撂荒地监测方法与生态影响述评

杨通 ，郭旭东，于潇 ，韩圣其，刘智丽

1.中国国土勘测规划院/自然资源部土地利用重点实验室，北京 100035；2.中国科学院空天信息创新研究院，北京 100094；3.北京林业大学精准林业北京市重点实验室，北京 100083

由于全球人口增长及人均粮食消费水平增加，耕地变化作为全球环境变化的重要组成部分，已经不可逆转的接近地球资源承载力的极限（Valin et al.，2014）。联合国粮农组织FAO（Food and Agriculture Organization）估计，2016年全球共有8.15亿人受饥饿影响，其中亚洲受饥人口约为5.2亿人，占世界总人口的7%；2017—2018年度，全球谷物库存消费比为27.3%，超过了18%的警戒水平，粮食供需处于紧平衡状态，区域不平衡特征十分明显。根据联合国《世界人口展望：2017年修订本》预测，世界人口总数将于2050年突破98亿（2017年为76亿），新增长的22亿人口将会对粮食安全形成巨大挑战。在此背景下的耕地撂荒问题已逐渐引起各国政府和学者的重视。中国以占世界7%的耕地养活占世界18%的人口，研究撂荒地的监测方法和生态影响尤为重要和紧迫。

欧盟环境政策研究所IEEP（Institute for European Environmental Policy）对撂荒地的定义是“主要植被为自然植被的耕地”，并将撂荒地分为3种类型：（1）完全撂荒，即完全放弃管理的耕地，地表覆被自然恢复为森林生态系统或草原生态系统；（2）半撂荒，即管理水平很低但尚未正式放弃的耕地，此类耕地经济产出通常为0或极低，但可以支持其他收益方式，例如狩猎、旅游和自然景观保护等；（3）过渡撂荒，即土地用途变更或土地利用类型发生变化的耕地，例如退耕还林、设施占地等（Keenleyside et al.，2010）。综合来看，撂荒地不仅关乎粮食安全与产能提升，同时也会对生态环境产生深远影响，例如通过植物群落恢复的方式改善土壤条件、水文条件、增加碳汇、丰富生物与景观多样性等。中国的耕地保护战略也从上世纪90年代的保障耕地总量平衡，逐渐发展为近10年生态文明理念下的“数量、质量、生态”并重（谭少军等，2018）。在全球气候变暖与物种大灭绝的背景下，生态安全与粮食安全同等重要，如何科学权衡生态安全、粮食安全和经济社会发展之间的关系是当前中国撂荒地治理必须面对的问题。

撂荒地的精准监测是该领域深入研究的基石，撂荒地的生态影响是科学决策、合理确定耕地撂荒治理方式的依据。目前撂荒地监测方法研究仍然面临许多困难，例如易混地类的区分（裸地、草地、耕地、灌木）、非耕地变化噪声的干扰、数据时空分辨率的不足、云层和地形的干扰等。撂荒地的生态影响则较易被学术界忽视，且不同研究间的争议较大，争议的焦点主要在于耕地撂荒后生物多样性的增加或减少（Doxa et al.，2010；Johannes et al.，2018）、景观的破坏与重建等（Bignal，1996；Pereira et al.，2012）。本文旨在梳理总结国内外相关研究，述评各种监测方法优缺点及撂荒地多维生态影响，期望为中国撂荒地精准监测及科学管理提供参考。

1 撂荒地监测方法述评

现阶段撂荒地监测方法主要分为2种类型：（1）遥感图像分类方法，如目视解译（Keenleyside et al.，2010；张碧蓉等，2018）、监督分类（Landsberg et al.，2006；Hirotsugu et al.，2009）、决策树分类（肖国峰等，2018；Grădinaru et al.，2019）、面向对象分类（Stefanski et al.，2014；Noryusdiana et al.，2015）、集成方法分类等（Abdullah et al.，2015；Fabian，2015）；（2）变化检测方法，如直接变化检测（Witmer，2008）、分类后变化检测（Kuemmerle et al.，2008）、植被指数变化检测（程维芳等，2011；杨通等，2019）、非遥感数据（主要为GIS数据）的变化检测等（马玲玲，2010；史铁丑，2015）。国内外较具代表性的撂荒地监测方法研究及撂荒情况见表1。

1.1 基于图像分类的方法

1.1.1 目视解译

目视解译分类法应用于瑞典南部（Gellrich et al.，2007）、瑞士ASCH土地调查（Gellrich et al.，2007）及欧盟CLC土地调查（Keenleyside et al.，2010），数据源多采用Landsat数据，撂荒地解译精度均在80%以上，容易错分的地类主要为撂荒地与灌木、草地、半自然林地等。一些学者认为，当遥感影像分辨率较高时，选择目视解译方法提取撂荒地较为合理（张碧蓉等，2018）。目视解译虽然具有操作简单、精度较高的优点，但同时也较易受技术人员的主观影响，且自动化程度较低，在处理海量数据时需要投入大量人力和时间。

1.1.2 监督分类

监督分类法应用于前南斯拉夫波斯尼亚地区（Witmer，2008）、日本东京及福冈县（Hirotsugu et al.，2009）、立陶宛（Prishchepov，2012），数据源均采用Landsat TM数据，分类精度介于78.9%—90%。有学者认为采用监督分类方法、使用高分辨率影像和缩小研究区面积可以有效提高撂荒地的监测精度（Landsberg et al.，2006）。在立陶宛的研究证明，使用多时相数据的监督分类精度远高于使用单一时相，且数据时相应包含春、夏、秋3个时期，利用作物播种前和收割后的地表纹理特征作为区分耕地和草地的主要依据（Prishchepov，2012）。监督分类可以充分利用先验知识，通过学习样本特征提高分类精度并避免出现分类粗差。该方法简单易行，同时适用于高分辨率遥感数据和中低分辨率遥感数据，因此得以广泛地应用于撂荒地监测。其缺点是样本选择具有很大的主观性，难以区分光谱特征相似的地类。

1.1.3 决策树分类

决策树分类法应用于罗马尼亚的布加勒斯特（Grădinaru et al.，2019），中国山东省庆云县和无棣县（肖国峰等，2018），数据源为多时相Landsat数据和HJ1A数据，分类精度介于80%—85%。在中国山东的研究不仅提取了撂荒地分布范围，同时还对撂荒地复垦范围进行了区分，但没有进一步区分盐荒地和生态退耕区域。在罗马尼亚的研究指出，与无人机摄影测量和野外作业相比，采用遥感分类方法可以减少近一半的时间和劳动力成本（Grădinaru et al.，2019）。决策树分类方法的优点是逻辑性、可解释性强，可以借助多种辅助信息解决光谱差异较小的分类问题（陈云等，2008）。其缺点是下级分类精度建立在上级分类精度基础上，分类误差会自上而下传导和累积。

1.1.4 面向对象分类

面向对象分类法应用于乌克兰（Stefanski et al.，2014）、马来西亚（Noryusdiana et al.，2015），数据源为Landsat和ERS-SAR数据，分类精度介于83.3%—97.4%。在乌克兰的研究应用了主被动遥感数据协同的方法，弥补了云层覆盖导致的多光谱数据缺失值，观测精度提高至97.4%（Stefanski et al.，2014）。在马来西亚的研究指出，区分撂荒地至少需要3个季节的观测数据（Noryusdiana et al.，2015）。面向对象分类方法不仅依据撂荒地的光谱信息和纹理信息，同时加入了对几何信息的考量，通过制定多种规则用于约束目标地类，在撂荒地遥感监测中具有一定优势。其缺点是图像分割阈值不易选取，约束规则过多时较易形成超定问题。

1.1.5 集成方法分类

集成方法分类是指将2种以上异质性较高的分类方法相融合，该方法应用于日本竹山市（Abdullah et al.，2015）、哈萨克斯坦的克孜奥尔达（Fabian，2015）。在日本竹山市的研究利用野外实测LAI与NDVI构建回归模型，借助LAI分布初步圈定耕地范围，再结合Quickbird影像，使用ISODATA方法将农田分为4个标准类（水稻、谷物、温室大棚、撂荒地），分类准确率达到94%（Abdullah et al.，2015）。在哈萨克斯坦的研究联合使用Landsat（30 m）及RapidEye（6.5 m）数据，分类策略采用随机森林（RF）和支持向量机（SVM），最终的分类精度高达97%。该研究指出联合使用2种方法的分类精度要显著高于只使用单一方法（Fabian et al.，2015）。集成方法分类同时具有多种分类方法的长处，一方面增加了约束条件，另一方面将各方法的单独输出结果视作随机变量，融合输出结果视作加权平均值，提高了总体分类精度和容错率，在撂荒地的精准识别上具有较大潜力。

表1 各国撂荒地的监测方法与研究现状Table 1 Monitoring methods and research status of AAL in various countries

1.2 基于变化检测的方法

1.2.1 直接变化检测

Witmer利用Landsat TM影像的近红外波段直接变化检测方法，提取前南斯拉夫波斯尼亚地区1992年秋季至2005年秋季因战争导致的撂荒地，提取结果不甚理想。在未受战火波及的地区，一些大而均匀的变化是由于不同年份间的收割日期差异造成的。在交火地区，一些已知的撂荒地却没有提取出来。此外，河岸地区经常发生洪水等与水通量有关的快速变化，降低信噪比，类似的与农业无关的变化噪声大量存在（Witmer，2008）。直接变化检测信噪比低，可能不适合用于监测撂荒地。

1.2.2 分类后变化检测

Kuemmerle利用多时相Landsat TM/ETM数据监测了喀尔巴千山脉的农田变化，采用支持向量机法进行分类后变化检测，研究发现在波兰、斯洛伐克和乌克兰相交地带共有1 285 km2撂荒地，其中12.5%转化为林地，该研究的分类总体精度为90.9%（Kuemmerle et al.，2008）。分类后变化检测方法可以削弱大气、传感器、季节和地面环境等因素对不同时相图像的影响，然而这种方法的关键是图像分类的精度，变化检测精度等于不同时相分类结果精度的累积，由于图像分类本身存在误差，因此会导致变化检测结果的精度损失以及结果的不确定性（张凤玉，2010）。

1.2.3 植被指数变化检测

有学者以中国广东省惠东县、海丰县和陆丰县为研究区，采用MODIS NDVI产品，将不同土地利用类型的NDVI时间序列曲线与植被类型的生长周期特征进行比对，识别撂荒地的准确率达到90%（程维芳等，2011）。还有学者采用多源遥感数据（高分一号、高分二号、资源三号、哨兵二号），集成年际检测和年内检测方法对内蒙古和林格尔县撂荒地进行提取，提取精度达到97.6%（杨通等，2019）。植被指数变化检测可以识别农作物与自然植被的长势差异，压制大气噪声和环境噪声，对数据时间分辨率要求较低，数据冗余度低、方法容错率高。

1.2.4 GIS数据变化检测

GIS数据变化检测主要是利用不同时期的已有资料，如土地利用图、地形图等，通过叠加分析提取出发生变化的区域。马玲玲（2010）对内蒙古自治区和林格尔县的撂荒地进行研究，利用土地利用图的耕地图层与荒草地图层进行叠加处理提取撂荒耕地，得出1996—2009年和林格尔县的撂荒率为3.2%。史铁丑（2015）以2002年的1꞉1万地形图与2011年的土地利用现状图作耕地图斑叠加分析，提取退出的耕地作为撂荒地，将结果与Google Earth影像作对比验证，精度达到85.3%。使用已有GIS数据进行变化检测提取撂荒地的方法简单易行，但结果精度依赖于源数据的制图精度；且撂荒地在土地利用数据库中有不同的表述：放弃土地所有权的表述为草地或林地、未放弃土地所有权的表述为耕地，这2种情形不能一概而论。

2 撂荒地生态影响述评

国际上对撂荒地的生态影响争议较大，争议焦点在于生态环境变化趋势是向好抑或向差，这2种相反观点均有大量的研究支持（Russo，2006；Pereira et al.，2012；Robledano-Aymerich et al.，2014）。事实上撂荒地的生态变化趋势是复杂、双向、非线性、地带性的。生态区位较好、土壤侵蚀较小的撂荒地植被自然恢复能力较强，生态系统逐步向好演替；生态区位较差、土壤侵蚀严重的撂荒地，植被自然恢复速率低于土地退化速率，生态系统逐步恶化乃至崩解。目前，撂荒地的生态影响研究主要集中在植物群落恢复（王星等，2012）、土壤侵蚀与恢复（Robledano-Aymerich et al.，2014；Jesús et al.，2018）、碳贮存功能（Houghton et al.，1999）、野外火灾（Benayas et al.，2007；Romero-Calcerrada，2004）、生物与景观多样性（Bignal，1996；Laiolo et al.，2004）等方面。

2.1 植物群落恢复

撂荒地的植物群落恢复能力受其所处的生物气候地带影响，分布于不同生物气候地带的撂荒地，其植物群落恢复能力具有不同特征，即使在同一自然地带，植物群落恢复功能因受微气候和微自然生态影响，其恢复效果也不尽相同（夏会娟等，2014）。西班牙东伊比利亚地区从20世纪50年代起出现大量撂荒地，50年间林地面积从10.1%增加到37%，灌木林面积从42%增加到60%（Arnaez et al.，2011）。Romero-Díaz et al.（2017）认为撂荒地的植被自然演替较慢，应以人工干预的方式主动恢复植被覆盖。在干旱半干旱生态环境脆弱地区，基于水土流失、风蚀沙化等自然因素形成的撂荒地，其生境演替具有正向和逆向2种可能性：在多数年降水量大于300 mm的地区，撂荒地植物群落多样性逐年增加，群落组成由一年生植物发展到多年生植物；在水土流失、土地沙化、盐碱化严重地区，撂荒地植被难以恢复甚至退化（李永强等，2016）。

2.2 土壤侵蚀与恢复

土壤侵蚀和土壤恢复是决定撂荒地生态变化趋势的主要因素（Romero-Díaz et al.，2017）。一般认为土壤母质、土壤表面粗糙度、土壤表面坡度决定了降雨渗透速率和冲刷速率，进而决定了土壤侵蚀速率（Cerdà，1997；Koulouri et al.，2007）。陡坡开垦极易诱发土壤侵蚀，《中华人民共和国水土保持法》第20条规定：“禁止在25°以上陡坡地开垦种植农作物。在25°以上陡坡地种植经济林的，应当科学选择树种，合理确定规模，采取水土保持措施，防止造成水土流失。”《退耕还林条例》也规定，25°以上非基本农田应退耕还林。前人研究认为，不合理的耕作方式会降低土壤养分并恶化微生态环境（张向前等，2019），坡耕年份越长则土壤侵蚀模数越高，撂荒年份越久则土壤侵蚀模数越低。撂荒初期的土壤密度增加，表面结壳发育，伴随地表水流的发生进一步导致土壤侵蚀率增高（Robledano et al.，2014）；撂荒后期植被恢复程度较高，可减缓降雨影响、降低地表冲刷速度并提高入渗速率，从而降低土壤侵蚀程度（Jesús et al.，2018）。因此，撂荒年限与土壤侵蚀呈非线性关系，撂荒初期表现为土壤侵蚀，在撂荒后期表现为土壤恢复（吴祥云等，2007）。

在干旱半干旱地区，土壤侵蚀的主要营力是水力和风力，影响土壤侵蚀速率的先导因子是植被盖度。在耕地撂荒的第一年，由于前期的耕作措施，地表覆被多为稀疏的一年生草本植物，植被盖度极低，遥感影像与之对应的光谱特征近似裸地。由于干旱区降雨稀少减缓了植被恢复速率，地形起伏又会诱发水土流失从而加剧土壤侵蚀强度。当宜耕土壤及有机质组分流失殆尽后，植被恢复更加困难，土地退化加剧，土壤恢复速率远低于侵蚀速率，形成恶性循环直至丧失农业价值和生态价值。因此在干旱半干旱地区有必要在撂荒前期进行人为干预，帮助植被恢复并诱导生态系统持续向好发展。

2.3 碳贮存功能

伴随撂荒年限的增加，撂荒地的植被盖度和生物量通常会逐年增加，促进大气CO2向土壤贮存。当撂荒地植物群落演替为乔木林时，乔木的茎、叶、根系均为碳贮存的良好媒介，并通过落叶将大量有机碳贮存在土壤中（Williams et al.，2012）。相比定期收割的农作物，森林具有更强的碳贮存能力。

在20世纪80年代，由美国撂荒地森林再生长而产生的固碳量抵消了美国化学燃料排放量的10%—30%。前苏联解体导致东欧各国大量耕地撂荒，虽然只有一小部分撂荒地恢复了森林覆盖，仍然使乌克兰西部地区的土地碳贮存通量增加至每年1.5 Tg（Olofsson et al.，2010），说明撂荒地的碳贮存潜力是巨大的。与撂荒地植物群落自然演替相比，积极造林可能产生更高的碳贮存率，因为撂荒地自然演替产生的次生林可能是生物量较小、演替周期较长的灌木林（Sombroek et al.，2001）。祁连山地区退耕还草8年后的草地，其碳贮存量较附近种植耕地显著增加（张蕊等，2014）；西澳大利亚地区在撂荒地上种植的桉树林，其固碳量较相邻农田增加了42—94 mg·hm-2（Harper et al.，2012）。

2.4 野外火灾

撂荒地客观上会增加野外火灾发生概率（Romero-Calcerrada et al.，2004；Rollins，2009），相较农田系统，撂荒地既没有灌溉措施也不定期收割，在防火期内堆积了大量落叶和枯草等可燃物。在葡萄牙北部Minho地区生长高大灌木和森林的撂荒地，其景观水平上的单位燃料负荷增加了20%—40%（Moreira et al.，2001）。可燃物的堆积不但会诱发火灾，还会扩大火灾的规模和传播速度，美国2000年至2006年间共发生164起荒地火灾致死事件（Rollins，2009）。撂荒地在短期内趋向于同质化（spatial simplification），长期则趋向多样化，在西班牙的研究发现同质化的景观更易发生火灾（Romero-Calcerrada et al.，2004）。且火烧迹地的景观会更加趋向同质化，仍属于高危野火景观（Luis et al.，2001）。因此，撂荒地对野外火灾发生概率的影响应引起国内学界重视。

2.5 生物与景观多样性

2.5.1 生物多样性

耕地撂荒后将导致生物多样性发生变化，其中一些物种数量将会减少，例如以农田为觅食地的鸟类和节肢动物，在欧洲已经确定了101种此类物种（Russo，2006；Pereira et al.，2012）；根据相关研究统计，另一些物种数量将会增加，包括60种鸟类、24种哺乳动物及26种无脊椎动物（Russo，2006；Keenleyside et al.，2010）。相比之下，耕地撂荒后的生物多样性通常高于集约化、机械化的农业系统（Batary et al.，2012），并且会出现哺乳动物，学术界普遍认为哺乳动物属于生态系统中的高价值物种（Proença et al.，2008）。许多受益于撂荒地的物种如大型食肉动物，在传统的农业系统中已经大量减少或功能性灭绝。这些物种可能在人为扰动降低、森林更新、破碎自然栖息地连接后得以恢复。自20世纪60年代以来，欧洲耕地面积减少了约30%，其积极影响是食肉动物种群数量和分布范围持续增加（Pereira et al.，2012；Queiroz et al.，2014）。在耕地撂荒最为严重的东欧，食肉动物种群正在稳定的自然繁衍。

欧洲栖息地指令（Habitats Directive）列出了231种栖息地类型，其中有41种类型与低强度农业管理有关，主要为耕地撂荒后形成的自然或半自然草地生态系统（Halada et al.，2011）。一些在撂荒地上重新繁衍的物种还会产生级联效应和交互驱动。例如东欧的两栖动物和水獭种群，会受益于海狸对撂荒地中沟渠的修复（Kull et al.，2007）；撂荒地自然植被恢复后蚯蚓数量增加，在级联效应下会使以蚯蚓为食的啮齿类动物增加，最终吸引以啮齿类动物为食的大型猛禽（Pereira et al.，2012）。

2.5.2 景观多样性

田园景观功能不局限于单一的粮食供给功能，而是兼具景观生态功能、景观连接功能、生境维持功能和文化功能（Peng et al.，2016；Song et al，2019）。撂荒地属于近自然（半自然）景观，在撂荒初期会降低景观生态功能和人文感知美观度，随着植被自然演替或人为诱导（如退耕还林、还草），其景观逐渐趋向多样性并衍生一些间接功能，如文化功能、旅游功能、狩猎功能等（Keenleyside et al.，2010；Pereira et al.，2012）。梯田是地中海地区广受褒扬的文化景观之一，每年吸引大量游客（Pereira et al.，2005）；美国西部荒野允许狩猎美洲狮和野马（Laundré et al.，2010）；法国和西班牙有29处田园村庄被联合国教科文组织（United Nations Education Scientific and Cultural Organization）认定为世界遗产（Pereira et al.，2012）。撂荒地的管理成本较低，在有限的投资水平下发展旅游功能、狩猎功能或文化功能可能会获得更为显著的回报。

3 总结与展望

撂荒地是多重驱动力下的复杂人地交互系统，对生态环境具有多维影响，撂荒地的精准监测是驱动该领域深入研究的基石。遥感技术对于获取撂荒地时空分布及演变特征的优势较为明显，当前仍然存在的主要问题包括，（1）在数据层面，撂荒地遥感监测多基于中低分遥感数据（ModisLandsat），监测精度相对有限。以Modis数据为例，一个像元对应地面6.247 hm2耕地，如平滑合并相邻像元则对应数百亩耕地，实际操作中难以识别大量破碎撂荒地，从而低估真实撂荒率。高分遥感数据易受云层和地形干扰，且重访周期长、幅宽小，难以满足时间分辨率和大区域覆盖，故而应用率很低。（2）在方法层面，撂荒地监测方法以图像分类法为主流，其难点在于如何区分撂荒地与草地、裸地、灌木及粗放种植耕地。变化检测方法则需要解决非耕地变化噪声干扰、监测周期前历史撂荒地的识别等问题。（3）在应用层面，不同农区的生态系统类型、种植作物、种植制度均不相同，难以直接复制其他区域的监测方法，需选择针对性强的观测频度及方法组合，分离农作物与自然植被的长势信息，进而提高撂荒地监测精度。

今后，随着卫星传感器性能的提升及图像处理技术的改进，撂荒地的监测方法将逐渐由地面调查趋向遥感监测，由低分辨率卫星趋向高分辨率卫星，由单源数据趋向多源数据，由单一方法趋向集成方法，由小区域尺度趋向大区域尺度。目前仍未被学界攻克的难题是高精度无监督阈值分割技术。现行无监督阈值分割算法难以满足精度要求，监督式阈值分割则依赖先验知识和样本统计，自动化、智能化水平不足。未来仍需研发高精度、高鲁棒性的无监督阈值分割算法，节约撂荒地监测的人力成本和时间成本。

撂荒地的生态影响尚未引起中国学术界的广泛重视，其研究具有理论和现实意义。耕地撂荒后的自然演替方向具有区域性、地带性和阶段性差异，对于生态区位较好，处于正向演替阶段的撂荒地生态系统可以采用自然恢复进行治理，对于生态区位较差、处于逆向演替阶段的生态系统则需以生态退耕等方式积极干预。为此，还需广泛开展长时间序列的区域、流域尺度撂荒地生态影响研究，按照国土空间的生态适宜性，分区分类厘清撂荒地的治理方式。同时，撂荒地的生态影响研究多为单一影响研究，如植物群落演替、生物多样性变化等，仍缺乏撂荒地多维生态影响的研究。综合来看，粗放经营的耕地撂荒后，短期内可能造成重要鸟类、节肢动物群落减少和短期内的土壤侵蚀加剧等负面影响。但经长期自然恢复后，一方面能够提高碳贮存、水源涵养、土壤保持等重要生态功能，另一方面能够提高自然生态系统的完整性和连通性，哺乳动物等高价值物种的种群数量也会相应增加。一种耕地撂荒的治理方式也会同时带来数种生态效应，这些生态效应之间存在着权衡或协同关系。例如，退耕还林能够同时降低水土流失和风蚀沙化风险，增加碳贮存功能，但在干旱、半干旱生态环境脆弱地区，由于年降雨量较少，森林的蒸散量较大，也可能会导致撂荒地的水源涵养功能的下降，此时选择自然恢复或退耕还草等治理方可能更为科学合理。为此，相关研究还需注重不同生态影响间的相互联系，科学确定撂荒地的治理或生态恢复方式，实现多种生态效益的协同提升。

中国自2018年起实行地力保护补贴，享受该补贴的前提是：耕地不撂荒、地力不下降。《中华人民共和国农村土地承包法（2018修正）》规定：“土地经营权人弃耕抛荒连续两年以上、给土地造成严重损害或者严重破坏土地生态环境，承包方在合理期限内不解除土地经营权流转合同的，发包方有权要求终止土地经营权流转合同。土地经营权人对土地和土地生态环境造成的损害应当予以赔偿。”上述政策的发布，一方面说明中国耕地保护的压力依然巨大，另一方面也说明管理层遏制耕地撂荒的决心。遗憾的是，与欧盟相比中国的撂荒地整体研究程度较低，缺乏全国尺度的撂荒地监测研究，区域尺度的研究也相对不足。同时，由于不掌握撂荒地的规模和分布，尚未厘清撂荒地的复耕潜力，造成了撂荒地管理的实际困难。时值中美贸易战，在不进口美国大豆改为自种的情景下，尚需0.467×108—0.533×108hm2耕地用于大豆种植，相比新增耕地，复耕一部分撂荒地无疑更加经济可行。同时，中国正在大力推进生态文明建设，撂荒地为生态退耕提供了本底，在不适宜耕种或事实撂荒多年的耕地上再造林，既不损失粮食产能，又可改善生态环境、优化资源配置。加之撂荒地与乡村振兴、精准扶贫、土地整治、退耕还林还草、基本农田红线、生态保护红线、国土空间规划等国家重大工程紧密联系，因此亟需国家组织力量、整合资源，开展全国性的撂荒地精准调查，摸清家底并实现耕地资源的高效利用。

撂荒地研究应置于更宽泛的背景下开展，综合考量全球气候变化、中国人口结构老龄化、人口分布城市化的影响及交互关系等。全球气候变化对中国的影响是东亚季风衰退、南涝北旱加剧（Guo et al.，2019），未来中国东北地区可能因旱情严重而加剧耕地撂荒。国家发改委于2016年预计，中国远期城市化水平在2030年将达到70%（2016年为56.1%），伴随农业人口向城市迁移，耕地撂荒现象也将愈演愈烈。同时，中国还面临人口生育率低、人口老龄化加剧等社会问题，人口负增长为时不远，农业劳动力年龄结构已呈倒金字塔分布，在未来某一时间区间，撂荒地问题可能会集中爆发。因此，撂荒地领域的研究应更具前瞻性和动态性，契合国家战略、生态安全格局和粮食安全现状，以辩证的视角看待撂荒地的综合影响，宜耕则耕，宜林则林，宜草则草，宜荒则荒。