楊 通 郭旭東 岳德鵬 汪曉帆 韓圣其

(1.北京林業(yè)大學(xué)精準(zhǔn)林業(yè)北京市重點(diǎn)實(shí)驗(yàn)室， 北京 100083；2.中國(guó)土地勘測(cè)規(guī)劃院自然資源部土地利用重點(diǎn)實(shí)驗(yàn)室， 北京 100035)

0 引言

現(xiàn)階段撂荒地提取方法主要分為：①基于遙感圖像的分類方法，如目視解譯[1-2]、監(jiān)督分類[3-8]、面向?qū)ο蠓诸怺9-10]等。②基于變化檢測(cè)的方法，如直接變化檢測(cè)[5]、分類后變化檢測(cè)[11-13]、植被指數(shù)變化檢測(cè)[14]、非遙感數(shù)據(jù)(主要為GIS數(shù)據(jù))的變化檢測(cè)等[15]。

分類方法的前提是基于撂荒地與其他地類存在顯著差別，但撂荒地的地表覆被復(fù)雜，樣本可分離度低，容易與裸地、草地、灌木等地類混分。變化檢測(cè)方法的前提是基于耕地在監(jiān)測(cè)周期內(nèi)發(fā)生撂荒，但對(duì)于監(jiān)測(cè)周期之前已經(jīng)發(fā)生的撂荒地?zé)o能為力，且容易受非耕地變化噪聲影響。此外，遙感數(shù)據(jù)本身也存在一定限制，中低分?jǐn)?shù)據(jù)空間分辨率低，不足以提取撂荒地；高分?jǐn)?shù)據(jù)重訪周期長(zhǎng)、幅寬小，難以保證大區(qū)域的時(shí)空覆蓋，且易受地形、云層干擾。再加上撂荒地存在多種類型(完全撂荒、半撂荒、過(guò)渡撂荒)[1]，不同區(qū)域的作物特征和種植制度也有差別，因此，用傳統(tǒng)方法提取撂荒地困難。

本文提出基于多源數(shù)據(jù)的聯(lián)合變化檢測(cè)方法提取撂荒地。首先利用多源高分遙感數(shù)據(jù)的觀測(cè)頻度優(yōu)勢(shì)，保證研究區(qū)的時(shí)空覆蓋和晴空數(shù)據(jù)比重；其次利用地理信息調(diào)查數(shù)據(jù)圈定耕地范圍和退耕還林范圍，以減少非耕地變化噪聲干擾；最后，針對(duì)不同類型的撂荒地分別提出年內(nèi)檢測(cè)法和年際檢測(cè)法，并耦合為聯(lián)合變化檢測(cè)法。利用該方法提取撂荒地的距離特征、高差特征、鄰域特征及灌溉特征，并對(duì)上述特征進(jìn)行統(tǒng)計(jì)分析及顯著性分析，以期得到區(qū)域撂荒主導(dǎo)因素，為定向提升撂荒地管理提供依據(jù)。

1 數(shù)據(jù)與方法

1.1 研究區(qū)概況

圖1 研究區(qū)地理位置圖Fig.1 Geographical location map of research area

1.2 數(shù)據(jù)來(lái)源

遙感數(shù)據(jù)源包括高分一號(hào)衛(wèi)星(GF-1)8、16 m多光譜影像；高分二號(hào)衛(wèi)星(GF-2)4 m多光譜影像；資源三號(hào)衛(wèi)星(ZY-3)6 m多光譜影像；哨兵二號(hào)衛(wèi)星(Sentinel-2A)10 m多光譜影像。獲取2014—2017年每年春(5月)、夏(7—8月)、秋(9月下旬—10月上旬)多源遙感影像106景，依據(jù)“無(wú)云數(shù)據(jù)優(yōu)先、高分?jǐn)?shù)據(jù)優(yōu)先、高可靠性數(shù)據(jù)優(yōu)先”原則篩選可用影像63景，經(jīng)處理得到覆蓋全縣的12期高分辨率遙感影像數(shù)據(jù)，其中，國(guó)產(chǎn)衛(wèi)星數(shù)據(jù)來(lái)源于中國(guó)土地勘測(cè)規(guī)劃院，哨兵數(shù)據(jù)來(lái)源于歐空局(ESA)官網(wǎng)，有效載荷技術(shù)指標(biāo)見(jiàn)表1。

表1 衛(wèi)星有效載荷技術(shù)指標(biāo)Tab.1 Satellite payload technical index

遙感數(shù)據(jù)源共計(jì)4種衛(wèi)星、5種傳感器，各傳感器均具備可見(jiàn)光到近紅外波段，且各波段中心波長(zhǎng)一致，具備數(shù)據(jù)融合的基礎(chǔ)。地理信息數(shù)據(jù)包括全國(guó)土地利用變更調(diào)查數(shù)據(jù)、退耕還林?jǐn)?shù)據(jù)。輔助數(shù)據(jù)集包括GDEMDEM的30 m DEM數(shù)據(jù)、設(shè)施占地?cái)?shù)據(jù)、統(tǒng)計(jì)數(shù)據(jù)及問(wèn)卷調(diào)查數(shù)據(jù)。其中，土地變更調(diào)查數(shù)據(jù)來(lái)源于中國(guó)土地勘測(cè)規(guī)劃院，退耕還林?jǐn)?shù)據(jù)來(lái)源于和林格爾縣林業(yè)局，設(shè)施占地?cái)?shù)據(jù)來(lái)源于地方網(wǎng)站，DEM數(shù)據(jù)來(lái)源于地理空間數(shù)據(jù)云。數(shù)據(jù)源時(shí)相分布見(jiàn)表2。

1.3 原理與方法

變化檢測(cè)方法是利用地物在時(shí)間維度的變化情況，回避了易混地類樣本可分離度低的問(wèn)題，且該方法受地形影響較小，相對(duì)適宜提取撂荒地。但是該方法不能提取監(jiān)測(cè)周期以前發(fā)生的撂荒地，也易受非耕地變化因素干擾。為解決這兩個(gè)問(wèn)題，首先需要將ROI定位在耕地范圍，然后在ROI內(nèi)提取正在種植耕地，兩者相減可得未種植耕地，即撂荒地。該方法有賴于對(duì)農(nóng)作物的精確提取，需對(duì)研究區(qū)的主要農(nóng)作物類型、特征、種植制度予以統(tǒng)計(jì)分析，在此基礎(chǔ)上確定數(shù)據(jù)時(shí)相和變化閾值。此外，利用多源數(shù)據(jù)的高時(shí)空分辨率和高晴空數(shù)據(jù)比，可有效提高監(jiān)測(cè)精度。最后，對(duì)不同類型的撂荒地需采取不同的提取策略。參考?xì)W盟環(huán)境政策研究所關(guān)于撂荒地的定義[1]，并結(jié)合研究區(qū)的實(shí)際情況，本研究將連續(xù)2年及2年以上未種植的耕地歸入完全撂荒；將一年未耕種的耕地歸入半撂荒；將退耕還林、設(shè)施占地造成的短期撂荒歸入過(guò)渡撂荒。用年內(nèi)檢測(cè)法提取完全撂荒，用年際檢測(cè)法提取半撂荒，用退耕還林、設(shè)施占地?cái)?shù)據(jù)提取過(guò)渡撂荒，對(duì)上述方法進(jìn)行耦合分析，聯(lián)合變化檢測(cè)撂荒地提取方法技術(shù)體系如圖2所示。

表2 數(shù)據(jù)源時(shí)相分布Tab.2 Data source phase distribution

圖2 技術(shù)路線圖Fig.2 Technical roadmap

1.3.1多源數(shù)據(jù)預(yù)處理

所選4種高分衛(wèi)星在所需波段上的中心波長(zhǎng)一致，具備數(shù)據(jù)融合的基礎(chǔ)。通過(guò)野外踏勘建立聯(lián)合平差控制點(diǎn)，用七參數(shù)法將所有坐標(biāo)系統(tǒng)轉(zhuǎn)換為WGS84坐標(biāo)系統(tǒng)。根據(jù)傳感器的定標(biāo)方程和定標(biāo)系數(shù)，將其記錄的量化DN值轉(zhuǎn)換成對(duì)應(yīng)視場(chǎng)的表觀輻射亮度，再經(jīng)大氣校正獲得地表反射率。使用ATCOR軟件實(shí)現(xiàn)GF-1、GF-2、ZY-3等國(guó)產(chǎn)數(shù)據(jù)的大氣校正；使用Sen2Cor軟件實(shí)現(xiàn)Sentinel-2A的大氣校正。利用ENVI5.3軟件對(duì)所有GF-1、GF-2、ZY-3等國(guó)產(chǎn)數(shù)據(jù)進(jìn)行幾何校正。Sentinel-2A的L1C級(jí)產(chǎn)品為幾何精校級(jí)，可作為參考影像校正其他數(shù)據(jù)。

多源數(shù)據(jù)融合包括高精度幾何相對(duì)校正與相對(duì)輻射歸一化。其中高精度幾何相對(duì)校正以Sentinel-2A數(shù)據(jù)為基準(zhǔn)自動(dòng)選擇控制點(diǎn)以優(yōu)化國(guó)產(chǎn)數(shù)據(jù)的RPC參數(shù)，并結(jié)合DEM實(shí)現(xiàn)高精度幾何相對(duì)校正。相對(duì)輻射歸一化:在輻射定標(biāo)和大氣校正基礎(chǔ)上，將所有數(shù)據(jù)重采樣到10 m空間分辨率，升采樣采用二次線性插值模型，降采樣采用像素聚合模型。依據(jù)重疊區(qū)域直方圖匹配方法將同組數(shù)據(jù)進(jìn)行拼接、勻色和羽化，增強(qiáng)同組數(shù)據(jù)的輻射一致性。

1.3.2主要農(nóng)作物生長(zhǎng)特征統(tǒng)計(jì)

撂荒地提取精度依賴于種植耕地的提取精度。樣本縣主要農(nóng)作物為玉米、馬鈴薯、大豆，還有少量谷子，其余零星播種作物不納入統(tǒng)計(jì)(表3)。主要農(nóng)作物生長(zhǎng)期的NDVI特征統(tǒng)計(jì)如圖3所示。由圖3可知，玉米和谷子的NDVI較高，馬鈴薯次之，大豆最低。5月所有作物NDVI略有下降，可能是播種期除草所致；6—8月NDVI持續(xù)增長(zhǎng)，于8—9月間達(dá)到峰值；9—10月收割期NDVI陡降；11月天氣轉(zhuǎn)冷，雜草枯死，NDVI繼續(xù)降低。撂荒地的NDVI在8月以前持續(xù)上升，于8月達(dá)到峰值，8月后逐漸下降。撂荒地與農(nóng)作物在8月峰值的區(qū)別度較大，在5—8月、8—10月的變化梯度差異更為顯著?？傮w而言，研究區(qū)的主要農(nóng)作物與撂荒地的NDVI峰值和變化梯度具有較高的區(qū)別度，以此作為閾值分割的基礎(chǔ)和聯(lián)合變化檢測(cè)的前提。

表3 主要農(nóng)作物特征Tab.3 Characteristics of main crops

圖3 農(nóng)作物生長(zhǎng)期NDVI曲線Fig.3 NDVI curves of crops during growth period

1.3.3閾值分割算法實(shí)驗(yàn)

圖4 NDVI閾值分割算法對(duì)比Fig.4 Comparison of NDVI threshold segmentation algorithms

閾值分割是變化檢測(cè)的核心，分割精度直接決定方法總體精度[16]。目前較為成熟的自動(dòng)閾值分割算法包括基于直方圖形狀的Otsu算法[17]、基于力矩的Tsai算法[18]、基于信息熵的Kapur算法[19]及基于直方圖雙峰的Kittler算法[20]。本研究采用基于樣本統(tǒng)計(jì)的閾值分割方法。以年內(nèi)檢測(cè)法為例，5種算法進(jìn)行對(duì)比如圖4所示。由圖4可知，Kapur算法與Kittler算法振幅較大，極不穩(wěn)定。Otsu算法與Tsai算法振幅較小，且具有較好的一致性。樣本統(tǒng)計(jì)分割閾值經(jīng)2017年實(shí)地驗(yàn)證精度為97.6%(2.2節(jié))，故以2017年的閾值分割及地物信息為基準(zhǔn)，控制2014—2016年的閾值分割?？傮w而言，研究區(qū)的閾值分布區(qū)間為0.3～0.4，最接近此區(qū)間為Tsai算法。

1.3.4聯(lián)合變化檢測(cè)

聯(lián)合變化檢測(cè)由年內(nèi)檢測(cè)法和年際檢測(cè)法組成，其原理是：農(nóng)作物由于耕作措施，在成熟期的NDVI最大值通常高于自然植被(雜草、灌木)。且農(nóng)作物收割后，其NDVI在秋季會(huì)發(fā)生陡降，而自然植被不收割，故農(nóng)作物在生長(zhǎng)期的NDVI變化梯度顯著高于自然植被(圖3)。基于此，分別做3次變化檢測(cè)，按數(shù)據(jù)時(shí)相分為2次年內(nèi)檢測(cè)和1次年際檢測(cè)，對(duì)檢測(cè)結(jié)果做交集、并集處理以提取撂荒地。

年內(nèi)檢測(cè)法：以土地變更調(diào)查數(shù)據(jù)中的耕地地類為總耕地，通過(guò)遙感影像提取正在種植耕地，用總耕地減去正在種植耕地，間接提取未種植耕地，即撂荒地。首先，以耕地矢量圖層對(duì)遙感圖像進(jìn)行掩膜，去除耕地范圍外的變化地物干擾，提取總耕地。然后，利用農(nóng)作物NDVI的季節(jié)變化分別進(jìn)行春-夏、夏-秋兩次變化檢測(cè)，對(duì)兩次檢測(cè)結(jié)果取交集，提取“正在種植耕地”。由圖3可知，春、夏、秋NDVI變化梯度最大的時(shí)相分別是5、8、10月，宜選用相應(yīng)月份的遙感數(shù)據(jù)。變化檢測(cè)采用圖像差值法，平滑核為3，最小聚類值為20，閾值分割以農(nóng)作物統(tǒng)計(jì)結(jié)果和算法實(shí)驗(yàn)為參照。最后，以總耕地減去正在種植耕地得到未種植耕地，即撂荒地。

年際檢測(cè)法：撂荒地在撂荒前和撂荒后的地表覆被不同，NDVI變化明顯。經(jīng)實(shí)地調(diào)研，研究區(qū)的撂荒地地表覆被主要為草地，新撂荒的地塊雜草較為稀疏，長(zhǎng)期撂荒的地塊雜草較為茂密?；诖?，以耕地矢量圖層對(duì)遙感圖像掩膜，將ROI限定在耕地范圍內(nèi)，并對(duì)前后兩年的夏季遙感影像ROI進(jìn)行變化檢測(cè)，將NDVI明顯小于前一年的耕地斑塊提取出來(lái)，即當(dāng)年新增加的撂荒地。

聯(lián)合變化檢測(cè)方法提取全類型撂荒地的計(jì)算式為

A=AC+AH+AT

(1)

其中

AC=A1∪A2-AT-AH

(2)

AH=A2-A2∩AT

(3)

AT=T+B

(4)

式中A——總撂荒AC——完全撂荒

AH——半撂荒AT——過(guò)渡撂荒

A1——年內(nèi)檢測(cè)法提取撂荒斑塊集合

A2——年際檢測(cè)法提取撂荒斑塊集合

T——退耕還林B——設(shè)施占地

2 結(jié)果與分析

2.1 聯(lián)合變化檢測(cè)提取結(jié)果

利用多源數(shù)據(jù)、聯(lián)合變化檢測(cè)方法對(duì)研究區(qū)的撂荒地進(jìn)行全類型提取。以2014年為基準(zhǔn)年，全類型撂荒地提取結(jié)果見(jiàn)圖5(2014年沒(méi)有退耕還林工程，2017年尚未完成小班驗(yàn)證)。由聯(lián)合變化檢測(cè)結(jié)果可知，種植耕地主要分布于和林格爾縣西北部土默川平原，及縣域內(nèi)兩條河流沿岸區(qū)域。西北部平原因地形平整、易于灌溉和機(jī)械化種植，撂荒較少。同時(shí)，河岸附近耕地多為沖洪積地貌，地形相對(duì)平整，方便耕種且農(nóng)作物產(chǎn)量較高，幾乎不存在撂荒現(xiàn)象。從河岸向兩側(cè)山區(qū)輻射，因機(jī)械化種植的難度加大，農(nóng)作物產(chǎn)量降低，導(dǎo)致撂荒地逐漸增多，可見(jiàn)地形是影響和林格爾縣山區(qū)丘陵耕地撂荒的重要自然因素。

圖5 聯(lián)合變化檢測(cè)方法提取結(jié)果Fig.5 Extraction result maps of joint change detection method

2.2 精度評(píng)價(jià)

圖6 驗(yàn)證點(diǎn)位Fig.6 Verifying point bitmap

結(jié)合野外實(shí)地驗(yàn)證和目視解譯兩種方法評(píng)價(jià)精度。在提取的2017年撂荒地圖斑上，用ArcGIS 10.5軟件生成均勻分布的450個(gè)隨機(jī)點(diǎn)(圖6)，其中年際檢測(cè)法提取230個(gè)點(diǎn)，年內(nèi)檢測(cè)法提取220個(gè)點(diǎn)，最小點(diǎn)距為150 m。對(duì)450個(gè)驗(yàn)證點(diǎn)中的120個(gè)點(diǎn)進(jìn)行野外實(shí)地考察驗(yàn)證，其余330個(gè)驗(yàn)證點(diǎn)由Sentinel-2A(分辨率10 m)數(shù)據(jù)進(jìn)行目視解譯驗(yàn)證。經(jīng)驗(yàn)證，聯(lián)合變化檢測(cè)方法于2017年提取撂荒地總體精度為97.6%，說(shuō)明撂荒地提取結(jié)果真實(shí)可信，方法可行。此外，基于圖5b分類結(jié)果生成200個(gè)隨機(jī)點(diǎn)以評(píng)估分類精度。參照數(shù)據(jù)為同年GF-2數(shù)據(jù)(1 m全色、4 m多光譜)，評(píng)估方式為目視驗(yàn)證，評(píng)估結(jié)果見(jiàn)表4。

基于表4計(jì)算2015年的總體分類精度為94.5%，Kappa系數(shù)為0.88。保障方法有效性及觀測(cè)精度需注意：①研究前期進(jìn)行實(shí)地踏勘，建立農(nóng)作物及撂荒地樣本知識(shí)庫(kù)。②多源數(shù)據(jù)的組合原則：無(wú)云數(shù)據(jù)優(yōu)先、高時(shí)空數(shù)據(jù)優(yōu)先、高質(zhì)量數(shù)據(jù)優(yōu)先。③以高質(zhì)量數(shù)據(jù)(Sentinel-2A)為基準(zhǔn)，盡量削弱多源數(shù)據(jù)的系統(tǒng)差異，平滑NDVI突變。④閾值分割以各地類樣本統(tǒng)計(jì)為基礎(chǔ)，綜合考慮時(shí)相跨度和年際降雨量變化。

表4 混淆矩陣Tab.4 Confusion matrix

2.3 區(qū)域撂荒綜合分析

完全撂荒主要分布于西南及東南部的黃土丘陵區(qū)以及東北部山區(qū)。值得注意的是，完全撂荒在一些區(qū)域(西南、東南)已呈集中連片之勢(shì)，并完全取代了種植耕地，說(shuō)明此區(qū)域人口大量遷出、村莊衰落，農(nóng)業(yè)完全廢棄。

半撂荒在全縣零星分布，分布于平原區(qū)的半撂荒多為休耕地，待地力恢復(fù)后繼續(xù)耕種；分布于山區(qū)丘陵的半撂荒則有很大概率在第2年繼續(xù)撂荒，最終轉(zhuǎn)為完全撂荒。

過(guò)渡撂荒在研究區(qū)有兩種形式：退耕還林和設(shè)施占地。研究區(qū)每年退耕還林666.7 hm2耕地，各個(gè)鄉(xiāng)鎮(zhèn)平均分配，山區(qū)鄉(xiāng)鎮(zhèn)較多。設(shè)施占地方面較大型的占地項(xiàng)目為“盛樂(lè)國(guó)際機(jī)場(chǎng)項(xiàng)目”，計(jì)劃征收2 266.7 hm2土地，主要涉及西北4個(gè)行政村，截至目前尚未征收完畢。對(duì)已有退耕還林及設(shè)施占地?cái)?shù)據(jù)進(jìn)行數(shù)字化、坐標(biāo)轉(zhuǎn)換、配準(zhǔn)等處理，并與其他數(shù)據(jù)耦合分析以提取過(guò)渡撂荒。對(duì)種植耕地和全類型撂荒地進(jìn)行統(tǒng)計(jì)如圖7所示，其中，農(nóng)作物播種面積數(shù)據(jù)來(lái)源于和林格爾縣2014—2017年的國(guó)民經(jīng)濟(jì)和社會(huì)發(fā)展統(tǒng)計(jì)公報(bào)。

圖7 種植耕地及全類型撂荒地面積Fig.7 Area of cultivated land and all types of abandoned land

與統(tǒng)計(jì)公報(bào)中的全年農(nóng)作物播種面積相比，所述聯(lián)合變化檢測(cè)法提取的種植耕地面積與之相仿，4年組間平均偏差為4.9%，表明所述方法的提取結(jié)果較為可信。研究區(qū)撂荒類型以完全撂荒為主，半撂荒和過(guò)渡撂荒較少；撂荒地多分布于山區(qū)丘陵，平原分布較少。該縣2014年撂荒率為37.8%，2015年為32.4%，2016年為36.7%，2017年為39%，4年平均撂荒率為36.5%，撂荒情況較為嚴(yán)重?？傮w撂荒規(guī)模相對(duì)穩(wěn)定，組內(nèi)偏差最大的2015年為11.1%，其余3年偏差較小。結(jié)合農(nóng)戶問(wèn)卷和野外踏勘發(fā)現(xiàn)，造成研究區(qū)高撂荒率的原因是多方面的。內(nèi)源性因素為：①和林格爾縣山區(qū)、黃土丘陵區(qū)地貌接近80%，耕作難度大、人力成本高。②研究區(qū)的耕地質(zhì)量較差，絕大部分為11～15等耕地，土質(zhì)貧瘠，產(chǎn)出較低。③研究區(qū)為典型的農(nóng)牧交錯(cuò)區(qū)，農(nóng)牧文化并存，一些農(nóng)民更愿意棄耕還牧。④和林格爾縣距自治區(qū)首府呼和浩特僅60 km，根據(jù)人口遷移的“引力理論”[21]，較高的人口規(guī)模及GDP、較短的距離，會(huì)對(duì)樣本縣人口產(chǎn)生較強(qiáng)的吸附力。外源性因素為：①隨著城市化進(jìn)程的加快，勞動(dòng)力老齡化逐年加劇。②較高的種植成本及較低的機(jī)械化程度導(dǎo)致山區(qū)耕地流轉(zhuǎn)困難。平原區(qū)的半撂荒多為主動(dòng)撂荒，具備復(fù)耕潛力；山區(qū)的完全撂荒則多為被動(dòng)撂荒。高撂荒率會(huì)進(jìn)一步加速村莊邊際化，直至村莊完全廢棄。

2.4 空間特征提取及統(tǒng)計(jì)分析

以聯(lián)合變化檢測(cè)法提取的撂荒地斑塊為基礎(chǔ)，結(jié)合30 m DEM數(shù)據(jù)，以及圖6的隨機(jī)驗(yàn)證點(diǎn)和二調(diào)數(shù)據(jù)的旱地、水澆地、建筑用地、村莊邊界等信息，可以提取4種空間特征指標(biāo)，分別是：撂荒地塊距村莊中心距離、撂荒地塊距村莊中心高差、撂荒地塊的灌溉類型(旱地/水澆地)、撂荒地塊的鄰接關(guān)系?？紤]到坡度可由距離和高差求得，導(dǎo)致多重共線性，故不予提取?？臻g特征統(tǒng)計(jì)信息見(jiàn)圖8。

由圖8a可知，大多數(shù)撂荒地塊分布在所屬村莊的2 km以內(nèi)。究其原因，平原區(qū)人口稠密，村莊之間距離很近；而山區(qū)的部分村莊完全廢棄，全部撂荒。計(jì)算距離平均值發(fā)現(xiàn)，研究區(qū)的撂荒地距所屬村莊中心的平均距離為1.17 km，可見(jiàn)距離對(duì)撂荒的影響并不顯著。

以村莊中心高程為基準(zhǔn)高程，基于30 m DEM數(shù)據(jù)對(duì)撂荒地距所屬村莊的高差進(jìn)行統(tǒng)計(jì)，得出研究區(qū)撂荒地平均高于村莊基準(zhǔn)面40.8 m，且近40%的撂荒地塊高于村莊基準(zhǔn)面60 m以上(圖8b)，撂荒地受高差因素影響顯著。結(jié)合實(shí)地調(diào)研分析，高差對(duì)撂荒的驅(qū)動(dòng)作用力限制了農(nóng)用機(jī)械的使用，增加了勞動(dòng)力成本。

以二調(diào)數(shù)據(jù)為本底，對(duì)研究區(qū)耕地、撂荒地的旱地/水澆地屬性類別進(jìn)行統(tǒng)計(jì)(圖8c)，得出全縣耕地的旱地比例為72.3%，全縣撂荒地的旱地比例為89.6%。撂荒地旱地比例遠(yuǎn)高于耕地旱地比例，說(shuō)明灌溉條件是決定耕地撂荒與否的重要因素之一。

圖8 空間特征統(tǒng)計(jì)四維雷達(dá)圖Fig.8 Four-dimensional radar maps of statistical spatial characteristics

由圖8d可得，樣本縣81.9%的半撂荒地塊緊鄰?fù)耆袒牡貕K，83.1%的完全撂荒地塊彼此相鄰。一方面農(nóng)戶決策易受相鄰其他農(nóng)戶決策的影響；另一方面，局部區(qū)域的耕地內(nèi)源性因素相似，撂荒地會(huì)向相似條件的地塊蔓延。

3 結(jié)論

(1)提出了耦合年內(nèi)檢測(cè)法和年際檢測(cè)法的聯(lián)合變化檢測(cè)方法，為基于遙感的區(qū)域撂荒地識(shí)別提供了快速有效的技術(shù)方法與體系。該方法對(duì)撂荒地的提取精度為97.6%，全類型分類精度為94.5%，Kappa系數(shù)為0.88。

(2)研究區(qū)撂荒地距村莊中心的平均距離為1.17 km，平均高差為40.8 m，旱地比例為89.6%(耕地為72.3%)，鄰接比例超過(guò)81%，結(jié)果表明研究區(qū)的撂荒驅(qū)動(dòng)因素以高差因素、鄰域因素和灌溉因素最為顯著，距離因素不顯著。針對(duì)多源數(shù)據(jù)的特征提取及顯著性分析，有助于判別區(qū)域撂荒主導(dǎo)因素，為撂荒驅(qū)動(dòng)力研究、定向提升撂荒地管理方法提供依據(jù)。

(3)研究區(qū)2014—2017年撂荒率均超過(guò)32%，南部黃土丘陵區(qū)部分村莊完全廢棄，全部撂荒。