Land Use Policy | 中国大陆耕地破碎化的空间格局：特征、主导因素及对策

系统认识耕地破碎化的空间格局及其驱动因素，对于探索适合当地的耕地破碎化缓解路径具有重要意义。从自然资源禀赋、空间分区和利用便利性3个维度，分别测算耕地密度、平均斑块大小和面积加权平均形状指数，以反映耕地破碎化特征。分析了耕地破碎化的区域主导因素。研究结果表明：耕地密度分布呈现出北方地区高于南方地区的趋势;耕地密度与平均斑块大小之间的显著正相关关系在几乎所有城市都是普遍的，超过了地形、海拔、气候、土壤和社会经济条件的差异。对于中国南方城市，与不规则的耕地相比，规则形状的耕地被划分为更小的块;或者，小规模农业经营下的集约和精细耕作导致具有低平均斑块大小的集群-低面积加权平均形状指数。随机森林模型解释了驱动因子对耕地破碎化的影响，解释力在66%~ 95%之间。地形因素成为对耕地密度产生负面影响的主要驱动因素。国内生产总值成为主导因素，与几乎所有农业气候带的平均斑块大小呈显著（p < 0.01）负相关。地形、国内生产总值和人口是影响面积加权平均形状指数的最重要因素。农村发展程度影响主导因子与耕地破碎化的相关性。该研究对于认识全国尺度上耕地破碎化的空间格局，探索区域尺度上耕地利用的障碍具有重要的指导意义。

本研究的总体目标是以中国大陆为例，在全国范围内估计（耕地破碎化）CLF的空间格局，并确定区域驱动因素。利用耕地密度、平均斑块面积（MPS）和面积加权平均形状指数（AWMSI）分别从自然资源禀赋、空间分区和利用便利性3个维度对中国土地利用的特征进行了表征。这项研究主要在两个方面作出贡献。首先，它以1公里网格为基本统计单位，介绍了CLF指标的国家空间格局。耕地的初始空间数据以矢量格式组织，来自中国第二次全国土地利用调查。这种方法可以更好地描述CLF在行政单位内的空间异质性。与基于遥感分类的土地利用类型数据相比，该方法更清晰地刻画了耕地样地的分布特征。其次，采用聚类方法表达不同CLF维度的空间聚类模式，较传统的加权平均方法更有效地反映了区域CLF的主要不足。此外，通过随机森林模型和偏相关分析方法，确定了影响CLF的区域主导因素，并对各因素对CLF影响的空间差异有了更广泛的认识。该研究对认识全国范围内耕地利用的空间格局和探索区域尺度上耕地利用的障碍具有重要的指导意义。它还可以提供中国CLF管理经验的叙述，可以作为其他国家的模式。

以耕地样地矢量数据为基础，计算了耕地破碎化指标。耕地样地的初始空间数据以矢量格式组织，来自2007-2009年进行的中国第二次全国土地利用调查。地块总数约为6 700万块。利用耕地样地的矢量数据，研究旨在阐明CLF由于分散的土地使用权和多样化的种植结构相比，使用栅格数据的耕地覆盖。研究区的划分参照了全国农业气候区划方案。为此，该研究计算了六个因素（一）。即，仰角;斜率;距离城市边界;耕作距离;国内生产总值;人口），以定量估计区域CLF的驱动力。海拔和坡度的光栅图像来自ASTER GDEM V3数据集。每个网格到城市边界的距离由2010年城市土地利用数据在1 km分辨率内到最近的城乡边界网格的欧几里得距离表示（He和Liu，2018 b，2019）。对于每个耕地地块，耕作距离由到最近的农村居民区（不包括道路）的欧几里得距离表示。1 km分辨率网格内的耕作距离计算为网格内所有耕地地块的平均耕作距离（Liu et al.，2023年）。关于农村居民区的数据是从2010年的GlobeLand 30数据集中提取的（Chen等人，2017年）。2010年的GDP和人口数据来自资源与环境科学数据中心（Xu，2017 a，2017 b）。表1提供了详细信息。

1. 生成1公里网格基础的耕地破碎化(CLF)地图(Generation of 1-km grid-based cultivated land fragmentation (CLF) maps):

   - 利用Raster Dataset Clean and Reconstitution Multi-Grid (RDCRMG)架构来指导数据重组织。

   - 为每个1公里网格计算耕地密度、平均斑块大小(MPS)和面积加权平均形状指数(AWMSI)。

2. 皮尔逊相关系数(Pearson correlation coefficient):

   - 计算了耕地破碎化三个指标（耕地密度、平均斑块大小、面积加权平均形状指数）之间的皮尔逊相关系数，以评估不同维度耕地破碎化指标之间的空间相互作用。

3. k-means聚类算法(k-means clustering algorithm):

   - 使用k-means聚类算法对耕地破碎化指标的聚类特征进行分组，将耕地破碎化分为七种类型。

4. 随机森林模型(Random Forest model):

   - 应用随机森林模型来量化六个因素（高程、坡度、到城市的距离、耕作距离、GDP、人口）对耕地破碎化的影响。

   - 通过交叉验证的R²值来评估模型的拟合度，并使用增加的均方误差(Inc. MSE)来表示各因素对耕地破碎化指标的影响。

5. 偏相关系数(Partial correlation coefficient):

   - 采用偏相关分析来测量在控制其他变量影响的情况下，两个变量之间的线性相关程度。

   - 用于更准确地描述耕地系统受多重影响因素之间的复杂关系。

这些方法的结合使用，使得研究能够全面评估中国大陆耕地破碎化的格局，并识别影响耕地破碎化的区域主导因素。通过这种方法论框架，研究提供了对耕地破碎化空间模式的深入理解，并为制定适当的土地管理策略提供了科学依据。

3.1.中国大陆耕地破碎化的空间格局

图1（a）表明，平原地区的耕地密度高于山区，北方地区高于南方地区。中国“四大平原”（即，东北平原;黄淮海平原;长江中下游平原、陕西中部平原）具有高度聚集性等特点，表明农业经营规模化具有相当的自然资源禀赋。成都平原也出现了类似的高度集中的耕地分布。耕地密度的空间分布具有显著的全局自相关性（Moran's I = 0.574586，P < 0.001，Z = 1225.333528）。研究表明，耕地密度水平高的相邻网格也倾向于表现出较高的耕地密度水平，形成高-高聚类，反之亦然（低-低聚类）。局部空间自相关指数（图1（B））说明，高-高聚类主要分布在黄土高原的东北平原、黄淮海平原、四川盆地及周边地区和关中平原的平坦地区。长江中下游平原的高-高丛只覆盖了北部和中部的部分地区。其它高-高丛分布在北方干旱半干旱区南部、云贵高原中部和东南部。低-低丛区的分布与我国丘陵山区的分布高度一致，特别是兴安盟、燕山-太行-秦岭、乌山-雪峰山、武夷山、横断山。图1（c）显示，东北平原和黄淮海平原的MPS分布与耕地密度分布趋于一致。它表明，在这些地区，在高水平的自然资源禀赋的支持下，已经实现了适当的农业规模。

MPS的空间分布指向全局自相关的显著特征（Moran's I = 0.473866，p < 0.001，z = 464.548603）。根据图1（d），MPS的高-高和低-低聚类表明南北分界。如图1（e）所示，东北平原和黄淮海平原在耕地地块形成中的地表覆盖率最高，这表明农业机械使用的便利条件增加。北方干旱半干旱区和长江中下游平原的AWMSI略高于东北平原和黄淮海平原。AWMSI最高的耕地集中在四川盆地东部、长江中下游平原西部、云贵高原东部。和黄土高原北方地区。图1（e）中的局部空间自相关指数结果突出了AWMSI的东北-西南分界线。AWMSI的空间分布显示了显著的全球自相关特征（Moran's I = 0.630093，p < 0.001，z = 1111.597444）。

3.2.CLF指标之间的Pearson相关系数

通过计算皮尔逊相关系数，从地级城市的整体角度来表示多维CLF指标之间的空间相互作用程度。如图2(A)所示，皮尔逊的耕地密度与AWMSI之间的相关性指出了东西部之间的明显差异。中国四大平原(中国平原东北部、黄淮海平原、长江中下游平原、关中平原)的地级市呈现出显著的弱或中等负相关(p&lt；0.05)。这一结果表明，耕地密度高的城市的网格形状趋于规则，因此与耕地密度低的城市相比，更便于机械化耕作。从这个角度来看，皮尔逊关联度指数较低的城市比关联度指数较高的城市表现出更合理的耕地利用。在四川、重庆、云南和贵州四省的城市，耕地密度与AWMSI的关系往往表现出极显著(p&lt；0.05)的中低正相关或极低相关。与负相关城市相比，正相关城市地形复杂多样，农村发展也相对落后，增加了耕地整理的难度。如图2(B)所示，皮尔逊的耕地密度与MPS之间的相关性表现出总体上显著的弱或中等正相关(p&lt；0.05)。这一发现表明，大多数城市耕地密度较高的网格倾向于划分较大的耕地地块，这表明农业经营规模较大。从这个角度来看，耕地密度与MPS之间的皮尔逊相关指数值较高的城市比耕地密度与MPS值较低的城市表现出更合理的耕地利用。耕地密度与MPS之间显著正相关的空间格局似乎在几乎所有城市都是普遍存在的，超越了地形、海拔、气候、土壤和社会经济条件的差异。具有显著中等正相关性的城市分布广泛，呈“Y”字形。图2(C)表明，皮尔逊的MPS和AWMSI之间的相关性指出了北方和南方之间的明显差异。中国南部的地级市倾向于获得显著的弱正相关或中等正相关(p&lt；0.05)。在这些城市，形状规则的耕地被划分成比不规则形状的耕地更小的区块。另一方面，小规模农业经营下的集约化和精耕细作导致低MPS-低AWMSI的集群；因此，MPS水平较高的耕地更有可能受到不适当的土地扩张的驱动，处于粗放利用的状态，AWMSI水平较高。从这个角度来看，MPS与AWMSI之间的皮尔逊相关指数值较低的城市比PERSON值较高的城市表现出更合理的耕地利用。

3.3.CLF指标的聚类特征

三个CLF指标的聚类特征已使用k-means算法分为七种类型（Davies-Bouldin指数和ANOVA结果见SI附录A.1）。如图3所示，聚类类型F指示具有最低CLF度的网格（即，高密度;低AWMSI;高MPS），应予以重视和保护。F类网格占总耕地数量的15.38%。东北平原、北方干旱半干旱区和黄淮海平原占F类耕地的92.96%。集群类型B的CLF的核心缺点是由过度空间分割驱动的低MPS。B类自然资源禀赋和耕地空间形态的形态规整度均为高水平。因此，促进B类网格耕地流转具有潜力大、成本低等优势。A类集群的核心缺陷与B类集群相似，耕地密度和AWMSI均处于中等水平。A、B类网格分别占耕地总量的34.95%和22.97%。B类耕地主要分布在黄淮海平原、长江中下游平原和东北平原，其中北方干旱半干旱区分别占B类耕地总量的27.09%、23.04%、20.80%和13.06%。A类耕地主要分布在长江中下游平原（23.31%）和云贵高原（20.72%）。聚类类型G的耕地密度处于中等水平，高水平的AWMSI和低水平的MPS是CLF的主要缺陷。要提高土地利用类型的网格化程度，土地整理与土地流转应同步进行。G类网格占耕地总量的8.03%。G类耕地主要分布在四川盆地及其周边地区和云贵高原。聚类类型D为耕地密度低、AWMSI高、MPS低的重度CLF状态。D型电网中CLF的控制成本高，发展潜力小。E类集群的核心短板是耕地密度低、MPS低。D类和E类网格分别占耕地总量的5.93%和9.02%，主要分布在长江中下游平原和云贵高原。C类集聚区的耕地资源禀赋水平较低是制约CLF发展的主要因素。C类网格主要分布在北方干旱、半干旱地区。因此，在C类条件下，以网格化方式扩大耕地规模更为适宜。

基于1 平方公里网格，利用耕地密度、平均斑块大小和面积加权平均形状指数，从自然资源禀赋、空间分区和利用便利性3个角度研究中国大陆耕地破碎化特征。通过计算皮尔逊相关系数，从地级市尺度上的整体视角评价多维CLF指标之间的相关性。此外，研究还探讨了CLF三个指标的聚类特征和区域驱动因素。在耕地密集度的空间格局方面，研究结果表明：

耕地密集度在平原地区高于山地地区，在北方地区高于南方地区。中国大陆几乎所有城市的MPS水平与耕地密度水平趋于一致，表明这些地区在高水平的自然资源禀赋的支持下已经实施了适当的农业规模。其中东北平原和黄淮海平原的CLF指标协调性最好，说明农业机械的使用条件更为有利。

耕地密度与AWMSI的Pearson相关分析表明，东西部差异明显，而MPS与AWMSI的Pearson相关分析表明，南北部差异明显。耕地的高度破碎化是中国大陆土地利用中最关键的问题。关于CLF的驱动因素，随机森林模型解释了这些因素的影响的66—95%。多重因素的驱动力表明区域分化。除黄土高原和云贵高原外，地形因子是影响耕地密度的主要驱动因子。在黄土高原，耕作距离的驱动力是其他因子的2～3倍，与耕地密度呈显著负相关（p <0.01）。在云贵高原和青藏高原，人口对耕地密度的正向影响最为显著。GDP成为主导因素，在几乎所有的农业气候带中与MPS呈显著（p <0.01）负相关。人口仍然是影响MPS的关键因素。在中国东北平原和北方干旱半干旱区，人口密度低的网格表现出较高的MPS水平。相反，在其他地区，特别是在劳动力依赖程度高的丘陵和山区，人口对MPS的影响显示出正相关。地形、国内生产总值和人口是影响AWMSI的最重要因素，显示出区域差异。农村发展程度影响主导因子与CLF的相关性。进一步探索主导因素对CLF影响的空间异质性需要额外的空间分区方案（例如，基于管理单元的分割；基于滑动窗口的分割）。

该研究对于认识全国范围内耕地利用的空间格局，探索区域尺度上耕地利用的障碍具有重要的指导意义。最后，通过对中国CLF管理经验的反思，为其他国家提供借鉴。本文的研究方法可为CLF相关研究提供技术参考。

https://doi.org/10.1016/j.landusepol.2024.107070