快速檢索        
  農業資源與環境學報  2021, Vol. 38 Issue (6): 1084-1093  DOI: 10.13254/j.jare.2021.0470
0

引用本文  

羅雅紅, 龔建周, 李天翔, 等. 基于MaxEnt模型提取撂荒耕地——以四川省武勝縣為例[J]. 農業資源與環境學報, 2021, 38(6): 1084-1093.
LUO Yahong, GONG Jianzhou, LI Tianxiang, et al. Extraction of abandoned farmland based on MaxEnt model: A case study of Wusheng County, Sichuan Province[J]. Journal of Agricultural Resources and Environment, 2021, 38(6): 1084-1093.

基金項目

國家自然科學基金項目(42071123);四川省科技計劃項目(2020YFG0033)

Project supported

The National Natural Science Foundation of China (42071123); Sichuan Science and Technology Program(2020YFG0033)

通信作者

龔建周??E-mail: gongjzh66@126.com

作者簡介

羅雅紅(1996-), 女, 四川眉山人, 碩士研究生, 研究方向為土地資源與生態環境效應。E-mail: 2294359516@qq.com

文章歷史

收稿日期: 2021-07-31
錄用日期: 2021-09-28
基于MaxEnt模型提取撂荒耕地——以四川省武勝縣為例
羅雅紅1 , 龔建周1,2 , 李天翔3 , 胡月明2,4,5     
1. 廣州大學地理科學與遙感學院, 廣州 510006;
2. 廣州市華南自然資源科學技術研究院, 廣州 510630;
3. 廣州蘢騰園林景觀設計有限公司, 廣州 510520;
4. 海南大學熱帶作物學院, ???570228;
5. 華南農業大學資源環境學院, 廣州 510642
摘要: 在鄉鎮尺度厘清商品糧生產基地的撂荒耕地問題,對耕地保護和糧食安全具有重要意義?;趪aGF-1號遙感影像,耦合撂荒耕地的影響因子及影像波譜信息,以撂荒耕地問題較為突出的四川省武勝縣為案例區域,探索應用MaxEnt模型提取常年性、季節性撂荒耕地信息的潛力,揭示撂荒耕地時空分異規律及其影響因素。結果表明,MaxEnt模型識別撂荒耕地的受試者工作特征曲線下面積(AUC)值均大于0.9,混淆矩陣總精度大于80%,季節性撂荒耕地面積與統計年鑒的相對誤差不超過10%。受高程影響,常年性撂荒耕地主要集中分布于海拔超過300 m的丘陵山區,少數零星分散于嘉陵江兩岸地勢低緩的地區;季節性撂荒耕地各鎮均普遍分布,局部呈片狀分布特征。在2015—2018年研究時段內,常年性、季節性撂荒耕地面積和撂荒耕地總面積均保持平穩態勢。研究認為,MaxEnt模型在提取撂荒耕地信息方面具有較大的應用潛力和優勢;常年性與季節性撂荒耕地具有不同的空間分異特征,前者歸因于海拔、交通及灌溉條件,后者歸因于海拔、耕作半徑和灌溉條件。研究豐富了基于遙感影像提取撂荒耕地信息的方法,增強了撂荒耕地時空分異特征與歸因的認知,為鄉村耕地合理利用與管理的實踐提供理論支撐。
關鍵詞: MaxEnt模型    撂荒耕地    遙感影像    時空分異    武勝縣    
Extraction of abandoned farmland based on MaxEnt model: A case study of Wusheng County, Sichuan Province
LUO Yahong1 , GONG Jianzhou1,2 , LI Tianxiang3 , HU Yueming2,4,5     
1. School of Geography and Remote Sensing, Guangzhou University, Guangzhou 510006, China;
2. South China Academy of Natural Resources Science and Technology, Guangzhou 510630, China;
3. Guangzhou Longterm Landscape Architecture Design Company Limited, Guangzhou 510520, China;
4. College of Tropical Crops, Hainan University, Haikou 570228, China;
5. College of Natural Resources and Environment, South China Agricultural University, Guangzhou 510642, China
Abstract: Clarifying the problem of abandoned farmland at the township level is of great significance for the protection of farmland and food security. Based on domestic GF-1 remote sensing image, coupling the influence factors and image spectrum information of abandoned farmland and taking Wusheng County, where the problem of abandoned arable land is more prominent as the case area, the study is to explore the potential of using MaxEnt model to extract the information of perennial and seasonal abandoned farmland, reveal the spatial and temporal differentiation of abandoned farmland and its influencing factors. The results showed that the MaxEnt model had high accuracy and efficiency in the identification of abandoned farmland, which can be applied to extract the information of abandoned farmland. The relative error between seasonal abandoned farmland area and statistical yearbook was less than 10%. In 2018, the perennial abandoned farmland in Wusheng County was mainly distributed in the hilly and mountainous areas with an altitude of more than 300 m, and a few were scattered in the low-lying areas along the Jialing River. The seasonal abandoned farmland was generally distributed in each town, and the local distribution was patchy. During the 2015-2018, the area of perennial, seasonal and total abandoned farmland remained stable. This study suggested that MaxEnt model had great application potential and superiority in extracting abandoned farmland information. Perennials and seasonal abandoned farmland had different spatio-temporal differentiation patterns. The former was due to terrain, traffic and irrigation conditions, while the latter was due to farming radius and irrigation conditions.This study enriched the method of extracting abandoned farmland information based on remote sensing images, enhanced the cognition of the spatio-temporal differentiation patterns and attribution of abandoned farmland, and provided research support for the practice of rational use and management of rural farmland.
Keywords: MaxEnt model    abandoned farmland    remote sensing image    spatio-temporal differentiation    Wusheng County    

伴隨著中國城鎮化進程加快和經濟社會的快速發展,農村耕地被撂荒的現象突出,其中山區和丘陵地區尤其普遍[1]。撂荒耕地指的是農民因某種原因不愿意耕種或者因旱澇災害致使耕地荒蕪一季或一季以上的現象[2]。其中,因無人耕種或不愿意耕種造成一年以上撂荒的耕地被稱之為常年性撂荒耕地;因農民或休耕等原因,在某一季沒有耕種造成的撂荒耕地,則為季節性撂荒耕地[2]。

準確高效獲取撂荒耕地信息是解決耕地撂荒問題的前提與基礎。目前,撂荒耕地信息的獲取主要有農戶調查、薈萃分析、遙感影像解譯等三類方法。農戶調研方法獲取的撂荒耕地信息準確性較高,并且便于很好地解釋撂荒耕地的形成機制,但是,由于受制于被調查戶數、空間抽樣方法與調查技術、人力物力耗費等影響,獲取撂荒耕地的范圍和時效性都受到限制[3]。薈萃分析可挖掘單個研究難以發現的撂荒耕地分布規律,但受已公開發表文章數量和研究人員對相關領域了解程度的限制[4]。隨著計算機和3S技術的快速發展,基于遙感影像的撂荒耕地識別與信息提取研究已得到學者們的關注。如ALACANTARA等[5]利用MODIS影像,采取支持向量機法繪制中歐和東歐一帶撂荒耕地地圖,并統計撂荒耕地規模;我國學者肖國峰等[6]基于Landsat和HJ1A數據,采用CART決策樹分類方法,通過制定撂荒耕地識別規則,獲取撂荒耕地空間分布數據。相比而言,遙感技術方法不僅大大提高了工作效率,并且可快速監測撂荒耕地的時空變化過程。盡管如此,遙感影像存在異物同譜、同譜異物以及混合像元等特征,導致遙感影像地物識別結果產生“椒鹽”現象[7-8],基于遙感影像的撂荒耕地識別精度問題仍然是其應用中的瓶頸。此外,由于山區撂荒耕地破碎、零散[9],基于遙感影像獲取撂荒耕地分布信息,更是對遙感影像的空間分辨率、數據質量以及信息提取技術等提出了較高要求,需要不斷地嘗試采用高空間分辨率數據,尋求新的遙感技術與方法。

MaxEnt模型(最大熵模型)最早由Jaynes提出,該模型基于Shannon的信息熵原理[10],具備對環境變量共線性不敏感、基于小訓練樣本能夠獲取較高預測精度且簡單實用等突出優勢[11],最早用于預測物種分布[12-13]。近年來,MaxEnt模型被應用于基于遙感影像的地物信息識別。與一般利用光譜、紋理等屬性特征差異性進行遙感影像地物分類的方法相比,MaxEnt模型結合遙感光譜指數和其他影響目標地物分布的環境因子空間數據,通過搜索與目標地物具有共同光譜特征的其他分布點,及分析預測目標本身對環境影響因子的響應規律來預測其空間分布,從而減少冗余和干擾信息的影響,提高結果精度[14]。目前,MaxEnt模型在識別遙感影像地物信息領域,主要用于城鎮用地[15]、林地等[16]的識別,識別精度均較高,但該模型用于快速獲取“撂荒耕地”的適用性研究仍為空白。

引致撂荒耕地生成、變化的因素復雜多變,可能因時因地而異[3]。因此,只有明確當地耕地撂荒的影響因素,才能提出更有針對性的措施。以往學者們多通過農戶調查等實地調研方式,對撂荒耕地的影響因素進行定性分析。近年來,國內外學者趨向于用回歸分析和空間分布統計等定量分析方法,探索地形、交通、耕作半徑、灌溉條件等對撂荒耕地的影響[17-19]。兩種方法相比,定量分析更具科學性與說服力。

武勝縣是成都平原東部的丘陵大縣、全國商品糧生產大縣,也是全省鄉村振興規劃試點縣。據報道,武勝縣撂荒現象普遍,已是耕地撂荒較嚴重的縣之一[20-21]。目前,獲取武勝縣撂荒耕地的信息主要靠實地調研,不利于實時掌握其動態和及時采取應對措施。本研究基于國產高分遙感影像,利用MaxEnt模型探討撂荒耕地信息快速獲取的方法,認知武勝縣鄉鎮尺度撂荒耕地的時空變化規律,采用定量分析方法探析耕地撂荒存的在問題與原因,為縣域耕地的合理利用與管理提供研究支撐。

1 材料與方法 1.1 研究區概況

武勝縣位于成都平原東部(30°10′ 46″ ~30°10′ 36″ N,105°56′ 39″ ~106°26′ 50″ E),海拔177~438 m。據《廣安統計年鑒2020》可知,武勝縣土地總面積966 km2;截至2019年底,總人口81.5萬,其中本地務農人員19萬,務農人口人均耕地面積716 m2。武勝縣屬于亞熱帶季風氣候,主要農作物是水稻、玉米及紅薯,標準耕作制度為一年一熟或一年兩熟。其中,水田耕作制度為一年一熟,水稻種植面積大,生長期為5月至8月[22],每年水稻收割后的農田基本處于休耕狀態,致使該縣耕地季節性撂荒現象普遍。旱地耕作制度為一年兩熟,復種類型為玉米-紅薯,季節性休耕現象不突出[20]。因此,本研究中的季節性撂荒耕地為水田。

1.2 數據來源

(1)國產高分遙感數據(2015—2018年)。GF-1衛星共有4臺16 m分辨率多光譜相機(WFV1- WFV4),每臺相機4個波段(450~890 nm)。本研究采用的GF-1 WFV 1A級光學遙感數據的信息如表 1所示,源于華南農業大學高分科教服務平臺(http://gaofenplatform.com/)??紤]到武勝縣季節性撂荒耕地主要是水稻的季節性休耕,根據當地水稻的物候信息[22],每年均取5月至8月(水稻生長期)和9月至次年4月(農田閑置期)兩個時相的高質量影像,共8景影像。

表 1 GF-1衛星WFV影像基本信息 Table 1 Information of GF-1/WFV image used in this study

(2)地理空間數據。地理空間數據包括: 地理空間數據云平臺(http://www.gscloud.cn/)空間分辨率為30 m的DEM數據;中國科學院資源環境科學與數據中心(http://www.resdc.cn/)的2018年土地利用類型分布柵格數據及農村居民點、道路、鄉鎮行政邊界等矢量數據;國家基礎地理信息中心(http://www.ngcc.cn/ngcc/)的水系矢量數據。此外,還有實地調研數據。研究組成員于2020年1月3—5日、16—18日,利用GPS定位工具(奧維互動地圖APP)和農戶訪談方式進行了野外實地調研。調研的主要內容包括實地采樣點地理坐標、各樣本點2015—2018年的土地利用類型及其變化情況。通過調研獲得季節性、常年性撂荒耕地實地采樣點各20個,共計40個。

(3)其他輔助數據。一是作為控制影像進行幾何精校正的Landsat8 OLI_TIRS影像,研究利用的全色波段空間分辨率為15 m。二是2015—2018年冬、夏季Google Earth高清衛星影像,可輔助對歷史年份撂荒耕地的采樣,即把實地調研樣本點定位到Google Earth的2020年冬、夏季影像上,分別觀察其特征,由此確定撂荒耕地在Google Earth高清衛星影像上的影像特征,進而識別2015—2018年Google Earth高清衛星影像上具有相同特征的地塊,將其作為各年份撂荒耕地樣本點。

1.3 數據處理

數據處理過程包括原始影像數據的預處理、運行MaxEnt模型所需數據的準備以及撂荒耕地影響因素數據的準備。

(1)對原始影像數據進行剪裁、輻射定標、大氣校正、正射糾正、幾何校正等預處理。其中,幾何糾正采用雙線性內插法,校正模型的RMS誤差控制在0.5個像元之內。

(2)準備MaxEnt運行所需的兩類數據,一類是訓練和驗證樣本點的地理坐標數據,另一類是環境變量數據[13]。兩類數據的處理過程如下:

① 樣本點地理坐標數據?;谀恳暯庾g,結合Google Earth高清衛星影像和實地調研,采樣獲取季節性和常年性撂荒耕地的樣本點。具體地,利用實地調研采樣點的地理坐標,在Google Earth高清衛星影像和GF-1號影像上定位到相應位置,觀察該點的影像特征;將Google Earth高清衛星影像和GF-1號影像疊加,找出具有相同影像特征的其他樣本點。兩類撂荒耕地樣本點獲取的思路: 綜合考慮研究區農作物的物候信息及兩時相影像的地物特征,同一位置、同一年內的兩時相影像上均為撂荒耕地的像元,作為常年性撂荒耕地樣本點;水稻生長期影像上為耕地、農田閑置期影像為撂荒耕地的像元,作為季節性撂荒耕地樣本點。每一年季節性和常年性撂荒耕地各選取80個樣本,隨機均分成訓練集和驗證集(各40個),另外,每年選取40個其他地類的樣本點作為驗證樣本。導出樣本點的地理坐標值,保存格式為“.cvs”的樣本文件。

② 環境變量數據集。包括武勝縣整個研究區的DEM值、NDVI值及其差值、4個波段的各波段反射率值。其中,4年均采用同一DEM數據,其余環境變量在提取同一年份的季節性和常年性撂荒耕地時采用同一組數據,保存格式為“.asc”的環境變量文件。

(3)耕地撂荒產生的影響因素數據。根據前人相關研究及能夠被空間量化的原則,總結了影響撂荒耕地分布的四大因素: 地形(坡度和海拔)、交通、耕作半徑(居民點到耕地的距離[18])及灌溉條件,考察研究區2018年撂荒耕地的產生機制。其中,在DEM高程圖基礎上,根據坡度分級標準[23],借助ArcGIS平臺的表面分析和重分類等工具,將研究區分為5個坡度級別(0°~2°、2°~6°、6°~15°、15°~25°及>25°),得到不同坡度范圍的柵格圖;同時,為分析海拔對撂荒分布的影響,先將研究區分為平原和丘陵兩個等級,由于研究區98.9% 的地區為大于200 m的丘陵,遂再次將丘陵地區劃分為200~300、300~438 m兩個等級,共分為3個高程等級(< 200、200~300、300~438 m),得到不同高程范圍的柵格圖。另外,在武勝縣矢量道路圖、水系圖、農村居民點分布圖等基礎上,生成200、500、1 000 m的緩沖區矢量圖。

1.4 研究方法 1.4.1 MaxEnt模型

MaxEnt模型,即最大熵模型,其原理是根據已知事物建模,達到對未知事物預測的目標[24]。如: 假設待預測事物的已知地理分布點xi的集合為X,則X= {x1,x2,…,xm};其約束條件集F由一組特征值fi構成,F={f1,f2,…,fn},這些約束條件是關于目標分布的不完全信息;根據已知地理分布點及其約束條件建模并不斷訓練,獲取對應于最大熵的模型參數[25];最后估計待預測事物未知點的可能性分布x),并力求x)近似于待預測事物的實際分布πx)。模型的經驗公式[12]為:

(1)

式中: xi表示待預測事物的第i個樣本點;m表示樣本點數量。

fi的經驗均值定義為:

(2)

由于希望fi)接近它的期望值πfi),且嘗試尋求一個近似值,滿足有許多分布滿足這些約束條件。而根據最大熵原理,應該從所有這些分布中選擇熵最大的分布,熵定義為[12]:

(3)
1.4.2 MaxEnt軟件的運行

MaxEnt軟件是由Phillips、Dudík和Schapire開發的軟件[12],運行僅需要目標地物已知樣本點地理坐標數據和環境變量數據(詳見1.3)。具體運算如下:

① 將兩類數據分別導入軟件的“Samples”和“Environmental layers”模塊,參數設置參考文獻[13],勾選“刀切法”“創建響應曲線”和“制作預測圖”等功能。為避免過度擬合,隨機撥出訓練集的25%進行驗證,即把測試集設置為樣本點的25%,訓練集則為75%,調整樣本半徑為8 m,15次重復運行,其余參數選擇默認設置[16]。輸出結果為目標地物分布的概率文件(“.asc”),值域范圍在0~1。

② 確定一個閾值來對分布概率圖進行二值化處理[16],得到撂荒耕地的分布圖。閾值是影響撂荒耕地信息提取精度的關鍵,參考文獻[14, 26],采用實證方法確定最終閾值,即選擇度量預測誤差程度的遺漏率(本研究選擇5%,表示有95% 的驗證樣本預測值有效)對應的logistic值作為預設閾值,以獲得的預設閾值為基礎,每次增加0.01來驗證模型精度,直至實現模型精度最高,此時的值則作為最終進行二值預測的閾值,大于該閾值的像元則識別為撂荒耕地。

1.4.3 精度驗證方法

為確保研究結果的可靠性和可信度,采用AUC驗證法、混淆矩陣法及實證法等三種方式同時進行精度檢驗。其中,AUC(Area under curve)是最常用的模型性能評估參數[27],利用受試者工作特征曲線(ROC曲線)下面積AUC值評估模型性能,ARAUJO等[28]定義了使用該參數的精度判斷標準,即AUC值為0.7~ 0.8表示模型性能一般,0.8~0.9為較好,0.9~1為極好?;煜仃嚪ㄊ腔诨煜仃囉嬎鉑appa系數;實證法則是將識別結果與統計年鑒數據和土地利用數據進行對比。

2 結果與分析 2.1 精度驗證 2.1.1 AUC驗證法

以2018年為例,常年性與季節性撂荒耕地模型AUC值分別為0.972(圖 1a)、0.958(圖 1b),表明模型性能極好。其他年份的AUC值均在0.9~1區間。因此,模型的結果是可靠的。

圖 1 2018年武勝縣撂荒耕地的ROC曲線 Figure 1 ROC curve of abandoned farmland identification in Wusheng County of 2018
2.1.2 混淆矩陣法

利用保留的季節性、常年性撂荒耕地各40個驗證樣本點,借用混淆矩陣法進行精度驗證。計算結果如表 2所示,Kappa系數在0.74~0.93之間,總精度與用戶精度均大于80%,表明運用MaxEnt模型提取撂荒耕地的效果較好。

表 2 撂荒地提取結果的混淆矩陣 Table 2 The confusion matrix of extraction results of abandoned farmland
2.1.3 實證法

本研究季節性撂荒面積分類結果與2015—2018年廣安市統計年鑒中水稻種植面積數據基本吻合,兩者相差不超過該年統計水稻種植面積的10%,實現了基于MaxEnt模型的武勝縣撂荒耕地精準高效識別。另外,為進一步驗證結果的準確性,將2018年識別的季節性撂荒耕地與土地利用數據中的水田進行疊加統計,結果顯示識別出的季節性撂荒耕地發生在水稻種植區的比例約80%,進一步驗證了結果的可靠性。

2.2 撂荒耕地空間分異特征

僅以2018年武勝縣撂荒耕地信息提取結果為例,對武勝縣撂荒耕地空間分異特征進行分析。如圖 2所示,武勝縣常年性撂荒耕地與季節性撂荒耕地在各鎮均有分布,但二者的空間分異特征不同。

撂荒率:撂荒耕地占耕地面積的百分比[6] Abandoned rate means the percentage of abandoned farmland in the area of farmland[6] 圖 2 2018年武勝縣撂荒耕地的空間分布 Figure 2 Spatial distribution of abandoned farmland in Wusheng County of 2018

常年性撂荒耕地整體呈大分散、小集中,即東西部局部集中密集、中部普遍零星分散的特征。其中分布最集中的區域主要是勝利鎮、寶箴塞鄉、猛山鎮、三溪鎮、鳴鐘鄉、華封鎮東北部及賽馬鎮的西北部等,而分散最為零星的地區為武勝縣中部。常年性撂荒耕地的撂荒率較高(超過10%)的區域主要有西部的勝利鎮、寶箴塞鄉(12.1%、10.5%)以及東部的猛山鄉、三溪鎮、鳴鐘鄉等(18.5%、14.0%、13.3%)(圖 2a)。2018年武勝縣季節性撂荒耕地在武勝縣各鄉鎮普遍分布,個別鄉鎮呈片狀分布。其中,真靜鄉、清平鎮、樂善鎮、龍庭鄉及新學鄉5個鄉鎮季節性撂荒率超過30%,分別為39.5%、34.5%、34.5%、30.4% 及30.2%(圖 2b)。

2.3 撂荒耕地時間動態特征

分別統計各年季節性、常年性撂荒耕地面積及總撂荒耕地面積,得到武勝縣2015—2018年的撂荒耕地面積動態變化圖(圖 3)。由圖 3可知,2015—2018年常年性和季節性撂荒耕地面積波動不明顯,分別在50 km2和200 km2上下波動,總撂荒耕地面積在200~ 300 km2之間浮動。

圖 3 2015—2018年武勝縣撂荒耕地面積動態變化 Figure 3 Dynamic variation of abandoned farmland area in Wusheng County during 2015—2018

2015—2018年武勝縣東、西部的部分鄉鎮,如東部的三溪鎮、鳴鐘鄉、樂善鎮,西部的勝利鎮、金牛鎮、寶箴塞鄉等,常年性撂荒耕地面積明顯多于其他鄉鎮。大部分鄉鎮常年性撂荒耕地面積變化不明顯,僅有少數波動較大(圖 4a)。變化明顯的鄉鎮主要有華封鎮、中心鎮等10個鄉鎮,分布在武勝縣東、西部。其中,除東部地區猛山鄉呈逐年上升趨勢外,常年性撂荒耕地面積變化明顯的鄉鎮均呈現波動變化。

圖 4 2015—2018年武勝縣各鄉鎮撂荒耕地面積動態變化 Figure 4 Dynamic changes of abandoned farmland area in each town of Wusheng County during 2015—2018

圖 4b展現了各鄉鎮季節性撂荒耕地在2015— 2018年的面積變化。其間,大部分鄉鎮季節性撂荒耕地面積未發生明顯變化,僅有西部的高石鄉、賽馬鎮、八一鄉及烈面鎮,東部的三溪鎮、鳴鐘鄉、飛龍鎮、白坪鄉、樂善鎮及龍庭鄉等個別鄉鎮波動較明顯。其中,2016年相較于2015年西部上述鄉鎮均發生大幅上升,東部上述鄉鎮則發生不同程度的下降;2018年相較于2017年,西部上述鄉鎮降幅較大,東部上述鄉鎮變化不甚明顯。

2.4 撂荒耕地空間分布統計及其影響因素分析

將坡度、高程柵格圖及不同范圍的道路、水系、農村居民點緩沖區矢量圖,分別與耕地、撂荒耕地圖層進行疊加運算,并統計其面積,計算得到武勝縣和各鄉鎮2018年不同地形(坡度、高程)、交通、灌溉及耕作半徑下的撂荒率,結果如表 3、表 4圖 5所示。從表 3可以看出,2018年武勝縣坡度小于15°(適宜耕作[23])的緩坡地區和大于15°(土壤侵蝕明顯、水土流失嚴重,不宜農耕[23])的坡耕地撂荒率都較高,并且0°~2°的地區常年性和季節性撂荒率均為最高。說明武勝縣撂荒耕地的產生不屬于耕地坡度太大、耕作困難的情況。

表 3 2018年武勝縣耕地在不同坡度、海拔范圍內的撂荒率(%) Table 3 The rate of abandoned farmland in different slopes and elevations in Wusheng County of 2018(%)
表 4 2018年武勝縣耕地在不同緩沖區范圍內的撂荒率(%) Table 4 The rate of abandoned farmland in different buffer zones in Wusheng County of 2018
圖 5 2018年武勝縣常年性撂荒耕地在不同高程范圍空間分布的三維示意圖 Figure 5 The 3D schematic distribution map of perennial abandoned farmland in different elevation ranges in Wusheng County of 2018

武勝縣耕地常年性和季節性撂荒率在不同海拔范圍內差異均較大(表 3)。其中,海拔在200 m以下的平原撂荒率接近于0,海拔300 m以上的地區常年性撂荒率遠高于300 m以下地區。說明武勝縣常年性撂荒耕地的分布可能與“海拔太高,耕作困難”有關。圖 5也證實,除三溪鎮和鳴鐘鄉外,常年性撂荒耕地分布較多且集中的區域有猛山鎮、勝利鎮、華封鎮東北部及賽馬鎮的西北部等,海拔基本都大于300 m;而地勢較為低平(200~300 m)的中部和嘉陵江沿岸地區,僅零星分布。耕地的季節性撂荒率則相反,低于200 m的平原地區撂荒率明顯高于丘陵山區。由此說明,季節性撂荒耕地(基本為農田冬季休耕)的空間分布與“海拔較低,耕作條件便利”有關。

根據耕地在不同耕作半徑內的撂荒率(表 4)可知,常年性撂荒率在各耕作半徑范圍內差異不大,季節性撂荒率在耕作半徑大于1 000 m的地區遠大于其他地區。說明常年性撂荒耕地的發生不屬于耕作半徑太大、耕作不便利的情形;而季節性撂荒耕地的產生與耕作半徑太大、耕作不便有關。

表 4可知,與道路距離大于500 m的耕地常年性撂荒率比小于500 m的耕地多1個百分點左右;季節性撂荒率在各道路緩沖區的差異不足1個百分點。由此可推知,常年性撂荒耕地與交通不便、耕作不易有關;而季節性撂荒耕地不屬于交通不便、耕作不易的情況。

常年性和季節性撂荒率均隨著與水系距離的增大而升高,尤其是大于1 000 m的地區,季節性撂荒率遠大于距離水系1 000 m范圍內地區(表 4)。因此,常年性與季節性撂荒耕地的產生均與距離水源地太遠、灌溉不便有關。

3 討論 3.1 方法對比

為比較本研究方法識別撂荒耕地的優劣,另選兩種監督分類方法對照,結果如表 5所示。運用與本研究相同的撂荒耕地樣本點,另外選取其他地類的訓練樣本點各40個,分別采用最大似然法和支持向量機法識別2018年季節性撂荒耕地,用混淆矩陣法檢驗結果精度,最大似然法總精度、用戶精度及Kappa系數分別為70.45%、86.67%、0.43;支持向量機法分別為63.63%、55.56%、0.31。相較而言,同樣較少的樣本情況下,MaxEnt模型的識別精度遠高于其他兩類監督分類方法,由此表明該模型識別撂荒耕地可大大提高工作效率[11, 26]。

表 5 不同方法對2018年季節性撂荒耕地提取結果的混淆矩陣 Table 5 The confusion matrix of extraction results of seasonal abandoned farmland in 2018 by different methods
3.2 MaxEnt模型評價

本研究利用ROC曲線下的AUC值對模型識別撂荒耕地的性能進行檢驗,AUC值均在0.9~1之間,表明模型的識別性能極好。同時,混淆矩陣驗證的總精度均在80% 以上,說明該模型識別撂荒耕地的精度較高。MaxEnt模型將光譜指數與影響因子結合,可以提供較高精度的撂荒耕地信息,彰顯了MaxEnt模型在撂荒耕地識別應用上的潛力。然而,應用MaxEnt模型提取撂荒耕地信息也存在一些局限。

研究過程中發現,該模型應用于撂荒耕地信息提取時,對撂荒耕地的精準采樣是一大難點,可能導致樣本點的數量較少。由于本研究對撂荒耕地采樣時主要采用目視解譯的方式,加之丘陵山區撂荒耕地較破碎分散,與獲取城鎮用地[15]和林地[16]等易進行目視解譯的地物信息相比,獲取撂荒耕地信息的采樣工作難度更大。因此,本研究獲取的撂荒耕地樣本點數量較少,可能會對信息提取精度造成一定影響??梢?,較高的影像質量、空間分辨率是準確獲取撂荒耕地信息的重要基礎。需要指出的是,本研究2016年和2018年夏季影像上的鼓匠鄉局部區域厚云較多,其撂荒耕地的識別結果與實際情況可能存在一定差距。

為建立準確的MaxEnt撂荒耕地識別模型,模型運行的某些過程還可進一步優化。①參數優化: 本研究參數均采用默認設置,可借鑒朱耿平等[29]調用ENMeval數據包來調整模型調控倍頻和特征組合參數的做法,進一步優化參數設置。②閾值確定方法的改進: 本研究通過設定一個常用的較低誤差(5%)來獲得閾值,該方法具一定主觀性,可參考LI等[30]采用Fpb指標來獲取閾值的方法,獲得一個更客觀的閾值結果。③環境變量的補充: 研究選取的環境變量以光譜指數為主,影響撂荒耕地分布的環境因子只選取了DEM高程數據,未來可加入更多的自然和人文因子,例如氣溫、降水、光照、土壤、植被生產力、GDP等,有望進一步提高結果精度。

此外,本研究還存在一些其他方面的不足。例如,由于歷史年份的高分遙感影像較少,加之研究區多云霧的氣象特征,未能獲得長時間序列的耕地撂荒信息。

4 結論

本研究應用MaxEnt模型獲取武勝縣2015—2018年常年性與季節性撂荒耕地信息,辨析其時空分異特征及影響因素,得出以下主要結論:

(1)MaxEnt模型獲取武勝縣撂荒耕地信息的適用性(AUC值在0.9~1之間)和精度(總精度大于80%)均較高,識別的季節性撂荒耕地面積與統計年鑒、土地利用數據中的水稻種植面積之間相對誤差小于10%。與其他監督分類方法相比,本研究方法僅需要較少訓練樣本即可獲得較高的識別精度;但在研究數據的獲取、撂荒耕地樣本的精準識別、準確模型的建立、閾值的確定等方面還存在許多挑戰,尚待進一步深入研究。

(2)武勝縣常年性撂荒耕地整體呈“大分散、小集中”的分布格局,集中分布于海拔300~438 m的丘陵山區,小于300 m的地區僅有零星分布,撂荒率隨海拔升高、與道路和河流水系的距離增大而增加。

(3)季節性撂荒耕地在各鎮普遍分布,部分地區呈片狀分布特征,且撂荒率隨海拔升高,與農村居民點、河流水系距離的增大而增加。

由此說明,武勝縣常年性、季節性撂荒耕地的分布受海拔、交通、灌溉條件、耕作半徑等因素影響,其面積在2015—2018年變化趨勢均較平穩。武勝縣在進行耕地利用與管理時,可從上述因素著手。

參考文獻
[1]
史鐵丑, 徐曉紅. 重慶市典型縣撂荒耕地圖斑的提取與驗證[J]. 農業工程學報, 2016, 32(24): 261-267.
SHI T C, XU X H. Extraction and validation of abandoned farmland parcel in typical counties of Chongqing[J]. Transactions of the Chinese Society of Agricultural Engineering, 2016, 32(24): 261-267. DOI:10.11975/j.issn.1002-6819.2016.24.035
[2]
文華成. 四川丘區農村耕地撂荒問題研究[J]. 農村經濟, 2003(10): 18-20.
WEN H C. Study on abandoned farmland in Qiuqu District of Sichuan Province[J]. Rural Economy, 2003(10): 18-20.
[3]
李升發, 李秀彬. 耕地撂荒研究進展與展望[J]. 地理學報, 2016, 71(3): 370-389.
LI S F, LI X B. Progress and prospect on farmland abandonment[J]. Acta Geographica Sinica, 2016, 71(3): 370-389.
[4]
陳航, 譚永忠, 鄧欣雨, 等. 撂荒耕地信息獲取方法研究進展與展望[J]. 農業工程學報, 2020, 36(23): 258-268.
CHEN H, TAN Y Z, DENG X Y, et al. Progress and prospects on information acquisition methods of abandoned farmland[J]. Transactions of the Chinese Society of Agricultural Engineering, 2020, 36(23): 258-268. DOI:10.11975/j.issn.1002-6819.2020.23.030
[5]
ALACANTARA C, KUEMMERLE T, BAUMANN M, et al. Mapping the extent of abandoned farmland in central and eastern Europe using MODIS time series satellite data[J]. Environmental Research Letters, 2013, 8(3): 1-9.
[6]
肖國峰, 朱秀芳, 侯陳瑤, 等. 撂荒耕地的提取與分析: 以山東省慶云縣和無棣縣為例[J]. 地理學報, 2018, 73(9): 1658-1673.
XIAO G F, ZHU X F, HOU C Y, 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.
[7]
孫佩軍, 張錦水, 潘耀忠, 等. 構建時空融合模型進行水稻遙感識別[J]. 遙感學報, 2016, 20(2): 328-343.
SUN P J, ZHANG J S, PAN Y Z, et al. Temporal-spatial-fusion model for area extraction of paddy rice using multi-temporal remote sensing images[J]. Journal of Remote Sensing, 2016, 20(2): 328-343.
[8]
HE Z, LI S H, DENG Y C, et al. Rice paddy fields identification based on backscatter features of Quad-Pol RADARSAT-2 data and simple decision tree method[C]. 2021 IEEE International Geoscience and Remote Sensing Symposium IGARSS, 2021, 6765-6768.
[9]
史鐵丑. 國內外耕地撂荒的過程與影響因素研究進展[J]. 湖北農業科學, 2020, 59(16): 11-16.
SHI T C. Research progress of farmland abandonment process and influence factors at home and abroad[J]. Hubei Agricultural Sciences, 2020, 59(16): 11-16.
[10]
劉振生, 高惠, 滕麗微, 等. 基于MAXENT模型的賀蘭山巖羊生境適宜性評價[J]. 生態學報, 2013, 33(22): 7243-7249.
LIU Z S, GAO H, TENG L W, et al. Habitat suitability assessment of blue sheep in Helan Mountain based on MAXENT modeling[J]. Acta Ecologica Sinica, 2013, 33(22): 7243-7249.
[11]
馬望, 房磊, 方國飛, 等. 基于最大熵模型的神農架林區華山松大小蠹災害遙感監測[J]. 生態學雜志, 2016, 35(8): 2122-2131.
MA W, PANG L, FANG G F, et al. Mapping the infestation of Dendroctonus armandi in Shennongjia forested region using Landsat and MaxEnt model[J]. Chinese Journal of Ecology, 2016, 35(8): 2122-2131.
[12]
PHILLIPS S J, DUDIK M, SCHAPIRE R E. A maximum entropy approach to species distribution modeling[C]. Proceedings of the twentyfirst International Conferece on Machine Learning, 2004: 655-662.
[13]
PHILLIPS S J, ANDERSON R P, SCHAPIRE R E, et al. Maximum entropy modeling of species geographic distributions[J]. Ecological Modelling, 2006, 190(3/4): 231-259.
[14]
LIN J Y, LIU X P, LI K, et al. A maximum entropy method to extract urban land by combining MODIS reflectance, MODIS NDVI, and DMSP-OLS data[J]. International Journal of Remote Sensing, 2014, 35(18): 6708-6727. DOI:10.1080/01431161.2014.960623
[15]
FERNANDEZ I C, MORALES N S. One-class land-cover classification using MaxEnt: The effect of modelling parameterization on classification accuracy[J]. Peer J, 2019, 7: e7016. DOI:10.7717/peerj.7016
[16]
WULDER M A, WHITE J C, BENTZ B, et al. Estimating the probability of mountain pine beetle red-attack damage[J]. Remote Sensing of Environment, 2006, 101: 150-166. DOI:10.1016/j.rse.2005.12.010
[17]
李娟娟. 川東平行嶺谷區撂荒地空間分布特征及撂荒原因研究[D]. 重慶: 重慶師范大學, 2018.
LI J J. The spatial distribution characteristics and the reasons of the abandoned land in the parallel ridge valley of east Sichuan: A case study of six towns in the city of Dazhou[D]. Chongqing: Chongqing Normal University, 2018.
[18]
牛繼強, 林昊, 牛櫻楠, 等. 經濟欠發達地區撂荒耕地空間格局與驅動因素分析[J]. 農業機械學報, 2017, 48(2): 141-149.
NIU J Q, LIN H, NIU Y N, 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.
[19]
史鐵丑, 李秀彬. 基于地塊尺度的重慶山區耕地撂荒風險研究[J]. 山地學報, 2017, 35(4): 543-555.
SHI T C, LI X B. Cropland abandonment risk at parcel level in Chongqing mountainous area[J]. Mountain Research, 2017, 35(4): 543-555.
[20]
朱婷, 伍引風, 劉娜, 等. 四川省武勝縣耕地撂荒問題研究[J]. 安徽農業科學, 2014, 42(26): 9183-9185.
ZHU T, WU Y F, LIU N, et al. Research on farmland abandonment in Wusheng County, Sichuan Province[J]. Journal of Anhui Agricultural Sciences, 2014, 42(26): 9183-9185. DOI:10.3969/j.issn.0517-6611.2014.26.114
[21]
程鳳翔. 對武勝縣耕地撂荒的調查與思考[J]. 四川農業科技, 2008(8): 21-22.
CHENG F X. Investigation and thinking on abandoned farmland in Wusheng County, Sichuan Province, China[J]. Sichuan Agricultural Science and Technology, 2008(8): 21-22. DOI:10.3969/j.issn.1004-1028.2008.08.010
[22]
陳超, 龐艷梅, 徐富賢, 等. 四川水稻不同生育階段的干旱風險評估[J]. 干旱地區農業研究, 2018, 36(6): 184-193.
CHEN C, PANG Y M, XU F X, et al. Risk assessment of drought on rice at different growth stages in Sichuan Province[J]. Agricultural Research in the Arid Areas, 2018, 36(6): 184-193.
[23]
謝俊奇. 中國坡耕地[M]. 北京: 中國大地出版社, 2005.
XIE J Q. Slope farmland in China[M]. Beijing: China Land Press, 2005.
[24]
BERGER A L, PIETRA V J D, PIEPRA S A D. A maximum entropy approach to natural language processing[J]. Computational Linguistics, 1996, 22(1): 39-71.
[25]
張亦漢, 劉小平, 陳廣亮, 等. 基于最大熵的CA模型及其城市擴張模擬[J]. 中國科學: 地球科學, 2020, 50(3): 339-352.
ZHANG Y H, LIU X P, CHEN G L, et al. Simulation of urban expansion based on cellular automata and maximum entropy model[J]. Science China (Terrae), 2020, 50(3): 339-352.
[26]
LI W K, GUO Q H. A maximum entropy approach to one-class classification of remote sensing imagery[J]. International Journal of Remote Sensing, 2010, 31(8): 2227-2235. DOI:10.1080/01431161003702245
[27]
MERCKX B, STEYAERT M, VANREUSEL A, et al. Null models reveal preferential sampling, spatial autocorrelation and overfitting in habitat suitability modelling[J]. Ecological Modelling, 2011, 222(3): 588-597. DOI:10.1016/j.ecolmodel.2010.11.016
[28]
ARAUJO M B, GUISAN A. Five(or so) challenges for species distribution modelling[J]. Journal of Biogeography, 2006, 33: 1677-1688. DOI:10.1111/j.1365-2699.2006.01584.x
[29]
朱耿平, 喬慧捷. Maxent模型復雜度對物種潛在分布區預測的影響[J]. 生物多樣性, 2016, 24(10): 1189-1196.
ZHU G P, QIAO H J. Effect of the Maxent model's complexity on the prediction of species potential distributions[J]. Biodiversity Science, 2016, 24(10): 1189-1196. DOI:10.17520/biods.2016265
[30]
LI W K, GUO Q H. A new accuracy assessment method for one-class remote sensing classification[J]. IEEE Transactions on Geoscience and Remote Sensing, 2014, 52(8): 4621-4632. DOI:10.1109/TGRS.2013.2283082