原文题目：
Reveal the severe spatial and temporal patterns of abandoned cropland in China over the past 30 years
原文作者：
Maoxin Zhang
a,
Guangyu Li
b,c
，Tingting He
a,⁎
et al.
作者单位：
1. School of Public Affairs, Zhejiang University
2. Institute of Land and Urban-Rural Development, Zhejiang University of Finance and Economics
3. Institute of Eight-eight Strategy, Zhejiang University of Finance and Economics
原文链接：
https://doi.org/10.1016/j.scitotenv.2022.159591
课题组交流，水平所限，如有解读不当还请见谅
撂荒现象在中国很常见。它威胁着粮食安全，严重影响着社会、经济和自然环境的可持续发展。然而，由于撂荒耕地土地利用变化过程复杂，大规模监测和测绘仍是一项挑战。根据世界粮食及农业组织，5年以上未用于农业生产的农田被定义为废弃农田。本研究利用Landsat高精度长序列产品，利用GEE中的移动窗口法，对1990-2019年全国范围内的耕地进行探测，对撂荒耕地的空间分布、强度、趋势、频率和恢复情况进行分析。结果表明，1992 -2015年，中国撂荒耕地面积为559170.26 km
2
，占耕地面积的18.59%；不包括复垦耕地面积，中国的废弃耕地面积为392156.24平方公里，占耕地总面积的13.03%。撂荒耕地主要分布在内蒙古、甘肃等中西部和西南地区的第二级地形梯度上。很少发生在西部和东部沿海地区。撂荒率高的地区通常有较高的海拔和坡度。郊区照明指数与撂荒率呈负相关。该研究首次在30m分辨率上实现了中国撂荒耕地的高精度时空分布。为制定退耕还林政策提供了重要依据。
耕地约占地球土地的12.6%，在可持续发展中起着至关重要的作用。然而，在世界许多地区，农田被废弃的情况正在发生，而且正在迅速增加。根据地租理论，由于土地适宜性不佳和经济生存能力降低而导致的土地边际化是导致撂荒的根本原因。导致土地适宜性不佳的因素包括土地肥力、海拔、土壤侵蚀和气候变化。社会经济因素包括工业化、人口迁移、农产品成本回报率、交通可达性、土地租金结构和市场刺激措施。
从全球来看，20世纪初，欧洲、美国、澳大利亚和日本等发达国家农村居民数量的减少开始缓慢地导致农田的废弃，这一趋势在20世纪50年代逐渐增加。在中国山区、拉丁美洲和东南亚等地区发生了严重的农田废弃。就废弃面积而言，基于HYDE 3.0和SAGE的历史耕地数据集估计，20世纪全球废弃耕地面积从385万平方公里增加到472万平方公里，到2012年约占全球耕地面积的8%-10%。2005年，中欧和西欧的耕地废弃面积为5250万公顷。2004年和2005年，立陶宛的这一数字为50060万公顷；法国为4976万公顷。2007年至2008年，保加利亚的耕地面积为105.32万公顷，2008年，乌克兰的废弃耕地占总耕地的56%。在希腊，这一比例为7%。意大利约为2%-10%。2010年，日本的废弃率为10.6%。在中国，农田撂荒是一种常见现象。2002年至2017年间，年均废弃耕地面积为84737.81 km
2
，废弃率为3.68%至6.89%。
耕地的废弃会影响资源环境和社会经济。对环境资源的影响主要指土壤侵蚀、生物多样性和碳储量。放弃耕地可能是一种威胁，也是一种机会。影响是否积极取决于许多因素，如位置、种植频率、后续管理、周围地理和废弃农田的水文条件。例如，在生物多样性方面，灌木和林地中的生物由于农田的废弃而大幅增加，而在农业景观中，生物数量保持不变。农田废弃也会导致生物多样性突然减少，导致地形景观迅速退化。社会经济因素主要指对粮食安全的影响。耕地废弃对环境有积极和消极的影响。负面影响主要是指降低农业对GDP的贡献，这损害了农业的发展和粮食安全。客观上，弃耕地减少了土地利用的频率，但可以保护土壤肥力，并能更好地保证耕地的综合生产能力。因此，应根据当前时期粮食产量的变化来判断耕地废弃是否影响粮食产量。中国拥有世界7%的土地资源和世界20%以上的人口。土地资源的稀缺导致农田被遗弃，严重影响了中国的粮食安全。
耕地撂荒的时空特征是研究其成因和生态环境效应的重要基础。它们对于为国家制定政策和确保粮食安全提供信息至关重要，并已成为农田废弃研究的重要焦点。
本研究使用了联合国粮食及农业组织（粮农组织）2009年提供的废弃耕地定义。粮农组织将废弃耕地定义为5年以上未用于农业生产的土地。本研究利用武汉大学最新发布的土地覆盖数据集，采用滑动窗口法绘制中国农田废弃地图。基于从陆地卫星提取的30m遥感数据，该数据集具有高精度。具体目的如下：
（1）提出一种基于长期系列遥感数据的适合大规模利用的废弃耕地提取策略。
（2） 绘制中国耕地撂荒的时空分布图。
（3） 根据不同的坡度、海拔、经度、纬度和省份，分析中国废弃和复垦耕地的强度、趋势和频率。
本研究不仅拓展了大规模农田废弃地提取的研究，而且丰富了基于高精度长时间序列遥感数据提取中国农田废弃地空间分布的研究。
该研究为国家制定耕地可持续利用和管理政策提供了初步数据和科学依据。
1. 时间一致性检测
本研究使用了武汉大学最新发布的土地覆盖数据集。该数据集具有较高的体积精度，已广泛用于地表变化研究，如降水和土地利用变化对径流变化的影响、气候变化、与非点源污染相关的土地利用演变以及国家森林保护的影响。然而，数据产品中的错误分类可能导致像素尺度连续变化的不合理检测。因此，进行了时间滤波和逻辑推理检查，以改进1991年至2019年获得的农田数据。
采用滑动窗口法进行检测。数据中的农田标记为1，其他土地类别标记为0。从检查的第二年到倒数第二年，我们从检测年前一年和检测年后一年获取数据，数据窗口长度为3年。对于滑动窗口，当3年的平均值为2/3时，检查年份的数据应为1。当3年平均值为1/3时，检查年度应为0（图2）。
2. 撂荒农田检测流程
图3显示了用于检测撂荒和复垦耕地的过程。基于GEE平台和土地覆盖时序图，将9类数据系统重新划分为耕地、不透水地表和其他土地3类。研究区1990年至2019年的每个像素都进行了检查，农业用地记录为1，其他为0，不透水为2。联合国粮农组织根据各国国情对撂荒耕地的定义，是指5年以上未用于农业生产的耕地。因此，采用7年的滑动窗口，以每1年的步骤检测农田撂荒。对农田废弃的检测有三种情况。
2.1 耕地废弃识别。
不包括转为建设用地的农业用地。例如，当2019年的像素首次不透水时，它们表明农业用地已被转换为建设用地。因此，我们排除了没有检测的像素（图3a）。逐个检测像素。当像素从1变为0，并且该像素的前一年表示农田（值=1），而随后的连续5年表示非农田（值为0）时，这种情况被识别为废弃。将农田转换为其他土地类型的第一年标记为废弃年。
2.2 废弃后的复垦。
当检测到农田废弃时，根据时间序列继续检测像素。当滑动窗口确认前5年为其他土地类型（0），后2年为农田（1）时，这表明废弃后的复垦。像素检测从0变为1的年份被标记为复垦时间。
2.3 多次弃耕识别。
当废弃和复垦检测后滑动窗口继续滑动时，撂荒场景再次出现，像素重复显示“废弃–复垦–废弃……”当有两次或多次废弃时，情况被识别为多次废弃，并注明废弃和复垦的数量和年份。因此，生成了一组废弃耕地和复垦的时空分布图。
3. 准确度评估
3.1 方法。
本研究的准确性通过目视解译进行评估。使用现有的遥感时间序列数据，包括谷歌地球和陆地卫星数据提供的高分辨率图像，直观地进行了样本解释。基于历史图像数据的地面变化数据被认为是精度评估中的可靠参考。它广泛应用于表面检测的准确评估。然而，不可否认的是，在谷歌地球中，存在图像质量问题，例如图像不连续。为了提高视觉判读的准确性，我们还选择了GEE平台上采样点的Landsat地表反射率图像，包括Landsat 5、7和8。通过计算可用于表征地表植被变化的NDVI，我们输出了用于目视解译的时间序列NDVI变化结果。为了识别和标记这些样本，我们在GEE上开发了一个时间序列查看器工具。每个样本像素由两位专家独立解释，研究团队讨论并解决了分歧。
3.2 采样点的选择。
根据目标设置采样点选择。首先，耕地是否被废弃的准确性评估。为了验证我们的农田废弃地图，我们采用分层抽样来评估农田废弃情况。根据累积耕地面积的比例，从该省的农田中随机获得了1-29个样本像素，共选择了616个样本，包括308个废弃样本和308个未废弃的农田样本。
第二，废弃耕地发生点的验证精度。结合本研究中耕地撂荒的检测结果，我们从剩余的27个省份中选择了样本，不包括澳门、香港、上海、天津、北京、台湾和西藏，这些省份的累计撂荒面积非常小。根据废弃耕地面积的比例，从废弃耕地中随机选择1至9个像素。每个周期收集59个像素。为了减少所需的验证样本量，我们将废弃类别聚合为2年间隔，以便将1992年和1993年发生废弃的像素分配给聚合废弃类别，总共提供12个周期和708个样本。
3.3 精度评价。
利用谷歌地球上的高分辨率图像数据进行交互视觉标定，确定每个采样点的废弃年和恢复年。将样本标签与算法的识别结果进行了比较。基于这些评价样本，我们为每个研究领域创建了一个混淆矩阵，并计算生产者准确度(PA)、用户准确度(UA)和总体准确度(OA)。根据UA和PA计算谐波平均值F1 (F1 =2 * UA * PA/ (UA + PA))。在非平衡数据中进行验证时，UA和PA的谐波平均值更能有效地表征不同年份验证点的准确性。F1的评分范围为0 ~ 1，分数越高，分类性能越好。
图4：（a）撂荒识别精度评估的随机样本选择；（b）撂荒年份检测的准确性评估。
图5：监测农田废弃和复垦的破坏年份和恢复年份的精度验证。（a） 废弃监测的准确性；（b）撂荒年份的准确性。PA：生产者的准确度；UA：用户的准确度；OA：总体精度。
