丁 銳 ，張二梅 ，謝紫菁，紀(jì)文政 ，邵懷勇

（成都理工大學(xué)，a.國(guó)土資源部地學(xué)空間信息技術(shù)重點(diǎn)實(shí)驗(yàn)室；b.地球科學(xué)學(xué)院，成都 610059）

在快速工業(yè)化、城鎮(zhèn)化進(jìn)程中，受農(nóng)地利用“邊際化規(guī)律”作用，農(nóng)地棄耕撂荒已成為普遍現(xiàn)象［1］。農(nóng)地邊際化是指農(nóng)地收入由低到少的現(xiàn)象，是社會(huì)、經(jīng)濟(jì)、政治等多種因素影響的結(jié)果。撂荒地的時(shí)空變化對(duì)糧食安全、生態(tài)環(huán)境的穩(wěn)定性以及社會(huì)經(jīng)濟(jì)效益都有著非常重要的影響［2］。省際邊界區(qū)是指中國(guó)省際行政區(qū)劃邊緣交界區(qū)域。省際邊界地區(qū)遠(yuǎn)離各地區(qū)省會(huì)城市，難以受到強(qiáng)經(jīng)濟(jì)中心的輻射作用，且處于不同省級(jí)行政單元交界地區(qū)，容易產(chǎn)生政策不同步、各自為政的現(xiàn)象，嚴(yán)重制約了當(dāng)?shù)氐慕?jīng)濟(jì)增長(zhǎng)和區(qū)域協(xié)調(diào)發(fā)展。由于經(jīng)濟(jì)發(fā)展的不平衡、不充分，撂荒現(xiàn)象在省界邊際地區(qū)表現(xiàn)得尤為明顯。

對(duì)于耕地撂荒現(xiàn)象，遙感技術(shù)在撂荒地研究中發(fā)揮的作用日趨明顯。國(guó)內(nèi)學(xué)者利用遙感數(shù)據(jù)采用了諸多方法進(jìn)行研究［3-6］。主要可分為面向?qū)ο蟮姆治龇椒ā⒒诙喑叨确中翁卣鞯奶崛?、基于決策樹分類方法和聯(lián)合變化檢測(cè)法等。國(guó)外學(xué)者［7-9］針對(duì)歐洲大面積連片耕地撂荒現(xiàn)象，主要采用基于MODIS NDVI時(shí)間序列的方法進(jìn)行撂荒地提取，但由于分辨率因素和國(guó)內(nèi)撂荒破碎分布的現(xiàn)狀，在國(guó)內(nèi)研究中應(yīng)用存在一定限制。張碧蓉等［10］針對(duì)不同分辨率影像的撂荒地提取方法進(jìn)行了對(duì)比分析，發(fā)現(xiàn)針對(duì)中分辨率的Landsat影像，利用地物光譜曲線差異，撂荒地提取采用決策樹分類方法效果較好。決策樹結(jié)合多項(xiàng)指標(biāo)，在中分辨率撂荒地識(shí)別提取中具有明顯優(yōu)勢(shì)。為此，本文選取冀魯豫三省交界處的6個(gè)縣（市）作為研究區(qū)，運(yùn)用CART決策樹分類方法對(duì)數(shù)據(jù)初步分類，結(jié)合土地流轉(zhuǎn)方法提取撂荒地，從而分析撂荒地空間格局、撂荒復(fù)墾、持續(xù)撂荒現(xiàn)象并結(jié)合經(jīng)濟(jì)指標(biāo)研究其驅(qū)動(dòng)因素，以期為省際邊緣地區(qū)撂荒地提取及分析研究提供案例。

1 研究區(qū)概況與數(shù)據(jù)來(lái)源

本研究以河北省邯鄲市魏縣、大名縣，山東省聊城市冠縣、莘縣，河南省濮陽(yáng)市南樂(lè)縣、清豐縣6個(gè)冀魯豫三省交界處的縣級(jí)行政單元為研究區(qū)。這一區(qū)域地處華北平原，位于黃河下游，地理坐標(biāo)為35°46′26″-36°42′12″N、114°43′42″-115°46′43″E，陸地面積5 935.6 km2，為溫帶大陸性季風(fēng)氣候，雨熱同期，光照充足。研究區(qū)經(jīng)濟(jì)以第一產(chǎn)業(yè)為支柱，主要農(nóng)作物有小麥、玉米、棉花、蔬菜等。其中魏縣、大名縣為國(guó)家重點(diǎn)貧困縣，經(jīng)濟(jì)較為落后，伴隨著城鎮(zhèn)建設(shè)速度的加快，當(dāng)?shù)馗卮罅繙p少，同時(shí)也出現(xiàn)了耕地撂荒現(xiàn)象，嚴(yán)重影響當(dāng)?shù)丶Z食產(chǎn)量。因此，選取冀魯豫省際交界處的6個(gè)縣，提取撂荒地?cái)?shù)量并分析其分布狀況。

研究所用的數(shù)據(jù)為美國(guó)地質(zhì)勘探局（USGS）（http：//glovis.usgs.gov/）提供的 2000—2018 年 30 m分辨率的Landsat數(shù)據(jù)，作為地物識(shí)別分類的基礎(chǔ)數(shù)據(jù)。因?yàn)?—6月作物生長(zhǎng)茂盛，易于區(qū)分耕地與建筑用地、水體、裸地的特征，因此選取該時(shí)間段影像清晰、云量較少的遙感影像作為當(dāng)年的地物識(shí)別底圖，每年選取一幅，2000—2018共19幅影像。除此之外，還使用 USGS（https：//gdex.cr.usgs.gov）提供的30 m分辨率SRTM DEM數(shù)字高程數(shù)據(jù)，以此提取坡度作為決策樹分類依據(jù)；并利用Google Earth影像和部分其他高分辨率影像數(shù)據(jù)作為地物特征點(diǎn)識(shí)別依據(jù)，用于結(jié)果精度檢驗(yàn)；最后結(jié)合各省經(jīng)濟(jì)年鑒數(shù)據(jù)分析耕地撂荒驅(qū)動(dòng)因素。

2 研究方法

2.1 撂荒地界定

關(guān)于撂荒地的定義，綜合國(guó)內(nèi)外研究，一部分學(xué)者將耕地閑置一年以上視為撂荒，一部分學(xué)者將耕地閑置3個(gè)月或以上定義為撂荒，也有一部分學(xué)者以此為基礎(chǔ)，將耕地撂荒分為季節(jié)性撂荒和常年性撂荒［11-13］。本文結(jié)合前人研究結(jié)果以及研究區(qū)撂荒特點(diǎn)，對(duì)撂荒地識(shí)別定義為：前一年的耕地在第二年轉(zhuǎn)化為裸地區(qū)域定為當(dāng)年耕地撂荒區(qū)域，前一年的撂荒地在第二年又轉(zhuǎn)化為耕地部分定義為復(fù)墾區(qū)域。

2.2 研究技術(shù)路線

研究流程分為以下四步，第一步：對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，結(jié)合多項(xiàng)參數(shù)生成新的波段組合影像；第二步：根據(jù)新的波段組合影像進(jìn)行CART決策樹分類，得到2000—2018年歷年的土地利用圖；第三步：結(jié)合驗(yàn)證樣本對(duì)分類結(jié)果進(jìn)行精度驗(yàn)證；第四步：每?jī)赡攴诸惤Y(jié)果疊加，得到土地流轉(zhuǎn)結(jié)果，識(shí)別每年撂荒地并分析撂荒地空間分布、計(jì)算撂荒面積、復(fù)墾率、持續(xù)撂荒及結(jié)合當(dāng)?shù)亟?jīng)濟(jì)年鑒數(shù)據(jù)探尋撂荒驅(qū)動(dòng)因素。技術(shù)路線圖如圖1所示。

2.2.1 數(shù)據(jù)預(yù)處理 首先對(duì)2000—2018年Landsat遙感影像進(jìn)行預(yù)處理，包括研究區(qū)邊界掩膜裁剪、快速大氣校正，由于2012年Landsat7影像數(shù)據(jù)存在條帶，因此對(duì)2012年數(shù)據(jù)進(jìn)行插值條帶修復(fù)處理；處理完成后，根據(jù)影像波段信息計(jì)算歸一化差分植被指數(shù) （Normalized Difference Vegetation Index，NDVI）、歸一化差分建筑指數(shù)（Normalized Difference Built-up Index，NDBI）、歸一化差分水體指數(shù)（Normalized Difference Water Index，NDWI）值，利用這 3個(gè)歸一化指數(shù)有助于提高決策樹模型的精度，更好區(qū)分植被、水體、裸地三類地物的特征，其計(jì)算公式如下：

圖1 技術(shù)路線圖

式中，NIR代表近紅外波段，R代表可見光紅光波段，G代表可見光綠光波段，SWIR代表短波紅外波段。

在ENVI 5.3軟件中使用ISODATA非監(jiān)督分類方法，迭代次數(shù)設(shè)置為10次，類別設(shè)置為10～15類，得到ISODATA分類結(jié)果，并根據(jù)DEM數(shù)據(jù)在ArcMap 10.3軟件裁剪研究區(qū)進(jìn)行坡度計(jì)算，得到坡度結(jié)果；將原始 Landsat影像與 NDVI、NDBI、NDWI、ISODATA初步分類結(jié)果和坡度結(jié)果進(jìn)行波段組合，得到新的決策樹分類基礎(chǔ)數(shù)據(jù)。

2.2.2 執(zhí)行決策樹分類 CART（Classification and Regression Tree）相較于其他決策樹方法，具有嚴(yán)格無(wú)參數(shù)、方法實(shí)現(xiàn)簡(jiǎn)單、運(yùn)行速度較快、結(jié)構(gòu)清晰及易理解等優(yōu)點(diǎn)［14］，被稱為是數(shù)據(jù)挖掘領(lǐng)域的里程碑式算法。決策樹由節(jié)點(diǎn)和分支組成，根據(jù)地物光譜特征等事物的自身屬性進(jìn)行不同類別的區(qū)分，采用屬性和特征已知的訓(xùn)練集構(gòu)建決策樹模型。將測(cè)試數(shù)據(jù)放入決策樹模型，根據(jù)其屬性信息依次判斷測(cè)試集中對(duì)象所屬的地物類別，最終得到分類結(jié)果。CART算法利用二分遞歸原理，將當(dāng)前樣本劃分為兩個(gè)子樣本，生成的每個(gè)非葉子節(jié)點(diǎn)都有兩個(gè)分支。如果當(dāng)前節(jié)點(diǎn)的所有樣本不屬于同一類地物或者僅剩下一個(gè)樣本，則該節(jié)點(diǎn)為非葉子節(jié)點(diǎn)，最終每個(gè)屬性的分裂點(diǎn)構(gòu)成判斷條件，該屬性劃分的子樹為最優(yōu)分支。依照上述原則建立出分類樹，再利用剪枝算法對(duì)其進(jìn)行剪枝，最終得到最優(yōu)的決策樹模型。結(jié)合Google Earth高分辨率影像和實(shí)地?cái)?shù)據(jù)，根據(jù)預(yù)處理得到的波段組合新影像選取訓(xùn)練樣本，分別為水體、建筑用地、裸地和農(nóng)田。由于研究區(qū)在2011年后出現(xiàn)大面積大棚種植區(qū)，與農(nóng)田等其他地物有著不同的影像特征，所以2011年后的訓(xùn)練樣本加入大棚區(qū)這一分類。將第一步數(shù)據(jù)預(yù)處理后得到的波段組合的影像和70%的樣本作為訓(xùn)練樣本放入CART分類器中進(jìn)行分類，得到優(yōu)化決策樹模型。再在ENVI 5.3軟件中執(zhí)行建立的決策樹模型，得到土地利用分類結(jié)果。2000—2018年的影像依次處理，得到連續(xù)19年的土地利用分類圖。

2.2.3 精度驗(yàn)證 對(duì)執(zhí)行決策后的分類結(jié)果進(jìn)行精度驗(yàn)證，檢驗(yàn)分類結(jié)果準(zhǔn)確性。將選取樣本數(shù)量的30%用于驗(yàn)證樣本，檢驗(yàn)決策樹分類結(jié)果的準(zhǔn)確性。精度檢驗(yàn)指標(biāo)包括總體精度（Overall Accuracy，OA）、生產(chǎn)者精度（Producer's Accuracy，PA）、用戶精度（User's Accuracy，UA）、錯(cuò)分漏分誤差和 Kappa系數(shù)。經(jīng)過(guò)驗(yàn)證，保證總體精度以及Kappa系數(shù)均在80%以上，錯(cuò)分誤差、漏分誤差小于5%，并且用戶精度與制圖精度也都在80%以上，最終分類精度保持在75%以上為合格。如果精度較低，重復(fù)第二步操作，直至精度滿足要求。

2.2.4 撂荒地識(shí)別提取 撂荒地識(shí)別提取是本研究的關(guān)鍵步驟，其結(jié)果的準(zhǔn)確性關(guān)系著后續(xù)撂荒耕地復(fù)墾和持續(xù)撂荒的精度。根據(jù)“2.1”中關(guān)于撂荒地的定義，將2000—2018年的19幅土地利用結(jié)果以相鄰兩年為單位進(jìn)行連續(xù)比較。從2000年開始，以2000年為基準(zhǔn)年，以2001年為判斷年，判別2001年土地利用結(jié)果變化，若2000年的耕地區(qū)域在2001年轉(zhuǎn)化為裸地，則視該地塊為撂荒；接著以2001年為基準(zhǔn)年，2002年為判別年得到2002年撂荒結(jié)果，以此類推得到2001—2018年18幅撂荒耕地分布圖。

為定量反映當(dāng)年的撂荒情況，引入撂荒率來(lái)反映當(dāng)年撂荒程度，即當(dāng)年的撂荒面積占前一年耕地面積的比重。其表達(dá)式如下：

式中，Paf表示第i+1年的撂荒率；SAi+1表示第i+1年的撂荒地面積；SFi表示第i年的耕地面積。

2.2.5 撂荒地復(fù)墾與持續(xù)提取 撂荒地與耕地常存在相互轉(zhuǎn)換關(guān)系，當(dāng)撂荒耕地在第二年重新耕作，轉(zhuǎn)化為耕地，即為復(fù)墾。根據(jù)2001—2018年的撂荒地識(shí)別結(jié)果，如果同一地塊在第i年為撂荒地，而在第i+1年重新轉(zhuǎn)化為耕地，則視該地塊為復(fù)墾耕地，以此為依據(jù)統(tǒng)計(jì)2002—2018年每年的復(fù)墾面積。根據(jù)每年的復(fù)墾面積，結(jié)合上一年的撂荒面積數(shù)據(jù)，統(tǒng)計(jì)該年的復(fù)墾率，其表達(dá)式如下：

式中，Prf表示第i+1年的復(fù)墾率；SRi+1表示第i+1年的復(fù)墾面積；SAi表示第i年的撂荒面積。

為探尋研究區(qū)持續(xù)撂荒趨勢(shì)，將2001—2018年的撂荒地提取結(jié)果進(jìn)行疊加，得到持續(xù)撂荒分布圖，以此分析研究區(qū)持續(xù)撂荒結(jié)果。

3 結(jié)果與分析

3.1 撂荒地空間格局分析

基于CART決策樹分類方法，根據(jù)多項(xiàng)指標(biāo)因子得到每年的初步土地利用分類結(jié)果。在滿足“2.2.3”中確定的精度要求后，最終獲得了2000—2018年19年的研究區(qū)土地利用圖。根據(jù)“2.2.4”建立的撂荒地提取規(guī)則，將相鄰兩年的土地利用結(jié)果進(jìn)行疊加，得到2001—2018年的撂荒地分布圖（部分年份如圖2所示）。

圖2 研究區(qū)撂荒地分布圖

根據(jù)分類結(jié)果信息，當(dāng)?shù)氐慕ㄖ植汲?“馬蜂窩”式聚集狀，且隨著經(jīng)濟(jì)的發(fā)展，建筑用地面積呈逐漸增加趨勢(shì)，裸地面積逐年減少，其中冠縣和莘縣變化尤其明顯。莘縣境內(nèi)在2011年前后出現(xiàn)較為明顯的大棚種植區(qū)，且大棚區(qū)面積逐年增加，由此可見當(dāng)?shù)卮笈镛r(nóng)業(yè)發(fā)展迅猛，為當(dāng)?shù)氐霓r(nóng)業(yè)經(jīng)濟(jì)發(fā)展作出重要貢獻(xiàn)。由于棉花的生長(zhǎng)周期與當(dāng)?shù)匦←湹绕渌r(nóng)作物不一致，而春季棉花作物的地物特征與裸地極其相似，因此大名縣境內(nèi)在春季的影像分類中存在大面積裸地區(qū)域，通過(guò)高精度影像比對(duì)，確定研究中大名縣境內(nèi)的連片裸地為棉花種植地。由于采取連續(xù)兩年的影像疊置結(jié)合耕地變化提取撂荒區(qū)域，因此這部分棉花地對(duì)最終結(jié)果有一定影響但總體可以接受。

由圖2可知，撂荒地在研究區(qū)范圍內(nèi)均有分布，主要集中在研究區(qū)東北部，南部地區(qū)撂荒程度較輕。在2016和2018年的結(jié)果圖中，撂荒地主要集中在研究區(qū)中部，研究區(qū)邊緣撂荒地分布減少。通過(guò)不同年份的撂荒地結(jié)果對(duì)照比較，可以看出研究區(qū)撂荒地呈明顯減少趨勢(shì)，尤其2016和2018年較2002、2004年等早期年份撂荒地提取結(jié)果呈明顯減少趨勢(shì)。

3.2 撂荒地空間構(gòu)成分析

根據(jù)2001—2018年的撂荒地提取結(jié)果，統(tǒng)計(jì)不同區(qū)（縣）的撂荒面積并計(jì)算每年的撂荒率。結(jié)果表明，2001—2003年撂荒較為嚴(yán)重，其中2002年撂荒率最大為1.78%，撂荒面積6 662.43 hm2。2015年后撂荒率跌破1%，并一直維持在較低水平，其中2017年撂荒率最小，僅為0.52%，該年撂荒面積也最小，為1 956.33 hm2。冀魯豫邊界區(qū)6縣撂荒情況總體控制得不錯(cuò)，每年的撂荒率均小于2%，年均撂荒率為1.34%，撂荒率總體呈下降趨勢(shì)。

將各區(qū)（縣）撂荒面積統(tǒng)計(jì)結(jié)果進(jìn)行對(duì)比（表1），2001—2014年冠縣和莘縣的撂荒面積較大，在2014年后明顯下降。2012年大名縣撂荒面積增幅尤為巨大，經(jīng)考證主要是受2012年影像數(shù)據(jù)質(zhì)量影響，導(dǎo)致提取質(zhì)量下降，排除此年誤差影響，大名縣撂荒面積總體維持在較低水平。其他5縣的撂荒面積雖然在21世紀(jì)初占比較大，但都在近幾年得到明顯控制。

表1 2001—2018年冀魯豫邊界區(qū)縣撂荒地統(tǒng)計(jì)結(jié)果 （單位：hm2）

3.3 復(fù)墾與持續(xù)撂荒分析

耕地因多種復(fù)雜因素撂荒，當(dāng)條件有利于耕作時(shí)，往往又會(huì)出現(xiàn)撂荒耕地復(fù)墾現(xiàn)象，因此統(tǒng)計(jì)復(fù)墾耕地也是耕地撂荒分析中重要的一環(huán)。根據(jù)“2.2.5”中的規(guī)則對(duì)2001—2018年進(jìn)行復(fù)墾統(tǒng)計(jì)（表2）。結(jié)果表明，2003年復(fù)墾率最高，為69.33%，復(fù)墾面積達(dá)4 618.98 hm2；2013年復(fù)墾率最小，為3.91%，復(fù)墾面積為251.55 hm2。2002—2018年年均復(fù)墾率為32%，總體復(fù)墾情況較好，僅有 2002、2013、2018年3年復(fù)墾率低于10%。分析每年的撂荒率趨勢(shì)，發(fā)現(xiàn)復(fù)墾率總體呈以兩年為單位上升又下降的循環(huán)波動(dòng)趨勢(shì)。

耕地的持續(xù)撂荒嚴(yán)重影響到糧食安全，對(duì)土質(zhì)等耕作條件也會(huì)產(chǎn)生一定影響。將2001—2018年歷年的撂荒地提取結(jié)果進(jìn)行疊加，對(duì)研究區(qū)撂荒進(jìn)行持續(xù)性分析，統(tǒng)計(jì)研究區(qū)6縣的持續(xù)撂荒結(jié)果（表3）。由表3可知，研究區(qū)持續(xù)撂荒主要集中在1～2年范圍內(nèi)，撂荒地持續(xù)1年的面積最大，有20 037.87 hm2，僅有很少一部分撂荒地持續(xù)時(shí)間大于10年，持續(xù)撂荒大于12年的小于1 hm2，由于研究區(qū)總面積較大，這部分撂荒完全可以忽略不計(jì)。各區(qū)（縣）對(duì)比中，冠縣、大名縣和莘縣持續(xù)撂荒面積占比較大，與撂荒面積趨勢(shì)一致。

表2 2002—2018年冀魯豫邊界區(qū)（縣）撂荒復(fù)墾統(tǒng)計(jì)結(jié)果（單位：hm2）

表3 2001—2018年冀魯豫邊界區(qū)縣持續(xù)撂荒地統(tǒng)計(jì)結(jié)果

圖3 研究區(qū)持續(xù)撂荒分布

將2001—2018年的撂荒地結(jié)果進(jìn)行疊加分析，得到研究區(qū)持續(xù)撂荒分布結(jié)果（圖3），研究區(qū)撂荒時(shí)間較長(zhǎng)的地區(qū)主要分布在北部，但由于占比較少，所以結(jié)果不是特別明顯，研究區(qū)大部分為短時(shí)間撂荒。由此可知研究區(qū)持續(xù)撂荒不是十分明顯，大部分僅為短時(shí)間撂荒，一段時(shí)間后又開始復(fù)墾，可見當(dāng)?shù)貙?duì)常年撂荒地的控制十分可觀。

3.4 撂荒驅(qū)動(dòng)因素分析

根據(jù)各項(xiàng)撂荒數(shù)據(jù)，結(jié)合冀魯豫三省統(tǒng)計(jì)年鑒的經(jīng)濟(jì)指標(biāo)，對(duì)撂荒地產(chǎn)生的驅(qū)動(dòng)因素進(jìn)行分析。以研究區(qū)中魏縣為例，整理各年份年鑒中的農(nóng)業(yè)經(jīng)濟(jì)指標(biāo)（表4）。結(jié)合撂荒地總體趨勢(shì)，研究區(qū)撂荒面積在2000—2003年較大，而2000年當(dāng)?shù)剞r(nóng)林漁牧從業(yè)人員僅占總鄉(xiāng)村從業(yè)人口的25.58%，由此可見，21世紀(jì)初的撂荒現(xiàn)象主要受制于農(nóng)業(yè)人口大量外出務(wù)工，未從事農(nóng)業(yè)勞動(dòng)導(dǎo)致撂荒地產(chǎn)生。2012年后農(nóng)林漁牧從業(yè)人口比例雖然有所下降，但是并沒(méi)有出現(xiàn)撂荒率上升的現(xiàn)象，一方面得益于農(nóng)業(yè)機(jī)械化程度提高，另一方面歸功于政府農(nóng)業(yè)及扶貧政策的實(shí)施，農(nóng)民純收入呈逐年增長(zhǎng)趨勢(shì)，務(wù)農(nóng)收入提高也改善了耕地撂荒情況。2014年后撂荒現(xiàn)象得到控制，結(jié)合當(dāng)?shù)亟?jīng)濟(jì)指標(biāo)數(shù)據(jù)和政府政策分析，發(fā)現(xiàn)2014年正值實(shí)施精準(zhǔn)扶貧重點(diǎn)施策。近5年中國(guó)扶貧政策取得階段性成果，貧困發(fā)生率低于4%，有望在2020年建成“全面小康社會(huì)”。研究區(qū)撂荒面積雖然在世紀(jì)初占比較大，但都在近幾年得到顯著控制，由此可見精準(zhǔn)扶貧等一系列政策在當(dāng)?shù)厝〉靡欢ǔ晒?dāng)?shù)剞r(nóng)民生活條件相對(duì)得到改善，撂荒土地也因此再次盤活起來(lái)，幫助農(nóng)民增收和推動(dòng)當(dāng)?shù)亟?jīng)濟(jì)發(fā)展。

表4 2000—2016部分年份魏縣經(jīng)濟(jì)指標(biāo)

綜上所述，在冀魯豫省際邊界區(qū)撂荒因素主要取決于務(wù)農(nóng)人口占比、農(nóng)業(yè)生產(chǎn)效率和當(dāng)?shù)卣恼邔?shí)施，除此之外，自然災(zāi)害和當(dāng)?shù)丨h(huán)境質(zhì)量也會(huì)影響耕地撂荒，由于其受具體年份和地區(qū)影響，不將其納為主要分析因素。值得一提的是，不同地區(qū)撂荒因素也存在一定差異性，要視具體情況進(jìn)行分析，合理探尋撂荒地驅(qū)動(dòng)因素。

3 小結(jié)

研究結(jié)果表明，撂荒地在研究區(qū)分布較為均勻，東北部相對(duì)較多，南部地區(qū)撂荒程度較輕。2015年后撂荒面積減少，研究區(qū)邊界地區(qū)表現(xiàn)得尤為明顯。

冀魯豫三省交界處6縣的撂荒面積總體呈下降趨勢(shì)。其中2002年撂荒面積最大，為6 662.43 hm2，該年撂荒率也達(dá)到峰值，為1.78%。2015年后研究區(qū)撂荒現(xiàn)象得到有效控制，2015—2018年撂荒率均小于1%，分別為0.89%、0.61%、0.52%、0.64%。研究區(qū)復(fù)墾呈上升又下降循環(huán)波動(dòng)，年均復(fù)墾率為32%。其中2003年復(fù)墾率最大，達(dá)69.33%。冀魯豫邊界區(qū)常年撂荒現(xiàn)象不是特別明顯，主要為1～2年的短時(shí)期撂荒。其中持續(xù)1年的撂荒面積最大，有20 037.87 hm2。研究區(qū)最長(zhǎng)持續(xù)撂荒時(shí)間為14年，但是占比極小，面積僅有0.09 hm2。結(jié)合當(dāng)?shù)亟?jīng)濟(jì)數(shù)據(jù)分析，冀魯豫邊界區(qū)撂荒主要取決于務(wù)農(nóng)人口、農(nóng)業(yè)生產(chǎn)效率及當(dāng)?shù)卣?。隨著農(nóng)業(yè)機(jī)械化程度提高以及“精準(zhǔn)扶貧”等一系列政府政策支持，研究區(qū)撂荒情況在2015年后得到有效控制。

本研究基于遙感 （RS）、地理信息系統(tǒng)（GIS）、CART決策樹分類等方法對(duì)冀魯豫省際邊界區(qū)撂荒地進(jìn)行提取與分析，但受制于影像分辨率因素限制，本研究方法對(duì)于小圖斑撂荒地提取還有一定局限性，僅適用于連續(xù)明顯的撂荒地塊。本研究結(jié)果一定程度上為全國(guó)其他相似省際邊界區(qū)撂荒耕地研究提供了案例，也為維護(hù)國(guó)家耕地紅線安全和政府可持續(xù)政策決策提供了依據(jù)。