中国梯田撂荒模式及其驱动因素：基于多源遥感数据的监测

随着中国城市化和工业化进程的加快，土地撂荒问题日益突出。然而，中国梯田撂荒的情况仍不明朗。通过将高精度梯田数据与土地利用数据相结合，开展了中国首次全空间覆盖的梯田撂荒遥感监测，揭示了梯田撂荒格局。在充分考虑自然因素和社会经济因素的基础上，采用XGBoost-SHAP框架对梯田废弃驱动因素进行了研究。结果表明：2019 - 2021年，中国梯田撂荒率约为2.42%，主要分布在西南和黄土高原地区；梯田较多的农业区撂荒率较高。养老保险人口比例、耕地质量、坡度和土地面积是梯田撂荒的主要驱动因素。各因子的贡献率存在显著的空间差异。值得注意的是，2021年放弃梯田的趋势明显放缓，这可能是由于2019冠状病毒病大流行的影响导致非农业就业机会大幅减少，从而减缓了农村向城市的移民，甚至促使移徙工人返回。把握大流行后这一关键时期至关重要，应通过建立多样化的新农业实体和提供农业技术指导，支持返乡的移徙工人从事农业活动。

基于以上考虑，本研究采用滑动窗口方法，利用多源遥感数据对中国阶地撂荒进行评估。通过在网格尺度上整合社会经济和自然因素，XGBoost-SHAP框架被用于识别梯田废弃的关键驱动因素。本研究针对三个具体的研究问题：

(1)中国梯田撂荒程度如何？ 

(2)阶地撂荒的时空特征是什么？

(3)阶地废弃的决定因素是什么？ 

本研究旨在加深对中国梯田撂荒及其管理的认识，为梯田资源的保护和可持续利用提供有价值的见解。

中国地处欧亚大陆东部、太平洋西海岸，地形地形复杂。丘陵和山脉约占陆地总面积的70%。本研究利用中国农业综合区划进行分析。该农业区划根据农业生产条件、特点、发展方向、主要问题和关键措施，将中国划分为9个一级农业区和38个二级农业区（图1）。一级农业区包括东北地区（NER）、内蒙古长城地区（IMGWR）、黄淮海地区（HHHR）、黄土高原区（LPR）、长江流域中下游地区（MLYTR）、长江流域中下游地区（MLYTR）、长江流域中下游地区（MLYTR）、长江流域中下游地区（MLYTR）。西南地区（SWR）、华南地区（SCR）、甘新地区（GXR）和西藏地区（TBR）。二级农业区划见补充表1。

2.3.1.  废弃耕地的定义

结合中国《基本农田保护条例》、相关研究以及耕地的实际利用情况，本文将撂荒定义为连续2年以上未开垦的耕地。

2.3.2.  监测梯田弃置情况

使用阶地边界对2018 - 2022年的CLCD数据进行掩膜，以消除非阶地区域。在本研究中，使用三年窗口进行时间滤波。例如，显示“101”的原始土地使用数据序列将被更正为“111”，同样，“010”将被更正为“000”。利用三年移动窗口寻找耕地连续两年未开垦的时间段（即土地利用时间序列值为“100”）。不耕种的第一年被记录为梯田放弃的开始。

2.3.3.  精度评估

使用历史图像数据作为准确性评估的参考，随机获取407个样本点，包括210个废弃梯田和197个未废弃梯田。使用Google Earth的高分辨率影像进行交互式视觉校准，确定样本是否废弃，并计算生产者精度（PA）、用户精度（UA）、总体精度（OA）和Kappa系数。

2.3.4.  弃梯田率的计算

计算梯田废弃率（AR），即每年废弃的梯田面积占特定区域总梯田面积的百分比。表示为每年遗弃的阶地面积相对于特定区域的总阶地面积的百分比。

2.5. 梯田撂荒驱动因素分析

(1) Explanatory variables: 包括农业条件、地形、气象和社会经济方面的13个解释变量。

(2) XGBoost algorithm: 使用XGBoost模型进行训练和验证，使用贝叶斯优化（BO）和5折交叉验证（CV）来优化模型参数。

(3) SHAP analysis: 计算每个特征在每个网格中的SHAP值，以确定特征的重要性和对梯田废弃的贡献。

3.1.  梯田的空间分布

梯田主要分布在SWR、LPR和MLYTR，分别占全国梯田总数的44.43%、19.77%和15.97%（图2）。其次是SCR、IMGWR和HHHR，分别占7.40%、5.99%和4.59%。相比之下，TBR、NER和GXR中的梯田所占比例很小，每个都不到2%。在密度上，高密度阶地区主要分布在四川盆地和黄土高原。阶地的分布与地形地貌密切相关，主要分布在山地、丘陵等地形复杂、坡度陡的地区。这与梯田具有重要的水土保持功能密切相关。中国东部地区地形相对平缓，有东北平原、华北平原和长江三角洲平原，梯田占耕地的比例较小。此外，在西部和西北部的高原地区，梯田较少。

3.2.  梯田弃置测绘精度

利用Google Earth历史影像对样本进行了视觉解译，并与本研究提取的阶地废弃信息进行了对比。图3a给出了阶地样本的空间分布以及各样本弃井信息的验证结果。基于验证数据构建混淆矩阵，计算分类精度。结果表明，样本点的废弃检测OA为74.45%。Kappa系数为0.49，F1得分分别为0.75和0.74（图3b）。构建的阶地废弃数据集可靠，适合进一步分析。

3.3.  一级农区尺度梯田撂荒的空间格局

2019-2021年，中国撂耕梯田129.45 × 104 hm2，占梯田总量的2.42%。一级农业区梯田撂荒面积分布差异显著（图4）。从年度来看，在全国和单个农区尺度上，2021年撂荒梯田面积和撂荒率最低，与2019年和2020年相比均有显著下降（图5）。特别是在SWR，撂荒梯田面积从2019年的31.68 × 104 hm2下降到2021年的5.2 × 104 hm2，降幅最大。LPR方面，2020年梯田撂荒面积和撂荒率最高，分别为17.29 × 104 hm2和1.63%。其他农区梯田废弃面积较小，均小于6 × 104 hm2。

3.4.  二级农区尺度梯田撂荒的空间格局

我们进一步分析了38个二级农业区梯田撂撂率的时空格局（图6）。各二级农业区梯田撂撂率的年际变化与一级农业区相似，2021年梯田撂撂率明显下降。2019年梯田撂荒面积高值区为农林区：四川盆地（F-2），农牧区：重庆、湖北、湖南和贵州山地（F-3），农牧区：四川、云南高原和山地（F-5）。到2020年，高阶地撂荒区包括农林区：四川盆地（F2）、农牧区：山西、陕西黄土丘陵沟壑区（D-3）、农牧区：甘肃中部和青海东部丘陵区（D4）。2021年，所有农业区梯田撂荒面积均未超过5 × 104 hm2，梯田撂荒趋势有所放缓。农牧林区：重庆、湖北、湖南和贵州山地（F-3）是中国二级农业区中梯田面积最大的区域，也是1990 - 2021年全国撂荒最严重的区域。此外，在梯田较多的农业区，梯田荒废情况更为严重。

3.5.  梯田弃置的驱动因素

构建了一个XGBoost模型，并使用SHAP值计算了各种因素对梯田废弃的贡献（图7g）。结果表明，影响梯田废弃的因素是多方面的。养老、质量、坡度和准面积对梯田废弃的贡献率最大，分别为15.87%、13.82%、13.38%和11.49%。梯田的养老保障功能和生产力是决定放弃梯田的主要考虑因素。此外，复杂的地形和破碎的地块阻碍了梯田农业的规模化和机械化。DisWater也有显著的影响，占废弃量的10.18%。社会经济因素（养老金、GDP、Pop和20-64）对梯田撂荒的贡献率仅为23.49%，表明耕地区位、耕作条件和气候条件等自然因素是撂荒的主要原因。

 4.1. 梯田废弃识别的稳健性

本节讨论了使用遥感技术监测耕地废弃的主要方法，并与本研究的结果进行了对比。本研究的总体准确率为74.45%，Kappa系数为0.49，与现有研究结果相近，表明本研究的梯田废弃识别结果是可信的。同时，指出梯田废弃率相对较高，需要关注。

 4.2. 耕地废弃的不同驱动因素

讨论了梯田废弃的驱动因素，包括土地条件、经济因素、气候和政策等。强调了不同研究得出的关键决定因素不一致，主要是由于研究时期、地区和社会经济背景的差异。本研究基于高精度遥感数据，探索了梯田废弃的驱动因素和区域差异，补充了相关研究。

 4.3. 梯田保护的意义

根据研究结果，提出了梯田保护的建议。强调了需要采取行动促进废弃梯田的恢复，并防止进一步的废弃。建议优先考虑废弃梯田水平高的地区作为试点区域，以探索有效的梯田保护策略。同时，建议地方政府根据具体情况制定差异化的保护措施。

 4.4. 局限性

- 讨论了研究的局限性。首先，尽管使用了来自权威机构的高精度数据，但遥感数据的固有误差是不可避免的。其次，由于梯田数据的可用性有限，本研究仅覆盖了2019-2021年，未来的研究应该开发多时相、高分辨率的梯田数据，以进行更长时间的梯田废弃分析。最后，虽然本研究考虑了多种反映自然条件和社会经济因素的指标，但未能捕捉到农民层面的经济和行为因素。未来的研究可以整合农民层面的调查数据，以更详细地考察梯田废弃背后的驱动机制。

结合高精度梯田数据和连续土地利用数据，对中国梯田撂荒进行了遥感监测，揭示了2019 - 2021年中国梯田撂荒的时空格局。此外，我们使用XGBoost-SHAP框架，结合自然因素和社会经济数据，探讨了驱动因素。结果表明：

(1)2019-2021年，中国约有2.42%的梯田被放弃，主要集中在SWR和LPR。弃井率最高的地区包括IMGWR、SWR、LPR和SCR。

(2)养老保险人口比例、耕地质量、坡度和土地破碎化是影响梯田撂荒的主要因素。各因子对梯田撂荒的贡献存在显著的空间差异。地方政府应根据情况制定相应的梯田保护措施。 

(3)新冠肺炎疫情通过限制农村人口外迁和促使农民工返乡，可能减缓梯田撂荒。必须抓住大流行后阶段的关键时期，为返回的移徙工人从事农业活动提供大力支持。近年来，中国的撂荒现象引起了政府的高度重视，并积极推进撂荒复垦。然而，对阶地废弃的研究还不够充分，对阶地废弃的现状和驱动机制认识有限。我们监测了全空间覆盖的阶地废弃情况，并讨论了社会和自然因素。 

该研究弥补了中国梯田撂荒遥感监测的空白，进一步丰富了撂荒驱动机制的研究内容。研究结果为制定相关措施提供了有价值的见解。

这篇文章《Patterns and drivers of terrace abandonment in China: Monitoring based on multi-source remote sensing data》由Dan Lu等人撰写，发表在《Land Use Policy》148期（2025年），旨在监测和分析中国梯田废弃的模式和驱动因素。以下是对文章的主要内容进行的总结：

研究创新性：

多源遥感数据融合：文章通过结合高精准梯田数据和土地利用数据集，利用多源遥感技术，首次在中国范围内全面监测梯田废弃情况，提供了新的数据支持和分析方法。

XGBoost-SHAP框架应用：研究采用了XGBoost-SHAP框架来分析梯田废弃的驱动因素，这种方法结合了机器学习的优势和可解释性，为理解复杂的土地利用变化提供了新的分析工具。

系统性研究框架：

全面考虑自然和社会经济因素：文章不仅考虑了自然条件对梯田废弃的影响，还全面分析了社会经济因素的作用，构建了一个综合的分析框架。

空间分布和驱动因素分析：研究从全国和区域两个层面分析了梯田废弃的空间分布特征和驱动因素，为制定针对性的管理措施提供了科学依据。

方法论贡献：

梯田废弃模式的揭示：文章揭示了中国梯田废弃的时空模式，为理解和预测土地利用变化提供了新的视角。

驱动因素的深入分析：通过XGBoost-SHAP框架，文章深入分析了影响梯田废弃的关键因素，包括人口养老保险比例、耕地质量、坡度和地块大小等，为土地管理和政策制定提供了定量依据。

实际应用价值：

梯田保护和管理：研究结果有助于指导梯田的保护和管理，特别是在梯田废弃严重的地区，为制定有效的土地利用政策提供了支持。

应对COVID-19影响：文章还讨论了COVID-19大流行对梯田废弃趋势的影响，为疫情后农业活动的恢复和劳动力的重新配置提供了参考。

研究局限性与未来方向：

数据时效性和分辨率：研究受限于现有数据的时效性和分辨率，未来的研究可以利用更高分辨率和更长时间的数据来提高分析的精度。

农民层面数据的整合：文章指出，未来的研究可以整合农民层面的调查数据，以更详细地考察梯田废弃背后的经济和行为因素。

区域差异的深入探讨：需要进一步研究不同地区梯田废弃的区域差异，为制定区域特定的土地管理策略提供更深入的见解。

这篇文章通过跨学科的方法提出了一种新的梯田废弃监测和分析框架，并通过系统性的研究为土地管理和政策制定提供了新的工具和视角。尽管存在一些局限性，但研究的创新性和实用性为未来的土地利用变化研究和农业可持续发展规划提供了宝贵的经验和启示。

https://doi.org/10.1016/j.landusepol.2024.107388