图1 张家口市地理位置
Fig.1 Geographic location of Zhangjiakou City
北京大学学报(自然科学版) 第62 卷 第4 期 2026 年7 月
Acta Scientiarum Naturalium Universitatis Pekinensis, Vol. 62, No. 4 (July 2026)
doi: 10.13209/j.0479-8023.2026.049
国家自然科学基金(41971238)资助
收稿日期: 2025-11-14;
修回日期: 2026-03-30
Spatiotemporal Patterns and Driving Factors of Cropland Abandonment in Zhangjiakou City
耕地是粮食生产之根基, 对国家长治久安有重要意义[1]。然而, 伴随城镇化和工业化的快速推进,农村人口持续向城市转移, 导致农业劳动力减少[2],叠加农资价格上涨和农业收益偏低等因素, 造成农户耕作积极性下降, 弃耕现象日趋严峻[3-5]。弃耕不仅影响粮食产量, 威胁国家粮食安全[6-7], 还可能引发土壤结构退化和肥力流失等生态问题[8], 对农业资源和环境造成长期影响。因此, 识别弃耕的时空格局并解析其驱动因素, 成为当前农业可持续发展研究领域亟待解决的关键课题。
现有研究对撂荒和休耕的概念进行了广泛的探讨。国内学者普遍将撂荒定义为连续两年及以上未进行耕种的耕地[9-11], 世界粮农组织则将其定义为至少 5 年未进行耕种的耕地。休耕是在科学规划与主动管理下, 使耕地实现休养恢复, 并在满足耕作条件后重新投入生产[12-14]。然而, 以上两类概念对耕地利用过程中的不稳定现象均关注不足。耕地利用往往呈现弃耕与复垦交替的阶段性特征, 即同一地块可能在不同年份经历多次中断与恢复。这种反复利用不仅反映农业生产活动对自然与社会经济条件的响应, 也揭示耕地利用过程的不稳定性及潜在风险。基于此, 本研究将弃耕界定为耕种过程中出现的阶段性中断现象, 涵盖长期连续撂荒、周期性休耕及短期闲置等情形, 并据此分析其时空格局与驱动因素, 旨在深化对耕地利用不稳定性的认知,为耕地保护政策提供理论支撑与决策参考。
在弃耕识别方法方面, 部分研究依赖农户问卷与实地调查获取耕种信息[15-16], 但成本高, 效率低,空间代表性有限, 难以支撑大范围、长时序的动态监测。遥感观测可弥补传统调查方式的不足, 但不同卫星影像数据各有各的局限性。MODIS 影像空间分辨率较低, 适用于大尺度的宏观监测, 却难以准确地刻画破碎化耕地[17]。Landsat 影像具有长期连续观测的优势, 广泛应用于弃耕的长时序监测研究中[18], 但受时间分辨率较低及 Landsat-7 扫描线校正器失效的影响, 存在观测缺口。Sentinel-2 影像兼具较高的空间分辨率与较短的重访周期, 可以在细碎化农耕区实现更高精度的图斑识别[19]。基于时间序列遥感影像的变化检测方法主要包括 Land-Trendr[20]、BFAST[21]和 CCDC[22], 其中 CCDC (continuous change detection and classification)算法基于像元级长时间序列光谱模型, 通过识别观测值与预测值之间的偏差, 实现地表变化的连续监测和精细刻画[23]。在驱动因素分析方面, 常用方法包括多元线性回归[24]、地理探测器[25]和二分类 Logistic 回归[26]等全局模型, 但难以刻画驱动因素的空间异质性。地理加权回归模型(geographically weighted regression, GWR)可表征变量作用的空间异质性, 揭示不同区域驱动效应的差异, 已广泛应用于弃耕驱动因素的研究中[27]。
张家口市是京津冀地区的生态环境支撑区与水源涵养区, 具有突出的生态战略地位。然而, 受地形复杂、耕地破碎化程度高及耕作条件受限等因素影响, 区域弃耕现象较为突出[28]。近年来, 随着京津冀协同发展战略以及“京张一小时通勤圈”建设的推进, 张家口市产业转型已进入快车道, 农村劳动力加速流失[29], 弃耕问题愈发凸显, 成为影响区域可持续发展的关键因素。
本文以冀北山区城市张家口市为研究区, 采用2019—2023 年的 Sentinel-2 遥感数据, 基于 Google Earth Engine (GEE)平台, 通过 CCDC 算法识别张家口市弃耕的时空格局、发生频次及演变轨迹, 并采用 GWR 模型, 分析自然环境及社会经济因素对弃耕的驱动作用, 以期为区域耕地保护与粮食安全保障提供科学依据。
张家口市位于河北省西北部, 介于东经 113°50′—116°30′, 北纬 39°30′—42°10′之间(图1), 与山西省、内蒙古自治区接壤。整体地势西北高, 东南低, 海拔在 389～2841 m 之间。阴山山脉横穿其中, 桑干河横贯东西。气候类型为温带大陆性气候, 具有四季分明、雨热同期的特征, 但年降水量较少, 约为330～400 mm。截至 2023 年, 张家口市辖 6 区 10 县, 总面积为 3.68 万 km2。全市总人口为 405.01 万人,地区生产总值(GDP)为 1842.7 亿元, 三次产业结构比例为 17.5:25.2:57.3。耕地面积达到 11964.93 km2,占河北省耕地总面积的 14.74%。
图1 张家口市地理位置
Fig.1 Geographic location of Zhangjiakou City
本文使用的数据包括土地利用数据、遥感数据、高程数据以及社会经济数据。土地利用数据来自武汉大学发布的 30 m 分辨率中国年度土地覆盖数据集(CLCD)(https://zenodo.org/), 利用 GEE 平台对其进行掩膜提取。Sentinel-2 遥感影像来源于美国地质调查局(USGS)的 EarthExplorer 平台(https:// earthexplorer.usgs.gov/), 使用 GEE 平台进行遥感图像的拼接、辐射校正和裁剪等。高程数据来源于美国国家航空航天局(https://nasadaacs.eos.nasa.gov/), 通过 ArcGIS Pro 软件对其进行裁剪和重采样。社会经济数据包括道路、人口和 GDP 数据, 来自中国科学院资源环境科学与数据中心(https://www.resdc.cn/), 通过 ArcGIS Pro 软件进行裁剪、地理配准和重采样。
本文研究的技术路线如图2 所示。首先, 利用CLCD 数据集确定弃耕的检测范围, 为后续分析提供空间基础。然后, 利用 Sentinel-2 遥感影像提取光谱特征和植被指数, 构建特征集, 并采用 CCDC算法识别弃耕区域。在此基础上, 结合空间统计方法分析弃耕时空格局, 并利用空间叠加分析刻画弃耕频次及演变轨迹。最后, 结合自然因素与社会经济因素, 采用 GWR 模型分析弃耕的主要驱动因素,并从影响方向与强度的视角刻画其空间异质性。
图2 技术路线
Fig.2 Technical flow map
CCDC 算法是基于时序遥感数据的变化监测与分类方法, 能有效地区分长期变化与短暂季节性波动或噪声, 广泛应用于地类变化的监测[22]。CCDC算法的判别步骤如下: 从时间序列的起点开始, 逐步加入新观测数据, 并拟合初始时间序列模型; 若后续观测值与模型拟合值无显著偏差, 则将其纳入时间序列, 并更新模型; 当观测值与拟合值存在较大的偏差时, 则认为土地利用发生变化。本研究利用 CCDC 算法, 将耕种周期内出现耕作活动中断的像元识别为弃耕。其中, 时间序列模型预测值的计算公式如下:
式中, x 为时间, i 为影像中的第 i 个波段, T为一年的总天数, a0,i, a1,i, b1,i 和 c1,i 均为拟合参数,
为第 k 次变化, 
为拟合值。
绿光波段(B3)可捕捉作物生长期的反射峰, 反映作物生长状态。红光波段(B4)直接体现叶绿素含量, 可以间接地体现植被覆盖度。高植被覆盖度的地类在近红外波段(B8)反射率高, 其余地类在此波段反射率低, 由此可分离植被覆盖区域。短波红外波段(B11 和 B12)通过监测植被和土壤中的水分含量, 可以间接地分离耕地、裸地与草地。因此, 选取 B3, B4, B8, B11 和 B12 这 5 个波段作为光谱特征集合。此外, 归一化植被指数(normalized difference vegetation index, NDVI)对植被覆盖度、生长状况和叶绿素丰度敏感, 能够有效地表征植被整体生长态势。在 NDVI 基础上, 增强型植被指数(enhanced vegetation index, EVI)优化了大气校正与土壤背景影响, 在高植被覆盖区不易饱和, 对植被冠层结构变化更敏感, 适用于提升植被密集区域的监测精度。归一化燃烧指数(normalized burn ratio, NBR)对植被燃烧、植被枯死和地表扰动的响应显著, 能够有效地识别火烧迹地、植被退化和裸地化区域, 增强对极端扰动下地表覆被变化的识别能力。因此,选用 NDVI, EVI 和 NBR 作为植被指数特征因子。算法参数设置如表1 所示。
表1 CCDC 算法参数
Table1 Algorithm parameters of CCDC
参数类型 参数说明 参数值breakpointBands 用于变化检测的波段 B3, B4, B8, B11, B12, NDVI, EVI, NBR TMaskBands 迭代TMask云检测的波段名称或索引 B3, B12 minObservations 标记变化所需次数 6 chiSquareProbability 卡方检验的概率阈值 0.99 minNumOfYearsScaler 应用于新拟合的最小年数因子 1.33 dateFormat 拟合过程中使用的时间表示方式 1 lambda 用于LASSO回归拟合的lambda值 0.002 maxIterations LASSO回归收敛的最大允许次数 10000
GWR 模型是用于分析空间数据非平稳性的统计学方法, 其核心思想是通过局部加权最小二乘法估计空间变化的回归系数, 从而揭示变量关系在不同地理位置的异质性[30]。本研究使用 ArcGIS Pro软件创建张家口市 2 km×2 km 网格, 提取各网格内弃耕面积、高程、坡度、人口数量、GDP 以及与道路距离等变量的平均值, 并采用 GWR 模型分析弃耕的影响因素。模型表达式如下:
式中, yi 为第 i 个观测点的因变量值; xi1 , xi2 , ..., xik 为第 i 个观测点的 k 个自变量值; β0(ui, vi)为位置(ui, vi)处的局部常数项截距; β1(ui, vi)xi1, β2(ui, vi)xi2 , ..., βk(ui, vi)xik 为位置(ui, vi)处的局部回归系数; εi 为第 i个观测点的随机误差项。
本研究采用分层抽样法在 GEE 平台选取样本, 结合目视解译与 NDVI 时序曲线判定样本类型, 对2019—2023 年弃耕提取结果进行精度验证。结果显示, 总体精度为 0.76, 召回率达 0.96, F1 综合分数为 0.82, 实现对弃耕的有效识别。
如图3 所示, 从空间格局来看, 弃耕集中于坝上高原区, 中部及南部河谷盆地区次之, 东部山地丘陵区最少, 呈现明显的空间分异特征。这一空间格局与张家口市的地形地貌特征密切相关。坝上地区在“休耕种草”政策的推动下, 生态弃耕现象突出。中部及南部河谷盆地地形平坦, 水土条件较好, 但受土壤盐渍化和肥力退化影响, 弃耕程度居中。东部山地丘陵区受地形破碎化约束, 可耕土地资源有限, 弃耕分布较为分散。从时间变化看, 张家口市弃耕面积经历“增加-减少-增加-减少”的波动过程, 由 2019 年的 329.12 km2 上升至 2023 年的 449.41 km2, 总体上呈现增加的态势。张家口市弃耕率与弃耕面积的变化基本上一致, 研究时段内年均弃耕率达 4.18%, 表明弃耕现象发生频率较高且规模较大, 耕地利用不稳定性突出。
图3 2019-2023 年张家口市弃耕时空格局
Fig.3 Spatial distribution map of abandoned cropland in Zhangjiakou City from 2019 to 2023
基于 ArcGIS Pro 的聚类与异常值分析工具, 对2019—2023 年张家口市弃耕进行局部莫兰指数分析。结果表明, 张家口市弃耕以“高-高聚类”为主, 即弃耕现象严重的区域周围, 其弃耕也较为严重, 主要分布在坝上高原区(图4)。这与坝上地区作为休耕轮作和“粮改饲”政策重点实施区有关, 相关措施以地块或片区为单元进行集中推进, 形成连片化的弃耕集聚格局, 也进一步验证了坝上地区弃耕规模较大的总体特征。
图4 2019-2023 年张家口市弃耕局部莫兰指数
Fig.4 Local Moran’s I of abandoned cropland in Zhangjiakou City from 2019 to 2023
由弃耕频次识别结果(图5)可知, 二次弃耕最为普遍, 占比达 59.28%。三次弃耕次之, 占比为25.36%。一次及三次以上弃耕的占比较低, 分别为14.46%和 0.9%。总体而言, 区域耕地利用呈现清晰的重复弃耕特征, 反映出较高的不稳定性。从空间分布看, 弃耕频次在纬度方向呈“两峰一谷”特征,即张家口市南部和北部弃耕频次较高, 而中部地区较低。在经度方向呈“多峰多谷”特征, 即张家口市西部为弃耕高值集中区, 东部存在多个局部弃耕高值区。不同频次弃耕的峰值位置基本上一致, 表明其空间分布具有相似性。
图5 张家口市弃耕发生频次
Fig.5 Frequency of cropland abandonment in Zhangjiakou City
为刻画 2019—2023 年张家口市弃耕演变轨迹,本研究借助 ArcGIS Pro, 对 5 年弃耕数据进行叠加分析。
如图6(a)所示, 用 0 或 1 分别代表弃耕或耕种,组合形成 5 位编码(即弃耕演变轨迹), 从理论上讲应有 32 种轨迹, 张家口市实际上出现 23 种。进一步, 根据类内相似性与变化趋同性, 划分为新增弃耕、弃耕复垦、规律弃耕和波动弃耕 4 类, 分类统计其面积占比。新增弃耕类指格网单元 5 年内从连续耕作转为连续弃耕, 包括 4 种轨迹。弃耕复垦类指格网单元 5 年内从弃耕转为连续耕作, 包括 4 种轨迹。规律弃耕类指格网单元 5 年内存在耕种与弃耕的规律性转变, 包括 7 种轨迹。波动弃耕类指格网单元 5 年内存在耕种与弃耕的无规律转变, 包括8 种轨迹。
图6 张家口市弃耕轨迹划分原则及结果
Fig.6 Principles and results of abandoned cropland trajectories in Zhangjiakou City
图6(b)显示, 新增弃耕类面积占比达到 43.5%,集中分布于东部山地丘陵区, 主要由劳动力流失带来的主动弃耕导致。弃耕复垦类面积占比达 31.4%,主要分布在张家口市南部, 尤其以蔚县-阳原盆地区域最为集中, 与较优的耕作条件和机械化水平提升密切相关。规律弃耕和波动弃耕分别占 10.0%和15.1%, 二者均集中于坝上高原区, 与高原区域农业生态条件脆弱, 需要在耕种后留有时间进行土壤恢复有关。
弃耕是在自然因素与社会经济因素共同作用下形成的结果。高程和坡度是主要的自然因素, 高程与区域水热条件、土壤肥力等农业生产条件密切相关[31], 陡坡耕地加剧土壤侵蚀并增加机械作业难度, 提高耕作成本并诱发弃耕[32]。人口数量、GDP和与道路距离是主要社会经济因素, 其中农村劳动力向外转移以及非农就业是耕地利用中断的重要原因[33], 区域经济发展水平通过影响农业投入和资源配置作用于弃耕[34], 与道路距离的影响则具有区域差异——在平原地区有利于机械化耕作, 在山区则可能通过促进非农就业, 间接地加剧弃耕[35]。
结合已有研究成果[36-37], 本研究选取高程和坡度来表征自然条件, 人口数量、GDP 和与道路距离来表征社会经济条件。同时, 为消除量纲差异, 通过极差标准化方法对各变量进行归一化处理, 并采用 GWR 模型量化上述驱动因素, 以期刻画不同因素的空间差异特征。结果显示, 2019—2023 年模型拟合优度稳定在 0.69 左右, 说明各因素对弃耕具有较强的解释力。进一步, 对局部回归系数进行可视化, 其作用强度和空间格局如图7 所示。
图7 张家口市弃耕驱动因素的回归系数
Fig.7 Regression coefficients of driving factors for cropland abandonment in Zhangjiakou City
自然条件方面, 高程对弃耕的影响在-20～37 范围内波动, 以正向作用为主, 尤其在沽源县北部表现最为显著。沽源县海拔在 1330～2150 m 之间, 属于典型的高原气候区, 全年积温不足, 普遍实行一年一熟的种植制度, 作物类型以耐寒短生育期品种为主, 农业生产受限明显, 耕地利用难以长期维系。坡度的回归系数介于-10～7.3 之间, 坝上地区均值为-0.69, 坝下地区均值为 0.04, 呈现“坝上抑制, 坝下促进”的空间分布差异, 与张家口市地形相符。坝上区域地势平缓, 整体上呈波浪状高原景观,比高小于 50 m。相比之下, 坝下地区山丘与河谷交错分布, 坡度大于 6°的土地占比达 65%, 坡耕地占比高且破碎化程度显著, 不仅制约规模化与机械化作业, 也加剧水土流失风险, 进而推高农业生产成本, 削弱农户耕作意愿。社会经济条件方面, 人口数量对弃耕影响的回归系数在-47～33 范围内波动, 主要表现为负相关性, 且在研究时段内具负相关性的区域面积呈增长趋势, 表明劳动力充足地区能够有效地保障耕地日常管护及农业生产投入, 从而维持较高的耕地利用稳定性。GDP 对弃耕影响的回归系数在-66～96 之间波动, 洋河河谷盆地稳定地保持正值, 南北两侧区域负值较多, 与张家口市 GDP的空间分布格局一致。经济发达地区的非农就业吸纳能力强, 推动劳动力向第二、三产业转移, 进而呈现对弃耕的促进作用。赤城县、阳原县及沽源县等区域经济发展相对滞后, 受农业收益有限和基础设施约束的共同影响, 耕地利用稳定性低, 发生弃耕的可能性更大。与道路距离的回归系数在-1.7～4范围内波动, 其对弃耕的影响因地形而异。洋河河谷盆地及蔚县-阳原盆地等交通条件较好的区域, 农业生产基础较优, 交通可达性的提升有助于生产要素的投入和农产品的外运, 从而抑制弃耕的发生。东部山地丘陵区及坝上高原区则以负相关为主, 呈现“近路先荒”的空间分布特征, 从人口流动角度而言, 便捷的交通可能加速农业劳动力的外流, 进而导致弃耕风险的增加。
总体而言, 各驱动因素对张家口市弃耕的影响存在空间异质性。自然因素中, 高程和坡度在多数区域对弃耕表现为促进作用, 高程的影响强度大于坡度, 二者的回归系数均值分别为 0.278 和-0.095。社会经济因素中, 人口数量和与道路距离对弃耕主要表现为权衡关系, GDP 则表现为协同关系。从影响强度排序来看, GDP 最大(回归系数均值为 1.347), 人口数量次之(回归系数均值为-0.766), 与道路距离最小(回归系数均值为-0.023)。
本研究以冀北山区张家口市为研究区, 基于2019—2023 年 Sentinel-2 遥感影像数据, 采用 CCDC算法识别张家口市弃耕时空格局、发生频次及演变轨迹, 并结合 GWR 模型分析其驱动因素, 得到如下主要结论。
1) 研究时段内, 弃耕面积总体上呈波动上升趋势, 由 329.12 km2 增至 449.41 km2, 年均弃耕率为4.18%, 表明该区域弃耕频率较高且规模较大, 耕地利用的不稳定性突出。弃耕主要分布在坝上高原区, 中南部河谷盆地区次之, 东部山地丘陵区最少, 呈现空间分异特征, 并表现为以“高-高”集聚为主的空间正相关格局。
2) 张家口市以二次弃耕为主(59.28%), 三次弃耕次之(25.36%), 反映耕地利用过程存在较高的不稳定性。弃耕频次在纬度方向呈“两峰一谷”的分布特征, 在经度方向呈“西多东少、多峰多谷”特征,不同频次的空间分布具有较强的一致性。
3) 张家口市弃耕演变轨迹以新增弃耕类为主,占比达 43.5%, 东部山地丘陵区分布较多, 主要由劳动力流失带来的主动弃耕导致。弃耕复垦类面积次之, 占比达 31.4%, 集中于蔚县-阳原盆地, 与较优的耕作条件密切相关。规律弃耕(10.0%)和波动弃耕(15.1%)较少, 主要分布于坝上高原区, 反映生态约束下耕作-休养交替的特征, 与高原区域脆弱的农业生态条件有关。
4) 自然因素中, 沽源县北部高程与弃耕的正相关性突出, 坡度对弃耕呈现“坝上抑制, 坝下促进”的空间差异。社会经济因素中, 人口数量主要表现为权衡作用, 研究时段内负相关区域的面积呈增长趋势, GDP 的驱动效应自洋河河谷盆地向两侧由促进转为抑制, 与道路距离在盆地区域的正相关性明显, 东部山地丘陵区及坝上高原区则反之。
本研究针对多元弃耕情景开展多年度弃耕演变轨迹分析, 可为针对性地制定耕地保护利用政策提供科学支撑。新增弃耕类集中于张家口市东部山地丘陵区, 受劳动力外流影响显著, 应在严守耕地和生态保护红线的前提下, 加强土地流转引导, 推进规模化经营和农业社会化服务, 提升耕地利用效益,减少非必要弃耕。弃耕复垦类主要分布于耕作条件较优的南部河谷盆地区, 表明在农业机械化提升和基础设施改善的背景下, 耕地复垦具有可行性。该区域可作为推广复垦经验的示范区域, 通过土壤培肥和土地平整等措施提升耕地质量。同时, 加大对农机购置的补贴力度, 推广适合盆地地形的中小型农机, 并开展高效种植技术培训, 提升复耕地块的产出效率。规律性弃耕类和波动性弃耕类均集中分布于坝上高原区, 其耕作-弃耕的周期性变化与区域生态脆弱性和农业恢复需求密切相关, 应通过轮作休耕和弹性耕作制度加以引导, 配套专项补贴及土壤改良措施, 缩短土壤恢复周期。
研究发现, 2019—2023 年张家口市弃耕主要位于坝上高原区和东部丘陵区, 与刘超等[38]对 2000—2015 年张家口市耕地转换的制图结果相符, 表明该区域长期为弃耕高发区。张豪等[39]发现内蒙古高原与华北平原接壤处的弃耕主要表现为“高-高”聚类, 本研究对张家口市弃耕的分析结果与之一致, 进一步验证了坝上高原区弃耕的空间集聚特征。此外, 本研究以耕地利用不稳定性为切入点, 分析张家口市的弃耕频次及轨迹类型, 可为北方农牧交错带弃耕研究提供方法参考。
本研究存在一些局限性。首先, CCDC 算法对弃耕初期变化的敏感性不足, 易受缓慢植被变化与时序噪声干扰, 导致漏检或滞后识别。其次, GWR模型存在局部共线性问题, 可能引起回归系数在局部区域波动较大, 出现驱动因素分析结果在局部区域解释失真的风险。未来的研究中, 可在 CCDC 识别的潜在变化区间内, 引入贝叶斯突变点检测进行二次验证, 提高对弃耕初期变化的捕捉能力, 并结合问卷调查、实地访谈和专家评估等方法, 对弃耕的驱动因素进行交叉验证, 从而增强对弃耕机制的解释能力。
[1] 刘丽, 孙炜琳, 王国刚, 等. 耕地“提质扩容”对中国粮食生产的影响分析. 自然资源学报, 2024, 39(11):2601-2618
[2] 李玉恒, 宋传垚, 阎佳玉, 等. 深度贫困地区乡村地域系统演化研究——以河北省阳原县为例. 地理科学进展, 2020, 39(6): 951-959
[3] 戚渊, 朱道林, 程建, 等. 农地资本化困境: 粮食增产与农户增收. 中国人口·资源与环境, 2023, 33(5):201-212
[4] 叶思菁, 宋长青, 程昌秀, 等. 中国耕地资源利用的“五化”态势与治理对策. 中国科学院院刊, 2023,38(12): 1962-1976
[5] 孙晶晶, 黎洁. 易地扶贫搬迁农户非农就业与耕地撂荒: 就业区域还是就业质量重要?. 自然资源学报, 2023, 38(10): 2536-2553
[6] Guo A, Yue W, Yang J, et al. Cropland abandonment in China: Patterns, drivers, and implications for food security. Journal of Cleaner Production, 2023, 418:138154
[7] 张婕, 刘玉洁, 张二梅, 等. 中国县域耕地动态演变及其驱动机制. 地理学报, 2023, 78(9): 2105-2127
[8] 张康洁, 郑玉雨, 于法稳. 粮食安全视域下土壤健康培育的现实价值、主要挑战与有效路径. 中国生态农业学报(中英文), 2024, 32(12): 2129-2137
[9] 董世杰, 辛良杰, 李升发, 等. 中国梯田撂荒程度及空间格局分异研究. 地理学报, 2023, 78(1): 3-15
[10] Liu T, Yu L, Liu X, et al. A global review of monitoring cropland abandonment using remote sensing: temporal-spatial patterns, causes, ecological effects, and future prospects. Journal of Remote Sensing, 2025, 5:0584
[11] 吴林浩, 李灿, 庄嘉怡, 等. 广东农村人口空心化与耕地撂荒耦合的时空特征及管控分区. 农业工程学报, 2025, 41(23): 231-242
[12] 熊雯颖, 孟菲, 陈航, 等. 耕地“三位一体”保护视角下中国省域休耕规模与空间布局. 农业工程学报,2024, 40(18): 240-250
[13] 尹君锋, 宋长青, 高培超, 等. 国际耕地休耕实践经验分析与中国差异化休耕框架建构. 农业工程学报, 2025, 41(13): 22-34
[14] 宋戈, 张红梅. 东北典型黑土区耕地轮作休耕的空间重构. 自然资源学报, 2022, 37(9): 2231-2246
[15] 何田, 潘欣玥, 郎雨, 等. 家庭经济理论视角下山区耕地撂荒影响机理及效应——基于重庆奉节县1970份农户调查. 地理研究, 2025, 44(3): 676-690
[16] 李升发, 李秀彬, 辛良杰, 等. 中国山区耕地撂荒程度及空间分布——基于全国山区抽样调查结果.资源科学, 2017, 39(10): 1801-1811
[17] Estel S, Kuemmerle T, Alcántara C, et al. Mapping farmland abandonment and recultivation across Europe using MODIS NDVI time series. Remote Sensing of Environment, 2015, 163: 312-325
[18] 郭益梦, 何珊, 邵怀勇. 结合 RF 和 LandTrendr 算法的黄河流域下游撂荒耕地提取与时空变化分析. 农业工程学报, 2025, 41(2): 271-280
[19] 肖文菊, 杨颖频, 吴志峰, 等. 基于时序遥感的撂荒地监测及空间格局特征分析. 热带地理, 2024, 44(3): 547-556
[20] Kennedy R E, Yang Z, Cohen W B. Detecting trends in forest disturbance and recovery using yearly Landsat time series: 1. LandTrendr — temporal segmentation algorithms. Remote Sensing of Environment, 2010,114(12): 2897-2910
[21] Verbesselt J, Hyndman R, Zeileis A, et al. Phenological change detection while accounting for abrupt and gradual trends in satellite image time series. Remote Sensing of Environment, 2010, 114(12): 2970-2980
[22] Zhu Z. Change detection using landsat time series: a review of frequencies, preprocessing, algorithms, and applications. ISPRS Journal of Photogrammetry and Remote Sensing, 2017, 130: 370-384
[23] Xu S, Xiao W, Yu C, et al. Mapping cropland abandonment in mountainous areas in China using the Google Earth Engine platform. Remote Sensing, 2023, 15(4):1145
[24] 程宪波, 高根红, 刘琼, 等. 快速城镇化地区的耕地撂荒空间格局、影响机理与治理路径. 农业工程学报, 2022, 38(24): 218-227
[25] 郭维红, 陈浮, 杨斌, 等. 中国耕地补充与撂荒的空间关系识别及其失衡归因. 中国土地科学, 2024,38(7): 120-132
[26] 龙明顺, 赵宇鸾, 张东丽. 山区耕地细碎化对农户耕地撂荒的影响. 农业工程学报, 2022, 38(21): 231-239
[27] 梁琼丹, 方怒放. 中国近 30 a 耕地撂荒的时空动态及其驱动因素. 水土保持学报, 2025, 39(6): 357-368
[28] 郑淋议, 陈紫微. 耕地细碎化对农户耕地撂荒的影响及其治理优化. 地理研究, 2024, 43(1): 200-213
[29] 冀正欣, 许月卿, 黄安, 等. 冀北山区“三生”空间识别与演化特征分析——以张家口市为例. 北京大学学报(自然科学版), 2022, 58(1): 123-134
[30] 龙依, 蒋馥根, 孙华, 等. 基于带宽优选地理加权回归模型的深圳市植被碳储量反演. 生态学报,2022, 42(12): 4933-4945
[31] 赵慧蓉, 殷海善. 基于EM-AHP-TOPSIS的撂荒耕地再利用适宜性评价——以泽州县为例. 农业资源与环境学报, 2025, 42(1): 66-78
[32] 赵雯欣, 陈艳, 李阳兵, 等. 三峡库区乡村坡耕地长时间序列动态演变与转型. 生态学报, 2024, 44 (16): 6907-6922
[33] 陈梦涵, 吕晓, Solodovnikov S Y, 等. 农村劳动力转移对耕地利用可持续集约化的影响. 农业工程学报,2024, 40(20): 241-249
[34] 李俊高. 耕地撂荒的时空嬗变特征、影响因素及分类治理对策——以四川省为例. 世界地理研究,2024, 33(10): 180-188
[35] 吴钊骏, 李升发, 李秀彬, 等. 粤北山区梯田撂荒空间分异特征与影响机制分析. 农业工程学报,2025, 41(1): 278-287
[36] 程旭东, 陈美球, 赖昭豪, 等. 山区县耕地“非粮化”空间分异规律及关联因素. 农业工程学报, 2023,39(2): 203-211
[37] 张兆年, 角媛梅, 杨帅琦. 中国南方五大水稻梯田时空变化特征及其驱动机制. 农业工程学报, 2025,41(1): 288-297
[38] 刘超, 霍永伟, 许月卿, 等. 生态退耕前后张家口市耕地变化及影响因素识别. 自然资源学报, 2018,33(10): 1806-1820
[39] 张豪, 陈祁琪, 蒙吉军. 2000—2020 年中国耕地撂荒的时空格局演变与主导因素分析. 北京大学学报(自然科学版), 2025, 61(5): 954-966