不同撂荒耕地类型空间格局及影响因素研究——以德阳市中江县为例

冯茂秋，潘洪义*，朱 芳，房力川

(1.四川师范大学西南土地资源评价与监测教育部重点实验室，四川 成都 610066；2.四川师范大学地理与资源科学学院，四川 成都 610066)

【研究意义】近年随着社会经济转型和城乡发展快速推进，全球性范围内耕地撂荒现象逐渐凸显，深刻改变了农村地区土地景观[1]，其中山区丘陵地尤为显著。丘陵区和高原区占我国国土面积的2/3，坡耕地面积较大，存在着大量的耕地撂荒现象[2]，探讨撂荒耕地空间分布特征及影响因素，对促进丘陵山区土地资源可持续利用，保证粮食供应稳定具有重要作用。【前人研究进展】现今，实地调查和遥感影像解译是获取撂荒耕地的主要途径[1]。诸多研究从不同尺度、不同类型农户、不同背景角度对丘陵山区撂荒地影响因素进行定性研究[3-12]，从农户角度建立模型对撂荒行为模拟[13-14]，最终表明实地调查能够在撂荒机理上进行充分解释，但调查范围和数据获取存在一定局限。遥感影像获取撂荒耕地信息能突破研究范围的局限，是深入研究撂荒信息的又一重大途径[15]。近年来，欧洲学者对中欧地区撂荒地提取结果显示，大范围山地丘陵区解译精度较低[16]；国内学者近年来不断探索精确撂荒地提取的方法，包括耕地图层叠加[14,16-17]以及遥感调查等[18-19]，都集中于小尺度范围的提取，同时对季节性撂荒和常年性撂荒进行分别研究的较为少见，分别对其驱动力影响程度揭示的更为少见。【本研究切入点】本文选取时序性的高清遥感影像进行目视解译，结合景观格局指数分析其空间格局特征，借助GIS空间分析和二元logistic模型定量分析撂荒地驱动因素。【拟解决的关键问题】中江县作为传统农业大县，拥有山区、丘陵地形广泛分布的自然条件，对解释耕地撂荒多尺度影响因素存有较高的研究价值，同时可为全省范围内研究丘陵山地区耕地撂荒提供参考案例。

1 研究区概况

中江县位于四川盆地西北部(104.4°～105.3°E，30.5°～31.3°N),是川中丘陵地区的农业大县，全县面积2063 km2，下辖45个乡镇。地势西北高东南低，绝大部分为丘陵，其余为低山、平坝区。2015年，全县总人口143.1万人，其中农业人口12.40万人，占总人口约86.7 %。耕地面积1229 km2，占全县总面积59.57 %。由于近年来农村劳动力大量转移，研究区部分耕地存在传统种植制度改变，每年种植一季，部分耕地出现常年闲置现象，各时间撂荒情况差异显著。鉴于此，本研究针对典型地形组合区的不同撂荒时间的耕地展开研究(图1)。

2 数据来源方法

2.1 数据来源与处理

研究区域以空间分辨率1.02 m高清影像为数据源，结合实地走访，选取不同耕作时节的高清遥感影像，通过两期遥感影像对比提取撂荒数据。DEM以及由此衍生的坡度、高程数据源于地理空间数据云。居民点、耕地斑块、坑塘源于2010年土地利用现状数据。

依据目前文献，按撂荒时间的长短将撂荒耕地划分为常年性撂荒与季节性撂荒[14]。常年性撂荒一般指耕地被撂荒时间至少为1年，季节性撂荒通常只出现在一年中的某个季节。本文将提取的撂荒地的信息与耕地图斑叠加，并结合实地调查，最终得到研究区域季节性撂荒和常年性撂荒耕地的空间分布(图2)。影像拍摄时间为2016年5月11日、2015年1月25日、2013年3月24日、2014年12月25日。 由于研究对象针对山地丘陵区及影像获取时间的限制，因此研究主要区域为西北部和中部的30个乡镇。

2.2 研究方法

2.2.1 撂荒耕地空间分布格局分析 根据撂荒耕地斑块的特征，结合研究区域实际选取斑块数(NP)、斑块面积(CA)、斑块平均面积(MPS)、斑块密度(PD)、平均斑块形状指数(MSI)等指标进行评价。

图1 研究区位置图Fig.1 Location map of the study area

2.2.2 撂荒耕地影响因素分析 ①地形位指数。该指数能够综合的反映高程和坡度的特征[20]。

(1)

(2)

式中,pb=P{yi=1∣x1i,x2i,...;xki}表示在给定的自变量x1b,x2b...,xkb；a0为截距，Xkb为解释变量，βkb为变量的回归系数。其中发生事件的概率表达式如下：

(3)

本研究回归测算通过SPSS统计软件完成。该Logistic回归模型预测能力通过最大似然估计的表格来评价，包括回归系数、以及其估计的标准差、估计的 Waldχ2统计量。Wald χ2统计量表示模型中对应的解释变量对事件发生比率预测的贡献程度，值越大，贡献力越强。模型是否有效地描述反应变量及模型配准观测数据的程度，需要进行模型的评价。鉴于自变量存在连续型变量和分类变量，本文选用广为接受的拟合优度指标HL来进行撂荒耕地影响因素的Logistic回归模型拟合优度检验[21]。当HL指标统计不显著表示模型拟合较好。HL指标是一种类似于皮尔逊 χ2统计量的指标，其公式如下：

(4)

式中,G代表事件预测组数，且G≤10;ng为第g组中的案例数；yg第g组事件的观测数量,pgi为第g组的发生事件预测概率值；ngpgi为该事件的预测总数。

根据以往研究，耕地撂荒与否、撂荒程度以及撂荒地的空间分布受到地形条件、劳动力因素、农业生产条件等多方自然因素影响[1]，结合研究区域的特征，本文选取撂荒面积、居民点密度、地形指数、灌溉条件、撂荒耕地类型共5方面对中江县30个乡镇的季节性耕地撂荒的影响因素进行Logistic回归分析(图2)。

3 结果与分析

3.1 撂荒耕地数量结构分析

对比发现，研究区域撂荒地总面积为557.54 hm2，其中季节性撂荒面积占61.09 %，远超过常年性撂荒面积比例。说明该研究区撂荒普遍表现为季节性撂荒，常年性撂荒地面积较少。

从类型看，旱地的撂荒占96.14 %，水田的撂荒只占较小比例。由于研究区域地势起伏变化较明显，水热条件好的地区集中分布的水田和水浇地，水田距离坑塘等较近，灌溉条件优，减小耕作难度，撂荒少。其中旱地的撂荒多于水田，原因是旱地分布位置的灌溉和耕作条件复杂，普遍分布在山地丘陵区的坡度较大的地方，空间分散，耕作难度较大，不利于集中耕种(表1)。

图2 研究区季节性撂荒、常年性撂荒耕地空间分布Fig.2 Study area of farming season, the spatial distribution of abandoned farmland

季节性撂荒常年性撂荒占撂荒总面积比例(%)旱地占比(%)水田占比(%)占撂荒总面积比例(%)旱地占比(%)水田占比(%)61.0996.143.8638.9197.112.89

表2 不同类型撂荒地斑块面积统计表

从面积看，季节性撂荒和常年性撂荒地集中分布在0～0.5 hm2之间，其中季节性占总比重的62.81 %，常年性占总比重的30.88 %；而面积超过0.5 hm2的撂荒地面积和斑块数明显大幅减少，表明耕地斑块的面积越小，越易被常年撂荒(表2)。

3.2 撂荒耕地景观格局分析

综合分析NP、MPS、MedPS指数可见，季节性撂荒分布范围广，多为分散的较小面积的地块；常年性撂荒地分布上较为集中，且多为面积较大的地块。

从MSI和AWMSI指数比较看，季节性撂荒地形状简单、规则，空间上分散分布，常年性撂荒地形状较复杂，集中度较高，增加耕作难度，因此能自觉被选择常年性撂荒。综合分析两者ED、MPFD、AWMPED指数，明显可见季节性撂荒地易受周围用地类型的影响，所以季节性变化明显，撂荒时间表现为季节性；而对于常年性撂荒地由于面积大形状较复杂难以进行改变或改变形式单一，撂荒的可能性更高，时间更长(表3)。

表3 撂荒耕地景观格局指数

表4 撂荒耕地地形指数

表5 距灌溉设施不同距离撂荒耕地分布

3.3 耕地撂荒的影响因素分析

3.3.1 基于DEM的地形位指数计算 由表4显示，依据研究区概况和指数值特征，将地形指数分为0.5～1、1～1.5、1.5以上共3类[22]。明显看到撂荒地在地形指数值为 1以上的区间内优势分布，海拔高、坡度大的地块撂荒性更大。无论撂荒时间长短，存在大量中间形组合状态的撂荒地，即这类地所在位置高程高坡度小、或者高程低坡度大，两者结合之后呈现的地形指数在平均值之间波动，但也会由于其中的高程或坡度的条件限制影响到耕作的便利度，进而导致耕地撂荒斑块的面积较大。因此，研究区季节性和常年性撂荒地都集中分布在地形指数较高的区域。

3.3.2 撂荒耕地的灌溉条件分析 区域灌溉条件的优劣直接影响到耕地质量的高低，进而影响农作物产量。由表5显示，对研究区范围内坑塘设定50、100、150 m的缓冲区[20]，将撂荒地块图层和缓冲区叠加运算，得到不同灌溉距离下的撂荒斑块个数和撂荒面积。结果表明：研究区撂荒地的总体灌溉条件较差，季节性撂荒地60 %分布在距离坑塘50～150 m范围内；而常年性撂荒地近60 %分布在大于150 m更远、灌溉条件更恶劣的区域。

3.3.3 撂荒耕地的耕作劳动力条件分析 本文以居民点密度为依据，利用核密度分析法对居民点密度进行空间演示。总体而言，居民点密度越低，撂荒地分布越多；居民点密度高的地区，撂荒地分布较少。常年性撂荒地集中分布在居民点密度的低值区，密度越大，常年性撂荒分布越少。随着密度减小，季节性撂荒地分布增多。而密度值处于最低值区，季节性和常年性撂荒地分布都较少(图3)。

3.4 撂荒影响因素的定量分析

3.4.1 共线性检验 本文利用Pearson相关系数检验自变量之间是否具有多重共线性。通过方差膨胀因子(VIF)来判定共线性的强度，方差膨胀因子值越大，共线性越强。通过诊断，所有变量之间的相关系数绝对值均低于临界值0.8[21]。故不存在共线性的问题。3.4.2 二元logistic回归结果分析。 在回归模型中，季节性和常年性撂荒地回归模型拟合程度较好，模型回归正确率为62.7 %。结果显示，HL指标为11.272，P值为0.187。统计检验结果不显著，即模型很好拟合了数据。根据Wald χ2统计量显示，影响季节性和常年性撂荒地的因素依次为斑块面积、地形指数和灌溉距离。其中斑块面积的影响最明显，显著性水平达到1 %，Wald χ2统计量最高为32.121，表明斑块面积越小，季节性撂荒地机率越高；相反斑块面积越大，常年性撂荒机率越高；一方面由于地处丘陵山地区，机械化水平低，难以进行成片耕种被闲置；另由于居民点密度等的影响加剧撂荒；因此，斑块面积越大，撂荒时间持续更久，进而形成常年性撂荒(表6)。

图3 居民点密度与撂荒耕地关系Fig.3 Relation between the density of residential area and abandoned farmland

变量/指标参数估计(B)标准误差(SE)Wald χ2Exp(B) Sig.斑块面积-1.611***0.28432.1210.2000.000地形指数-0.416***0.08324.8330.6600.000居民点密度0.1500.1610.8671.1610.352耕地类型0.1250.1071.3561.1330.244灌溉距离(50～100 m)-0.676*0.4801.9830.5090.073灌溉距离(100～150 m)-0.2110.1981.1360.8100.286灌溉距离(150～200 m)0.1610.1251.6621.1750.197灌溉距离(200 m以上)-0.0770.101.5930.9250.197常量1.1730.110112.8483.2320.000

注：***、* 分别表示在1 %、10 %的显著性水平上检验显著；B为参数估计值。

Note: ***，* represent the significant difference at 0.01 level or 0.1 level; B: Parameter estimate.

其次影响显著的因素为地形指数，1 %水平上显著，Wald χ2统计量为24.833表明地形指数越小，季节性撂荒较多；相反，地形指数越大，常年性撂荒分布越多，即海拔高、坡度大，耕种难度增加，常年性撂荒机率越高。地形指数越低，季节性撂荒机率越高；这些地区由于作物生长的季节选取投入成本较小、收益较高或者经验性的作物进行耕种，或通过休耕利于土壤养分的积累和防止有机质流失，且斑块分散，最终形成季节性撂荒。同时，地形指数较高地区旱地分布集中，水田分布较少。因此，地形指数是影响撂荒地形成的重要因素。

灌溉距离在0～50 m之间对撂荒地分布的影响比较明显，10 %水平上显著，此类地区季节性撂荒分布远多于常年性撂荒地的分布。说明灌溉条件的远近较明显能够影响到不同时间的撂荒地分布;相反，距离越远，常年性撂荒分布就越多。

经测算，居民点密度近似替代的耕地劳动力条件未通过显著性检验，但在实地调查中发现由于近年来城市化过程中，吸引大量农村劳动力转移至城市，耕作劳动力对撂荒耕地的形成仍存有重要作用。

4 结 论

(1)研究区季节性撂荒面积占总撂荒面积61.9 %，常年性撂荒占少数。从类型看，旱地撂荒率大于水田撂荒率。

(2)撂荒耕地空间分布特征一定程度上能解释撂荒原因。综合MSI、MPS、AWMPFD等可知，形状复杂、面积小、空间上分散的地块易形成季节性撂荒；常年性撂荒地分布上较为集中，且多为面积较大地块。斑块面积越大，越易形成常年性撂荒；反之越易形成季节性撂荒。

(3)农业生产条件是影响撂荒耕地的重要因素，各因素的影响程度各异。本文通过建立二元logistic回归模型，较好的揭示了影响撂荒耕地的因素。研究区季节性撂荒地和常年性撂荒地驱动因素呈现不同的特征。影响撂荒的自然因素依次为斑块面积、地形指数和灌溉距离。以上3项因素均对季节性撂荒存在负向影响，而与常年性撂荒存在显著正相关。

5 讨 论

耕地撂荒现象背后包含着各种原因，与所处区域的自然条件、经济发展等密不可分。本文从农业生产条件多方面解释丘陵山地区的撂荒耕地特征，反映撂荒时间不同所呈现影响因素差异。但由于遥感影像获取受到时间限制，季节性撂荒数据总量还需加以丰富，以便更好解释撂荒原因。同时本文采用居民点密度来近似表征农业劳动力条件，未发现有显著联系，与实际调查情况大部分地区的撂荒主要是由于外出务工的影响稍有偏颇，应进一步采用精确指标进行探讨。