快速检索 图表检索 引用检索 高级检索
撂荒耕地的提取与分析——以山东省庆云县和无棣县为例
肖国峰1,2,3,4,, 朱秀芳2,3,4,, 侯陈瑶4, 夏兴生4
1. 北京师范大学环境遥感与数字城市北京市重点实验室,北京100875
2. 北京师范大学地表过程与资源生态国家重点实验室,北京 100875
3. 北京市陆表遥感数据产品工程技术研究中心,北京 100875
4. 北京师范大学地理科学学部遥感科学与工程研究院,北京 100875

作者简介:肖国峰(1992-), 男, 甘肃庆阳人, 硕士研究生, 主要从事土地利用变化监测研究。E-mail: xiao_gf@mail.bnu.edu.cn

通讯作者:朱秀芳(1982-), 女, 浙江天台人, 副教授, 博士生导师, 主要从事遥感应用相关研究。E-mail: zhuxiufang@bnu.edu.cn
摘要

由于城镇化的快速发展和农村劳动力不断流失,中国部分地区出现大面积的撂荒现象。利用遥感技术可以间接提取撂荒耕地的规模和数量,对耕地的保护和粮食安全有重要意义。以山东省庆云县和无棣县为研究区,基于Landsat数据和HJ1A数据,采用CART决策树分类方法,制作了1990-2017年的土地利用图,制定了撂荒地的识别规则,在此基础之上提取了研究区的撂荒地空间分布、持续撂荒时间分布和撂荒地复垦区域。结果显示:1990-2017年基准期影像的CART决策树分类精度高于85%;1992-2017年间,研究区撂荒地面积最大值为5503.86 hm2,最大撂荒率为5.37%,其中1996-1998年撂荒率最高,2006-2017年撂荒地面积的整体趋势逐年降低;1992-2017年间最大持续撂荒时间为15年,大部分耕地持续撂荒时间在4年之内,少数耕地持续撂荒时间超过10年;1993-2017年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%。研究结果不仅能够为研究区撂荒驱动因素分析提供数据支撑,而且也可以为其他地区的撂荒耕地识别提供参考。

关键词: CART; 撂荒; 复垦; 耕地; 山东省; Landsat数据;
Extraction and analysis of abandoned farmland: A case study of Qingyun and Wudi counties in Shandong Province
XIAO Guofeng1,2,3,4,, ZHU Xiufang2,3,4,, HOU Chenyao4, XIA Xingsheng4
1. Beijing Key Laboratory for Remote Sensing of Environment and Digital Cities, Beijing Normal University, Beijing 100875, China
2. State Key Laboratory of Earth Surface Processes and Resource Ecology, Beijing Normal University, Beijing 100875, China
3. Beijing Engineering Research Center for Global Land Remote Sensing Products, Institute of Remote Sensing Science and Engineering, Beijing Normal University, Beijing 100875, China
4. Institute of Remote Sensing Science and Engineering, Faculty of Geographical Science, Beijing Normal University, Beijing 100875, China
Abstract

With the rapid development of urbanization and the continuous loss of the rural labor force, large areas of farmland have been abandoned in some regions of China. Remote sensing technology can indirectly help to detect the size and quantity of abandoned farmland, which is of great significance for the protection of farmland and food security. Using Qingyun and Wudi counties of Shandong Province as the study area, and based on the Landsat data and HJ-1A data, this paper uses the CART decision tree classification method to develop land use maps from 1990 to 2017, set down rules to identify abandoned farmland, and explore the spatial distribution, duration, and reclamation area of abandoned farmland. The results showed that the accuracy of the CART decision tree classification was higher than 85% from 1990 to 2017. The maximum abandoned farmland area was 5503.86 hm2 from 1992 to 2017, and the maximum abandonment rate was 5.37%. The rate of farmland abandonment reached the peak from 1996 to 1998, and the overall trend of abandonment has decreased year by year after 2006. The maximum duration of abandonment was 15 years during the period of 1992 to 2017. Most of the durations were within four years and a few durations were more than ten years. From 1993 to 2017, the maximum reclamation area of abandoned farmland was 2022.3 hm2, and the minimum reclamation area was about 20 hm2. The maximum reclamation rate was 67.44% and the annual average reclamation rate was 31.83%. The results from this paper not only help analyze the driving forces of farmland abandonment in the study area, but also provide references for the identification of abandoned farmland in other areas.

Keyword: CART; abandonment; reclamation; farmland; Shandong Province; Landsat data;
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. 1 Location 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。

表1 影像获取时间及分类结果精度 Tab. 1 Image acquisition time and classification accuracy

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. 2 Technology 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 m 个要素类别,即数据集可以分成 m 类群体,则数据集D的基尼系数可以表示为:

Gini ( D ) = 1 - i = 1 m p i 2 (1)

式中: p i D中元组属于Ci类的概率,并用 C i , D D 估计。 i = 1 m p i 2 是对m个类别计算 求和。

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. 3 Sketch 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”,一部分学者认为耕地闲置一年以上可以定义为撂荒,还有一部分学者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:

P a = A i A 0 × 100 % (2)

式中: P a 表示撂荒率; A i 表示第i年的撂荒耕地面积; A 0 表示本底耕地面积。

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:

P r = A t + 1 A t × 100 % (3)

式中: P r 表示复垦率; A t 表示第t年的撂荒地面积; A t + 1 表示第t+1年的复垦的撂荒地面积。

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. 4 Decision 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. 5 Land use classification results in Qingyun and Wudi counties

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. 6 Distribution 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。

表2 1992-2017年庆云县和无棣县撂荒地统计结果 Tab. 2 Abandoned farmland statistics in Qingyun and Wudi counties of 1992-1917

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. 7 Distribution of abandoned farmland duration in Qingyun and Wudi counties of 1992-2017

表3 庆云县和无棣县持续撂荒时间段内的撂荒地面积 Tab. 3 Abandoned farmland area for the duration of abandonment in Qingyun and Wudi counties

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. 8 Reclamation 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. 9 Statistical results of annual variation of abandoned farmland and reclaimed cultivated land in Qingyun and Wudi counties

表4 1993-2017年庆云县和无棣县撂荒地复垦统计结果 Tab. 4 Statistics of abandoned farmland reclamation in Qingyun and Wudi counties of 1993-2017
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,学者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.

Reference
[1] Li Xiubin, Zhao Yuluan.Forest transition, agricultural land marginalization and ecological restoration. China Population Resources and Environment, 2011, 21(10): 91-95.
[本文引用:1]
[李秀彬, 赵宇鸾. 森林转型、农地边际化与生态恢复. 中国人口·资源与环境, 2011, 21(10): 91-95.]
中国20世纪80年代迎来了国 家土地利用形态的转型,即代表自然生态空间的森林面积降至低谷后反转向上,代表人类干扰较强的耕地面积从扩张到收缩。这是生态状况从整体恶化向整体改善转 变的最直接原因。森林转型对应着国家经济社会发展的阶段性演进过程,存在着必然性。其直接原因,是农林交错带的农业在与森林竞争土地资源的过程中失去优 势。伴随工业化和城市化的劳动力价格上升,生活水平提高带来的林木产品需求增加,是森林竞争力提高和农业竞争力下降的经济驱动力;而转型前农业扩张引起的 生态退化,则是其政策驱动力。在中国森林转型初期,政策起到了关键的促进作用。随着城市化的加速发展,人口年龄结构向老年型转变,中国迎来了劳动力工资持 续上涨的阶段。以坡耕地为代表的劳动力密集型农地利用方式,由于难以实现机械化,劳动生产率与平原区农业的差距将越来越大,被"边际化"的可能性越来越 高。这给森林面积或自然生态空间的进一步扩张提供了机会。
[2] Huang Limin, Zhang Anlu, Liu Chengwu.Research on the agriculture land abandoning and its quantitative description. Journal of Xianning University, 2008(3): 113-116, 121.
[本文引用:2]
[黄利民, 张安录, 刘成武. 耕地撂荒及其定量分析. 咸宁学院学报, 2008(3): 113-116, 121.]
[3] Qi Manhua.Current situation and countermeasures of farmland protection in China. Agriculture & Technology, 2009, 29(3): 1-3.
[本文引用:1]
[齐曼华. 我国耕地保护现状及对策研究. 农业与技术, 2009, 29(3): 1-3.]
我国耕地保护现状令人担忧,一方面我国人多地少,人均耕地面积低于世界平均水平,且广大群众和部分地方政府官员土地保护意识淡薄;另一方面地方保护主义也在作祟,这也严重的妨碍了保护耕地。针对以上存在的诸多问题,笔者试从不同角度探讨我国耕地保护措施。
[4] Hou Yuankai, Duan Shaoguang, Zhao Shui.Main Tree Species for Conversion of Cropland to Forest in China. Beijing: China Agricultural Press, 2004.
[本文引用:1]
[侯元凯, 段绍光, 赵水. 中国退耕还林主要树种(北方本). 北京: 中国农业出版社, 2004.]
[5] Shi Tiechou.Research on farmland abandonment scale and influencing factors in Chongqing mountain area [D]. Beijing: University of Chinese Academy of Sciences, 2015.
[本文引用:1]
[史铁丑. 重庆山区耕地撂荒的规模及影响因素研究[D]. 北京: 中国科学院大学, 2015.]
[6] Zhang Y, Li X, Song W.Determinants of cropland abandoned at the parcel, household and village levels in mountain areas of China: A multi-level analysis. Land Use Policy, 2014, 41(4): 186-192.
DOI:10.1016/j.landusepol.2014.05.011      [本文引用:1]
[7] Queiroz C, Beilin R, Folke C, et al.Farmland abandoned: Threat or opportunity for biodiversity conservation? A global review. Frontiers in Ecology and the Environment, 2014, 12(5): 288-296.
Farmland abandonment is changing rural landscapes worldwide, but its impacts on biodiversity are still being debated in the scientific literature. While some researchers see it as a threat to biodiversity, others view it as an opportunity for habitat regeneration. We reviewed 276 published studies describing various effects of farmland abandonment on biodiversity and found that a study's geographic region, selected metrics, assessed taxa, and conservation focus significantly affected how those impacts were reported. Countries in Eurasia and the New World reported mainly negative and positive effects of farmland abandonment on biodiversity, respectively. Notably, contrasting impacts were recorded in different agricultural regions of the world that were otherwise similar in land-use and biodiversity characteristics. We showed that the conservation focus (pre- or post-abandonment) in different regions is an important factor influencing how scientists address the abandonment issue, and this may affect how land-use policies are defined in agricultural landscapes.
DOI:10.1890/120348      [本文引用:1]
[8] Molinillo M, Lasanta T, Garcia-Ruiz J M. Research: managing mountainous degraded landscapes after farmland abandonment in the Central Spanish Pyrenees. Environmental Management, 1997, 21(4): 587-598.
DOI:10.1007/s002679900051      [本文引用:1]
[9] Bakker M M, Govers G, Doorn A V, et al.The response of soil erosion and sediment export to land-use change in four areas of Europe: The importance of landscape pattern. Geomorphology, 2008, 98(3/4): 213-226.
DOI:10.1016/j.geomorph.2006.12.027      [本文引用:1]
[10] Batllebayer L, Batjes N H, Bindraban P S.Changes in organic carbon stocks upon land use conversion in the Brazilian Cerrado: A review. Agriculture Ecosystems & Environment, 2010, 137(1): 47-58.
This paper reviews current knowledge on changes in carbon stocks upon land use conversion in the Brazilian Cerrado. First, we briefly characterize the savanna ecosystem and summarize the main published data on C stocks under natural conditions. The effects of increased land use pressure in the Cerrado and current uncertainties of estimations of changes in land cover and land use are reviewed next. Thereafter, we focus on soil organic carbon (SOC) dynamics due to changes in land use, particularly conversion to pastures and soybean-based cropping systems, and effects of management practices such as soil fertilization, crop rotations and tillage practices. Most studies considered here suggest that more intensive agriculture, which include no-till practices and the implementation of best or recommended management practices (RMP), reduces SOC losses after land use conversion from conventional tillage-based, monocropping systems; however, these studies focussed on the first 0.3 m of soil, or less, and seldom considered full carbon accounting. To better estimate possible global warming mitigation with agriculture in the Cerrado more comprehensive studies are needed that analyse fluxes of the biogenic greenhouse gases (GHG; CO 2, N 2O and CH 4) to determine the net global warming potential (GWP). Follow up studies should include the application of an integrated modelling system, comprised of a Geographic Information System (GIS) linked to dynamic modelling tools, to analyse SOC dynamics and make projections for possible changes in net C flows in the Cerrado region upon defined changes in soil use and management.
DOI:10.1016/j.agee.2010.02.003      [本文引用:1]
[11] Vuichard N, Ciais P, Belelli L, et al.Carbon sequestration due to the abandoned of agriculture in the former USSR since 1990. Global Biogeochemical Cycles, 2008, 22(4): 1417-1430.
[本文引用:1]
[12] Macdonald D, Crabtree J R, Wiesinger G, et al.Agricultural abandonment in mountain areas of Europe: Environmental consequences and policy response. Journal of Environmental Management, 2000, 59(1): 47-69.
[本文引用:1]
[13] Alcantara C, Kuemmerle T, Prishchepov A V, et al.Mapping abandoned agriculture with multi-temporal MODIS satellite data. Remote Sensing of Environment, 2012, 124(2): 334-347.
78 Agricultural abandonment can be mapped across large areas from MODIS 250m. 78 Abandoned agriculture was widespread in Eastern Europe (15.1% of the total area). 78 Using multiple years of MODIS data did not increase classification accuracy. 78 Phenology metrics in conjunction with NDVI data improved classification accuracies.
DOI:10.1016/j.rse.2012.05.019      [本文引用:1]
[14] Yusoff N M, Muharam F M, Khairunniza-Bejo S.Towards the use of remote-sensing data for monitoring of abandoned oil palm lands in Malaysia: A semi-automatic approach. International Journal of Remote Sensing, 2017, 38(2): 432-449.
DOI:10.1080/01431161.2016.1266111      [本文引用:1]
[15] Alcantara C, Kuemmerle T, Baumann M, et al.Mapping the extent of abandoned farmland in Central and Eastern Europe using MODIS time series satellite data. Environmental Research Letters, 2013, 8(3): 1345-1346.
[本文引用:1]
[16] Baumann M, Kuemmerle T, Elbakidze M, et al.Patterns and drivers of post-socialist farmland abandonment in Western Ukraine. Land Use Policy, 2011, 28(3): 552-562.
Farmland abandonment restructures rural landscapes in many regions worldwide in response to gradual industrialization and urbanization. In contrast, the political breakdown in Eastern Europe and the former Soviet Union triggered rapid and widespread farmland abandonment, but the spatial patterns of abandonment and its drivers are not well understood. Our goal was to map post-socialist farmland abandonment in Western Ukraine using Landsat images from 1986 to 2008, and to identify spatial determinants of abandonment using a combination of best-subsets linear regression models and hierarchical partitioning. Our results suggest that farmland abandonment was widespread in the study region, with abandonment rates of up to 56%. In total, 6600 km 2 (30%) of the farmland used during socialism was abandoned after 1991. Topography, soil type, and population variables were the most important predictors to explain substantial spatial variation in abandonment rates. However, many of our a priori hypotheses about the direction of variable influence were rejected. Most importantly, abandonment rates were higher in the plains and lower in marginal areas. The growing importance of subsistence farming in the transition period, as well as off-farm income and remittances likely explain these patterns. The breakdown of socialism appears to have resulted in fundamentally different abandonment patterns in the Western Ukraine, where abandonment was a result of the institutional and economic shock, compared to those in Europe's West, where abandonment resulted from long-term socio-economic transformation such as urbanization and industrialization.
DOI:10.1016/j.landusepol.2010.11.003      [本文引用:1]
[17] Kuemmerle T, Müller D, Griffiths P, et al.Land use change in Southern Romania after the collapse of socialism. Regional Environmental Change, 2009, 9(1): 1-12.
The drastic socio-economic and political changes that occurred after the breakdown of socialism in Eastern Europe triggered widespread land use change, including cropland abandonment and forest cover changes. Yet the rates and spatial patterns of post-socialist land use change remain largely unclear. We used Landsat TM/ETM+ images to classify land cover maps and assess landscape pattern changes from 1990 to 2005 in Arge County, Southern Romania. Cropland abandonment was the most widespread change (21.1% abandonment rate), likely due to declining returns from farming, tenure insecurity, and demographic developments during transition. Forest cover and forest fragmentation remained remarkably stable during transition, despite widespread ownership transfers. Cropland abandonment provides opportunities for increased carbon sequestration, but threatens cultural landscapes and biodiversity. Continued monitoring is important for assessing whether abandoned croplands will eventually reforest or be put back into production and to better understand the consequences of post-socialist land use change for ecosystems and biodiversity.
DOI:10.1007/s10113-008-0050-z      [本文引用:1]
[18] Estel S, Kuemmerle T, Alcántara C, et al.Mapping farmland abandonment and recultivation across Europe using MODIS NDVI time series. Remote Sensing of Environment, 2015, 163: 312-325.
61Mapping active and fallow farmland across Europe using MODIS NDVI time series61Translating land-use information into management intensity and land-use change trajectories61Approach allows various definitions of farmland abandonment and recultivation.61Farmland abandonment continues to be a crucial land change process in Europe.61Recultivation of unused farmland increasingly outweighs farmland abandonment.
DOI:10.1016/j.rse.2015.03.028      [本文引用:1]
[19] Ma Lingling.Prohe into the reasons of farmland abandoned in semi-arid regions based on remote sensing and the investigation of peasant household: A case study of Hollinger County in Inner Mongolia [D]. Huhhot: Inner Mongolia Normal University, 2010.
[本文引用:1]
[马玲玲. 半干旱地区基于遥感与农户调查的耕地撂荒原因探究: 以内蒙古和林格尔县为例[D]. 呼和浩特: 内蒙古师范大学, 2010.]
[20] Cheng Weifang.Study on remote sensing survey method of abandoned farmland in South China [D]. Beijing: University of Chinese Academy of Sciences, 2011.
[本文引用:1]
[程维芳. 南方撂荒地遥感调查方法研究[D]. 北京: 中国科学院大学, 2011.]
[21] Shi Tiechou, Xu Xiaohong.Extraction and validation of abandoned farmland parcel in typical counties of Chongqing. Transactions of the Chinese Society of Agricultural Engineering, 2016, 32(24): 261-267.
[本文引用:1]
[史铁丑, 徐晓红. 重庆市典型县撂荒耕地图斑的提取与验证. 农业工程学报, 2016, 32(24): 261-267.]
耕地撂荒在国际和国内众多区域都有分布,而且近年来有愈演愈烈的趋势。撂荒地块的提取是进一步研究耕地撂荒状况的基础。该文详细阐述了重庆市典型县的撂荒耕地地块的提取过程,利用2期耕地图层叠加,剔除退耕还林和森林工程图斑,得到撂荒耕地分布图,在此基础上得出了重庆市典型县的耕地撂荒状况。将随机抽样提取的撂荒耕地图斑与 Google Earth影像验证,撂荒耕地图斑提取的正确率达到85.3%,该方法用于提取山区的撂荒耕地是可行的。研究发现,2011年石柱、巫山和酉阳3县的耕地撂荒率分别为14.0%、19.9%和19.2%,整体上3县的平均撂荒率为18.0%,撂荒耕地总面积为5.6万hm2。撂荒耕地以旱地为主,占总撂荒地面积的82.4%,旱地撂荒率为20.4%,水田撂荒率为11.5%。3县中,巫山县和酉阳县的撂荒率高于石柱县;而且,在水田撂荒方面,巫山县和酉阳县的水田撂荒率也明显高于石柱县,3县的水田撂荒率分别为17.2%、13.9%与6.3%。
[22] Niu Jiqiang, Lin Hao, Niu Yingnan, et al.Analysis of spatial pattern and driving factors for abandoned arable lands in underdevelopment region. Transactions of the Chinese Society for Agricultural Machinery, 2017, 48(2): 141-149.
[本文引用:1]
[牛继强, 林昊, 牛樱楠, . 经济欠发达地区撂荒耕地空间格局与驱动因素分析. 农业机械学报, 2017, 48(2): 141-149.]
[23] Du Wenwen, Xing Huaiyong, Wang Linghua.Investigation on the problem of abandoned farmland in Qingyun County of Shandong Province. Rural Economy and Science-Technology, 2015, 26(11): 25-27.
[本文引用:1]
[杜文文, 行怀勇, 王令华. 山东庆云县农村耕地撂荒问题调查研究. 农村经济与科技, 2015, 26(11): 25-27.]
随着经济改革的深入和农村经济的发展,农村耕地抛荒现象时有发生,耕地被撂荒是由于农业比较收益低,耕地自身质量较差,农村土地流转制度不健全,社会保障机制不完善等原因所致。从治理的角度看,通过相应的制度和政策禁止农民撂荒;通过科技推广和发展特色农业等方式提高农民收入;完善土地流转制度,使得部分农户撂荒的耕地向种田大户流转;完善农村社会保障制度,使农民的权益得到充分的保障以减少耕地撂荒。
[24] Li Jixiang, Lu Jinfeng.Investigation report on abandoned farmland in Shandong Province. Management of Rural Cooperative Economy, 1994(8): 35-36.
[本文引用:1]
[李继祥, 逯锦逢. 山东省耕地“撂荒”的调查报告. 农村合作经济经营管理, 1994(8): 35-36.]
[25] Chen Yun, Dai Jinfang, Li Junjie.CART-based decision tree classifier using multi-feature of image and its application. Geography and Geo-Information Science, 2008, 24(2): 33-36.
[本文引用:1]
[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. 地理与地理信息科学, 2008, 24(2): 33-36.]
[26] Zhao Ping, Fu Yunfei, Zheng Liugen, et al.CART based land use/cover classification of remote sensing images. Journal of Remote Sensing, 2005, 9(6): 708-716.
[本文引用:1]
[赵萍, 傅云飞, 郑刘根, . 基于分类回归树分析的遥感影像土地利用/覆被分类研究. 遥感学报, 2005, 9(6): 708-716.]
以专家知识和经验为基础,综合影像光谱信息和其他辅助信息进行分类的基于知识的遥感影像解译方法,是提高遥感影像分类精度,实现自动解译的有效途径之一。然而,知识的获取一直是其得以广泛应用的“瓶颈”问题。以江苏省江宁试验区土地利用/覆被分类为例,利用分类回归树分析(CART)从训练样本数据集中发现分类规则,集成遥感影像的光谱特征、纹理特征和空间分布特征进行分类实验,并与传统的监督分类和逻辑通道分类方法进行比较。结果表明,基于CART的分类方法的精度基本在80%以上,与另两种方法相比,有了较大的提高,而且该算法复杂性低,效率高。由此说明,利用CART算法构建决策树获取的分类规则是合理的。它可以快速、有效地获取大量分类规则,是促进基于知识的遥感影像分类方法在土地利用/覆被分类中广泛应用的一项有效手段。
DOI:10.11834/jrs.200506103     
[27] Ma Xin, Wang Xiyuan, Hu Bo.The cart automatic decision tree to multi-source remote sensing image classification based on envi: Taking Beijing as an example. Ningxia Engineering Technology, 2017, 16(1): 63-66.
[本文引用:1]
[马鑫, 汪西原, 胡博. 基于ENVI的CART自动决策树多源遥感影像分类: 以北京市为例. 宁夏工程技术, 2017, 16(1): 63-66.]
[28] Breiman L, Friedman J H, Olshen R, et al.Classification and regression trees. Biometrics, 1984, 40(3): 358.
[本文引用:1]
[29] Li Shengfa, Li Xiubin.Progress and prospect on farmland abandonment. Acta Geographica Sinica, 2016, 71(3): 370-389.
[本文引用:1]
[ 李升发, 李秀彬. 耕地撂荒研究进展与展望. 地理学报, 2016, 71(3): 370-389.]
[30] Smaliychuk A, Müller D, Prishchepov A V, et al.Recultivation of abandoned agricultural lands in Ukraine: Patterns and drivers. Global Environmental Change, 2016, 38: 70-81.
The recent rise in agricultural commodity prices and the expectation that high price will persist have triggered a wave of farmland expansion in regions where land resources are still available. One such region is the former Soviet Union, where the collapse of socialism caused massive agricultural abandonment and where some of these lands are now being brought back into production. Yet, the extent and spatial patterns of recultivation, and what determines these patterns, remains unclear. We examined the extent of recultivation of abandoned agricultural land in Ukraine since 2007 using a new, satellite-based recultivation map and assessed the effect of biophysical and socioeconomic determinants on recultivation patterns using boosted regression trees. We found key predictors of recultivation to be related to the suitability of land for agriculture (i.e., soil quality, temperature). Accessibility to major cities was also important, with most recultivation happening closer to settlements, but this influence varied across Ukraine. Variables related to agricultural management (fertilizer input, mechanization) and demography were negligible in explaining recultivation in our analyses. These factors suggest that recultivation patterns were primarily driven by factors related to land productivity, with recultivation focusing on the most promising areas. Given the remaining large amount of unused agricultural land in Eastern Europe and the former Soviet Union, and considering that much abandonment occurred in areas only marginally suited to agriculture, our findings provide important insights into where recultivation can be expected to happen and thus for assessing the potential socioeconomic and environmental impacts of recultivation.
DOI:10.1016/j.gloenvcha.2016.02.009      [本文引用:1]
[31] Lei Hao.The cultivated farmland abandonment and risk assessment based on characteristics of abandoned farmland: Illustrated by the case of Shehong Tuopai Town and Three Others [D]. Chengdu: Sichuan Normal University, 2016.
[本文引用:1]
[雷浩. 基于撂荒耕地特征值的撂荒风险评价研究: 以射洪县沱牌镇等四镇为例[D]. 成都: 四川师范大学, 2016.]
版权所有 © 2013 《地理学报》编辑部
本系统由北京玛格泰克科技发展有限公司设计开发