耕地生產(chǎn)力隱性退化遙感監(jiān)測(cè)與影響因素分析

李 卓 查思含 霍 偉 王林林 郭文華 孫丹峰

(1.自然資源部城市國(guó)土資源監(jiān)測(cè)與仿真重點(diǎn)實(shí)驗(yàn)室，深圳 518034；2.中國(guó)農(nóng)業(yè)大學(xué)土地科學(xué)與技術(shù)學(xué)院，北京 100193；3.自然資源部信息中心，北京 100036)

0 引言

耕地作為寶貴的土地資源，是農(nóng)業(yè)糧食生產(chǎn)的命脈和主要載體，關(guān)乎國(guó)計(jì)民生[1-2]。從中國(guó)耕地保護(hù)制度70年的歷史變遷來看，耕地生產(chǎn)力面臨的危機(jī)是動(dòng)態(tài)演變的[3-4]。當(dāng)今，復(fù)雜多變的自然環(huán)境和社會(huì)經(jīng)濟(jì)體系對(duì)耕地生產(chǎn)力空間造成了顯著的擁擠效應(yīng)[5]。一方面，人口劇增、城鎮(zhèn)化進(jìn)程推進(jìn)侵占了大量耕地，導(dǎo)致優(yōu)質(zhì)耕地?cái)?shù)量銳減[6-8]。另一方面，在產(chǎn)業(yè)經(jīng)濟(jì)收益梯度差的影響下，農(nóng)業(yè)勞動(dòng)力析出導(dǎo)致了耕地利用強(qiáng)度、效率降低等現(xiàn)象[9]。為了保障糧食安全和耕地資源的可持續(xù)利用，國(guó)家先后制定了18億畝耕地“紅線”、高標(biāo)準(zhǔn)農(nóng)田建設(shè)等耕地保護(hù)戰(zhàn)略決策。由此可見，保障耕地生產(chǎn)力持續(xù)穩(wěn)定是確?？诩Z絕對(duì)安全的重要議題。

耕地生產(chǎn)力的構(gòu)成可從剛性空間和彈性空間解釋[10]。耕地生產(chǎn)力的剛性空間主要由耕地面積、區(qū)位條件、自然質(zhì)量等因素決定。因此，耕地生產(chǎn)力的剛性空間一旦受損，如耕地面積流失、耕地質(zhì)量退化，通常不可逆，恢復(fù)難度較大。相反，耕地生產(chǎn)力的彈性空間易受農(nóng)戶種植意愿影響，具有較大主觀性，如耕地利用強(qiáng)度、農(nóng)資投入等。因此，耕地生產(chǎn)力彈性空間損失又被稱為耕地生產(chǎn)力的隱性退化，其恢復(fù)具有較大的可操作性和彈性[10]。我國(guó)充分重視耕地生產(chǎn)力隱性退化監(jiān)管，實(shí)施了多種“藏糧于地，藏糧于技”的耕地保護(hù)政策，旨在穩(wěn)定耕地產(chǎn)能、兼顧農(nóng)戶收益。雖然眾多學(xué)者已基于耕地利用強(qiáng)度[11]、耕地利用效率[12]、復(fù)種指數(shù)[13]等方面開展了大量研究，但專門針對(duì)耕地生產(chǎn)力隱性退化的監(jiān)測(cè)和影響因素分析還有待于進(jìn)一步深入。

現(xiàn)代遙感技術(shù)為探索耕地生產(chǎn)力的隱性退化開辟了新途徑。一方面，海量遙感大數(shù)據(jù)為耕地生產(chǎn)力評(píng)估提供了宏觀多時(shí)態(tài)、快速高維度的基礎(chǔ)資料，有助于構(gòu)建耕地產(chǎn)能整體認(rèn)知和局部差異精細(xì)識(shí)別的立體評(píng)估體系[14-15]。另一方面，得益于遙感光譜信息技術(shù)的發(fā)展，作物生物量時(shí)序特征重構(gòu)及趨勢(shì)提取豐富了耕地生產(chǎn)力變化分析的研究方法[16]。耕地生產(chǎn)力的遙感反演多是基于年際作物生物量的動(dòng)態(tài)趨勢(shì)分析。以植被指數(shù)和光能利用模型表征耕地生產(chǎn)力的驗(yàn)證已在田塊、景觀、區(qū)域等不同尺度開展，并取得了較好的結(jié)果[17-18]。目前常用的時(shí)間序列趨勢(shì)信息提取法有Theil-Sen趨勢(shì)分析、MK檢驗(yàn)、Pearson相關(guān)系數(shù)等。這些算法簡(jiǎn)潔、可操作性強(qiáng)，屬于典型的回歸分析法，能反映研究時(shí)段內(nèi)耕地生產(chǎn)力曲線的趨勢(shì)[19]。但離群值對(duì)回歸分析法的影響較大，尤其是特定年份作物生物量出現(xiàn)突變性震蕩時(shí)，傳統(tǒng)回歸分析法的穩(wěn)健性會(huì)顯著降低[19]。BFAST(Breaks for additive seasonal and trend)算法能充分利用年際時(shí)間序列的細(xì)節(jié)特征，將時(shí)間序列迭代分解為趨勢(shì)項(xiàng)、季節(jié)項(xiàng)和殘差項(xiàng)，可分段監(jiān)測(cè)時(shí)間序列的趨勢(shì)特征，有效抵抗自然或人為因素對(duì)作物生物量曲線特征干擾[20]。

鑒于此，本研究以江蘇省永久耕地為例，基于2001—2019年中分辨率成像光譜儀(Moderate resolution imaging spectroradiometer，MODIS)遙感影像，開展耕地生產(chǎn)力隱性退化的遙感監(jiān)測(cè)和影響因素分析，旨在識(shí)別耕地生產(chǎn)力隱性退化過程和驅(qū)動(dòng)機(jī)制，為耕地保護(hù)政策的制定提供技術(shù)支持。

1 研究區(qū)與數(shù)據(jù)源

1.1 研究區(qū)概況

江蘇省地處我國(guó)東部沿海(30°45′～35°8′N，116°21′～121°56′E，圖1)，是長(zhǎng)江經(jīng)濟(jì)帶的重要組成部分之一。該區(qū)域?yàn)榈湫偷臇|亞季風(fēng)氣候，雨熱同期、水資源豐富。江蘇省擁有廣袤的平原，面積占比86.9%，農(nóng)業(yè)生產(chǎn)條件優(yōu)越，耕地面積457萬hm2，粳稻和優(yōu)質(zhì)弱筋小麥享譽(yù)全國(guó)。江蘇省耕地主要以水田為主，水稻是該區(qū)域歷史悠久的糧食作物，主要類型有釉米、粳米、糯米等。旱地在蘇南蘇北均有分布，主要種植麥類等夏糧作物。另外，大豆、油菜、花生等油料作物也是江蘇省耕地種植的重要類型。江蘇省下轄13個(gè)地級(jí)行政區(qū)，2020年常住人口8 474.80萬人，城鎮(zhèn)化率達(dá)73.44%，地區(qū)生產(chǎn)總值達(dá)10.27萬億元。在社會(huì)經(jīng)濟(jì)加速發(fā)展的同時(shí)，江蘇省耕地?cái)?shù)量、農(nóng)業(yè)勞動(dòng)力人數(shù)逐年減少，耕地開始出現(xiàn)退耕、撂荒現(xiàn)象，耕地生產(chǎn)力退化風(fēng)險(xiǎn)不斷凸顯。

圖1 研究區(qū)概況Fig.1 Study area overviews

1.2 數(shù)據(jù)來源

用于反演耕地生產(chǎn)力的遙感影像為MODIS MOD43A4產(chǎn)品數(shù)據(jù)集。該數(shù)據(jù)集為包含7個(gè)波段的陸地地表反射率產(chǎn)品，空間分辨率為500 m，時(shí)間分辨率為16 d。該數(shù)據(jù)集在尺度、時(shí)效等方面具有顯著優(yōu)勢(shì)，是計(jì)算植被指數(shù)應(yīng)用最為廣泛的基礎(chǔ)數(shù)據(jù)源。本研究在Google Earth Engine平臺(tái)的支持下，基于線性光譜混合分解模型，提取植被端元(GV)，刻畫作物冠層光合作用能力，重構(gòu)作物生物量時(shí)序曲線的基礎(chǔ)數(shù)據(jù)序列。為了匹配其他數(shù)據(jù)集，經(jīng)過最大值合成、裁剪等預(yù)處理，最終得到江蘇省2001—2019年1 km月尺度的GV數(shù)據(jù)集。江蘇省耕地范圍數(shù)據(jù)來源于資源環(huán)境科學(xué)與數(shù)據(jù)中心的中國(guó)土地利用現(xiàn)狀遙感監(jiān)測(cè)數(shù)據(jù)集。本研究中，基于2000、2005、2010、2015年的土地利用現(xiàn)狀圖，選擇均為耕地的像元為研究對(duì)象，定義為永久耕地，研究其生產(chǎn)力隱性退化趨勢(shì)。研究區(qū)的永久耕地不但嚴(yán)格要求土地利用類型的一級(jí)地類為耕地不變，并保證二級(jí)地類(水田和旱地)不發(fā)生轉(zhuǎn)換。2001—2019年江蘇省的統(tǒng)計(jì)數(shù)據(jù)來源于《江蘇統(tǒng)計(jì)年鑒》、《江蘇農(nóng)村統(tǒng)計(jì)年鑒》和《江蘇省人口普查公報(bào)》。

2 研究方法

2.1 耕地生產(chǎn)力遙感估算

多星種、多分辨率的遙感數(shù)據(jù)集為不同時(shí)空尺度的耕地生產(chǎn)力估算提供了數(shù)據(jù)支撐。耕地生產(chǎn)力的遙感估算方法可概括為兩種：①基于立地條件(氣候、土壤、地形等)對(duì)耕地產(chǎn)能的影響分析。②通過植被生物量遙感指標(biāo)評(píng)估耕地生產(chǎn)力。植被生物量遙感指標(biāo)能綜合反映耕地的現(xiàn)實(shí)生產(chǎn)力，并為不同作物生產(chǎn)力提供統(tǒng)一度量[19-21]。常用的植被生物量遙感指標(biāo)有歸一化差值植被指數(shù)(Normalized difference vegetation index，NDVI)和凈初級(jí)生產(chǎn)力(Net primary productivity，NPP)。NDVI已被廣泛應(yīng)用于作物長(zhǎng)勢(shì)監(jiān)測(cè)和估產(chǎn)，與耕地生產(chǎn)力有強(qiáng)的相關(guān)關(guān)系[22]。NPP相較于NDVI考慮了作物自養(yǎng)呼吸消耗的有機(jī)物，對(duì)作物有機(jī)物的積累量化更精細(xì)[23]。然而，傳統(tǒng)植被生物量遙感指標(biāo)在集約農(nóng)區(qū)反演耕地生產(chǎn)力具有以下弊端：在高密度、集約化農(nóng)耕區(qū)中，傳統(tǒng)植被生物量遙感指標(biāo)易出現(xiàn)過飽和現(xiàn)象，削弱了耕地生產(chǎn)力的變化特征；由于混合像元的影響，傳統(tǒng)的植被生物量遙感指標(biāo)難以剝離土壤信息對(duì)作物生物量的影響[24-25]。線性光譜混合分解模型的核心思想是在亞像元尺度計(jì)算純凈端元的豐度，以具有明確物理意義的端元豐度表達(dá)地物景觀要素的特征信息[26-28]。本研究以全球非冰層陸地地表3類通用端元中的植被端元(GV)豐度替代傳統(tǒng)植被生物量指標(biāo)。GV端元能有效剝離作物生物量信息與其他地物信息的干擾，用于反演耕地生產(chǎn)力具有顯著優(yōu)勢(shì)。GV端元豐度反映地塊植被有效光合作用葉片生物量的累積，種植結(jié)構(gòu)的變化則會(huì)通過影響多端元組分比例，進(jìn)而表現(xiàn)在GV端元豐度的增加或減少。多端元信息的提取有效避免了傳統(tǒng)植被生物量指標(biāo)的過飽和現(xiàn)象。另一方面，改善了混合像元中多種地物對(duì)作物信息提取的影響，增強(qiáng)了作物生物量與土壤信息的差異性，提高了對(duì)耕地生產(chǎn)力反演的準(zhǔn)確性。

得益于衛(wèi)星高頻重訪周期，以突出作物季節(jié)性、物候性的生物量估算建模極大地豐富了耕地生產(chǎn)力遙感反演的研究體系[29]。作物生長(zhǎng)季是生物量累積的關(guān)鍵期，但在氣候、環(huán)境和田間管理影響下，作物生長(zhǎng)季節(jié)的起始和長(zhǎng)度均會(huì)發(fā)生改變，進(jìn)而影響有機(jī)物累積總量[13]。因此，利用長(zhǎng)時(shí)序、高時(shí)密作物生物量曲線追蹤耕地生產(chǎn)力變化趨勢(shì)很重要。然而，基于時(shí)間序列遙感數(shù)據(jù)反演耕地生產(chǎn)力的動(dòng)態(tài)變化并不簡(jiǎn)單，因?yàn)闀r(shí)間序列包含物候和趨勢(shì)變化的組合，此外還有幾何誤差、大氣散射和殘?jiān)飘a(chǎn)生的噪聲等的影響。綜上，利用遙感技術(shù)對(duì)耕地生產(chǎn)力研究的核心思想是充分利用作物年際生長(zhǎng)周期的生物量曲線的全部時(shí)間細(xì)節(jié)，挖掘軌跡中包含的形狀信息，揭示耕地生產(chǎn)力的時(shí)空演變特征。

2.2 BFAST算法

作物生物量曲線的變化特征易受溫度和降水變化影響[16]。此外，人為因素對(duì)作物物候以及耕地生產(chǎn)力的影響同樣顯著。因此，針對(duì)耕地生產(chǎn)力的變化監(jiān)測(cè)應(yīng)在季節(jié)性變化和多年趨勢(shì)兩個(gè)尺度上同時(shí)考慮。BFAST算法作為一種基于時(shí)間序列的多用途干擾檢測(cè)方法，能充分利用年際間的時(shí)間細(xì)節(jié)，可識(shí)別時(shí)序數(shù)據(jù)的季節(jié)變化特征和多年趨勢(shì)特征[20]。該方法能將時(shí)間序列的迭代分解集成為趨勢(shì)項(xiàng)、季節(jié)項(xiàng)和殘差項(xiàng)，并具有檢測(cè)時(shí)間序列內(nèi)變化的方法[30]。其基本公式為

(1)

式中yt——數(shù)據(jù)序列

α1、α2——截距，即趨勢(shì)項(xiàng)

γj——振幅δj——相位，即季節(jié)項(xiàng)

f——已知頻率，即觀測(cè)周期

εt——誤差項(xiàng)，是時(shí)間t的不可觀測(cè)誤差項(xiàng)

j——監(jiān)測(cè)期起始時(shí)刻

k——監(jiān)測(cè)期結(jié)束時(shí)刻

季節(jié)趨勢(shì)模型將時(shí)間序列中的潛在趨勢(shì)和季節(jié)變化考慮在內(nèi)，以便在殘差結(jié)果中去除季節(jié)趨勢(shì)的干擾。

2.3 耕地生產(chǎn)力隱性退化識(shí)別方法

耕地生產(chǎn)力隱性退化易受農(nóng)戶種植行為影響，具有較大的隱蔽性和彈性。因此，需要建模歷史時(shí)期耕地生產(chǎn)力的季節(jié)趨勢(shì)特征，以便對(duì)監(jiān)測(cè)時(shí)期的耕地生產(chǎn)力進(jìn)行變化檢測(cè)。主要步驟有：①基于給定的時(shí)間序列，將其分為歷史時(shí)期和監(jiān)測(cè)時(shí)期。②使用BFAST算法對(duì)歷史時(shí)期的耕地生產(chǎn)力時(shí)序數(shù)據(jù)擬合回歸模型。③判斷監(jiān)測(cè)時(shí)期的觀測(cè)值是否符合該回歸模型，或是否檢測(cè)到變化。本研究中耕地生產(chǎn)力隱性退化監(jiān)測(cè)結(jié)果如圖2所示?；谙裨叨?，首先設(shè)置2001—2010年為耕地生產(chǎn)力的歷史時(shí)期，2011—2019年為耕地生產(chǎn)力的監(jiān)測(cè)時(shí)期。然后基于歷史時(shí)期耕地GV曲線進(jìn)行回歸建模。最后判定擬合曲線與監(jiān)測(cè)時(shí)期的GV曲線的趨勢(shì)差異。如圖2a所示，該像元耕地在研究時(shí)段內(nèi)無顯著趨勢(shì)，即基于歷史時(shí)期的擬合GV曲線與監(jiān)測(cè)時(shí)期的實(shí)測(cè)值的趨勢(shì)一致。圖2b為負(fù)趨勢(shì)，監(jiān)測(cè)時(shí)期的耕地GV曲線低于擬合曲線，該像元耕地生產(chǎn)力逐漸減弱，即存在隱性退化風(fēng)險(xiǎn)。圖2c為正趨勢(shì)，監(jiān)測(cè)時(shí)期的耕地GV曲線高于擬合曲線，該像元耕地生產(chǎn)力存在增加趨勢(shì)。因此，本研究以趨勢(shì)的正負(fù)反映該像元耕地生產(chǎn)力隱性退化是否存在，以負(fù)趨勢(shì)量化退化程度。綜上，BFAST算法用于建模歷史時(shí)期耕地生產(chǎn)力變化的預(yù)期行為，從而用于識(shí)別監(jiān)測(cè)時(shí)期耕地生產(chǎn)力的隱性退化風(fēng)險(xiǎn)。

圖2 耕地生產(chǎn)力隱性退化識(shí)別結(jié)果Fig.2 Identification results of recessive degradation for cultivated land productivity

2.4 耕地生產(chǎn)力隱性退化影響因素分析方法

耕地生產(chǎn)力隱性退化是受自然環(huán)境和社會(huì)經(jīng)濟(jì)等多種因素共同影響的復(fù)雜過程[31]。多種影響因素的數(shù)據(jù)類型和尺度差異較大，一直是分析耕地生產(chǎn)力變化影響因素面臨的難點(diǎn)。地理探測(cè)器是一種空間分異性檢驗(yàn)工具，被廣泛應(yīng)用于評(píng)估地理現(xiàn)象發(fā)生影響因素的相對(duì)重要性[32]。地理探測(cè)器將變量進(jìn)行離散化處理，分類成不同類型層，能實(shí)現(xiàn)在同一空間尺度探索不同因子的影響作用[33]。本研究首先應(yīng)用地理探測(cè)器的影響因子探測(cè)功能，分析江蘇省耕地生產(chǎn)力隱性退化的主導(dǎo)影響因素。然后對(duì)各市內(nèi)部進(jìn)一步開展多級(jí)探測(cè)，用于耕地生產(chǎn)力隱性退化的地域分異類型劃分。其中，每個(gè)影響因素指標(biāo)對(duì)耕地生產(chǎn)力隱性退化的解釋力用q度量，表達(dá)式為

(2)

式中h——基于影響因素差異性構(gòu)建的分層序號(hào)

L——分層數(shù)σ2——總方差

n——研究區(qū)樣本量數(shù)

nh——第h層樣本數(shù)量

q反映變量指標(biāo)對(duì)耕地生產(chǎn)力隱性退化的影響程度，取值范圍為[0，1]，值越大表明該變量指標(biāo)的解釋力越強(qiáng)。

為了識(shí)別不同影響因子間的交互作用，本研究基于交互因子探測(cè)法對(duì)各影響因素進(jìn)行交互分析。交互因子探測(cè)用于計(jì)算兩種因子x1和x2共同作用時(shí)，是否會(huì)提升或降低對(duì)耕地生產(chǎn)力隱性退化的解釋力。評(píng)估方法可簡(jiǎn)單描述為：首先計(jì)算x1和x2因子的解釋力q(x1)和q(x2)，然后將交互量x1∩x2重新代入回歸方程計(jì)算解釋力q(x1∩x2)，最后比較q(x1)、q(x2)和q(x1∩x2)。具體判定依據(jù)為：若q(x1∩x2)

根據(jù)已有研究成果，本研究從生產(chǎn)條件、產(chǎn)出效益和人口因素3個(gè)準(zhǔn)則層、8項(xiàng)指標(biāo)變量對(duì)耕地生產(chǎn)力隱性退化的影響因素進(jìn)行量化分析。生產(chǎn)條件準(zhǔn)則層中選取農(nóng)業(yè)機(jī)械化總動(dòng)力X1、農(nóng)藥施用量X2、化肥施用量X3和固定資產(chǎn)投資額X4為指標(biāo)變量。產(chǎn)出效益準(zhǔn)則層包括第一產(chǎn)業(yè)比重X5和農(nóng)業(yè)產(chǎn)值X6。人口因素準(zhǔn)則層包括種植業(yè)從業(yè)人員數(shù)量X7和外流人口數(shù)量X8。各項(xiàng)指標(biāo)變量具體描述如表1所示。采用ArcGIS 10.2軟件平臺(tái)，8項(xiàng)指標(biāo)變量通過自然斷點(diǎn)法進(jìn)行離散化處理為類型量，并重采樣為1 km×1 km的柵格單元，進(jìn)行影響因素分析。

表1 8項(xiàng)指標(biāo)變量描述Tab.1 Description of eight indicators

3 結(jié)果與分析

3.1 耕地生產(chǎn)力隱性退化空間分布差異

如圖3a所示，在研究時(shí)段內(nèi)江蘇省耕地生產(chǎn)力趨勢(shì)具有顯著的空間差異。東南地區(qū)耕地生產(chǎn)力趨勢(shì)主要為正，相反，西北地區(qū)以負(fù)趨勢(shì)為主，且兩種趨勢(shì)在空間格局上均呈現(xiàn)一定的聚集性。圖3b為基于耕地生產(chǎn)力趨勢(shì)判定的江蘇省耕地生產(chǎn)力隱性退化區(qū)域，即負(fù)趨勢(shì)的生產(chǎn)力。耕地生產(chǎn)力負(fù)趨勢(shì)反映了耕地生產(chǎn)力隱性退化程度。從退化程度的分布特征來看，高退化地區(qū)主要分布于西北，低退化地區(qū)通常散布于高風(fēng)險(xiǎn)區(qū)周邊，呈簇?fù)頎?。圖4為基于行政界線統(tǒng)計(jì)的江蘇省及其各市耕地生產(chǎn)力隱性退化比例。由圖4可知，江蘇省存在隱性退化的耕地比例為21.9%。各市耕地生產(chǎn)力隱性退化比例存在顯著梯度性，可分為4個(gè)梯度。第1梯度耕地生產(chǎn)力隱性退化比例最高，主要為西北的徐州市和宿遷市，分別為47.2%和43.4%。第2梯度為淮安市、南京市和連云港市，其耕地生產(chǎn)力隱性退化比例介于24.7%～29.7%之間。第3梯度主要有常州市、泰州市、鹽城市和鎮(zhèn)江市，比例約為15%。東南地區(qū)的蘇州市、無錫市和南通市的耕地生產(chǎn)力隱性退化比例最低，均不足10%，為第4梯度，且未出現(xiàn)聚集性。

圖3 江蘇省耕地生產(chǎn)力隱性退化空間分布特征Fig.3 Spatial distributions of recessive degradation for cultivated land productivity in Jiangsu Province

圖4 江蘇省及其各市耕地生產(chǎn)力隱性退化區(qū)域比例Fig.4 Proportion of recessive degraded areas for cultivated land productivity in Jiangsu Province and its cities

3.2 耕地生產(chǎn)力隱性退化影響因素分析

3.2.1主導(dǎo)影響因子探測(cè)分析

表2為基于地理探測(cè)器的江蘇省耕地生產(chǎn)力隱性退化的因子探測(cè)結(jié)果。在生產(chǎn)條件、產(chǎn)出效益和人口因素3個(gè)基準(zhǔn)層選取的8個(gè)影響因子均通過顯著性檢驗(yàn)(p<0.05)。其中，外流人口數(shù)量X8、種植業(yè)從業(yè)人員數(shù)量X7和農(nóng)業(yè)機(jī)械總動(dòng)力X1對(duì)耕地生產(chǎn)力隱性退化解釋力最強(qiáng)，q分別為0.364、0.335和0.261?；适┯昧縓3和第一產(chǎn)業(yè)比重X5對(duì)耕地生產(chǎn)力隱性退化的空間差異性解釋力相對(duì)較差，q分別為0.169和0.159。

表2 江蘇省耕地生產(chǎn)力隱性退化主導(dǎo)因子探測(cè)結(jié)果(q)Tab.2 Detected results (q)of recessive degradation for cultivated productivity in Jiangsu Province

3個(gè)準(zhǔn)則層中，人口因素對(duì)耕地生產(chǎn)力隱性退化的解釋力最強(qiáng)，說明農(nóng)業(yè)勞動(dòng)力對(duì)當(dāng)?shù)馗厣a(chǎn)效率貢獻(xiàn)至關(guān)重要，是保障耕地生產(chǎn)力的基礎(chǔ)。人口外流數(shù)量X8導(dǎo)致從事種植業(yè)的青壯年減少，難以保障高強(qiáng)度的農(nóng)業(yè)勞作。因此，耕地生產(chǎn)力表現(xiàn)為隱性衰退。在生產(chǎn)條件因素中，農(nóng)業(yè)機(jī)械總動(dòng)力X1對(duì)耕地生產(chǎn)力隱性退化的解釋力強(qiáng)于農(nóng)藥施用量X2和化肥施用量X3。江蘇省地勢(shì)平坦，平原面積占比超86%，因此，農(nóng)業(yè)機(jī)械化程度對(duì)替代當(dāng)?shù)剞r(nóng)戶人工勞動(dòng)力具有重要意義。當(dāng)農(nóng)業(yè)機(jī)械使用受限時(shí)，迫使農(nóng)戶投入更多人工勞動(dòng)力，進(jìn)而增加了勞動(dòng)成本，導(dǎo)致耕地生產(chǎn)力隱性退化。產(chǎn)出效益是衡量農(nóng)業(yè)發(fā)展?jié)摿Α⒈磉_(dá)農(nóng)民種植意愿的重要指標(biāo)。基于經(jīng)濟(jì)學(xué)中利益最大化原理假說，較低經(jīng)濟(jì)收益的第一產(chǎn)業(yè)易受二、三產(chǎn)業(yè)高收益的吸引，導(dǎo)致農(nóng)民放棄耕作轉(zhuǎn)向工商活動(dòng)。因此，農(nóng)業(yè)產(chǎn)值X6對(duì)耕地生產(chǎn)力隱性退化解釋力較強(qiáng)。

3.2.2因子交互探測(cè)分析

耕地生產(chǎn)力隱性退化的形成過程受多種因子交互影響，本研究基于3個(gè)準(zhǔn)則層中的8個(gè)指標(biāo)變量進(jìn)行交互探測(cè)分析。表3為江蘇省耕地生產(chǎn)力隱性退化影響因子交互探測(cè)結(jié)果，結(jié)果顯示多因子交互耦合后對(duì)耕地生產(chǎn)力隱性退化的解釋力q均有不同程度的提高，且呈非線性趨勢(shì)。綜合來看，以人口因素與生產(chǎn)條件最為顯著，其中，化肥使用量X3與種植業(yè)從業(yè)人員數(shù)量X7的驅(qū)動(dòng)力最強(qiáng)，高達(dá)0.470。單一影響因子的探測(cè)分析已表明人口因素準(zhǔn)則層中的指標(biāo)變量對(duì)江蘇省耕地生產(chǎn)力隱性退化解釋力最強(qiáng)，然而疊加生產(chǎn)條件準(zhǔn)則層中的指標(biāo)變量后，q又進(jìn)一步提升。這說明現(xiàn)代農(nóng)業(yè)機(jī)械化是保障江蘇省耕地生產(chǎn)力穩(wěn)定的重要物質(zhì)基礎(chǔ)。另外，產(chǎn)出效益影響因素與人口因素交互耦合后提高了對(duì)耕地生產(chǎn)力隱性退化的解釋力。具體表現(xiàn)在由4個(gè)指標(biāo)變量交互組成的6種變量類型較高的q(0.370～0.449)。江蘇省是我國(guó)經(jīng)濟(jì)強(qiáng)省，但南北仍存在較大的經(jīng)濟(jì)差距。由于農(nóng)業(yè)生產(chǎn)周期長(zhǎng)、效益回報(bào)慢，易被其他產(chǎn)業(yè)影響，因此需要資金和政策的傾斜支持。從江蘇省耕地生產(chǎn)力隱性退化的空間分布差異亦可以體現(xiàn)，加強(qiáng)資金投入、政策管理對(duì)耕地生產(chǎn)保護(hù)和預(yù)防生產(chǎn)力隱性退化意義重大。

表3 江蘇省耕地生產(chǎn)力隱性退化影響因子交互探測(cè)結(jié)果(q)Tab.3 Interaction detected results (q)of recessive degradation for cultivated productivity in Jiangsu Province

3.3 耕地生產(chǎn)力隱性退化地域分異類型

基于江蘇省13個(gè)行政市，進(jìn)行耕地生產(chǎn)力隱性退化主導(dǎo)影響因子探測(cè)和地域分異類型分析。在生產(chǎn)條件、產(chǎn)出效益和人口因素3個(gè)基準(zhǔn)層選取對(duì)耕地生產(chǎn)力隱性退化解釋力最強(qiáng)(q最大)的指標(biāo)變量作為制約各市耕地生產(chǎn)力穩(wěn)定的主導(dǎo)因素，并將各市分為生產(chǎn)條件約束型、產(chǎn)出效益約束型和人口因素約束型。圖5為各市q分布情況，其中，農(nóng)業(yè)機(jī)械化總動(dòng)力X1、農(nóng)業(yè)產(chǎn)值X6和外流人口數(shù)量X8分別為3種約束類型的首要因素。生產(chǎn)條件約束型地區(qū)包括南京市、常州市、鎮(zhèn)江市、無錫市和蘇州市。從地域空間來看，這些城市集中于蘇南經(jīng)濟(jì)發(fā)達(dá)地區(qū)。由圖3、4可知，蘇南地區(qū)耕地生產(chǎn)力隱性退化區(qū)域較少且分布分散。因此應(yīng)注重區(qū)域丘陵地形和破碎化的耕地斑塊對(duì)農(nóng)業(yè)生產(chǎn)的束縛。屬于產(chǎn)出效益約束型的城市有宿遷市、揚(yáng)州市和南通市，對(duì)比3項(xiàng)指標(biāo)變量的q發(fā)現(xiàn)，產(chǎn)出效益準(zhǔn)則層中的指標(biāo)解釋力優(yōu)勢(shì)不顯著，具體表現(xiàn)在農(nóng)業(yè)產(chǎn)值X6的解釋力還伴有較高的外流人口數(shù)量X8因素，說明各市間的經(jīng)濟(jì)水平和收入水平差異是阻礙耕地穩(wěn)定生產(chǎn)的重要因素。人口因素約束型地區(qū)在江蘇省占比最大，主要城市有徐州市、淮安市、連云港市、泰州市和鹽城市。這些城市集中于蘇北地區(qū)，該區(qū)域經(jīng)濟(jì)發(fā)展相較于蘇南較差，農(nóng)村青年勞動(dòng)力外流顯著，因此其耕地生產(chǎn)力隱性退化顯著且分布集中。

基于江蘇省3種耕地生產(chǎn)力隱性退化的地域分異類型(圖5d)，提出相應(yīng)的政策建議。對(duì)于生產(chǎn)條件約束型地區(qū)應(yīng)加強(qiáng)高標(biāo)準(zhǔn)農(nóng)田建設(shè)，嚴(yán)守耕地紅線，提高生產(chǎn)效率、確保耕地生產(chǎn)力持續(xù)穩(wěn)定。產(chǎn)出效益約束型地區(qū)應(yīng)結(jié)合區(qū)域農(nóng)業(yè)生產(chǎn)特點(diǎn)，實(shí)施惠農(nóng)政策、推廣農(nóng)業(yè)技術(shù)，增加農(nóng)業(yè)產(chǎn)值，提高農(nóng)民生產(chǎn)積極性。人口因素約束型是江蘇省區(qū)域耕地生產(chǎn)力隱性退化的主要類型。因此，應(yīng)妥善處理蘇北地區(qū)勞動(dòng)力外流問題。建議調(diào)節(jié)優(yōu)化農(nóng)戶的家庭生計(jì)特征，通過土地流轉(zhuǎn)，提高農(nóng)業(yè)規(guī)?；?、降低農(nóng)業(yè)生產(chǎn)成本，減緩勞動(dòng)力析出，增加經(jīng)濟(jì)收益。

圖5 江蘇省耕地生產(chǎn)力隱性退化主導(dǎo)因素空間分布特征和地域分異類型Fig.5 Spatial distributions and regional differentiation types of dominant factors of recessive degradation of cultivated land productivity in Jiangsu Province

4 結(jié)論

(1)以江蘇省為例，基于2001—2019年MODIS 遙感影像，通過BFAST算法建模歷史時(shí)期耕地生產(chǎn)力變化特征作為趨勢(shì)基準(zhǔn)，用于判斷監(jiān)測(cè)時(shí)期耕地是否存在生產(chǎn)力隱性退化。結(jié)果顯示，江蘇省存在生產(chǎn)力隱性退化的耕地比例為21.9%，具有顯著的空間差異。西北地區(qū)的徐州市、宿遷市的耕地生產(chǎn)力隱性退化比例最高，分別為47.2%和43.4%，且表現(xiàn)出聚集性。東南地區(qū)的蘇州市、無錫市和南通市的耕地生產(chǎn)力隱性退化比例較低，均不足10%。

(2)地理探測(cè)器因子探測(cè)分析表明外流人口數(shù)量、種植業(yè)從業(yè)人員數(shù)量和農(nóng)業(yè)機(jī)械化總動(dòng)力3項(xiàng)指標(biāo)對(duì)江蘇省耕地生產(chǎn)力隱性退化的解釋力最強(qiáng)。因子交互探測(cè)結(jié)果顯示多因子交互耦合后對(duì)耕地生產(chǎn)力隱性退化的解釋力均有不同程度的提高。綜合來看，以人口因素與生產(chǎn)條件解釋力增強(qiáng)最為顯著。

(3)耕地生產(chǎn)力隱性退化的地域分異類型劃分為生產(chǎn)條件約束型、產(chǎn)出效益約束型和人口因素約束型。從各市的q分布情況來看，農(nóng)業(yè)機(jī)械化總動(dòng)力、農(nóng)業(yè)產(chǎn)值和外流人口數(shù)量分別為3種約束類型的首要因素。從地域空間來看，人口因素約束型地區(qū)在江蘇省占比最大，主要集中于蘇北地區(qū)。對(duì)于不同約束類型區(qū)域提出了加強(qiáng)高標(biāo)準(zhǔn)農(nóng)田建設(shè)、實(shí)施惠農(nóng)政策、通過土地流轉(zhuǎn)提高農(nóng)業(yè)規(guī)?；敖档娃r(nóng)業(yè)生產(chǎn)成本、減緩勞動(dòng)力析出等相應(yīng)的政策建議。