基于物候特征的吉安市耕地撂荒识别与风险评估

《Land》：Identification and Risk Assessment of Cropland Abandonment in Ji’an City Based on Phenological Features

　　

耕地撂荒是对粮食安全和土地资源可持续利用的重大挑战，尤其是在中国南方丘陵山区。为刻画这些区域耕地撂荒的时空演变及关联因素格局，本研究以江西省吉安市为案例，构建了一个集撂荒识别与监测、预测关联分析、相对风险评估和分区管理于一体的综合框架。研究人员利用1990—2024年Landsat遥感影像、作物物候特征以及多源地形、土壤、气候、生态和社会经济数据，识别并评估了长期耕地撂荒状况。结果表明，在引入物候特征和时间滤波后，采用空间分离测试样本评估的年度土地利用分类平均总体精度达到95.27%，平均Kappa系数为0.931；耕地撂荒识别的总体精度达到91.58%，Kappa系数为0.83。吉安市耕地撂荒总体呈加速趋势，2020—2021年撂荒率超过15%。在空间上，撂荒程度西强东弱、山区重于平原。水田撂荒是全市耕地撂荒的主导类型，而旱地撂荒面积较小但年际波动更强。预测关联分析表明，树木覆盖度(tree cover, TC)对水田和旱地均持续表现出较高的预测重要性。水田撂荒预测与地形位置、地表粗糙度和土壤保持的关联更强，而旱地撂荒预测与干旱度和人口密度的关联更强。1993—2023年，模型估算的相对撂荒风险上升，高风险区域由深山区向低丘地区扩展。通过将相对风险等级与关联因素格局耦合，研究人员将水田和旱地划分为四类管理区：核心保护区、动态预警区、综合整治区和生态休养区，并针对各区域提出了差异化管控策略。本研究为南方丘陵山区耕地撂荒监测、耕地保护和差别化土地管理提供了方法支撑和决策依据。

**耕地撂荒识别与风险评估研究解读——以吉安市为例**

耕地撂荒是土地利用变化中人与自然相互作用的重要表现，已成为全球土地科学研究的焦点，尤其在中国南方丘陵山区尤为突出。相较于平原地区，丘陵山区耕地受地形陡峭、地块破碎、机械化受限、可达性差和经营成本高等因素制约，农业生产比较效益下降及劳动力外流导致边远低产田块优先被撂荒。准确识别撂荒时空格局并刻画其关联因素与相对风险分布，对完善耕地保护政策、优化农业资源配置和推动乡村振兴至关重要。然而，现有研究多集中于短期或代表性年份，难以连续追踪撂荒的发生时间、持续时长和空间扩展；且常将耕地视为同质类别，未充分区分水田与旱地在基础设施依赖、气候敏感性和经营逻辑上的差异；风险评估与治理建议之间衔接薄弱，缺乏面向乡镇级行政单元的管控路径。为此，研究人员以江西省吉安市这一南方丘陵山区典型城市为研究区，基于1990—2024年Landsat遥感影像和作物物候特征，构建了集撂荒识别、预测关联分析、风险评估和分区管理于一体的长期综合框架。该研究发表于《Land》期刊，旨在实现高精度长期撂荒识别，量化水田和旱地撂荒的预测关联，并在乡镇尺度提出差异化管控策略。

在技术方法上，研究人员利用Google Earth Engine平台获取Landsat 5/7/8地表反射率影像，结合数字高程模型、土壤、气候、生态和社会经济等多源数据。通过2023年作物物候观测站点提取水稻、油菜、玉米、花生、甘薯等主要作物的月度归一化植被指数(NDVI)时间序列，确定3—4月、6—7月、8—9月和10—11月四个关键物候期，并利用Savitzky–Golay(SG)滤波平滑物候曲线。基于此构建包含77个变量的多时相预测变量堆栈，涵盖年度光谱波段与植被指数、分物候期变量、夏季合成变量、纹理和地形因子。采用随机森林(Random Forest)算法生成1990—2024年年度土地利用分类图，并通过时间滤波校正孤立分类波动。依据“连续两年及以上未耕种且自然植被恢复”的撂荒定义，利用像素级时间滑动窗口提取1991—2023年水田和旱地撂荒信息。随后比较六种机器学习模型，选择极端梯度提升(XGBoost)结合Shapley加法解释(SHAP)分析关联因素，并将模型预测的相对撂荒风险与乡镇级关联因素聚类耦合，形成分区管理决策矩阵。研究使用了1057个稳定土地利用样本、190个撂荒验证样本和280个空间分离测试样本，并采用随机交叉验证和空间分块交叉验证评估模型泛化能力。

**研究结果**

**3.1 基于物候特征的耕地撂荒识别。** 通过Jeffries–Matusita(JM)距离分析发现，不同物候期的光谱信息对地类可分性具有互补作用，其中水分相关变量贡献较大。时间滤波每年修正的像素占比为2.91%—6.85%，平均4.38%。基于280个空间分离测试样本，时间滤波后年度土地利用分类的总体精度从93.56%提高到95.27%，平均Kappa系数从0.906提高到0.931。基于190个成对验证点的独立二分类评估显示，撂荒识别总体精度为91.58%，Kappa系数为0.832，撂荒耕地的生产者精度、用户精度和F1分数分别为93.68%、89.90%和91.75%。时间上，吉安市耕地撂荒从1990年代的零星分布转变为2000年后的逐步增长，2015年后加速，2020—2021年撂荒率超过15%。空间上，撂荒程度表现为山区高于平原、西部和南部高于中部盆地，井冈山市、永新县、安福县、遂川县和永丰县等山区县市撂荒相对严重。水田撂荒主导了全市撂荒格局，旱地撂荒面积较小但年际波动更强。

**3.2 耕地撂荒关联因素的预测分析。** 在随机交叉验证下，XGBoost模型平均AUC为0.868，表现最佳；在空间分块交叉验证下，XGBoost和CatBoost平均AUC分别为0.812和0.816，性能相当。SHAP分析显示，树木覆盖度(TC)在1993—2023年期间对水田和旱地撂荒均保持最高的预测重要性。水田撂荒早期主要关联TC、NDVI、全磷(TP)、年均降水量(MAP)和地表粗糙度(SR)；2003—2013年，地形位置指数(TPI)、DEM和土壤保持(SC)的重要性上升；到2023年，TP、SC、距居民点距离(DTRA)和人口密度(POP)的预测关联增强。旱地撂荒早期主要关联DEM、MAP、年平均最低气温(LMAT)和净初级生产力(NPP)；2003—2013年NDVI、DTRA、pH和TP的重要性上升；2023年TP、NDVI、DTRA和POP的关联增强。水田撂荒更倾向与地形位置、地表粗糙度、土壤保持和距居民点距离相关联，而旱地撂荒则与干湿度、植被生产力、人口密度和土壤养分等因素关联更强。敏感性分析表明，去除高方差膨胀因子(VIF>10)变量后，模型性能变化很小，TC始终排名第一，SHAP排序与全模型高度一致(Spearman相关系数均值0.971)。

**3.3 耕地保护分区管理。** 1993—2023年，吉安市耕地撂荒风险总体上升。水田平均相对风险得分从0.27升至0.37，增加约37%；旱地从0.22升至0.40，增加81.8%。风险等级构成中，低风险比例下降，中高风险区显著扩张。2023年，水田中低、中低、中高和高风险面积占比分别为50.83%、12.56%、18.56%和18.05%；旱地对应比例为36.43%、26.72%、32.27%和4.59%。高风险区域主要分布在南部、西部和东部的山区及丘陵带，井冈山市水田高风险比例达42.11%，永丰县旱地平均风险得分0.66。乡镇级K-means聚类将水田划分为生态生产主导型(102个乡镇)、综合条件均衡型(170个)和地形区位约束型(9个)；旱地划分为人口集中型(8个)、水热养分约束型(75个)和生态生产综合型(114个)。通过风险等级与关联因素类型的决策矩阵，水田被划分出核心保护区161个乡镇(57.30%)、动态预警区76个(27.05%)、综合整治区38个(13.52%)和生态休养区6个(2.14%)；旱地对应为82个(41.62%)、71个(36.04%)、43个(21.83%)和1个(0.51%)。四类区域的平均风险得分依次升高，表明分区结果与风险水平具有一致性。

**讨论与结论。** 吉安市耕地撂荒的空间格局与南方丘陵山区的地貌结构和农业生产条件高度吻合，盆地和平原撂荒率长期较低，而山区丘陵因地块破碎、坡度大、可达性差和劳动力外流，更易发生撂荒。模型预测关联表明撂荒受自然背景、区位和社会经济因素共同影响，而非单一因子线性作用。水田和旱地的差异化关联特征提示管理策略应有所侧重：水田应优先调查生产约束和可达性，旱地则需加强土壤改良和农业服务支持。风险分区管理框架将相对风险与关联因素耦合，为农田保护提供了差异化路径，其中核心保护区应保持稳定耕作，动态预警区需持续监测，综合整治区要针对性地改善地形、土壤和服务条件，生态休养区则适宜低扰动利用或生态恢复。研究也存在局限，如Landsat 30米分辨率在破碎景观中可能产生混合像元，物候参考观测仅来自2023年且部分作物样本较少，政策与农户行为变量未完全表征等。未来可结合Sentinel-2、合成孔径雷达(SAR)和无人机数据，并引入政策与家户调查数据，进一步提升识别精度和解释能力。总体而言，该研究为南方丘陵山区耕地撂荒监测、差异化治理和精细化管理提供了科学依据和方法参考。