003年、2013年、2014年、2016年和2017年的撂荒率较低,撂荒率在0.4%以下。最近几年的撂荒率呈现下降趋势,撂荒趋势得到控制,对耕地保护和粮食安全有重要的意义。
Tab. 2
表2
表21992-2017年庆云县和无棣县撂荒地统计结果
Tab. 2Abandoned farmland statistics in Qingyun and Wudi counties of 1992-1917
年份 | 撂荒面积(hm2) | 撂荒率(%) | 年份 | 撂荒面积(hm2) | 撂荒率(%) |
---|---|---|---|---|---|
1992 | 3526.74 | 3.44 | 2005 | 2564.73 | 2.50 |
1993 | 2355.03 | 2.30 | 2006 | 3287.61 | 3.21 |
1994 | 286.47 | 0.28 | 2007 | 2998.8 | 2.92 |
1995 | 650.34 | 0.63 | 2008 | 2850.75 | 2.78 |
1996 | 4372.47 | 4.26 | 2009 | 1851.66 | 1.81 |
1997 | 5503.86 | 5.37 | 2010 | 1307.16 | 1.27 |
1998 | 5288.40 | 5.16 | 2011 | 1519.11 | 1.48 |
1999 | 2255.31 | 2.20 | 2012 | 2418.12 | 2.36 |
2000 | 1097.01 | 1.07 | 2013 | 341.46 | 0.33 |
2001 | 628.02 | 0.61 | 2014 | 292.59 | 0.29 |
2002 | 842.04 | 0.82 | 2015 | 1285.74 | 1.25 |
2003 | 356.31 | 0.35 | 2016 | 226.44 | 0.22 |
2004 | 650.43 | 0.63 | 2017 | 263.97 | 0.26 |
新窗口打开
1992-2017年的撂荒地趋势分析结果如图9a所示,1997年撂荒地面积最大,达到5503.86 hm2;2016年撂荒面积最小,为226.44 hm2。其中1992-1994年撂荒地逐年减少;1994-1997年撂荒地开始逐年增加;1997-2003年撂荒地逐渐减少;2003-2006年撂荒地又逐年增加;2006-2017年撂荒地的整体趋势逐年减少。特别是2016年、2017年的撂荒地面积在300 hm2之内,说明研究区域的撂荒地在逐渐减少,耕地撂荒的现象得到控制。
为了研究撂荒地开始的时间以及撂荒持续的时间段,将1992-2017年的撂荒地叠加到一起,得到撂荒地持续时间分布结果(图7),并统计持续撂荒时间段内的撂荒地面积(表3)。由图7中可知,1992-2017年间撂荒地持续时间为1~15年之间,持续撂荒时间较长区域主要分布在研究区域东北部地区和东部地区,而西南部地区撂荒持续时间相对较短。

图7庆云县和无棣县撂荒地持续时间分布图
-->Fig. 7Distribution of abandoned farmland duration in Qingyun and Wudi counties of 1992-2017
-->
Tab. 3
表3
表3庆云县和无棣县持续撂荒时间段内的撂荒地面积
Tab. 3Abandoned farmland area for the duration of abandonment in Qingyun and Wudi counties
持续撂荒时间(年) | 撂荒面积(hm2) | 持续撂荒时间(年) | 撂荒面积(hm2) | 持续撂荒时间(年) | 撂荒面积(hm2) |
---|---|---|---|---|---|
1 | 11183.67 | 6 | 501.21 | 11 | 17.64 |
2 | 5278.32 | 7 | 288.9 | 12 | 8.46 |
3 | 2846.25 | 8 | 159.21 | 13 | 4.5 |
4 | 1587.15 | 9 | 82.26 | 14 | 1.44 |
5 | 910.17 | 10 | 40.86 | 15 | 0.99 |
新窗口打开
由表3可知:大部分撂荒地持续撂荒时间在4年之内,极少一部分撂荒地持续撂荒时间超过10年。其中,持续撂荒1年的撂荒地面积最大,为11183.67 hm2,占撂荒地总面积的48.81%;持续撂荒时间在4年以内的撂荒地总面积为20895.39 hm2,占撂荒地总面积的91.20%,可见大部分耕地撂荒持续时间比较短。撂荒耕地面积随撂荒持续时间增加而减少,通过查找资料发现其原因有3点:① 撂荒地逐渐恢复成为耕地,减少持续撂荒的时间;② 随时间的变迁,耕地撂荒的状态为:耕地—>裸地—>草地—>稀疏灌木,最后变为林地。当土地利用状态转变为林地时,在本研究中被定义为土地利用类型的转变,不属于撂荒地,其持续撂荒时间就终止了;③ 城镇化的快速发展,部分耕地被迫转为建设用地,由于企业资金不到位和施工时间等原因不能及时施工,造成耕地转为撂荒地并持续多年,当建筑开始施工后,撂荒地的持续时间立即结束。
4.3 撂荒地复垦
耕地是土地资源中重要的组成部分,耕地的撂荒不利于粮食安全和耕地保护,因此对撂荒地的复垦尤为重要。利用1992-2017年的撂荒地和耕地范围,分别提取每年的撂荒地复垦区域,得到1993-2017年的撂荒地复垦结果(图8)。撂荒地复垦结果和撂荒地的分布基本一致,主要集中在研究区中部地区。
图8庆云县和无棣县撂荒地复垦图
-->Fig. 8Reclamation of abandoned farmland in Qingyun and Wudi counties
-->
逐年统计撂荒地复垦面积,并根据复垦率公式计算每年的撂荒地复垦率,并分析1993-2017年撂荒地复垦面积的趋势(图9b)。1993-2017年撂荒地复垦面积和复垦率统计如表4所示,其中2008年的复垦耕地面积最大,达到2022.3 hm2;2014年和2015年复垦耕地面积最小,约20 hm2。1993-2017年间复垦率最大值出现在2008年,达到67.44%;而最小复垦率只有4.61%,年均复垦率为31.83%。其中,有4年的复垦率大于50%,12年的复垦率超过30%,复垦率低于10%有3年,分别是2002年、2014年和2015年。由图9b可知,随年份的增加,复垦面积先减少后增加,依次循环。复垦面积与撂荒地的面积有直接关系,撂荒地是复垦的基础,因此,撂荒地的复垦趋势和撂荒地的趋势比较相似。

图9庆云县和无棣县撂荒耕地和复垦耕地年际面积变化统计结果
-->Fig. 9Statistical results of annual variation of abandoned farmland and reclaimed cultivated land in Qingyun and Wudi counties
-->
Tab. 4
表4
表41993-2017年庆云县和无棣县撂荒地复垦统计结果
Tab. 4Statistics of abandoned farmland reclamation in Qingyun and Wudi counties of 1993-2017
年份 | 复垦面积(hm2) | 复垦率(%) | 年份 | 复垦面积(hm2) | 复垦率(%) |
---|---|---|---|---|---|
1993 | 1607.31 | 45.57 | 2006 | 431.28 | 16.82 |
1994 | 1539.09 | 65.35 | 2007 | 603.72 | 18.36 |
1995 | 89.10 | 31.10 | 2008 | 2022.30 | 67.44 |
1996 | 217.08 | 33.38 | 2009 | 1252.89 | 43.95 |
1997 | 1063.80 | 24.33 | 2010 | 281.79 | 15.22 |
1998 | 852.30 | 15.49 | 2011 | 141.66 | 10.84 |
1999 | 1010.52 | 19.11 | 2012 | 759.15 | 49.97 |
2000 | 1381.68 | 61.26 | 2013 | 1056.69 | 43.70 |
2001 | 266.49 | 24.29 | 2014 | 19.17 | 5.61 |
2002 | 28.98 | 4.61 | 2015 | 20.52 | 7.01 |
2003 | 400.68 | 47.58 | 2016 | 354.78 | 27.59 |
2004 | 183.69 | 51.55 | 2017 | 99.36 | 43.88 |
2005 | 141.30 | 21.72 |
新窗口打开
5 结论与讨论
5.1 结论
本文对1990-2017年山东省庆云县和无棣县30 m分辨率的遥感数据进行预处理,结合Google Earth影像和已有的高分辨率遥感分类数据,逐年建立训练样本集和验证样本集。利用CART算法自动建立决策树,得到1990-2017年的土地分类图,根据撂荒地识别规则提取1992-2017年的撂荒地范围,制作撂荒地分布图、持续撂荒时间分布图和撂荒地复垦分布图。(1)采用CART算法对1990-2017年影像进行分类,其分类精度在83.5%~94.2%之间,基准期的分类精度在85%以上。另外,1990年两期影像分类精度达到92%以上,其结果可作为撂荒地识别的本底耕地数据。
(2)1992-2017年,研究区的撂荒地面积最大值为5503.86 hm2;撂荒面积最小值为226.44 hm2。撂荒率最大值为5.37%,其中1996、1997和1998年撂荒率较高,有6年的撂荒率在0.4%以下,2006-2017年撂荒地面积的整体趋势逐年降低。
(3)1993-2017年,研究区撂荒耕地复垦面积最大为2022.3 hm2,最小复垦面积约为20 hm2,复垦率最大值为67.44%,年均复垦率为31.83%,部分撂荒耕地恢复耕种,撂荒现象得到控制。
5.2 讨论
耕地是重要的农业生产资料,耕地的大面积撂荒与生态恢复和粮食安全密切相关,确定撂荒地的规模、数量、起始时间以及复垦情况尤为重要。撂荒地的提取也属于土地利用变化检测,只是撂荒地提取较为特殊,需要建立撂荒地的识别规则。但是,耕地撂荒现象的复杂性、地块破碎性以及零散分布等特征,使得撂荒地识别提取更为困难。已有资料表明面积较小的耕地斑块更容易被撂荒[31],而长时间序列遥感影像的空间分辨率较低,小面积撂荒地很难识别出来。由于高分辨率的多期影像数据和长时间序列的数据获取困难,使得大范围的撂荒耕地提取存在严峻的挑战。另外,撂荒地的识别比较复杂,难以确定撂荒地的识别规则。耕地撂荒的一般状态为耕地先转为裸地,再转换为稀疏草地,最后变为茂盛草地。而本实验在建立撂荒地识别规则时,没有考虑“退耕还林、还草”的情况,由于“退耕还林、还草”一般是发生在山区地区,平原地区耕地直接转化为草地的情况较少。因此,本文将耕地转化为草地也看作疑似撂荒的情况。若要继续研究山区地区的撂荒地分布,可以参考县区的“退耕还林、还草”本底数据,能够更准确的提取撂荒地的规模和数量。结合Landsat和HJ1A遥感影像的红波段、绿波段、蓝波段、近红外波段、NDVI、ISODATA非监督分类结果和坡度7个波段,采用CART决策树进行分类,建立撂荒地识别规则,提取研究区域的撂荒地范围和数量。在撂荒地提取过程中存在以下3方面问题:
(1)撂荒地的界定。撂荒地没有统一的标准界定,****针对不同研究区域的撂荒地有不同的定义。已有的撂荒地的定义有:“耕地闲置一年以上可以定义为撂荒”、“耕地荒芜一季或一季以上的就可视为撂荒”、“2年或2年以上没有耕种的耕地”等。撂荒定义的差异对识别结果有很大的影响,本实验根据研究区域实际情况和已有调查资料,确定本研究的撂荒地定义为“耕地闲置或荒芜两年以上(包括两年)定义为耕地撂荒”。
(2)分类误差传递。在遥感影像分类中,遥感解译为草地的地块有可能为其他作物,特别是春季作物和草地比较相似,容易造成混分现象。秋季作物与草地相差较大,草地和作物容易区分。本实验通过两期(4-6月、7-10月)影像的分类,将两期分类的耕地叠加,进而减少草地和作物的混分和耕地漏分现象。由于耕地撂荒现象的复杂性,很难通过遥感影像直接识别出撂荒地。本实验首先对每年的2期遥感影像进行分类,然后确定撂荒耕地的识别规则,提取撂荒耕地的分布。遥感影像分类本身存在分类误差,其分类误差也会传递到下一步的撂荒耕地提取中,造成撂荒耕地提取的误差。该误差很难消除,只能通过提高遥感影像的分类精度,进而减少撂荒耕地提取的误差。
(3)精度验证。通过查阅资料和文献发现,目前并没有撂荒耕地相关的统计数据,部分已有的研究中大多是通过问卷调查的方法获取某个自然村撂荒情况。由于缺少真实的耕地撂荒面积,缺少对比分析,实验中通过影像分类的精度验证间接获取提取的撂荒耕地的精度。在长时间序列的撂荒地提取过程中,很难获取历史年份的真实撂荒地分布情况,只能通过验证分类结果的精度间接说明提取的撂荒地精度,而非撂荒本身的精度。若提取当前年份的撂荒地,可获取实地调查的撂荒耕地样本,验证撂荒地提取的精度。
针对以上撂荒地提取过程中的问题,在后续的研究中可以通过提高单期分类精度来确保撂荒地提取的精度。由于影像波段类型比较单一,只考虑到影像的纹理特征和光谱特征,缺少空间信息,今后,研究可以引入地物空间位置信息,以提高影像的分类精度。另外,耕地的耕作制度受自然环境和人为因素的控制,在耕地的提取过程中,根据不同农作物的耕作制度,选择不同的遥感影像期数,可以减少遗漏的耕地地块。如一年两熟制,至少选择两期影像,分别为两季作物的生长期;若为一年三熟制,至少选择3期影像。这样可以提高耕地的识别精度,减少遗漏的耕地,提供高精度的耕地本底数据。
另外,获取真实的撂荒耕地数据可以为撂荒耕地识别提供验证数据。由于历史年份的高分辨率遥感影像比较少,很难通过遥感影像获取历史年份的真实撂荒情况。研究者可以通过实地调查和采访当地的农户,根据农户的回忆确定近几年撂荒的耕地地块,为撂荒地的精度验证提供真实验证样本。但是,这种获取真实样本的方法会花费大量的劳力和资金。
The authors have declared that no competing interests exist.