基于格网化表达的县域基本农田集中连片特征提取

荆耀栋，毕如田，周淑琴，史 广

（山西农业大学资源环境学院，山西 太谷　030801）

基于格网化表达的县域基本农田集中连片特征提取

荆耀栋，毕如田，周淑琴，史 广

（山西农业大学资源环境学院，山西 太谷030801）

研究目的：为快速准确获取基本农田空间分布特征及其集中连片信息，提出在空间数据格网化表达基础上的模糊纹理指数提取方法。研究方法：借助SuperMap Objects二次开发平台，设计基本农田单要素属性信息无损格网化程序，针对100 m×100 m、200 m×200 m、400 m×400 m、800 m×800 m 4种格网尺度下的表达结果，综合分析不同尺度格网化表达的空间自相关性。在借鉴空间滤波算法的基础上，分析基本农田要素空间密度分布特征，结合农用地分等定级成果设计模糊纹理指数算法，并且选取山西省泽州县进行实例验证。研究结果：基本农田格网化表达结果可形成连续的空间密度表面，丰富了基本农田空间数据的表达方式，利于空间分析；经模糊纹理指数方法所提取的集中连片指数可用于定量化表达与分析，结合空间密度特征能快速提取基本农田集中连片区。研究结论：该方法可用于提取基本农田的空间分布特征，为基本农田保护、布局优化提供方法借鉴。

土地信息；基本农田；格网化；模糊纹理指数；集中连片

1　引言

基本农田是按照一定时期人口及社会经济发展对农产品的需求，依据土地利用总体规划确定的不得占用的耕地［1］。它是保障国家粮食安全的基础，经过多年实践形成了一套完整的基本农田保护制度，如保护面积、空间布局、划定与调整等。在基本农田管理实践中，由于缺乏基本农田空间分布特征定量化描述，常存在重数量、偏主观、缺乏空间定位、规划与布局随意、保优不保劣、保近不保远、忽略“优质集中”保护方针中的“集中”管理模式的问题［2］。为解决以上问题，中国学者引入基本农田“连片性”概念，用于表达相同质量或等级区间地块的连接程度。集中连片同等级耕地有利于提高基础设施的规模效益、大型机械使用、农业科技推广、控制面源污染、农业产业化，以及提高农用地价值等［2］。已有文献从基本农田规划与布局［3-4］、高标准基本农田划定［5］、农用地分等定级［6-9］、基本农田集中连片性［10］等方面进行研究，完善了中国基本农田保护研究的理论体系。基本农田连片性计算方法主要有：空间相通性、模糊纹理定量法、基本农田保护指数法三种［2］。

国内外有关连片性研究大多集中在景观生态学领域的景观连接度上，特别是生物资源管理和生物多样性保护，包括土地利用［11］、种群结构［12］、林地保护［13-14］、物种保护［15-17］、栖息地保护［18］等方面。景观连接度包括结构连接度和功能连接度，与廊道无直接关系，但与生态过程、研究目的及廊道组成、宽度和质量有关，只要物质、能量、物种可达限定的距离或斑块与相邻景观元素在功能上相似则具有景观连接度［19］。基本农田集中连片则侧重考虑其社会经济因素如数量、质量等，综合研究结构上的空间相连程度、相邻程度及一定邻域内的集聚程度［2］。目前，基本农田集中连片划定工作主要应用空间连通性方法，而模糊纹理指数法的实现、应用以及基本农田空间分布密度特征研究的文献鲜有报道。

现今空间数据呈现数量庞大、多源异构、结构复杂等特征。为实现空间数据的整合与分享、空间数据融合与分析，国内外学者提出了格网化表达方法。格网或网格（GRID）研究主要涉及网格地图和网格计算，其中网格地图以网格为单元，描述或表达其中的属性分类、统计分级以及变化参数和模拟现实。国内外学者主要从人口［20-21］、经济、资源环境［22-24］三方面对格网化进行研究。资源环境研究中引入格网方法，增加了空间数据表现形式，增强了空间数据处理与分析［22］。目前格网化方法主要有：面积最大值法（Rule of Maximum Area，RMA）和属性信息无损失栅格化法（Rasterization Method without Attribute Information Loss，RMAIL）［25］。基本农田要素空间数据的格网化表达与描述，对于基本农田多尺度布局与管理具有一定的实践意义。近年来高分辨率影像在基本农田监测研究中主要关注解译与信息提取，所获取的空间数据仍需进一步分析其空间特征和分布模式。本研究在基本农田数据单要素属性无损格网化表达基础上，研究提取其空间分布特征规律及集中连片区特征的方法，以期为基本农田保护与规划提供有效手段。

2　研究区与数据

2.1研究区

晋城市泽州县位于山西省东南端边界处，与河南省接壤，位于太行山最南麓，东、西、南三面环山，北中部为丘陵地貌，东南部为高山地貌。全县总面积2023 km2，其中山地60.8%、丘陵30.9%、平川8.3%。属暖温带半湿润大陆性季风气候，年均气温10—11℃左右，无霜期188 d，年降雨量533.3 mm。现辖3乡、13镇，2012年末全县总人口42.27万人，生产总值217.7亿元。泽州县是农业县，耕地64648.01 hm2，占总面积的29.82%，其中基本农田55830.91 hm2。县域内矿产资源丰富，煤炭开采、工业建设压占和损毁优质耕地和基本农田，影响农业生产、危害生态环境，区域粮食安全面临严峻挑战。

2.2数据来源

本文基础数据为泽州县土地利用规划空间数据库（2006—2020年）、1∶1万土地利用调查数据库（2009年）、农用地分等定级成果（2005年）。基本农田数据由县级土地利用规划数据库（1∶10000）中提取，耕地矢量数据从泽州县农用地分等定级成果中提取。数字高程采用STR DEM，精度30 m。经空间数据格式转换、校正并统一投影转化为西安80坐标系，高斯—克吕格3度分带，中央经度114度。

3　研究方法

3.1基本农田属性无损格网化表达

本文格网化表达对象为基本农田，作为单一要素选取面积属性信息无损栅格化法为格网化表达方法。格网化基本思路：先借助SuperMap Objects二次开发平台，以县级行政界线外接矩形为范围生成不同尺度的格网数据集，同时对格网单元标识码编号，然后与基本农田矢量数据进行空间叠加，按格网单元标识码分类汇总格网单元内基本农田面积，将其作为格网单元属性值，保证各级格网单元中耕地面积的总和为县辖区内基本农田总面积。通过分析格网单元纯度空间分布规律，揭示基本农田无损格网化表达尺度效应。

3.2空间自相关分析

对基本农田进行无损格网化表达后，改变了基本农田要素在空间上的分布与配置。为分析基本农田格网单元的空间分布模式，利用空间自相关进行空间统计分析。空间自相关可显示某种地表现象间是否存在某种特殊空间形态，可识别地理数据间的空间依赖、空间关联或空间自相关，通过空间位置建立数据间聚类关系［27-28］。本文利用Moran' I检测基本农田格网单元空间自相关性：

式1中，I表示空间属性值的分布特征（集聚模式、离散模式、随机分布模式），取值范围为［-1，1］，-1代表完全负相关，1为完全正相关，0为不相关；i≠j；N为区域单元总数；Xi和Xj为空间位置i和j上的观测值；Wij为空间权重矩阵。

3.3基本农田邻域空间密度特征提取

由于耕地质量及其利用具有空间关联性，空间距离越小的田块其质量与利用的关联程度也越高。因此，在土地利用中的耕地保护、规划、整理需考虑现有地块的特征及与周边地块的相互关系［28］。为打破行政界线约束，设计N×N滑动模板，将基本农田邻域空间密度特征用滑动模板邻域内基本农田面积与邻域面积的比值进行表示，对格网化表达结果逐格网单元进行交叠式统计，取值范围为［0，1］。该方法在空间上即为邻域中心格网单元的计算结果，代表其邻域范围内的耕地聚集度分布特征，可用于构建基本农田空间地理要素趋势面。

邻域空间密度特征在一定程度上避免了传统的以孤立格网单元或行政辖区来统计基本农田空间密度特征，但不能很好地解决田块之间的连片度，为此引入局部模糊纹理定量方法来解决集中连片定量描述。

3.4局部模糊纹理定量方法

将无损格网化后的基本农田数据与农用地分等定级数据进行叠加，通过面积最大似然法确定基本农田的耕地质量等级，然后利用周尚意等提出的模糊纹理指数（WL）方法［2］进行连片度提取。WL = Aj/ A，其中：WL为纹理指数，Aj代表邻域内j等级耕地的面积，A代表邻域内耕地的总面积。该方法以格网单元为中心、一定半径范围内的小邻域纹理状况对耕地连片度进行定量化描述。

局部模糊纹理指数在现有GIS软件平台中尚无法直接提取，借鉴SOBEL边缘检测、中值滤波、高通滤波等算法［29-31］基础上，设计比例系数均为1的N×N滑动模板。N的大小根据模糊纹理半径与格网单元格大小确定，即N = 2×R / G + 1。其中N为滑动模板大小，R为模糊纹理半径，G为格网单元格边长，1代表滑动模板的中心格网单元。本研究借助GIS二次开发平台编写C++程序，逐格网单元做卷积运算。具体过程：首先计算邻域中心格网单元对应等级耕地面积，再计算邻域内耕地总面积，二者之比即为局部模糊纹理指数，取值范围为［0，1］。模糊纹理状况由邻域半径刻画，不同大小的模糊纹理半径计算所得的模糊纹理指数也不尽相同，实际应用可根据研究区具体情况确定。该指数含义明确，指数值趋于0表示对应邻域中心等级耕地面积为0，趋于1则表示邻域内耕地等级全部与邻域中心相同。局部模糊纹理指数充分考虑了耕地质量等级与周边耕地等级的空间结构，所表现的连片形式为各级耕地的局部连片性。

4　结果与分析

4.1无损格网化分析

为分析基本农田空间数据格网表达的尺度特征，对泽州县基本农田数据进行4个空间尺度的格网化表达：100 m×100 m、200 m×200 m、400 m×400 m、800 m×800 m。将格网单元按基本农田纯度划分为5个范围段（0—0.2、0.2—0.4、0.4—0.6、0.6—0.8、0.8—1.0），并制作不同尺度下的格网化基本农田专题图。

随格网尺度从100—800 m逐级增大，高纯度单元数减少，低纯度单元数增加，各尺度格网单元分布见表1。将各尺度格网纯度单元数作归一化处理，转化为百分比，可得出格网化尺度逐级增大，网格单元纯度分布也随之发生变化。整体上表现为尺度提高，高纯度单元减少，低纯度格网单元相应增加。纯度为0—0.1、0.1—0.2、0.2—0.3、0.3—0.4的格网单元，随格网尺度增大而增大；纯度为0.4—0.5、0.5—0.6、0.6—0.7、0.7—0.8的格网单元变化不显著，较为稳定；纯度为0.8—0.9、0.9—1.0的格网单元的变化极显著，按照格网化尺度每增大一级，相应格网单元减少约为1/4的规律变化。

表1　不同尺度格网单元纯度分布表Tab.1 The purity distribution of different scale grid cell

纯度为0—0.8的格网单元随格网尺度的提高相应面积呈增长趋势，纯度为0.8—1.0则反之。因此，单要素格网化也表现出“此消”和“彼长”现象，但这种现象集中体现在格网单元的纯度指标特征上，已有文献中关于多要素格网化时表现在不同地类之间［25］；基本农田破碎度大的地方，随尺度的逐级提高，格网单元纯度指标急速下降；基本农田分布相对集中区域，格网单元纯度级别间转换较为缓慢。

4.2格网化基本农田空间自相关性分析

针对原始基本农田数据进行全局自相关性分析，Moran'I指数为0.07，数值趋近于0，原始基本农田空间上表现为随机分布。对各尺度格网数据全局自相关性分析，100 m、200 m、400 m、800 m格网的Moran'I指数分别为0.43、0.47、0.55、0.41，置信度均为0.99。不同尺度格网Moran'I指数虽有一定随机性，但格网化后的数据对基本农田表达整体呈现为全局自相关。因此，对基本农田进行格网化后使其空间分布形成连续的密度表面，利于准确描述基本农田的空间分布特征，丰富了针对基本农田数据空间数据的表达与分析方式。

4.3基本农田邻域空间密度特征分析

基本农田单要素格网化表达后，格网单元随尺度增大而纯度急速下降，可得出研究区的基本农田格网化表达对其空间结构改变较大，因此选取泽州县格网尺度较小的100 m×100 m基本农田格网数据进行计算，并参考文献2以模糊纹理半径为1 km进行基本农田空间密度特征提取，将计算所得基本农田空间密度指数按照0—0.1、0.1—0.2、0.2—0.3、0.3—0.4、0.4—0.5、0.5—0.6、0.6—0.7、0.7—0.8、0.8—0.9、0.9—1.0共10个级别划分并进行专题地图制作（图1，封二）。图1显示泽州县基本农田空间密度的梯度特征显著，西北高、东南低，由高到低逐级变化，对于泽州县内基本农田空间结构表达较好，可定量化描述基本农田空间分布密集度。基本农田空间密度10个级别所占比例分别为1.80%、5.52%、9.06%、13.60%、15.84%、16.84%、15.66%、13.30%、7.38%、1.01%，在0.3—0.4、0.4—0.5、0.5—0.6、06—0.7、0.7—0.85个级别上分布最为集中，占全县基本农田的75.24%。

表2　研究区基本农田空间密度特征分布表 单位：hm2Tab.2 The table of prime farmland spatial density distribution about study area unit： hm2

从图1可得出泽州县内各乡镇基本农田空间密度特征差异明显，空间上形成了李寨乡、周村镇、大东沟镇、下村镇、大阳镇和北义城镇、高都镇、金村镇两个密集分布区域。全县及各乡镇不同空间密度特征分布面积显示（表2），不同空间密度的基本农田呈正态分布，县域尺度上在密度特征指数为0.6左右达到峰值，乡镇尺度上在0.65左右达到峰值。高都镇密度特征指数为0.6—0.7、0.7—0.8的基本农田占全县面积的2.41%和2.83%，为分布显著集中乡镇；柳树口镇、大箕镇、晋庙铺镇、山河镇、犁川镇、南岭乡、南村镇的基本农田空间密度较低。

4.4基本农田集中连片度分析

4.4.1集中连片度计算 利用局部模糊纹理指数法对研究区100 m×100 m的基本农田格网化数据进行计算，模糊半径为1 km。计算所得模糊纹理指数按照0—0.1、0.1—0.2、0.2—0.3、0.3—0.4、0.4—0.5、0.5—0.6、0.6—0.7、0.7—0.8、0.8—0.9、0.9—1.0这10个级别分段，制作泽州县基本农田集中连片度（局部）专题图（图2，封二）。第10级局部模糊纹理指数集中连片性较强，具有清晰的集聚区边界，在基本农田空间分布较多的区域更为显著，如下村镇、大东沟镇、巴公镇、北义城镇、高都镇等。

4.4.2乡级基本农田集中连片度 泽州县基本农田局部集中连片度按高、中、低划分，比例分别为52.02%、30.85%、17.13%。周村镇、大阳镇、南村镇、李寨乡、南岭乡集中连片较强，高、中集聚基本农田达80%；巴公镇、大箕镇、柳树口镇、犁川镇、大东沟镇、下村镇、金村镇、城区集中连片稍弱，高、中集聚基本农田比例约为75%；山河镇、高都镇、北义城镇、晋庙铺镇、川底乡的集中连片最差，高、中集聚基本农田比例约为64%。

4.4.3不同耕地等级基本农田的集中连片度 研究区各等级基本农田集中连片面积按纹理指数大小呈正态分布。一等耕地基本农田模糊纹理指数主要集中在0.3—0.4、0.4—0.5、0.5—0.6、0.6—0.7四个分段，其中0.5—0.6分段最多，占14.96%；二等耕地基本农田主要集中在0.4—0.5、0.5—0.6、0.6—0.7、0.8—0.9四个分段，其中0.5—0.6分段最多，占13.46%；三等耕地基本农田主要集中在0.5—0.6、0.7—0.8、0.8—0.9、0.9—1.0四个分段，其中0.9—1.0分段最多，占16.09%；四等耕地基本农田主要集中在0.6—0.7、0.7—0.8、0.8—0.9、0.9—1.0四个分段，0.9—1.0分段最多，占20.30%；五等耕地基本农田全部集中在0.9—1.0分段；六等耕地基本农田主要集中在0.6—0.7、0.7—0.8、0.8—0.9、0.9—1.0四个分段，0.8—0.9分段最多，占18.28%；七等耕地基本农田主要集中在0.7—0.8、0.8—0.9、0.9—1.0三个分段，0.9—1.0分段最多，占31.13%。

整体上来看，随耕地等级的升高，模糊纹理指数递增，其中基本农田为一、二等耕地的集中连片度最低，三、四等次之，五、六、七等最高。

4.4.4基本农田集中连片度地形分布特征 利用DEM对获取的基本农田集中连片度数据采用双线性插值进行空间赋值，并按基本农田集中连片度高、中、低进行分类汇总。泽州县内高集中连片基本农田分布区域平均海拔850 m，主要在727—1027 m之间，属于研究区的低山、丘陵区；中度集中连片基本农田平均海拔832 m，主要在700—980 m之间，属于研究区的丘陵区；低集中连片基本农田分布区域平均海拔793 m，集中分布在683—1007 m之间，属于研究区的丘陵、低丘区。

4.5基本农田集中连片区划定

综合分析基本农田空间分布密集度与局部连片性特征，以80%的基本农田划入集中连片区为约束，经反复试验最终确定泽州县基本农田集中连片区提取条件为：局部模糊纹理指数不低于0.6、空间密度分布不低于20%。对计算结果进行空间叠加后再次提取，经面状数据融合、小斑剔除、图斑编号，结果见图3。

图3　泽州县基本农田集中连片区分布图Fig.3 The map about concentrated area of prime farmland

泽州县各乡镇基本农田集中连片区面积见表3。全县集中连片区148块，总面积675.34 km2，平均面积4.65 km2。金村镇、巴公镇、高都镇、大东沟镇、下村镇、周村镇、城区面积较大，约占全县基本农田集中连片区的53.36%；柳树口镇、山河镇、大阳镇、北义城镇、南村镇、大箕镇分布相对较少，约占30.87%；南岭乡、晋庙铺镇、犁川镇、川底乡、李寨乡分布最少，约占15.77%。

表3　泽州县基本农田集中连片区分布表Tab.3 The table of concentrated area about prime farmland

5　结论与讨论

本文在农用地分等定级和空间数据格网化表达基础上，分析设计了基本农田局部模糊纹理指数算法，并以山西省泽州县为例进行应用研究，对基本农田无损格网化表达的空间自相关性、邻域空间密度特征与局部集中连片性进行分析，得出以下结论：（1）无损格网化用以表达基本农田单一要素时，形成的空间要素连续密度表面利于分析其空间分布特征。其中单一要素格网化“此消”、“彼长”的尺度效应表现在格网单元纯度指标上。经无损网格化表达的基本农田在空间上形成了连续的密度表面，可反映基本农田在一定地理空间内的分布状态，利于空间特征提取与描述。（2）邻域空间密度特征可较好地描述基本农田在空间上的集聚程度，但不能很好地表达田块间的连片性。所提取模糊纹理指数代表一定半径范围内的基本农田连片度，充分考虑了与周边基本农田的空间分布结构，糊纹理指数与邻域空间密度特征相结合能定量化表达基本农田空间集中连片特征，可快速提取县域基本农田集中连片区。（3）作为实例验证研究的泽州县，空间上集中连片的基本农田面积占全县52.02%，主要分布在周村镇、大阳镇、南村镇、李寨乡、南岭乡。同时县域内自然等级较高、集中连片性较差的基本农田1347.34 hm2，自然等级较低、集中连片较高的基本农田5573.48 hm2是基本农田整治潜力区域。当前农村用地结构正向“劣质、细碎、分散”和“优质、集中、连片”两个方面发展演化，通过耕地整治规划有望转化为优质集中连片耕地。

本文成果对基本农田空间特征信息的提取及集中连片管理提供了借鉴和思路。同时，不同模糊纹理半径大小与格网化尺度对基本农田空间密度特征和连片度提取结果的影响需进一步研究。

（

）：

［1］郧文聚，张蕾娜，程锋.基本农田保护20年［J］ . 中国土地，2009，（11）：51 - 53.

［2］周尚意，朱阿兴，邱维理，等.基于GIS 的农用地连片性分析及其在基本农田保护规划中的应用［J］ . 农业工程学报，2008， 24（7）：72 - 77.

［3］奉婷，张凤荣，李灿，等.基于耕地质量综合评价的县域基本农田空间布局［J］ . 农业工程学报，2014，30（1）：200 - 210.

［4］唐秀美，潘瑜春，刘玉，等.基于四象限法的县域高标准基本农田建设布局与模式［J］ . 农业工程学报，2014，30（13）：238 - 246.

［5］薛剑，韩娟，张凤荣，等.高标准基本农田建设评价模型的构建及建设时序的确定［J］ . 农业工程学报，2014，30（5）：193 - 203.

［6］王洪波，程锋，张中帆，等.中国耕地等别分异特性及其对耕地保护的影响［J］ . 农业工程学报，2011，7（11）：1 - 8.

［7］张英，潘瑜春，曾志炫，等.基于农用地分等定级的耕地入选基本农田评价比较分析［J］ . 中国土地科学，2013，26（3）：29 - 33.

［8］张景路，李钊，张永福，等.基于农用地分等成果的基本农田划定方法研究［J］ . 国土与自然资源研究，2014，（1）：25 - 26.

［9］张雷娜，刘晓燕.农用地分等定级成果在基本农田保护中的应用研究［J］ . 地域研究与开发，2007，26（4）：87 - 88.

［10］郭姿含，杨永侠.基于GIS的耕地连片性分析方法与系统实现［J］ . 地理与地理信息科学，2010，26（3）：59 - 62.

［11］刘世梁，杨珏婕，安晨，等.基于景观连接度的土地整理生态效应评价［J］ .生态学杂志，2012，（3）：689 - 695.

［12］Hamilton G.S，Mather P.B，Wilson J.C. Habitat heterogeneity influences connectivity in a spatially structured pest population［J］ . Journal of Applied Ecology，2006，43（2）：219 - 226.

［13］Garc ía-Feced C，Saura S，Elena-Rossell ó S R. Improving landscape connectivity in forest districts： a two-stage process for prioritizing agricultural patches for reforestation ［J］ . Forest Ecology and Management， 2011， 261（1）：154 - 161.

［14］陈杰，梁国付，丁圣彦.基于景观连接度的森林景观恢复研究——以巩义市为例［J］ .生态学报，2012，32（12）：3773 - 3781.

［15］Awade M，Metzger J P. Using gap-crossing capacity to evaluate functional connectivity of two Atlantic rainforest birds and their response to fragmentation ［J］ . Austral Ecology，2008，33（7）：863 - 871.

［16］杨天翔，张韦倩，樊正球，等.基于鸟类边缘种行为的景观连接度研究——空间句法的反规划应用［J］ . 生态学报，2013，33（16）：5035 - 5046.

［17］欧维新，袁薇锦.基于景观连接度的盐城滨海湿地丹顶鹤生境斑块重要性评价［J］ . 资源科学，2015，37（4）：823 - 830.

［18］Saura S，Pascual-Hortal L I A. A new habitat availability index to integrate connectivity in landscape conservation planning：Comparison with existing indices and application to a case study［J］ .Landscape and Urban Planning， 2007， 83（2）：91 - 103.

［19］陈利顶，傅伯杰.景观连接度的生态学意义及其应用［J］ . 生态学杂志，1996，（4）：37 - 42.

［20］符海月，李满春，赵军，等.人口数据格网化模型研究进展综述［J］ . 人文地理，2006，（3）：115 - 119.

［21］叶靖，杨小唤，江东.乡镇级人口统计数据空间化的格网尺度效应分析——以义乌市为例［J］ .地球信息科学，2010，12（1）：40 - 47.

［22］贾艳红.基于格网GIS的生态安全评价研究［D］ . 兰州：西北师范大学，2005.

［23］祖鹏蕾，翟亮，张继贤，等.威海市格网化自然生态环境评价［J］ . 测绘科学，2013，38（4）：49 - 51.

［24］谢正辉，刘谦，袁飞，等.基于全国50km×50km网格的大尺度陆面水文模型框架［J］ . 水利学报，2004，（5）：78 - 81.

［25］白燕，廖顺宝.矢量数据属性信息无损栅格化的实现方法——以全国1：25万土地覆被数据为例［J］ . 地球信息科学学报，2010，12（3）：385 - 391.

［26］梁艳平，钟耳顺，朱建军.城市人口分布的空间相关性分析［J］ .工程勘察，2003，（4）：48 - 50.

［27］王培震，石培基，魏伟，等.基于空间自相关特征的人口密度格网尺度效应与空间化研究——以石羊河流域为例［J］ . 地球科学进展，2012，27（12）：1363 - 1372.

［28］乔荣锋，高进云，毕芳英.空间相关性对耕地保护决策的影响研究——以天津市宁河县大北涧沽镇为例［J］ . 华中农业大学学报（社会科学版），2013，（1）：59 - 64.

［29］吴国伟，谢金法，郭志强.基于Sobel算子的车辆轮廓边缘检测算法［J］ . 河南科技大学学报（自然科学版），2009，30（6）：38 - 41.

［30］张旭明，徐滨士，董世运.用于图像处理的自适应中值滤波［J］ . 计算机辅助设计与图形学学报，2005，17（2）：295 - 299.

［31］周姗姗，柴金广.图像预处理的滤波算法研究［J］ . 科学技术与工程，2009，9（13）：3830 - 3832.

（本文责编：陈美景）

Extraction of Concentrated Prime Farmland based on Grid within the Scale of County

JING Yao-dong， BI Ru-tian， ZHOU Shu-qin， SHI Guang
（College of Resource and Environment， ShanXi Agricultural University， Taigu 030801， China）

The aim of this paper is to propose a spatial grid-based fuzzy texture index extraction method applied to obtain the spatial distribution characteristics， retrieval concentrated contiguous information of prime farmland quickly and accurately. The lossless grid computing program for attribute information of prime farmland was developed on the SuperMap Objects platform. Four different spatial grid of 100×100 m， 200×200 m， 400×400 m， 800×800 m were designed and their spatial autocorrelation were analyzed. Based on spatial filtering algorithm， spatial density distribution characteristics of the prime farmland of Zezhou county in Shanxi province were analyzed， and a fuzzy texture index algorithm was also developed based on the classification， gradation and valuation of agricultural land of Zezhou county. Results show that： 1）Grid-based prime farmland can form continuous spatial density surface. This method enriches the spatial data presentation of the prime farmland and is beneficial to analyze the spatial data； 2）the concentrated contiguous index based on fuzzy texture index extraction method can be employed as a quantitative expression of spatial data. Concentrated regions of prime farmlandcan be extracted quickly using fuzzy texture index extraction method combined with the spatial density distribution characteristics. This paper has established a novel method for spatial distribution information extraction of prime farmland，which supports a theoretical reference for further protection， layout optimization of the prime farmland.

land information； prime farmland； grid transformation； fuzzy texture index； centralize and connectivity

F301.2，S282

A

1001-8158（2015）10-0057-08

10.11994/zgtdkx.2015.10.008

2015-04-17

2015-07-12

国土资源部公益性行业项目“北方村庄压煤山丘区土地综合整治技术研究”（201411007）。

荆耀栋（1980-），男，山西阳泉人，博士研究生。主要研究方向为土地信息技术。E-mail： jydyyzsq@163.com

毕如田（1963-），男，山西阳泉人，博士生导师。主要研究方向为3S技术及应用、资源环境信息技术。E-mail： brt@sxau.edu.cn