2020, Vol. 28
城市化的快速发展, 带来乡村人口流失, 加剧了弃耕, 使弃耕成为日益严重的全球性问题[1]。近年来全球范围内弃耕面积迅速扩大[2], 增加了自然灾害风险[3], 改变了水资源利用现状[4], 带来了一系列社会-自然环境问题。因此, 人们对弃耕的关注度迅速增加[5-6], 由于弃耕现象具有渐变性、复杂性、不稳定性以及空间分布零散等特征, 使弃耕很难被准确识别和预测[7], 因而对潜在弃耕风险耕地的空间识别是学界面临的主要问题之一。目前主要的潜在弃耕风险识别方法有基于IRENA(indicator reporting on the integration of environmental concerns into agricultural policy, 农业政策中的环境指标)指标法[8]与基于遥感影像法[9-12]。IRENA指标是由欧盟(EU)于2001年组织实施的农业指标体系, 旨在有效地监测欧盟区内农业与农村中的环境问题, 在最初定义的35个农业环境指标(agri-environmental indicators, AEI)中, 第17个指标(trends: marginalization, 趋势:边缘化)和后来新增的第14个指标(risk of farmland abandonment, 弃耕风险)主要评价弃耕风险[8], 并在2008年[7]和2010年[13]对欧洲27国进行了弃耕风险评价。IRENA指标对欧洲的弃耕风险进行了很好地刻画, 但其评价需要大量可靠数据支撑[13]。基于遥感影像识别法主要由LANDSAT与MODIS数据实现, 其优点是可以获取大范围内, 尤其是国家与全球尺度上的弃耕影像, 然而LANDSAT无云影像通常是有限的, 这使得影像的准确性受到了影响[11]; 且全球NDVI数据分辨率为250 m, 对于县级以下的小尺度识别精度不足。
对弃耕问题的研究, 学界持续关注了近30年[14], 学者对影响弃耕因子进行了大量研究。Vidal-Macua等[15]在西班牙东北部研究了坡度、道路距离、人口等因子与雨养和灌溉作物的弃耕关系; Wang等[16]通过对农业用地与自然用地转换的空间回归分析, 探讨了气温、降水、道路等因子在二者转换中的作用; Prishchepov等[17]对俄罗斯弃耕的决定因子进行了研究, 阐述了海拔、坡度、粮食产量、人口、道路距离等因子在弃耕中的决定性作用; Mottet等[18]在比利牛斯山脉研究了山地景观中农业用地变化及其驱动因素, 探讨了坡度、海拔、道路距离等因子对农业用地变化的驱动作用; Yu等[19]在湖南省探索了粮食产量、人口等因子对季节性耕地弃耕的驱动; Shi等[20]从乡镇层面探讨了海拔、坡度等因子对中国山区耕地弃耕的影响; Pazúr等[21]研究了斯洛伐克在社会主义转型后和加入欧盟期间大规模耕地弃耕的空间决定因素, 探讨了海拔、坡度、土壤质量、气温、降水、水源、道路、人口等因子对弃耕的影响; Kolecka等[22]探索了波兰喀尔巴阡山脉弃耕问题, 阐述了海拔、坡度、人口等因子对弃耕的影响; 张栢林等[23]通过540份问卷探讨了重庆十县区农户弃耕的特点及原因, 涉及人口、耕地产出等因子; Zhang等[24]从成本收益的角度解释了中国农村改制中的耕地弃耕现象, 提出了耕地质量、人口等因子对弃耕的影响; Xie等[25]通过可持续经济模型探索了江西省耕地的弃耕动力机制, 涉及粮食产量、坡度、海拔、人口、道路等因子; Zhang等[26]多层次分析了中国山区弃耕的决定因子, 涉及坡度、土壤质量、人口、海拔等因子。目前, 大部分研究停留在弃耕因子与弃耕关系的表达上, 而通过因子来识别潜在弃耕风险的研究还较少。
红河哈尼梯田是以传统稻作农业为基础的世界文化景观遗产、世界农业文化遗产和国家湿地公园。耕地是遗产的核心构成要素, 近年来元阳哈尼梯田发生了不同规模的弃耕, 遗产稳定与可持续发展受到威胁。而目前学界对哈尼梯田的弃耕问题的关注还较少, 因此对哈尼梯田进行潜在弃耕风险识别, 针对识别结果进行规划保护, 是实现遗产可持续发展的关键举措。基于此, 本文根据相关研究, 构建了以弃耕影响因子为主导的弃耕风险指数和以系统聚类为基础的弃耕风险识别方法, 对哈尼梯田进行了实证研究。
1 研究区概况与研究方法 1.1 研究区概况哈尼梯田主体位于中国西南部的云南省红河州元阳县, 具体位置如图 1所示。地理坐标为22°49′~23°19′N、102°27′~103°13′E, 地处北回归线以南, 属亚热带季风气候。2009年被列入世界农业文化遗产和国家湿地公园名录, 2013年联合国教科文组织批准为世界文化遗产, 遗产核心区和缓冲区面积达461 km2。遗产区以梯田“分布之广, 规模之大, 建造之奇, 在中国仅有, 世界罕见”而闻名中外。2016年元阳县境内分布梯田478 km2, 占国土面积23%, 最高海拔为2 954 m, 最低为126 m。元阳哈尼梯田是延续了1 300多年的山区传统稻作集约农业典范, 也是世界文化景观遗产核心区、全球重要农业文化遗产、中国国家湿地公园所在地。
|
图 1 研究区区位与红河哈尼梯田耕地空间分布图 Fig. 1 Location of the study area and spatial distribution of the Honghe Hani Rice Terrace farmland |
元阳县2017年土地利用、水系、居民点、道路与海拔等数据来自云南省地理国情普查数据库。云南省第一次地理国情普查内容涉及《地理国情普查内容与指标》(GDPJ 01—2013)中的10个一级类, 58个二级类, 135个三级类。
气象数据来自中国区域地面气象要素数据集, 是中国科学院青藏高原研究所开发的一套近地面气象与环境要素再分析数据集。其时间分辨率为3 h, 水平空间分辨率0.1°, 包含近地面气温、近地面气压、近地面空气比湿、近地面全风速、地面向下短波辐射、地面向下长波辐射和地面降水共7个要素(变量)。本文主要使用了数据集中的气温与降水数据。人口与粮食产量数据来自于元阳县统计局。具体数据见表 1。
|
表 1 弃耕风险识别的主要数据来源及属性 Table 1 Main data sources and attributes for farmland abandonment risk identification |
道路距离、水系距离、海拔、坡度、降水、气温、人口、粮食产量等因子是识别潜在弃耕风险耕地的主要数据[15-26]。一般研究认为:距离道路和水源越近[15]、海拔越低[16]、坡度越小[17]、人口越多[16]、粮食产量越高[17]、气温越高[16]、降水越大[21], 耕地越稳定, 相反则潜在弃耕风险大。根据各因子与潜在弃耕风险的关系, 本文构建了弃耕风险指数, 通过对弃耕风险指数进行系统聚类, 识别出潜在弃耕高风险耕地、弱风险耕地与稳定耕地, 具体流程见图 2。
|
图 2 弃耕风险因子(FARI)计算和弃耕风险识别的主要过程 Fig. 2 Main processes of the calculation of farmland abandonment risk indexes (FARI) and identification of risk area of farmland abandonment |
通过文献[15-26]发现道路、水系、海拔、坡度、降水、气温、人口、粮食产量等因子, 均对耕地弃耕风险有不同程度的影响。通过对红河哈尼梯田实地调查并结合区域特征分析, 最终确定为弃耕风险识别因子。各因子选取依据与数据处理见表 2。
|
|
表 2 弃耕风险识别因子的确定依据与数据处理 Table 2 Determining basis and data processing of identification factors of risk of farmland abandonment |
1) 弃耕风险指数(FARI)计算
综上, 海拔、坡度、河流距离、道路距离4个因子与潜在弃耕风险为正比关系, 值越大弃耕风险越大。人口、粮食产量、气温、降水4个因子与潜在风险为反比关系, 值越大弃耕风险越小。根据各
因子与弃耕风险之间的关系, 弃耕风险可以表达为:
| $ {\rm{FARI}} = (\sum\nolimits_{i = 1}^4 {{x_i}} ) - (\sum\nolimits_{i = 1}^4 {{k_i}} ) $ | (1) |
式中: FARI为弃耕风险指数, x1-x4为正比关系因子, k1-k4为反比关系因子。
为了消除不同量纲的影响, 需要对各因子进行归一化处理, 用Xnorm表示。
| $ {X_{{\rm{norm}}}} = \frac{{X - {X_{\min }}}}{{{X_{\max }} - {X_{\min }}}} $ | (2) |
式中: Xnorm表示某一因子的归一化值, X表示因子值, Xmin表示因子的最小值, Xmax表示因子的最大值。
2) 潜在弃耕风险耕地识别
弃耕风险耕地识别通过对弃耕风险值聚类来实现, 弃耕风险值最大一类为弃耕高风险耕地, 指数最小的一类为稳定耕地。系统聚类法首先将n个样品看成n类, 然后将性质最接近的两类合并为一类, 得到n-1类, 然后再从这些类中找出性质最接近的两类合并为n-2类, 重复上述步骤直到所有样品聚为一类。欧氏距离是样品聚类的常用距离, 对于任何两个样品i、j可定义欧氏距离:
| $ {D_i}_j = \sqrt {{{({x_{i1}} - {x_{j1}})}^2} + {{({x_{i2}} - {x_{j2}})}^2} + \cdots + {{({x_{im}} - {x_{jm}})}^2}} \\ \;\;\;\;\; = {\left[ {{{\sum\nolimits_h^m {({x_{ih}} - {x_{jh}})} }^2}} \right]^{1/2}} $ | (3) |
式中: xih和xjh分别为i个样品的第h个变量和第j个样品的第h个变量值。
为了消除各指标量纲不同的影响, 需对各样品进行指标标准化, 具体为:
| $ {x'_{ih}} = ({x_{ih}} - {\bar x_h})/{s_h} $ | (4) |
式中:
根据FARI计算方法, 对元阳哈尼梯田的弃耕风险进行量化, 并进行归一化处理, 映射在0~1之间。当value=0弃耕风险最小, value=1弃耕风险最大, 元阳县各因子的原始值及其FARI的结果如图 3所示。
|
图 3 红河哈尼梯田弃耕风险识别因子和弃耕风险指数(FARI)的空间分布 Fig. 3 Spatial distribution of identification factors of risk of farmland abandonment and farmland abandonment risk index (FARI) of the Honghe Hani Rice Terraces |
对FARI计算后进行系统聚类, 结果如图 4。FARI在0~0.39之间, 为了方便计算将所有值归一化为整数, 得到0~19、20~31和32~39, 3个聚类结果, 原始值32~39归一化后的FARI为0.61~1, 值最大, 定义为弃耕高风险耕地; 原始值20~31归一化后的FARI为0.43~0.60, 值次之, 定义为弃耕弱风险耕地; 原始值0~19归一化后的FARI为0~0.42, 值最小, 定义为稳定耕地。
|
图 4 弃耕风险指数(FARI)的聚类结果 Fig. 4 Clustering results of abandoned farming risk index (FARI) |
为了验证上述选取的弃耕风险识别指标与方法的可靠性, 采用哈尼梯田耕作历史与两期的耕地数据进行验证。从哈尼梯田耕作历史来看:哈尼梯田是存在1 300多年的稻作文明, 耕地经过1 300年的人为与自然选择, 现存的耕地总体上已是最适宜的耕地, 而本文识别结果表明, 该区稳定与弱风险耕地占比达91%, 证明了现存的绝大数耕地较为稳定, 符合现实情况; 从弃耕数据来看, 使用2015—2017年两期元阳县耕地数据进行结果验证, 2015—2017年元阳县耕地共减少5.77 km2, 除去耕地利用类型转变后, 弃耕耕地全部位于本文识别的高风险区与弱风险区内。通过验证, 本文所选取的因子、使用的识别方法可以满足哈尼梯田弃耕风险区识别的实际需求。
2.2 潜在风险耕地识别与弃耕风险指数(FARI)空间格局根据FARI绘制了元阳县梯田弃耕风险图, 结果如图 5所示:稳定耕地面积为234.87 km2, 主要散布于元阳县中部, 集中分布于新街镇、牛角寨镇、小新街乡、攀枝花乡4地, 呈团块状分布, 区内海拔适中、坡度和缓、耕地产量高、人口数量大, 适宜耕作。但本区位于遗产核心区, 人口密度大, 耕作压力较其他区域高, 导致区内耕地资源基本开发耗尽, 是未来人地矛盾凸显区域。弃耕弱风险耕地面积为146.33 km2, 区内耕地斑块破碎, 交错分布于稳定耕地与高风险耕地之间, 集中在小新街和逢春岭乡北部, 由于地处河谷地带, 坡度大, 耕地产量低、人口数量少, 导致其耕作难度增大。但本区具有大量的后备耕地资源, 是未来耕地开发的主要区域。弃耕高风险耕地面积为34.95 km2, 主要成片分布于元阳县边界区域, 总体可划分为嘎娘-逢春岭-上新城-小新街片区, 马街-牛角寨东部片区, 前者位于哀牢山区, 海拔高、坡度大、气温低、人口稀少不易耕作, 后者位于河谷地区, 坡度大、人口少、自然环境差。故本区的耕地面积较小。综上可知, 稳定耕地面积最大, 弱弃耕风险耕地面积次之, 高风险耕地面积最小, 说明哈尼梯田大部分耕地较为稳定。
|
图 5 红河哈尼梯田不同程度潜在弃耕风险耕地识别 Fig. 5 Identification of different levels of potentially abandoned farmlands of the Honghe Hani Rice Terraces |
从乡镇尺度来看(表 3):弃耕高风险耕地主要集中在上新城乡、小新街乡、大坪乡、俄扎和黄茅岭乡, 占弃耕高风险耕地总面积的72.9%。上新城与小新街乡的高风险耕地主要分布在两地中部, 位于哀牢山北坡, 海拔高、坡度大、气温低、距离水系较远, 属于自然条件驱动弃耕。大坪乡的高风险耕地分布在境内的北部, 境内人口少、粮食产量低, 属于人文条件驱动弃耕。俄扎与黄茅岭乡的高风险耕地均匀分布于区内, 海拔高、坡度大、粮食产量低、人口少, 属于自然与人文复合驱动弃耕。弃耕弱风险耕地主要集中在逢春岭乡、小新街乡、黄草岭乡、大坪乡、俄扎乡、上新城和嘎娘乡等地, 均超过其境内耕地面积的40%;稳定耕地主要集中在新街镇、牛角寨镇、沙拉托乡、逢春岭乡、黄草岭乡等地, 面积达138.18 km2, 占总面积的59.2%, 从空间来看新街与牛角寨镇是红河哈尼梯田遗产核心区与缓冲区的主体, 黄草岭乡是哈尼梯田南部最大稳定耕地分布区, 逢春岭乡为哈尼梯田东部最大稳定耕地分布区。
|
|
表 3 乡镇尺度下红河哈尼梯田耕地弃耕风险面积 Table 3 Risk area of abandoned farmland under the township scale of the Honghe Hani Rice Terraces |
FARI的空间格局是划分粮食供给安全区与确定退耕还林还草边界的重要参考。元阳哈尼梯田的FARI格局如图 6a和6b所示。为了更直观呈现元阳县FARI在经纬向的变化特征, 以10′为间隔, 分别沿元阳县主要的经纬线进行剖面分析, 在纬向上选取23°00′N和23°10′N两条样带, 在经向上选取102°40′E、102°50′E和103°00′E 3条样条, 结果见图 6c和6d。在纬向上23°00′N带的FARI均值为0.54, 23°10′N带为0.42, 随纬度增加FARI呈下降趋势, 即北部的弃耕风险小于南部, 在空间上自西向东依次分布沙拉托乡、牛角寨镇、新街镇、嘎娘乡、上新城和逢春岭乡, 对应的FARI均值分别为0.38、0.39、0.30、0.54、0.60、0.39, 说明FARI在东西向上呈中东最低, 中西最高的分布格局。在经向上103°00′E带的FARI均值最大, 达0.57, 其次为102°50′E带, 为0.44, 102°40′E带最小, 为0.38, 说明哈尼梯田的弃耕风险自西向东依次增加, 西部的弃耕风险最小, 中部次之, 东部最大, 自南向北依次为黄草岭乡、俄扎乡、攀枝花乡、牛角寨和新街、南沙镇, 其FARI分别为0.27、0.35、0.36、0.39、0.30和0.44, 总体呈由南向北递增的趋势。
|
图 6 红河哈尼梯田弃耕风险指数(FARI)的空间格局与差异 Fig. 6 Spatial pattern and difference of abandoned farming risk index (FARI) of the Honghe Hani Rice Terraces In the figure b, the English name of township is shown in the table 3. |
为了呈现弃耕风险识别因子在不同弃耕风险程度耕地中的变化趋势, 计算了稳定耕地、弱风险耕地、高风险耕地内各弃耕风险识别因子的值(表 4)。稳定耕地-弱风险耕地-高风险耕地, 随FARI增加, 其坡度、道路距离、降水、水系距离呈增加趋势, 坡度增大, 物资运输成本增加, 耕作难度上升。道路距离与水系距离两个因子增加, 将会使耕作通勤与灌溉水源距离增大, 耕作通勤距离增加, 意味农民到达耕地的距离变大, 花费在耕作途中的时间与精力将增加。灌溉水源距离的增加, 意味耕地到达水源的距离变长, 灌溉稳定性降低, 使耕作条件恶化。随弃耕风险指数的增加, 其气温、人口、粮食产量3个因子呈现下降趋势, 从稳定耕地到高风险耕地, 海拔上升了122 m, 气温下降了0.54 ℃, 温度过低不适宜水稻生长, 使耕作适宜性降低。人口密度从稳定耕地489人减少到高风险耕地的335人, 人口下降意味着区内劳动力减少, 对于传统人工稻作农业直接的影响就是弃耕。粮食产量从稳定耕地到高风险耕地减少了39 t·km-2, 说明高风险耕地肥力弱, 产量低。
|
|
表 4 红河哈尼梯田不同弃耕风险程度下的影响因子值 Table 4 Values of affecting factors of farmlands with different risk levels of farmland abandonment in the Honghe Hani Rice Terraces |
各因子在不同弃耕风险程度耕地中的值不同。为了明确在弃耕高风险、弱风险和稳定耕地中的关键影响因子, 将上述3类耕地的弃耕风险指数(MEAN)、经度(Y)、纬度(X)、标准差(SD)、总和(SUM)及其对应的弃耕因子海拔(Elevation)、坡度(Slope)、道路距离(Road)、降水(Rainfall)、粮食产量(Food)、气温(Temperature)、人口(Population)与水系距离(River)进行冗余分析(RDA), 结果如表 5和图 7所示。由表 5可知弃耕高风险、弱风险和稳定的识别因子主要为气温(88.9%)、粮食产量(8%)、海拔(2.2%)、降水(0.7%)且P < 0.05, 具有显著性, 其余各因子的贡献率小于1, 不具有显著性。
|
|
表 5 红河哈尼梯田各识别因子对弃耕风险指数(FARI)的贡献率 Table 5 Contribution rate of each affecting factor on the farmland abandonment risk index (FARI) in the Honghe Hani Rice Terraces |
|
图 7 红河哈尼梯田弃耕风险指数与环境因子的RDA分析 Fig. 7 RDA analysis of farmland abandonment risk index and affecting factors in the Honghe Hani Rice Terraces |
由图 7可知: 1)将ST(稳定耕地)、WR(弱风险耕地)、HR(高风险耕地)投影在纬度(x)、经度(y), 可以发现HR(高风险耕地)内的点更靠近x轴, 说明高风险耕地分布更靠近北部, ST(稳定耕地)内的样点更靠近y轴, 说明稳定耕地分布的更靠东部; 2) MEAN (弃耕风险指数)从左至右值依次增加, 分布对应ST(稳定耕地)、WR(弱风险耕地)、HR(高风险耕地), 反映出稳定耕地弃耕风险指数最小、弱风险耕地次之、高风险耕地最大, 其弃耕风险指数均值由0.28增加至0.69; 3)通过HR(高风险耕地)样点至各环境因子的投影距离, 发现气温、坡度、海拔和河流距离是影响弃耕风险的主要影响因子, 其中坡度、海拔和河流距离与HR(高风险耕地)呈正向关系, 与气温呈反向关系, 即气温越低、坡度越大、海拔越高、距离河流距离越远弃耕风险越大; 4)通过WR(弱风险耕地)内, 样点至各环境因子的投影距离, 得出WR(弱风险耕地)分布较为分散, 说明弱风险耕地分布的范围大, 且不集中, 与各环境的关系来看, 受降水因子影响最大, 其他环境因子的影响均较小; 5)通过ST(稳定耕地)区内, 样点至各环境因子的投影距离, 发现ST(稳定耕地)主要受人口、粮食产量、道路距离等因子的影响, 其次为坡度、河流距离和海拔因子, 其中与人口、粮食产量呈正向关系, 与道路距离、坡度、河流距离和海拔等因子为反向关系, 即人口数量越多、粮食产量越高、距离道路越近、坡度越小、距离河流越近和海拔越低, 耕地越稳定; 6)从HR(高风险耕地)、WR(弱风险耕地)、ST(稳定耕地)样点的分布集群上看, ST(稳定耕地)ST内的样点分布最紧凑, 说明稳定耕地在空间上呈集中分布; 其次为HR(高风险耕地), 高风险耕地分布也较为集中; WR(弱风险耕地)分布最为分散, 且交错于HR(高风险耕地)与ST(稳定耕地)之间, 说明弱风险耕地分布的范围广, 呈散布的状态。
3 结论与建议以道路、坡度、海拔、水源、降水、气温、人口、粮食产量等因子与弃耕风险的关系为基础, 构建了以弃耕影响因子为主导的弃耕风险指数(FARI)和以系统聚类为基础的弃耕风险耕地识别方法, 对哈尼梯田进行了实证研究, 得出以下主要结论:
1) 哈尼梯田稳定耕地的弃耕风险指数阈值为0.61~1.00, 面积占比为57%, 弱风险耕地的弃耕风险指数阈值为0.43~0.60, 面积占比为35%, 高风险耕地的弃耕风险阈值为0~0.42, 面积占比为8%。弃耕风险指数的空间格局为:北部大于南部, 东部大于西部。哈尼梯田稳定与弱风险耕地面积占比超过了90%, 总体较为稳定, 弃耕风险小。
2) 从影响因子来看:稳定耕地区主要受人口、粮食产量、道路距离等因子的影响, 其次为坡度、河流距离和海拔, 其中与人口、粮食产量为正向关系, 与道路距离、坡度、河流距离和海拔等因子为反向关系; 弱风险耕地区主要受降水因子影响, 其他环境因子的影响较小; 高风险耕地区主要受气温、坡度、海拔和河流距离等因子的影响, 其中坡度、海拔和河流距离为正向关系, 气温为反向关系。
为了使哈尼梯田更可持续地发展, 我们针对稳定耕地、弱风险耕地和高风险耕地提出了优化与管理建议:
1) 稳定耕地主要分布于元阳县中部, 集中在新街、牛角寨、小新街、攀枝花4地, 稳定耕地是本区农业生产条件最好的耕地。相关研究表明水稻优生区农户对耕地保护意愿更强[27], 因此建议此区划入基本农田保护界线内, 严禁开发商业用地, 进行立法保护, 保障哈尼梯田粮食安全生产。同时本区主体与目前的世界文化遗产核心区、缓冲区边界重叠, 从遗产保护的角度来看, 应将南部的黄草岭-黄茅岭片区、东部的逢春岭片区纳入遗产边界, 进行保护。
2) 弱风险耕地, 斑块较为破碎, 交错分布于稳定耕地与高风险耕地之间, 其耕作条件较稳定耕地差。相关研究提出机械化水平可以提高耕地的复种指数[28], 建议在人口稀疏、坡度和缓的河谷地区提升农业机械化水平, 引入热带经济作物种植提升农业产值, 同时对于坡度过大的区域实施退耕还林还草, 保护生态环境, 为稳定耕地建立坚固的生态屏障。
3) 高风险耕地分布于马街、牛角寨的东部, 嘎娘、逢春岭、上新城、小新街的南端, 俄扎东部、黄草岭中部, 主要分布于哀牢山等山区, 坡度大、海拔高、温度低, 难以满足作物生长的热量需求, 相关研究指出发展农业文化遗产旅游和生态旅游, 是促进梯田景观复兴及传统文化现代回归的有效手段[29]。因此建议此区进行大面积的退耕还林还草, 提高其生态价值, 发展生态旅游。
4) 根据世界遗产保护条例, 遗产区内梯田需要维持现状, 建议弱风险与高风险耕地位于遗产区内的, 进行耕作条件优化, 维持其稳定, 位于遗产区外的, 可根据实际情况适度退耕。
4 讨论从方法来看本文构建了以弃耕影响因子为主导的弃耕风险指数和以系统聚类为基础的弃耕风险耕地识别方法, 并进行了实证研究, 初步论证了研究方法的可行性。关于弃耕风险的识别方法主要有基于IRENA指标法和基于遥感影像的识别方法。基于IRENA指标法[8]是目前应用较为广泛的一种评价指标, 但在实际操作中主要以自然村、聚落一级的数据为评价依据, 但在我国统计数据的最小尺度为乡一级, 因此IRENA指标法在我国应用中存在数据不匹配的现实情况, 在识别结果上, IRENA指标法主要以数值结果为主, 空间表达欠缺。基于遥感影像法[9-12]对弃耕风险的识别需要长时间序列的影像进行判别, 识别的周期与数据量均较大。本文从方法来看是借助GIS手段, 应用遥感解译产品对弃耕风险识别的一种方法, 与上述两种方法相比本文计算的结果主要以空间数据为主, 使用的数据量相对于遥感影像识别法小。
从数据的精度来看, 哈尼梯田坡度大, 地形崎岖, 梯田斑块面积小, 从实际调查来看, 1~100 m2的梯田斑块较为常见, 因此要求数据精度为1~10 m。但目前最常用的弃耕研究数据源为LANDSATE[10-11]与NDVI[12]数据产品, 其最优分辨率为30 m和250 m, 若使用上述数据对哈尼梯田弃耕风险进行识别, 将无法识别1~100 m2的梯田斑块的弃耕风险。为了提高识别精度, 本文主要使用了地理国情部门优于1 m的矢量和优于10 m的栅格数据产品, 但部分统计数据的精度还待进一步提升。
从影响弃耕风险指数的因子来看, 本文得出稳定耕地区主要受人口海拔、道路距离、粮食产量等因子影响。Vidal-Macua等[15]和张佰林等[23]的研究结果表示人口是影响农户弃耕的主要因子, 与本文研究结果相似。但哈尼梯田与上述两个案列具有不同之处, 从区域特征来看Vidal-Macua等[15]的研究位于西班牙的西北部, 其研究的主要结论为, 在服务业人口比例较高的城市, 弃耕的现象增加。哈尼梯田是一个传统的农业生产区, 其主业是农业生产, 服务业在大部分区域还较少见; 张佰林等[23]的研究位于重庆山区, 认为劳动力少、年龄偏大是其弃耕的重要原因, 哈尼梯田位于少数民族区域, 具有多胎生育的政策, 一定程度保证了劳动力的数量。此外本文还识别了高风险与弱风险耕地弃耕的主要驱动因子, 发现不同弃耕风险程度的区域, 驱动因子不同, 因此对弃耕风险因子的讨论, 应该在遵循地理空间分异的前提下, 分区讨论。近年来随着哈尼梯田的申遗成功, 旅游业兴起, 旅游经营者与农户等诸多利益体间出现了比较利益现象。最为显著的是部分农户放弃耕种转为旅游经营, 加剧了哈尼梯田的弃耕现象。但自2012年后, 梯田管理机构开始通过立法保护梯田, 并于同年颁布了《云南省红河哈尼族彝族自治州哈尼梯田保护管理条例》, 其中二十五条明确规定禁止弃耕抛荒或者损毁梯田。农户私自弃耕或损坏梯田将会受到不同程度的惩处, 极大地缓解了由比较利益引起的弃耕现象, 然而对政策性措施的量化、空间表达及其对弃耕风险的影响机制, 将是影响我们进一步深化研究的关键问题。
| [1] |
LIU Y S, LI Y H. Revitalize the world's countryside[J]. Nature, 2017, 548(7667): 275-277. DOI:10.1038/548275a |
| [2] |
KAUPPI P E, AUSUBEL J H, FANG J Y, et al. Returning forests analyzed with the forest identity[J]. Proceedings of the National Academy of Sciences of the United States of America, 2006, 103(46): 17574-17579. DOI:10.1073/pnas.0608343103 |
| [3] |
ROMERO-CALCERRADA R, PERRY G L W. The role of land abandonment in landscape dynamics in the SPA'Encinares del río Alberche y Cofio, Central Spain, 1984-1999[J]. Landscape and Urban Planning, 2004, 66(4): 217-232. DOI:10.1016/S0169-2046(03)00112-9 |
| [4] |
POYATOS R, LATRON J, LLORENS P. Land use and land cover change after agricultural abandonment[J]. Mountain Research and Development, 2003, 23(4): 362-368. DOI:10.1659/0276-4741(2003)023[0362:LUALCC]2.0.CO;2 |
| [5] |
FOLEY J A, RAMANKUTTY N, BRAUMAN K A, et al. Solutions for a cultivated planet[J]. Nature, 2011, 478(7369): 337-342. DOI:10.1038/nature10452 |
| [6] |
LAMBIN E F, MEYFROIDT P. Global land use change, economic globalization, and the looming land scarcity[J]. Proceedings of the National Academy of Sciences of the United States of America, 2011, 108(9): 3465-3472. DOI:10.1073/pnas.1100480108 |
| [7] |
POINTEREAU P, COULON F, GIRARD P, et al. Analysis of Farmland Abandonment and the Extent and Location of Agricultural Areas that are Actually Abandoned or are in Risk to be Abandoned[R]. Ispra: Institute for Environment and Sustainability, 2008
|
| [8] |
CORBELLE-RICO E, CRECENTE-MASEDA R. Evaluating IRENA indicator "Risk of farmland abandonment" on a low spatial scale level:the case of Galicia (Spain)[J]. Land Use Policy, 2014, 38: 9-15. DOI:10.1016/j.landusepol.2013.10.013 |
| [9] |
BAUMANN M, KUEMMERLE T, ELBAKIDZE M, et al. Patterns and drivers of post-socialist farmland abandonment in Western Ukraine[J]. Land Use Policy, 2011, 28(3): 552-562. DOI:10.1016/j.landusepol.2010.11.003 |
| [10] |
YIN H, PRISHCHEPOV A V, KUEMMERLE T, et al. Mapping agricultural land abandonment from spatial and temporal segmentation of Landsat time series[J]. Remote Sensing of Environment, 2018, 210: 12-24. DOI:10.1016/j.rse.2018.02.050 |
| [11] |
ALCANTARA C, KUEMMERLE T, PRISHCHEPOV A V, et al. Mapping abandoned agriculture with multi-temporal MODIS satellite data[J]. Remote Sensing of Environment, 2012, 124: 334-347. DOI:10.1016/j.rse.2012.05.019 |
| [12] |
LÖW F, PRISHCHEPOV A, WALDNER F, et al. Mapping cropland abandonment in the Aral sea basin with MODIS time series[J]. Remote Sensing, 2018, 10(2): 159. DOI:10.3390/rs10020159 |
| [13] |
KEENLEYSIDE C, TUCKER G. Farmland Abandonment in the EU: An Assessment of Trends and Prospects[R]. Report Prepared for WWF. London: Institute for European Environmental Policy, 2010
|
| [14] |
金芳芳, 辛良杰. 中国闲置耕地的区域分布及影响因素研究[J]. 资源科学, 2018, 40(4): 719-728. JIN F F, XLN L J. Spatial distribution and impact factors of farmland abandonment[J]. Resources Science, 2018, 40(4): 719-728. |
| [15] |
VIDAL-MACUA J J, NINYEROLA M, ZABALA A, et al. Environmental and socioeconomic factors of abandonment of rainfed and irrigated crops in Northeast Spain[J]. Applied Geography, 2018, 90: 155-174. DOI:10.1016/j.apgeog.2017.12.005 |
| [16] |
WANG H L, QIU F, RUAN X F. Loss or gain:A spatial regression analysis of switching land conversions between agriculture and natural land[J]. Agriculture, Ecosystems & Environment, 2016, 221: 222-234. |
| [17] |
PRISHCHEPOV A V, MÜLLER D, DUBININ M, et al. Determinants of agricultural land abandonment in Post-Soviet European Russia[J]. Land Use Policy, 2013, 30(1): 873-884. DOI:10.1016/j.landusepol.2012.06.011 |
| [18] |
MOTTET A, LADET S, COQUÉ N, et al. Agricultural land-use change and its drivers in mountain landscapes:A case study in the Pyrenees[J]. Agriculture, Ecosystems & Environment, 2006, 114(2/3/4): 296-310. |
| [19] |
YU Z L, LIU L, ZHANG H, et al. Exploring the factors driving seasonal farmland abandonment:A case study at the regional level in Hunan Province, Central China[J]. Sustainability, 2017, 9(2): 187. DOI:10.3390/su9020187 |
| [20] |
SHI T C, LI X B, XIN L J, et al. The spatial distribution of farmland abandonment and its influential factors at the township level:A case study in the mountainous area of China[J]. Land Use Policy, 2018, 70: 510-520. DOI:10.1016/j.landusepol.2017.10.039 |
| [21] |
PAZÚR R, LIESKOVSKÝ J, FERANEC J, et al. Spatial determinants of abandonment of large-scale arable lands and managed grasslands in Slovakia during the periods of post-socialist transition and European Union accession[J]. Applied Geography, 2014, 54: 118-128. DOI:10.1016/j.apgeog.2014.07.014 |
| [22] |
KOLECKA N, KOZAK J, KAIM D, et al. Understanding farmland abandonment in the Polish Carpathians[J]. Applied Geography, 2017, 88: 62-72. DOI:10.1016/j.apgeog.2017.09.002 |
| [23] |
张佰林, 杨庆媛, 严燕, 等. 快速城镇化进程中不同类型农户弃耕特点及原因——基于重庆市十区县540户农户调查[J]. 资源科学, 2011, 33(11): 2047-2054. ZHANG B L, YANG Q Y, YAN Y, et al. Characteristics and reasons of different households' farming abandonment behavior in the process of rapid urbanization based on a survey from 540 households in 10 counties of Chongqing municipality[J]. Resources Science, 2011, 33(11): 2047-2054. |
| [24] |
ZHANG Y, LI X B, SONG W, et al. Land abandonment under rural restructuring in China explained from a cost-benefit perspective[J]. Journal of Rural Studies, 2016, 47: 524-532. DOI:10.1016/j.jrurstud.2016.06.019 |
| [25] |
XIE H L, WANG P, YAO G R. Exploring the dynamic mechanisms of farmland abandonment based on a spatially explicit economic model for environmental sustainability:A case study in Jiangxi Province, China[J]. Sustainability (Switzerland), 2014, 6(3): 1260-1282. DOI:10.3390/su6031260 |
| [26] |
ZHANG Y, LI X B, SONG W. Determinants of cropland abandonment at the parcel, household and village levels in mountain areas of China:A multi-level analysis[J]. Land Use Policy, 2014, 41: 186-192. DOI:10.1016/j.landusepol.2014.05.011 |
| [27] |
崔悦, 赵凯, 贺婧, 等. 水稻优生区农户资本禀赋对其耕地保护决策行为的影响——基于双栏模型的实证研究[J]. 中国生态农业学报(中英文), 2019, 27(6): 959-970. CUI Y, ZHAO K, HE J, et al. Effect of capital endowment on Farmers' decision-making in protecting cultivated land in a rice-growing area:An empirical study based on a double-hurdle model[J]. Chinese Journal of Eco-Agriculture, 2019, 27(6): 959-970. |
| [28] |
彭继权, 吴海涛, 宋嘉豪, 等. 农业机械化水平对湖北农户耕地复种指数的影响[J]. 中国生态农业学报(中英文), 2019, 27(3): 380-390. PENG J Q, WU H T, SONG J H, et al. Impact of agricultural mechanization level on farmers' cropping index in Hubei Province[J]. Chinese Journal of Eco-Agriculture, 2019, 27(3): 380-390. |
| [29] |
胡伟芳, 张永勋, 王维奇, 等. 联合梯田农业文化遗产地景观特征与景观资源利用[J]. 中国生态农业学报, 2017, 25(12): 1752-1760. HU W F, ZHANG Y X, WANG W Q, et al. Landscape characteristics and utilization in agro-cultural heritage systems in Lianhe Terrace[J]. Chinese Journal of Eco-Agriculture, 2017, 25(12): 1752-1760. |