基于MaxEnt模型提取撂荒耕地
——以四川省武勝縣為例

羅雅紅，龔建周，2*，李天翔，胡月明

（1.廣州大學(xué)地理科學(xué)與遙感學(xué)院，廣州 510006；2.廣州市華南自然資源科學(xué)技術(shù)研究院，廣州 510630；3.廣州蘢騰園林景觀(guān)設(shè)計(jì)有限公司，廣州 510520；4.海南大學(xué)熱帶作物學(xué)院，?？?570228；5.華南農(nóng)業(yè)大學(xué)資源環(huán)境學(xué)院，廣州 510642）

伴隨著中國(guó)城鎮(zhèn)化進(jìn)程加快和經(jīng)濟(jì)社會(huì)的快速發(fā)展，農(nóng)村耕地被撂荒的現(xiàn)象突出，其中山區(qū)和丘陵地區(qū)尤其普遍[1]。撂荒耕地指的是農(nóng)民因某種原因不愿意耕種或者因旱澇災(zāi)害致使耕地荒蕪一季或一季以上的現(xiàn)象[2]。其中，因無(wú)人耕種或不愿意耕種造成一年以上撂荒的耕地被稱(chēng)之為常年性撂荒耕地；因農(nóng)民或休耕等原因，在某一季沒(méi)有耕種造成的撂荒耕地，則為季節(jié)性撂荒耕地[2]。

準(zhǔn)確高效獲取撂荒耕地信息是解決耕地撂荒問(wèn)題的前提與基礎(chǔ)。目前，撂荒耕地信息的獲取主要有農(nóng)戶(hù)調(diào)查、薈萃分析、遙感影像解譯等三類(lèi)方法。農(nóng)戶(hù)調(diào)研方法獲取的撂荒耕地信息準(zhǔn)確性較高，并且便于很好地解釋撂荒耕地的形成機(jī)制，但是，由于受制于被調(diào)查戶(hù)數(shù)、空間抽樣方法與調(diào)查技術(shù)、人力物力耗費(fèi)等影響，獲取撂荒耕地的范圍和時(shí)效性都受到限制[3]。薈萃分析可挖掘單個(gè)研究難以發(fā)現(xiàn)的撂荒耕地分布規(guī)律，但受已公開(kāi)發(fā)表文章數(shù)量和研究人員對(duì)相關(guān)領(lǐng)域了解程度的限制[4]。隨著計(jì)算機(jī)和3S 技術(shù)的快速發(fā)展，基于遙感影像的撂荒耕地識(shí)別與信息提取研究已得到學(xué)者們的關(guān)注。如ALACANTARA 等[5]利用MODIS 影像，采取支持向量機(jī)法繪制中歐和東歐一帶撂荒耕地地圖，并統(tǒng)計(jì)撂荒耕地規(guī)模；我國(guó)學(xué)者肖國(guó)峰等[6]基于Landsat 和HJ1A 數(shù)據(jù)，采用CART決策樹(shù)分類(lèi)方法，通過(guò)制定撂荒耕地識(shí)別規(guī)則，獲取撂荒耕地空間分布數(shù)據(jù)。相比而言，遙感技術(shù)方法不僅大大提高了工作效率，并且可快速監(jiān)測(cè)撂荒耕地的時(shí)空變化過(guò)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(dǎo)致遙感影像地物識(shí)別結(jié)果產(chǎn)生“椒鹽”現(xiàn)象[7-8]，基于遙感影像的撂荒耕地識(shí)別精度問(wèn)題仍然是其應(yīng)用中的瓶頸。此外，由于山區(qū)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(duì)遙感影像的空間分辨率、數(shù)據(jù)質(zhì)量以及信息提取技術(shù)等提出了較高要求，需要不斷地嘗試采用高空間分辨率數(shù)據(jù)，尋求新的遙感技術(shù)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(duì)環(huán)境變量共線(xiàn)性不敏感、基于小訓(xùn)練樣本能夠獲取較高預(yù)測(cè)精度且簡(jiǎn)單實(shí)用等突出優(yōu)勢(shì)[11]，最早用于預(yù)測(cè)物種分布[12-13]。近年來(lái)，MaxEnt 模型被應(yīng)用于基于遙感影像的地物信息識(shí)別。與一般利用光譜、紋理等屬性特征差異性進(jìn)行遙感影像地物分類(lèi)的方法相比，MaxEnt模型結(jié)合遙感光譜指數(shù)和其他影響目標(biāo)地物分布的環(huán)境因子空間數(shù)據(jù)，通過(guò)搜索與目標(biāo)地物具有共同光譜特征的其他分布點(diǎn)，及分析預(yù)測(cè)目標(biāo)本身對(duì)環(huán)境影響因子的響應(yīng)規(guī)律來(lái)預(yù)測(cè)其空間分布，從而減少冗余和干擾信息的影響，提高結(jié)果精度[14]。目前，MaxEnt模型在識(shí)別遙感影像地物信息領(lǐng)域，主要用于城鎮(zhèn)用地[15]、林地等[16]的識(shí)別，識(shí)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(fù)雜多變，可能因時(shí)因地而異[3]。因此，只有明確當(dāng)?shù)馗亓袒牡挠绊懸蛩?，才能提出更有針?duì)性的措施。以往學(xué)者們多通過(guò)農(nóng)戶(hù)調(diào)查等實(shí)地調(diào)研方式，對(duì)撂荒耕地的影響因素進(jìn)行定性分析。近年來(lái)，國(guó)內(nèi)外學(xué)者趨向于用回歸分析和空間分布統(tǒng)計(jì)等定量分析方法，探索地形、交通、耕作半徑、灌溉條件等對(duì)撂荒耕地的影響[17-19]。兩種方法相比，定量分析更具科學(xué)性與說(shuō)服力。

武勝縣是成都平原東部的丘陵大縣、全國(guó)商品糧生產(chǎn)大縣，也是全省鄉(xiāng)村振興規(guī)劃試點(diǎn)縣。據(jù)報(bào)道，武勝縣撂荒現(xiàn)象普遍，已是耕地撂荒較嚴(yán)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(shí)地調(diào)研，不利于實(shí)時(shí)掌握其動(dòng)態(tài)和及時(shí)采取應(yīng)對(duì)措施。本研究基于國(guó)產(chǎn)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(rèn)知武勝縣鄉(xiāng)鎮(zhèn)尺度撂荒耕地的時(shí)空變化規(guī)律，采用定量分析方法探析耕地撂荒存的在問(wèn)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(qū)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(jù)《廣安統(tǒng)計(jì)年鑒2020》可知，武勝縣土地總面積966 km2；截至2019年底，總?cè)丝?1.5 萬(wàn)，其中本地務(wù)農(nóng)人員19 萬(wàn)，務(wù)農(nóng)人口人均耕地面積716 m2。武勝縣屬于亞熱帶季風(fēng)氣候，主要農(nóng)作物是水稻、玉米及紅薯，標(biāo)準(zhǔn)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(zhǎng)期為5 月至8 月[22]，每年水稻收割后的農(nóng)田基本處于休耕狀態(tài)，致使該縣耕地季節(jié)性撂荒現(xiàn)象普遍。旱地耕作制度為一年兩熟，復(fù)種類(lèi)型為玉米-紅薯，季節(jié)性休耕現(xiàn)象不突出[20]。因此，本研究中的季節(jié)性撂荒耕地為水田。

1.2 數(shù)據(jù)來(lái)源

（1）國(guó)產(chǎn)高分遙感數(shù)據(jù)（2015—2018 年）。GF-1衛(wèi)星共有4 臺(tái)16 m 分辨率多光譜相機(jī)（WFV1-WFV4），每臺(tái)相機(jī)4個(gè)波段（450～890 nm）。本研究采用的GF-1 WFV 1A 級(jí)光學(xué)遙感數(shù)據(jù)的信息如表1 所示，源于華南農(nóng)業(yè)大學(xué)高分科教服務(wù)平臺(tái)（http：//gaofenplatform.com/）。考慮到武勝縣季節(jié)性撂荒耕地主要是水稻的季節(jié)性休耕，根據(jù)當(dāng)?shù)厮镜奈锖蛐畔22]，每年均取5 月至8 月（水稻生長(zhǎng)期）和9 月至次年4 月（農(nóng)田閑置期）兩個(gè)時(shí)相的高質(zhì)量影像，共8 景影像。

表1 GF-1衛(wèi)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(shù)據(jù)。地理空間數(shù)據(jù)包括：地理空間數(shù)據(jù)云平臺(tái)（http：//www.gscloud.cn/）空間分辨率為30 m 的DEM 數(shù)據(jù)；中國(guó)科學(xué)院資源環(huán)境科學(xué)與數(shù)據(jù)中心（http：//www.resdc.cn/）的2018年土地利用類(lèi)型分布柵格數(shù)據(jù)及農(nóng)村居民點(diǎn)、道路、鄉(xiāng)鎮(zhèn)行政邊界等矢量數(shù)據(jù)；國(guó)家基礎(chǔ)地理信息中心（http：//www.ngcc.cn/ngcc/）的水系矢量數(shù)據(jù)。此外，還有實(shí)地調(diào)研數(shù)據(jù)。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(dòng)地圖APP）和農(nóng)戶(hù)訪(fǎng)談方式進(jìn)行了野外實(shí)地調(diào)研。調(diào)研的主要內(nèi)容包括實(shí)地采樣點(diǎn)地理坐標(biāo)、各樣本點(diǎn)2015—2018 年的土地利用類(lèi)型及其變化情況。通過(guò)調(diào)研獲得季節(jié)性、常年性撂荒耕地實(shí)地采樣點(diǎn)各20個(gè)，共計(jì)40個(gè)。

（3）其他輔助數(shù)據(jù)。一是作為控制影像進(jìn)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(wèi)星影像，可輔助對(duì)歷史年份撂荒耕地的采樣，即把實(shí)地調(diào)研樣本點(diǎn)定位到Google Earth 的2020 年冬、夏季影像上，分別觀(guān)察其特征，由此確定撂荒耕地在Google Earth 高清衛(wèi)星影像上的影像特征，進(jìn)而識(shí)別2015—2018 年Google Earth 高清衛(wèi)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(diǎn)。

1.3 數(shù)據(jù)處理

數(shù)據(jù)處理過(guò)程包括原始影像數(shù)據(jù)的預(yù)處理、運(yùn)行MaxEnt 模型所需數(shù)據(jù)的準(zhǔn)備以及撂荒耕地影響因素?cái)?shù)據(jù)的準(zhǔn)備。

（1）對(duì)原始影像數(shù)據(jù)進(jìn)行剪裁、輻射定標(biāo)、大氣校正、正射糾正、幾何校正等預(yù)處理。其中，幾何糾正采用雙線(xiàn)性?xún)?nèi)插法，校正模型的RMS 誤差控制在0.5 個(gè)像元之內(nèi)。

（2）準(zhǔn)備MaxEnt 運(yùn)行所需的兩類(lèi)數(shù)據(jù)，一類(lèi)是訓(xùn)練和驗(yàn)證樣本點(diǎn)的地理坐標(biāo)數(shù)據(jù)，另一類(lèi)是環(huán)境變量數(shù)據(jù)[13]。兩類(lèi)數(shù)據(jù)的處理過(guò)程如下：

①樣本點(diǎn)地理坐標(biāo)數(shù)據(jù)?；谀恳暯庾g，結(jié)合Google Earth 高清衛(wèi)星影像和實(shí)地調(diào)研，采樣獲取季節(jié)性和常年性撂荒耕地的樣本點(diǎn)。具體地，利用實(shí)地調(diào)研采樣點(diǎn)的地理坐標(biāo)，在Google Earth 高清衛(wèi)星影像和GF-1 號(hào)影像上定位到相應(yīng)位置，觀(guān)察該點(diǎn)的影像特征；將Google Earth 高清衛(wèi)星影像和GF-1號(hào)影像疊加，找出具有相同影像特征的其他樣本點(diǎn)。兩類(lèi)撂荒耕地樣本點(diǎn)獲取的思路：綜合考慮研究區(qū)農(nóng)作物的物候信息及兩時(shí)相影像的地物特征，同一位置、同一年內(nèi)的兩時(shí)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(diǎn)；水稻生長(zhǎng)期影像上為耕地、農(nóng)田閑置期影像為撂荒耕地的像元，作為季節(jié)性撂荒耕地樣本點(diǎn)。每一年季節(jié)性和常年性撂荒耕地各選取80個(gè)樣本，隨機(jī)均分成訓(xùn)練集和驗(yàn)證集（各40 個(gè)），另外，每年選取40 個(gè)其他地類(lèi)的樣本點(diǎn)作為驗(yàn)證樣本。導(dǎo)出樣本點(diǎn)的地理坐標(biāo)值，保存格式為“.cvs”的樣本文件。

②環(huán)境變量數(shù)據(jù)集。包括武勝縣整個(gè)研究區(qū)的DEM 值、NDVI 值及其差值、4 個(gè)波段的各波段反射率值。其中，4 年均采用同一DEM 數(shù)據(jù)，其余環(huán)境變量在提取同一年份的季節(jié)性和常年性撂荒耕地時(shí)采用同一組數(shù)據(jù)，保存格式為“.asc”的環(huán)境變量文件。

（3）耕地撂荒產(chǎn)生的影響因素?cái)?shù)據(jù)。根據(jù)前人相關(guān)研究及能夠被空間量化的原則，總結(jié)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(diǎn)到耕地的距離[18]）及灌溉條件，考察研究區(qū)2018 年撂荒耕地的產(chǎn)生機(jī)制。其中，在DEM 高程圖基礎(chǔ)上，根據(jù)坡度分級(jí)標(biāo)準(zhǔn)[23]，借助ArcGIS 平臺(tái)的表面分析和重分類(lèi)等工具，將研究區(qū)分為5 個(gè)坡度級(jí)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(shí)，為分析海拔對(duì)撂荒分布的影響，先將研究區(qū)分為平原和丘陵兩個(gè)等級(jí)，由于研究區(qū)98.9%的地區(qū)為大于200 m 的丘陵，遂再次將丘陵地區(qū)劃分為200～300、300～438 m 兩個(gè)等級(jí)，共分為3個(gè)高程等級(jí)（＜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(nóng)村居民點(diǎn)分布圖等基礎(chǔ)上，生成200、500、1 000 m的緩沖區(qū)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(jù)已知事物建模，達(dá)到對(duì)未知事物預(yù)測(cè)的目標(biāo)[24]。如：假設(shè)待預(yù)測(cè)事物的已知地理分布點(diǎn)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(gòu)成，F(xiàn)={f1，f2，…，fn}，這些約束條件是關(guān)于目標(biāo)分布的不完全信息；根據(jù)已知地理分布點(diǎn)及其約束條件建模并不斷訓(xùn)練，獲取對(duì)應(yīng)于最大熵的模型參數(shù)[25]；最后估計(jì)待預(yù)測(cè)事物未知點(diǎn)的可能性分布并力求近似于待預(yù)測(cè)事物的實(shí)際分布π（x）。模型的經(jīng)驗(yàn)公式[12]為：

式中：xi表示待預(yù)測(cè)事物的第i個(gè)樣本點(diǎn)；m表示樣本點(diǎn)數(shù)量。

fi的經(jīng)驗(yàn)均值定義為：

1.4.2 MaxEnt軟件的運(yùn)行

MaxEnt 軟件是由Phillips、Dudík 和Schapire 開(kāi)發(fā)的軟件[12]，運(yùn)行僅需要目標(biāo)地物已知樣本點(diǎn)地理坐標(biāo)數(shù)據(jù)和環(huán)境變量數(shù)據(jù)（詳見(jiàn)1.3）。具體運(yùn)算如下：

①將兩類(lèi)數(shù)據(jù)分別導(dǎo)入軟件的“Samples”和“Environmental layers”模塊，參數(shù)設(shè)置參考文獻(xiàn)[13]，勾選“刀切法”“創(chuàng)建響應(yīng)曲線(xiàn)”和“制作預(yù)測(cè)圖”等功能。為避免過(guò)度擬合，隨機(jī)撥出訓(xùn)練集的25%進(jìn)行驗(yàn)證，即把測(cè)試集設(shè)置為樣本點(diǎn)的25%，訓(xùn)練集則為75%，調(diào)整樣本半徑為8 m，15 次重復(fù)運(yùn)行，其余參數(shù)選擇默認(rèn)設(shè)置[16]。輸出結(jié)果為目標(biāo)地物分布的概率文件（“.asc”），值域范圍在0～1。

②確定一個(gè)閾值來(lái)對(duì)分布概率圖進(jìn)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(guān)鍵，參考文獻(xiàn)[14，26]，采用實(shí)證方法確定最終閾值，即選擇度量預(yù)測(cè)誤差程度的遺漏率（本研究選擇5%，表示有95%的驗(yàn)證樣本預(yù)測(cè)值有效）對(duì)應(yīng)的logistic 值作為預(yù)設(shè)閾值，以獲得的預(yù)設(shè)閾值為基礎(chǔ)，每次增加0.01 來(lái)驗(yàn)證模型精度，直至實(shí)現(xiàn)模型精度最高，此時(shí)的值則作為最終進(jìn)行二值預(yù)測(cè)的閾值，大于該閾值的像元?jiǎng)t識(shí)別為撂荒耕地。

1.4.3 精度驗(yàn)證方法

為確保研究結(jié)果的可靠性和可信度，采用AUC驗(yàn)證法、混淆矩陣法及實(shí)證法等三種方式同時(shí)進(jìn)行精度檢驗(yàn)。其中，AUC（Area under curve）是最常用的模型性能評(píng)估參數(shù)[27]，利用受試者工作特征曲線(xiàn)（ROC曲線(xiàn)）下面積AUC 值評(píng)估模型性能，ARAUJO 等[28]定義了使用該參數(shù)的精度判斷標(biāo)準(zhǔn)，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?jì)算Kappa 系數(shù)；實(shí)證法則是將識(shí)別結(jié)果與統(tǒng)計(jì)年鑒數(shù)據(jù)和土地利用數(shù)據(jù)進(jìn)行對(duì)比。

2 結(jié)果與分析

2.1 精度驗(yàn)證

2.1.1 AUC驗(yàn)證法

以2018 年為例，常年性與季節(jié)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(qū)間。因此，模型的結(jié)果是可靠的。

圖1 2018年武勝縣撂荒耕地的ROC曲線(xiàn)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(jié)性、常年性撂荒耕地各40 個(gè)驗(yàn)證樣本點(diǎn)，借用混淆矩陣法進(jìn)行精度驗(yàn)證。計(jì)算結(jié)果如表2 所示，Kappa 系數(shù)在0.74～0.93 之間，總精度與用戶(hù)精度均大于80%，表明運(yùn)用MaxEnt 模型提取撂荒耕地的效果較好。

表2 撂荒地提取結(jié)果的混淆矩陣Table 2 The confusion matrix of extraction results of abandoned farmland

2.1.3 實(shí)證法

本研究季節(jié)性撂荒面積分類(lèi)結(jié)果與2015—2018年廣安市統(tǒng)計(jì)年鑒中水稻種植面積數(shù)據(jù)基本吻合，兩者相差不超過(guò)該年統(tǒng)計(jì)水稻種植面積的10%，實(shí)現(xiàn)了基于MaxEnt 模型的武勝縣撂荒耕地精準(zhǔn)高效識(shí)別。另外，為進(jìn)一步驗(yàn)證結(jié)果的準(zhǔn)確性，將2018 年識(shí)別的季節(jié)性撂荒耕地與土地利用數(shù)據(jù)中的水田進(jìn)行疊加統(tǒng)計(jì)，結(jié)果顯示識(shí)別出的季節(jié)性撂荒耕地發(fā)生在水稻種植區(qū)的比例約80%，進(jìn)一步驗(yàn)證了結(jié)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(jié)果為例，對(duì)武勝縣撂荒耕地空間分異特征進(jìn)行分析。如圖2 所示，武勝縣常年性撂荒耕地與季節(jié)性撂荒耕地在各鎮(zhèn)均有分布，但二者的空間分異特征不同。

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(qū)域主要是勝利鎮(zhèn)、寶箴塞鄉(xiāng)、猛山鎮(zhèn)、三溪鎮(zhèn)、鳴鐘鄉(xiāng)、華封鎮(zhèn)東北部及賽馬鎮(zhèn)的西北部等，而分散最為零星的地區(qū)為武勝縣中部。常年性撂荒耕地的撂荒率較高（超過(guò)10%）的區(qū)域主要有西部的勝利鎮(zhèn)、寶箴塞鄉(xiāng)（12.1%、10.5%）以及東部的猛山鄉(xiāng)、三溪鎮(zhèn)、鳴鐘鄉(xiāng)等（18.5%、14.0%、13.3%）（圖2a）。

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

2018 年武勝縣季節(jié)性撂荒耕地在武勝縣各鄉(xiāng)鎮(zhèn)普遍分布，個(gè)別鄉(xiāng)鎮(zhèn)呈片狀分布。其中，真靜鄉(xiāng)、清平鎮(zhèn)、樂(lè)善鎮(zhèn)、龍庭鄉(xiāng)及新學(xué)鄉(xiāng)5 個(gè)鄉(xiāng)鎮(zhèn)季節(jié)性撂荒率超過(guò)30%，分別為39.5%、34.5%、34.5%、30.4% 及30.2%（圖2b）。

2.3 撂荒耕地時(shí)間動(dòng)態(tài)特征

分別統(tǒng)計(jì)各年季節(jié)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(dòng)態(tài)變化圖（圖3）。由圖3 可知，2015—2018年常年性和季節(jié)性撂荒耕地面積波動(dòng)不明顯，分別在50 km2和200 km2上下波動(dòng)，總撂荒耕地面積在200～300 km2之間浮動(dòng)。

圖3 2015—2018年武勝縣撂荒耕地面積動(dòng)態(tài)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(xiāng)鎮(zhèn)，如東部的三溪鎮(zhèn)、鳴鐘鄉(xiāng)、樂(lè)善鎮(zhèn)，西部的勝利鎮(zhèn)、金牛鎮(zhèn)、寶箴塞鄉(xiāng)等，常年性撂荒耕地面積明顯多于其他鄉(xiāng)鎮(zhèn)。大部分鄉(xiāng)鎮(zhèn)常年性撂荒耕地面積變化不明顯，僅有少數(shù)波動(dòng)較大（圖4a）。變化明顯的鄉(xiāng)鎮(zhèn)主要有華封鎮(zhèn)、中心鎮(zhèn)等10 個(gè)鄉(xiāng)鎮(zhèn)，分布在武勝縣東、西部。其中，除東部地區(qū)猛山鄉(xiāng)呈逐年上升趨勢(shì)外，常年性撂荒耕地面積變化明顯的鄉(xiāng)鎮(zhèn)均呈現(xiàn)波動(dòng)變化。

圖4b 展現(xiàn)了各鄉(xiāng)鎮(zhèn)季節(jié)性撂荒耕地在2015—2018 年的面積變化。其間，大部分鄉(xiāng)鎮(zhèn)季節(jié)性撂荒耕地面積未發(fā)生明顯變化，僅有西部的高石鄉(xiāng)、賽馬鎮(zhèn)、八一鄉(xiāng)及烈面鎮(zhèn)，東部的三溪鎮(zhèn)、鳴鐘鄉(xiāng)、飛龍鎮(zhèn)、白坪鄉(xiāng)、樂(lè)善鎮(zhèn)及龍庭鄉(xiāng)等個(gè)別鄉(xiāng)鎮(zhèn)波動(dòng)較明顯。其中，2016 年相較于2015 年西部上述鄉(xiāng)鎮(zhèn)均發(fā)生大幅上升，東部上述鄉(xiāng)鎮(zhèn)則發(fā)生不同程度的下降；2018 年相較于2017 年，西部上述鄉(xiāng)鎮(zhèn)降幅較大，東部上述鄉(xiāng)鎮(zhèn)變化不甚明顯。

圖4 2015—2018年武勝縣各鄉(xiāng)鎮(zhèn)撂荒耕地面積動(dòng)態(tài)變化Figure 4 Dynamic changes of abandoned farmland area in each town of Wusheng County during 2015—2018

2.4 撂荒耕地空間分布統(tǒng)計(jì)及其影響因素分析

將坡度、高程?hào)鸥駡D及不同范圍的道路、水系、農(nóng)村居民點(diǎn)緩沖區(qū)矢量圖，分別與耕地、撂荒耕地圖層進(jìn)行疊加運(yùn)算，并統(tǒng)計(jì)其面積，計(jì)算得到武勝縣和各鄉(xiāng)鎮(zhèn)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(jié)果如表3、表4 及圖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(qū)和大于15°（土壤侵蝕明顯、水土流失嚴(yán)重，不宜農(nóng)耕[23]）的坡耕地撂荒率都較高，并且0°～2°的地區(qū)常年性和季節(jié)性撂荒率均為最高。說(shuō)明武勝縣撂荒耕地的產(chǎn)生不屬于耕地坡度太大、耕作困難的情況。

武勝縣耕地常年性和季節(jié)性撂荒率在不同海拔范圍內(nèi)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(qū)常年性撂荒率遠(yuǎn)高于300 m 以下地區(qū)。說(shuō)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(guān)。圖5 也證實(shí)，除三溪鎮(zhèn)和鳴鐘鄉(xiāng)外，常年性撂荒耕地分布較多且集中的區(qū)域有猛山鎮(zhèn)、勝利鎮(zhèn)、華封鎮(zhèn)東北部及賽馬鎮(zhèn)的西北部等，海拔基本都大于300 m；而地勢(shì)較為低平（200～300 m）的中部和嘉陵江沿岸地區(qū)，僅零星分布。耕地的季節(jié)性撂荒率則相反，低于200 m 的平原地區(qū)撂荒率明顯高于丘陵山區(qū)。由此說(shuō)明，季節(jié)性撂荒耕地（基本為農(nóng)田冬季休耕）的空間分布與“海拔較低，耕作條件便利”有關(guān)。

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

表3 2018年武勝縣耕地在不同坡度、海拔范圍內(nèi)的撂荒率（%）Table 3 The rate of abandoned farmland in different slopes and elevations in Wusheng County of 2018（%）

根據(jù)耕地在不同耕作半徑內(nèi)的撂荒率（表4）可知，常年性撂荒率在各耕作半徑范圍內(nèi)差異不大，季節(jié)性撂荒率在耕作半徑大于1 000 m的地區(qū)遠(yuǎn)大于其他地區(qū)。說(shuō)明常年性撂荒耕地的發(fā)生不屬于耕作半徑太大、耕作不便利的情形；而季節(jié)性撂荒耕地的產(chǎn)生與耕作半徑太大、耕作不便有關(guān)。

表4 2018年武勝縣耕地在不同緩沖區(qū)范圍內(nèi)的撂荒率（%）Table 4 The rate of abandoned farmland in different buffer zones in Wusheng County of 2018

由表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(gè)百分點(diǎn)左右；季節(jié)性撂荒率在各道路緩沖區(qū)的差異不足1 個(gè)百分點(diǎn)。由此可推知，常年性撂荒耕地與交通不便、耕作不易有關(guān)；而季節(jié)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(jié)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(qū)，季節(jié)性撂荒率遠(yuǎn)大于距離水系1 000 m 范圍內(nèi)地區(qū)（表4）。因此，常年性與季節(jié)性撂荒耕地的產(chǎn)生均與距離水源地太遠(yuǎn)、灌溉不便有關(guān)。

3 討論

3.1 方法對(duì)比

為比較本研究方法識(shí)別撂荒耕地的優(yōu)劣，另選兩種監(jiān)督分類(lèi)方法對(duì)照，結(jié)果如表5 所示。運(yùn)用與本研究相同的撂荒耕地樣本點(diǎn)，另外選取其他地類(lèi)的訓(xùn)練樣本點(diǎn)各40 個(gè)，分別采用最大似然法和支持向量機(jī)法識(shí)別2018 年季節(jié)性撂荒耕地，用混淆矩陣法檢驗(yàn)結(jié)果精度，最大似然法總精度、用戶(hù)精度及Kappa 系數(shù)分別為70.45%、86.67%、0.43；支持向量機(jī)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(shí)別精度遠(yuǎn)高于其他兩類(lèi)監(jiān)督分類(lèi)方法，由此表明該模型識(shí)別撂荒耕地可大大提高工作效率[11，26]。

表5 不同方法對(duì)2018年季節(jié)性撂荒耕地提取結(jié)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(píng)價(jià)

本研究利用ROC 曲線(xiàn)下的AUC 值對(duì)模型識(shí)別撂荒耕地的性能進(jìn)行檢驗(yàn)，AUC 值均在0.9～1 之間，表明模型的識(shí)別性能極好。同時(shí)，混淆矩陣驗(yàn)證的總精度均在80%以上，說(shuō)明該模型識(shí)別撂荒耕地的精度較高。MaxEnt 模型將光譜指數(shù)與影響因子結(jié)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(shí)別應(yīng)用上的潛力。然而，應(yīng)用Max-Ent模型提取撂荒耕地信息也存在一些局限。

研究過(guò)程中發(fā)現(xiàn)，該模型應(yīng)用于撂荒耕地信息提取時(shí)，對(duì)撂荒耕地的精準(zhǔn)采樣是一大難點(diǎn)，可能導(dǎo)致樣本點(diǎn)的數(shù)量較少。由于本研究對(duì)撂荒耕地采樣時(shí)主要采用目視解譯的方式，加之丘陵山區(qū)撂荒耕地較破碎分散，與獲取城鎮(zhèn)用地[15]和林地[16]等易進(jìn)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(diǎn)數(shù)量較少，可能會(huì)對(duì)信息提取精度造成一定影響?？梢?jiàn)，較高的影像質(zhì)量、空間分辨率是準(zhǔn)確獲取撂荒耕地信息的重要基礎(chǔ)。需要指出的是，本研究2016 年和2018 年夏季影像上的鼓匠鄉(xiāng)局部區(qū)域厚云較多，其撂荒耕地的識(shí)別結(jié)果與實(shí)際情況可能存在一定差距。

為建立準(zhǔn)確的MaxEnt 撂荒耕地識(shí)別模型，模型運(yùn)行的某些過(guò)程還可進(jìn)一步優(yōu)化。①參數(shù)優(yōu)化：本研究參數(shù)均采用默認(rèn)設(shè)置，可借鑒朱耿平等[29]調(diào)用ENMeval數(shù)據(jù)包來(lái)調(diào)整模型調(diào)控倍頻和特征組合參數(shù)的做法，進(jìn)一步優(yōu)化參數(shù)設(shè)置。②閾值確定方法的改進(jìn)：本研究通過(guò)設(shè)定一個(gè)常用的較低誤差（5%）來(lái)獲得閾值，該方法具一定主觀(guān)性，可參考LI 等[30]采用Fpb 指標(biāo)來(lái)獲取閾值的方法，獲得一個(gè)更客觀(guān)的閾值結(jié)果。③環(huán)境變量的補(bǔ)充：研究選取的環(huán)境變量以光譜指數(shù)為主，影響撂荒耕地分布的環(huán)境因子只選取了DEM 高程數(shù)據(jù)，未來(lái)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(chǎn)力、GDP 等，有望進(jìn)一步提高結(jié)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(qū)多云霧的氣象特征，未能獲得長(zhǎng)時(shí)間序列的耕地撂荒信息。

4 結(jié)論

本研究應(yīng)用MaxEnt模型獲取武勝縣2015—2018年常年性與季節(jié)性撂荒耕地信息，辨析其時(shí)空分異特征及影響因素，得出以下主要結(jié)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(shí)別的季節(jié)性撂荒耕地面積與統(tǒng)計(jì)年鑒、土地利用數(shù)據(jù)中的水稻種植面積之間相對(duì)誤差小于10%。與其他監(jiān)督分類(lèi)方法相比，本研究方法僅需要較少訓(xùn)練樣本即可獲得較高的識(shí)別精度；但在研究數(shù)據(jù)的獲取、撂荒耕地樣本的精準(zhǔn)識(shí)別、準(zhǔn)確模型的建立、閾值的確定等方面還存在許多挑戰(zhàn)，尚待進(jìn)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(qū)，小于300 m 的地區(qū)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(jié)性撂荒耕地在各鎮(zhèn)普遍分布，部分地區(qū)呈片狀分布特征，且撂荒率隨海拔升高，與農(nóng)村居民點(diǎn)、河流水系距離的增大而增加。

由此說(shuō)明，武勝縣常年性、季節(jié)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(shì)均較平穩(wěn)。武勝縣在進(jìn)行耕地利用與管理時(shí)，可從上述因素著手。