2024, Vol. 45
2. 浙江省新型重点专业智库宁波大学东海研究院, 宁波 315211;
3. 浙江省陆海国土空间利用与治理协同创新中心, 宁波 315211;
4. 宁波市测绘和遥感技术研究院, 宁波 315042
2. Ningbo University Donghai Academy, Zhejiang Ocean Development Think Tank Alliance, Ningbo 315211, China;
3. Zhejiang Collaborative Innovation Center for Land and Marine Spatial Utilization and Governance Research, Ningbo 315211, China;
4. Ningbo Institute of Surveying, Mapping and Remote Sensing, Ningbo 315042, China
耕地是保障国家粮食安全, 推动生态文明建设的重要物质基础[1]. 当前, 我国耕地数量不断减少, 耕地质量总体不高, 土地流转过程中出现耕地“非农化”、“非粮化”等现象, 给国家粮食安全带来了潜在风险[2~4]. 习近平总书记在乡村振兴战略中提出全方位夯实粮食安全根基, 确保中国人的饭碗牢牢端在自己手中. 而后, 中共中央国务院出台《关于加强耕地保护和改进占补平衡的意见》, 关注耕地数量同时强调耕地质量和生态的“三位一体”保护. 因此, 准确评价耕地生态质量, 及时监测耕地生态质量演变及其驱动因素响应过程, 对于维护现代农业生态平衡和可持续发展具有重要意义.
传统耕地生态质量评价依赖实地调研[5], 尽管数据详尽和评价准确, 但人力物力成本巨大, 历史数据获取受限. 遥感技术具备数据多源、大范围覆盖和重复观测等优势, 逐渐成为生态质量评价的重要手段. 例如, 徐涵秋等[6~8]以遥感指数描述地表绿度、湿度、干度和热度, 通过主成分分析构建遥感生态指数（RSEI）, 综合评价区域生态质量. RSEI避免了人为权重设置的不确定性, 能够较为客观评估生态质量, 近些年在耕地生态质量监测中逐步推广[9]. 针对不同地表覆被特征, 近年来部分学者通过挑选不同遥感指数扩展RSEI适用性[10~13]. 例如, Yang等[14]将RSEI中绿度扩展为植被覆盖度和植被健康度, 提出综合生态评估指数（CEEI）, 能够差异化表现森林、耕地等高覆盖植被区的生态质量, 在粤港澳大湾区、武陵山区以及祁连山区应用广泛[14~16].
探究生态质量变化的驱动因素也是耕地研究的热点议题, 驱动因素分析经历由定性向定量转变. 主成分分析、多元线性回归分析、空间自相关分析和地理加权回归分析是驱动因素分析常用方法[17~20]. 例如, 通过结合空间自相关分析和多元回归分析等方法, 陈浮等[21]揭示了我国“非粮化”现象的空间分异和驱动机制, 为粮食安全和耕地保护政策提供了依据. 以上方法在分析单一驱动因素方面表现较好, 而在探究多因素交互时仍存在一定局限. 与此相比, 地理探测器通过比较单一因素和两因素叠加后解释力, 能够判断两因素交互作用强弱、方向和线性与否等信息[22]. 近年来, 在生态、气象、水文和社会经济等领域的驱动分析得以快速应用[23~25].
沿海地区城市化进程迅速, 是耕地生态质量变化的焦点区域. 然而, 沿海地区云雨天气频繁, 导致无云影像获取困难. 耕地作物物候周期波动明显, 不同时期影像反射率的差异, 对基于遥感的生态质量评价结果造成一定影响[26]. 为使影像成像时期接近, 目前生态质量监测时期跨度通常5~10 a[27, 28], 然而, 对于耕地生态质量变化快速的沿海地区, 时期跨度较长难以定位生态质量扭转的关键拐点, 也难以发觉驱动因素转变过程, 导致规律把握有所偏差. 近年来, 时间序列遥感技术不断发展, 为解决以上难题提供了途径. 例如, Zhu等[29]研发的连续变化检测与分类（CCDC）算法, 能够不受云雨天气影响合成任意时期遥感影像. 因此, 本研究利用CCDC算法合成每年同一时期影像, 构建年际CEEI追踪耕地生态质量转变拐点, 利用地理探测器探究不同经济社会因素的阶段性驱动过程, 以期为高效管理耕地资源、加强耕地保护建设和推动农业高质量发展提供有益参考.
1 材料与方法 1.1 研究区概况宁波市（120°55'~122°16'E, 28°51'~30°33'N）位于浙江省大陆岸线中段, 面积约9 816 km2, 下辖海曙、江北、镇海、北仑、鄞州和奉化这6区, 慈溪和余姚2县级市以及宁海和象山2县（图 1）. 地处亚热带季风气候区, 宁波市温和湿润, 四季分明, 平均气温为16.4 ℃, 年均降水为1 480 mm；海拔介于0~976 m, 地势西南高、东北低, 以平原和丘陵为地貌主体. 宁波市耕地面积总体较少, 主要分布于北部沿海平原和中心城区三江口平原, 2019年人均耕地不足400 m2, 但农业现代化发展水平较高, 位浙江省第二, 可持续发展水平更居全省首位.
|
图 1 宁波市地理区位及其高程分布示意 Fig. 1 Location and elevation for Ningbo |
如表 1所示, 本研究获取1989~2020年覆盖宁波市118/39和118/40行带的Landsat遥感影像1348景（含Landsat-5 TM 540景、Landsat-7 ETM+ 562景和Landsat-8 OLI 246景）, 主要用于CCDC时间序列模型构建以及年际影像合成. Landsat C2L2产品提供了经过系统几何和辐射校正的地表反射率数据. 以及提供质量评估波段（QA）, 可用于逐像元评估影像云（影）、雪覆盖情况；本研究经过拼接裁剪得到覆盖宁波市的土地利用数据, 数据总体精度为85.72%, Kappa系数为0.82[30], 土地利用数据主要用于分类年际影像并识别耕地分布；本研究整合了宁波市所辖各个区（县）与社会经济和农业生产密切相关等指标, 包括灌溉面积、农作物播种面积、农业机械拥有量、农村劳动力资源数、农村化肥施用量和农药使用量, 以探测耕地生态质量扭转的时空驱动过程. 需要注意的是, 由于时间跨度大, 1993年统计年鉴部分数据缺失, 其余年份各项指标统计数据完整.
|
表 1 数据主要信息与来源 Table 1 Main information and sources of data |
1.3 研究方法 1.3.1 年际遥感影像合成与分类
本研究采用Zhu等[29]提出的CCDC算法构建时间序列模型拟合有效遥感观测, 充分顾及地物年内季节变化、年际趋势变化和快速突发变化. 首先, 利用QA波段逐影像排除被云（影）和雪覆盖的无效观测像元, 并将影像以成像时间依次排列形成时间序列. 其次, 针对时间序列每一像元的有效观测, 本研究采用分段线性谐波函数[公式（1）]描述地表反射率变化[图 2（a）].
|
(1) |
|
（a）CCDC算法表征地表反射率示意；（b）~（c）不同年份Landsat真实影像, 黄色的+对应于应用CCDC算法的位置, 数值为有效观测值；（d）~（e）不同年份Landsat合成影像, 黄色的+对应于同一位置, 数值为线性谐波函数拟合值 图 2 基于CCDC算法合成任意时刻Landsat影像示例 Fig. 2 An example of generating synthetic Landsat images at any time based on the CCDC algorithm |
式中, i为Landsat第i个波段, x为儒略日, 
值得注意地, 分段线性谐波函数贯穿每一像元观测时期始终. 因此, 对于具体时刻x, 定位线性谐波函数分段能够预测地表反射率, 预测各个波段地表反射率能够合成对应影像. 通过以上方式, 本研究合成了1990~2019年每年7月1日的Landsat影像. 不同土地利用类型通常对应不同函数分段, 函数分段形态差异往往借助函数参数加以体现. 据此, 本研究以所有波段的函数参数（a1, i, b1, i, a2, i, b2, i, c0, i, c1, i）为分类特征, 随机选取覆盖宁波市3个时期GlobeLand30数据的20%像元作为训练样本, 采用随机森林算法分类获取对应合成影像时刻的土地利用数据. 在此基础上, 提取耕地类型的像元获取1990~2019年每年耕地分布.
图 2展现了本研究采用合成影像的原因. 如图 2（b）~2（c）所示, 能够用于2009年和2010年分析的相近时期（相差19 d）Landsat真实影像的NDVI数值差异可达0.05（15.7%）, 对评价结果带来较大不确定性. 相比之下, 采用CCDC算法能够合成相邻年份任意时刻（如2011年和2012年7月1日）影像, 如图 2（d）~2（e）, NDVI仅相差0.015（3.0%）. 可见, 采用CCDC算法能够有效减小沿海地区云雨天气和耕地物候变化的影响, 且合成影像与真实影像非常接近[31], 可为耕地生态质量扭转过程的准确识别提供条件.
1.3.2 综合生态评估指数构建本研究采用Yang等[14]提出的CEEI综合评估耕地生态质量. 与RSEI[6]相比, CEEI将植被绿度（NDVI）细化为植被覆盖度（VC）和植被健康度（VHI）, 能够更加全面表现耕地种植状态和作物长势信息. 此外, CEEI还综合了地表干度（NDBSI）、地表湿度（LSM）和地表温度（LST）等遥感指数, 各指数计算公式如表 2所示. 需要注意的是, 本研究采用CCDC算法合成影像, 对于不同时间段, 地表湿度（LSM）和地表温度（LST）指数的计算公式取决于不同传感器的不同参数. 因此, 本研究将计算公式进行了按年份分段的处理[32, 33].
|
|
表 2 CEEI各指标计算公式及说明 Table 2 Formula and its explanation for each index involved the CEEI construction |
由于各遥感指数量纲不一, 在指标综合前需归一化处理. 考虑到耕地遥感指数在气候变化和人类活动下存在整体数值抬升（或下降）的可能[34], 且遥感指数中往往存在数据噪声[35]. 因此, 本研究提出一种百分比时序归一化方法[33], 保证归一化前后遥感指数数值分布相对一致. 对于某一时期遥感指数, 按数值升序排列, 采用百分比修正法, 设定第99.5和0.5百分位的为数值有效上下限——若像元值高于上下限, 则认为是数据噪声并将其修正为上下限数值[公式（2）]. 在此基础上, 获取每年修正后的遥感指数最大和最小值, 以研究时期内最大最小值为上下限, 归一化修正后的遥感指数[公式（3）].
|
(2) |
|
(3) |
式中, index（i）为i时期的遥感影像指数, index（i）0.5和index（i）99.5分别为遥感指数第0.5和99.5百分位的数值, index（i）m和index（i）n分别为修正后和归一化后的遥感指数. 本研究利用主成分分析（PCA）方法合成归一化后的遥感指数并构建CEEI[公式（4）].
|
(4) |
式中, PC1为5个遥感指数经过PCA变换后的第一主成分分量. CEEI数值越接近1, 说明耕地生态质量状况越优, 反之越差. 经计算, 第一主成分贡献率为89.1%, 说明CEEI很大程度综合了各遥感指数信息. 此外, 植被覆盖度、植被健康度和地表湿度载荷分别为0.61、0.51和0.18, 对耕地生态质量作用为正；地表干度和地表温度载荷分别为-0.44和-0.37, 对耕地生态质量作用为负.
1.3.3 地理探测器驱动过程分析本研究采用地理探测器分析不同因子对耕地生态质量变化的驱动过程. 地理探测器是探测空间分异性揭示地理现象驱动力的一种统计学方法[22]. 首先, 研究利用因子探测器分析不同单一因子对耕地生态质量空间分异性的解释程度, 以解释力q值表示[公式（5）].
|
(5) |
式中, L为驱动因子分类样本数；N和Nh分别为宁波市和第h个区（县）的单元数；σ2和σh2分别为宁波市和第h个区（县）的方差. q值范围[0, 1], 取值越大, 表明对应因子对耕地生态质量变化影响越大, 作用越重要. 其次, 研究利用交互作用探测器, 通过比较两个因子叠加的q值和各单一因子的q值大小, 判断不同因子的交互作用对耕地生态质量变化解释的增强或减弱关系（表 3）.
|
|
表 3 驱动因子交互作用类型说明1） Table 3 Explanation for different interactions between two driver factors |
宁波市在2016年11月经历行政区划调整, 奉化撤市设区. 为了保证统计数据一致, 本研究参考1990~2019年《宁波市统计年鉴》, 将海曙、鄞州、江北、镇海和北仑合并为中心城区（图 1）整体分析. 因此, 驱动因子每年仅包括6个区县（中心城区、慈溪、余姚、奉化、宁海和象山）数据. 在选取驱动指标时, 尽量选用覆盖研究整个期间无中断的指标数据. 通过初步筛选, 本研究选出与农业相关的自然因素及社会因素近20个指标. 考虑到指标之间的相关性, 为确保所选指标在解释耕地生态质量变化时是相对独立且具有代表性的, 本研究去掉了一些相关程度较高的指标. 例如, 保留了灌溉面积去除了有效灌溉面积, 以及保留了农村劳动力资源数而去除了农村人口指标. 同时, 通过实验分析将部分不显著或解释力较弱的驱动力因素去除, 其中包括年均降水量和年均气温指标等自然因素. 经过上述考量, 本研究最终选取了6个指标, 分别为：灌溉面积、农作物播种面积、农业机械拥有量、农村劳动力资源数、农村化肥施用量和农药使用量. 考虑到地理探测器需要数据量充足才能保证结果准确, 本研究构建两种尺度分析耕地生态质量时空驱动过程：①以5 a为时间尺度、宁波市整体为空间尺度分析驱动因素变化过程；②以6个区县为空间尺度、整个研究期为时间尺度分析驱动因素空间差异. 两种尺度驱动因子数据量均达到30.
此外, 为了避免驱动因子数值离散化以及空间分区不同对探测结果的影响[36], 本研究采用枚举方式获得相对最优方案. 具体而言, 在数值离散化方面, 本研究尝试等距离、自然断点、分位数和几何间距离散方法, 离散等级从3逐一增加至15, 选择q值最大时的离散化方法和等级；在空间分区方面, 本研究尝试覆盖研究区不同大小（1 000、2 000、5 000、10 000、20 000和50 000 m等）的格网对宁波市耕地CEEI空间采样, 最终确定q值趋于平稳的10 000 m格网大小作为空间分区粒度, 以此保证地理探测器结果可靠.
2 结果与分析 2.1 宁波市耕地年际变化监测 2.1.1 耕地面积变化1990~2019年, 宁波市耕地面积逐年递减, 近30 a减少1 236.08 km2, 降幅29.34%. 中心城区耕地面积下降明显, 由1990年的1 310.34 km2下降至2019年的732.84 km2, 降幅44.07%；周边区县变化趋势相近, 耕地面积也逐步减少. 如图 3所示, 城镇化快速扩张取代耕地, 成为耕地缩减的主要原因. 2000年以前, 由于城市化建设刚刚起步, 人造地表对耕地的侵占呈轻微上升趋势, 在这一时期, 耕地平均每年减少24.87 km2[图 3（h）]. 而在2000~2009年, 城市化建设加快, 中心城区优先发展, 大幅侵占近郊耕地, 耕地年均损失可达56.77 km2, 速率为上一时期的2.3倍. 在2010~2019年, 虽然耕地被人造地表取代的规模与前一时期基本持平, 年均损失59.03 km2, 但被侵占耕地逐渐由中心城区向周边区县转移.
|
图 3 1990~2019年宁波市耕地转移空间分布 Fig. 3 Spatial distribution of cultivated land transfer in Ningbo from 1990 to 2019 |
CEEI均值年际变化曲线表明, 以2014年为拐点, 宁波市1990~2019年生态质量经历着先下降后上升的扭转过程[图 4（b）]：1990~2014年, 耕地生态质量缓慢下降, CEEI均值由0.649逐步下降至0.617, 年均下降0.20%；而后5 a, 宁波市耕地生态质量快速回升, 2019年CEEI均值上升至0.628, 年均增长0.34%, 已恢复至2003年生态质量水平. 具体到各个区县, 奉化耕地生态质量各时期均为最优[图 4（g）], CEEI均值位于0.680~0.704；慈溪耕地生态质量各时期均为最差[图 4（h）], CEEI均值位于0.526~0.601. 从CEEI均值年际变化看, 宁波市北部和南部区县耕地生态质量变化趋势和过程差异明显.
|
（a）宁波市及各区县耕地面积变化；（b）~（h）宁波市及各区县CEEI均值变化, 灰色阴影区域对应的年份为宁波市耕地生态质量扭转的关键时期 图 4 1990~2019年宁波市耕地面积及生态质量年际变化过程 Fig. 4 Annual changes in the area and ecological quality of the cultivated land in Ningbo from 1990 to 2019 |
（1）宁波市北部区县（中心城区、余姚和慈溪）耕地生态质量总体下降, 多表现为先下降后上升的扭转趋势. 中心城区和余姚变化趋势相近, 2014年前耕地生态质量经历波动下降趋势[CEEI均值分别下降0.047和0.038, 图 4（d）和4（f）]. 由于地表干度和温度持续上升, 三江口区域成为中心城区生态质量下降的热点区域, 且随着耕地向人造地表的转化, 热点区域逐渐向四周扩散（图 5）. 余姚北部一带为生态质量下降的热点区域, 影响因素与中心城区基本一致. 2014年后中心城区和余姚的耕地生态质量快速恢复, 5 a间CEEI均值分别上升0.007和0.013, 生态质量分别恢复至2004年和2001年水平. 空间上, 生态质量恢复范围分布在中心城区西部和余姚南部（图 5）, 主要得益于植被覆盖度、健康度和地表湿度等因素的全面提升. 与中心城区和余姚相比, 慈溪耕地生态质量下降趋势更为明显[图 4（h）], 1990~2015年CEEI均值下降0.070. 慈溪耕地生态质量快速下降的重要原因来自新增垦区耕地. 垦区耕地植被覆盖度和健康度较低, 生态质量与内陆耕地差异显著（图 5）. 2015年后, 随着垦区耕地整治, 植被覆盖度、健康度和地表湿度有所提升, 慈溪耕地生态质量下降趋势有所抑制.
|
图 5 1990~2019年宁波市耕地生态质量（CEEI）分布 Fig. 5 Distribution of comprehensive ecological evaluation index (CEEI) in Ningbo from 1990 to 2019 |
（2）宁波市南部区县（象山、宁海和奉化）耕地生态质量总体上升, 多表现为由平稳向快速上升的转变趋势. 象山和宁海变化趋势相近, 1990~2004年耕地生态质量在波动中缓慢上升[CEEI均值分别下降0.005和0.011, 图 4（c）和4（e）]. 在空间上, 耕地生态质量上升主要分布在宁海中部以及象山北部（图 5）. 以上区域丘陵耕地较多, 与平原耕地相比, 丘陵耕地地表湿度更优, 在平原耕地减少和丘陵耕地增多下, 区域耕地生态质量得以上升. 而后, 受到南部新增垦区耕地影响, 2004~2011年象山及宁海耕地生态质量轻微波动下降. 而在2011年后, 象山地区的耕地生态质量迅速提升, 至2019年CEEI均值增加了0.014, 年均增长率达到了0.35%, 这种增幅超过了前22 a的增长水平. 与此同时, 宁海地区的耕地生态质量也呈现出类似的快速提升, 8 a间, 宁海地区的CEEI均值增加了0.013, 年均增长率为0.30%, 这一增量同样超过了1990年至2011年间的增长水平. 2011年前, 奉化耕地生态质量较为稳定, CEEI均值长期位于0.680~0.690, 而后在植被覆盖度、健康度和地表湿度带动下, 耕地生态质量快速攀升, 8 a间CEEI年均上升0.42%, 至2019年CEEI均值已逾0.704[图 4（g）和图 5].
值得注意地, 无论各区县耕地生态质量在研究期内如何增减, 在2011~2015年间耕地生态质量均陆续发生明显变化, 这一时期可视为宁波市耕地生态质量扭转的关键时期.
2.2 宁波市耕地生态质量时空驱动分析 2.2.1 驱动因素作用过程变化以5 a为时间尺度, 宁波市耕地生态质量驱动因子探测结果如图 6所示. 1990~1994年, 95%置信度下（P < 0.05）宁波市耕地生态质量主导（q值排名第一）驱动因素为农村劳动力资源数（q=0.190）. 1995~2004年, 主导驱动因子变为灌溉面积（q=0.491）, 其次为农村劳动力资源数和农村化肥施用量. 2005~2009年, 灌溉面积解释力（q=0.487）仍为最高, 农村化肥施用量代替农村劳动力资源数成为解释力第二的驱动因素. 2010~2014年, 农村化肥施用量（q=0.486）成为主导驱动因子, 农村劳动力资源数的解释力逐渐增强. 2015~2019年, 农村劳动力资源数重新上升为主导驱动因素（q=0.550）, 农业机械拥有量、灌溉面积分列二、三位. 可见, 近30 a宁波市耕地生态质量的主导驱动因子经历了由农村劳动力资源数向灌溉面积/农村化肥施用量再向农村劳动力资源数的回转. 由于1993年部分数据缺失, 1990~1994年主导驱动因素q值偏低（图 6）, 但1995~2019年各时期主导驱动因素q值仍表现上升趋势, 表明主导驱动因素对宁波市耕地生态质量变化解释力愈发增强.
|
*为P < 0.05, 表示该驱动因子差异显著；**为P < 0.01, 表示该驱动因子差异极显著 图 6 各时期宁波市耕地生态质量驱动因子探测结果 Fig. 6 Driver factors for the ecological quality of cultivated land in Ningbo for each phase using the factor detector |
交互探测结果均属双因子或非线性增强, 表明驱动因素交互作用对耕地生态质量变化响应更加强烈（图 7）. 各时期交互作用最显著的驱动因素组合为：1990~1994年, 农村劳动力资源数与灌溉面积[q=0.314, 图 7（a）]；1995~1999年, 灌溉面积与农作物播种面积[q=0.530, 图 7（b）]；2000~2004年, 农村劳动力资源数和农村化肥施用量[q=0.466, 图 7（c）]；2005~2009年, 农村劳动力资源数和农药使用量[q=0.520, 图 7（d）]；2010~2014年, 农村化肥施用量和农业机械拥有量[q=0.506, 图 7（e）]；2015~2019年, 农村劳动力资源数和农业机械拥有量[q=0.620, 图 7（f）]. 农村劳动力资源数在其中4个时期出现, 是宁波市耕地生态质量扭转的本底因素.
|
x1表示灌溉面积, x2表示农作物播种面积, x3表示农业机械拥有量, x4表示农村劳动力资源数, x5表示农用化肥施用量, x6表示农药使用量；红字数值为各时期交互作用最强组合；色柱由浅至深表示交互作用对耕地生态质量的驱动力逐渐增强 图 7 各时期宁波市耕地生态质量驱动因素交互探测结果 Fig. 7 Driver factors for the ecological quality of cultivated land in Ningbo for each phase using the interaction detector |
以区县为空间尺度, 整个研究时期耕地生态质量驱动因子探测结果如图 8所示. 中心城区、慈溪和宁海通过显著性检验（P < 0.05）, 存在近30 a与耕地生态质量显著相关的驱动因素. 中心城区耕地生态质量主导驱动因素为农村劳动力资源数（q=0.194）, 其次为农作物播种面积、农村化肥施用量和灌溉面积[图 8（a）]；农村劳动力资源数也为慈溪耕地生态质量主导驱动因素, 且解释力（q=0.235）高于中心城区, 农作物播种面积、农村化肥施用量分列二、三位[图 8（b）]；宁海耕地生态质量驱动因素仅有农业机械拥有量, 且解释力（q=0.162）偏弱[图 8（c）]. 在交互作用探测中, 中心城区及宁海的探测结果属于非线性增强, 农作物播种面积和农村化肥施用量（q=0.219）在中心城区交互作用最显著[图 8（d）], 而灌溉面积、农药使用量（q=0.185）在宁海交互作用最显著[图 8（f）]. 与此相对, 慈溪的交互作用探测表现为非线性减弱[q=0.211, 图 8（e）], 驱动因素交互并不能进一步增强解释力.
|
x1~x6含义同图 7；*为P < 0.05, 表示该驱动因子差异显著；**为P < 0.01, 表示该驱动因子差异极显著；（d）~（f）中数值分别为中心城区、慈溪和宁海各时期交互作用最强组合 图 8 1990~2019年各区县耕地生态质量因子探测和交互作用探测结果 Fig. 8 Results from the factor detector and the interaction detector for the ecological quality of cultivated land of each county/district from 1990 to 2019 |
通过年际CEEI曲线, 研究识别了宁波市耕地生态质量扭转的拐点为2014年, 自此经过5 a快速上升期, 耕地生态质量迅速恢复, 达到了与2003年相当的生态质量水平. 本研究认为, 2014年前宁波市耕地生态质量下降多由快速城镇化引发的“热岛效应”及其导致的耕地破碎化和肥力流失所致. 如图 9（f）所示, 在1990~2014年, 对耕地生态质量有负面影响的地表温度（LST）和地表干度（NDBSI）指标变化量幅度相对较大, 分别上升了0.150和0.113. 而植被覆盖度（VC）、植被健康度（VHI）和地表湿度（LSM）等指标对生态质量虽有影响, 但其影响量级相对较小. 究其原因, 一方面, 快速城镇化引发的“热岛效应”波及周边耕地, 使其地表温度（LST）不断升高；另一方面, 受城镇建设带来的污染和挖掘影响, 周边耕地破碎, 且土壤肥力流失和板结硬化程度加剧, 使地表干度（NDBSI）日益上升, 两者共同作用导致宁波市耕地生态质量普遍下降[37, 38]. 此外, 滩涂围垦促使湿地向耕地转化也是耕地生态质量下降的重要因素[39, 40]. 转化初期, 垦区耕地土壤盐碱性较高限制了农业作物生长, 植被覆盖度（VC）和植被健康度（VHI）指标降低, 其生态质量相较内陆耕地明显偏低. 内陆耕地减少和垦区耕地增加导致了整体生态质量下降, 慈溪尤为明显. 2014年后, 土地整治上升为国家战略, 宁波市加快落实高标准农田建设, 通过土地整治不断形成集中连片、设施配套、高产稳产、生态良好和抗灾能力强的基本农田[41], 带动耕地生态质量在植被覆盖度、健康度和地表湿度等方面全面提升, 进而促进耕地生态质量迅速恢复.
|
（a1）和（a2）、（b1）和（b2）、（c1）和（c2）、（d1）和（d2）、（e1）和（e2）分别为1990年及2014年耕地变化典型区域地表温度（LST）、地表干度（NDBSI）、植被覆盖度（VC）、植被健康度（VHI）和地表湿度（LSM）的空间差异对比；（f）为耕地生态质量五项指数之间的相对变化, 以归一化指数的差异衡量；地表温度和地表干度的增加对耕地生态质量有负面影响 图 9 1990~2014年耕地变化典型区域CEEI各指数的相对变化 Fig. 9 Relative changes in CEEI indices for land use in typical regions from 1990 to 2014 |
本研究发现, 宁波市耕地生态质量的主导驱动因素经历由农村劳动力资源数向灌溉面积/农村化肥施用量再向农村劳动力资源数的回转过程. 20世纪90年代早期, 由于农业生产水平较低, 耕地主要依靠农民耕种管理, 劳动力资源投入成为保证作物产量最直接的方式. 而后至21世纪10年代早期, 与地表湿度密切相关的灌溉面积成为决定耕地生态质量高低的制约因素. 丘陵地区采用重力引水灌溉方式, 利用地势高差挖掘渠道将水源有效疏导灌溉耕地. 同时, 丘陵耕地保水性较好, 避免过度排水和蒸发, 有利于作物根系生长和养分吸收[42, 43]. 这一时期, 宁波市南部区县丘陵耕地灌溉面积较高, 生态质量也较好. 21世纪10年代末期, 全面深化农村改革加快推进, 国家出台种粮直补、农资补贴等强农惠农政策, 有效吸引了农村劳动力回流[44], 农村劳动力减少趋势在2015年后得到了抑制, 可能是宁波市耕地生态质量扭转的关键因素. 此外, 农业机械化水平的提高, 也是导致宁波市耕地生态质量扭转的潜在因素. 在此基础上, 土地整治和高标准农田建设得以快速推行, 成为这一时期耕地生态质量扭转向好的关键原因[45].
4 结论（1）1990~2019年, 宁波市耕地面积逐年递减, 以中心城区尤为明显, 城镇快速扩张取代耕地是耕地缩减的主要原因.
（2）以2014年为拐点, 宁波市近30 a年耕地生态质量经历先下降后上升的扭转过程, 2019年生态质量已恢复至2003年水平. 宁波市北部区县（中心城区、余姚和慈溪）耕地生态质量多为先下降后上升的扭转趋势, 南部区县（象山、宁海和奉化）则由平稳向快速上升的转变趋势.
（3）宁波市耕地生态质量主导驱动因素经历了由农村劳动力资源数向灌溉面积/农村化肥施用量再向农村劳动力资源数的回转. 农村劳动力资源的保证以及农业机械化水平的不断提高可能是宁波市耕地生态质量扭转的关键因素, 这种本底作用在中心城区和慈溪尤为突出.
（4）目前, 宁波市耕地生态质量虽快速恢复, 但耕地面积仍有缩减趋势. 在稳固耕地生态质量的同时, 严守耕地保护红线, 抑制耕地撂荒和“非农化”现象, 有望进一步落实耕地保护, 促进耕地资源持续利用.
| [1] |
刘彦随, 郑伟元. 中国土地可持续利用论[M]. 北京: 科学出版社, 2008. Liu Y S, Zheng W Y. Sustainable land use of China[M]. Beijing: Science Press, 2008. |
| [2] |
邱乐丰, 祝锦霞, 潘艺, 等. 非粮化利用下耕地土壤重金属分布特征、生态风险和来源解析[J]. 环境科学, 2023, 44(5): 2829-2837. Qiu L F, Zhu J X, Pan Y, et al. Distribution characteristics, ecological risks, and source identification of heavy metals in cultivated land under non-grain production[J]. Environmental Science, 2023, 44(5): 2829-2837. |
| [3] |
何鑫, 钟九生, 林双双, 等. 岩溶槽谷区耕地"非粮化"空间分异特征及驱动机制——以贵州铜仁万山区为例[J]. 地理科学, 2022, 42(12): 2207-2217. He X, Zhong J S, Lin S S, et al. Characteristics and driving mechanism of spatial differentiation of "Non-grain" cultivated land in karst trough valley area: Taking Wanshan District, Tongren, Guizhou as an example[J]. Scientia Geographica Sinica, 2022, 42(12): 2207-2217. |
| [4] |
杨绪红, 金晓斌, 贾培宏, 等. 近20年海南省耕地林果化的时空分异及驱动因素分析[J]. 农业工程学报, 2022, 38(5): 233-240. Yang X H, Jin X B, Jia P H, et al. Spatial-temporal variation and driving factors of cropland conversion to forest or fruit production in Hainan Province during 2000-2020[J]. Transactions of the Chinese Society of Agricultural Engineering, 2022, 38(5): 233-240. |
| [5] |
刘成武, 李秀彬. 1980年以来中国农地利用变化的区域差异[J]. 地理学报, 2006, 61(2): 139-145. Liu C W, Li X B. Regional differences in the changes of the agricultural land use in China during 1980-2002[J]. Acta Geographica Sinica, 2006, 61(2): 139-145. DOI:10.3321/j.issn:0375-5444.2006.02.003 |
| [6] |
徐涵秋. 城市遥感生态指数的创建及其应用[J]. 生态学报, 2013, 33(24): 7853-7862. Xu H Q. A remote sensing urban ecological index and its application[J]. Acta Ecologica Sinica, 2013, 33(24): 7853-7862. |
| [7] | Xu H Q, Wang M Y, Shi T T, et al. Prediction of ecological effects of potential population and impervious surface increases using a remote sensing based ecological index (RSEI)[J]. Ecological Indicators, 2018, 93: 730-740. DOI:10.1016/j.ecolind.2018.05.055 |
| [8] | Xu H Q, Wang Y F, Guan H D, et al. Detecting ecological changes with a remote sensing based ecological index (RSEI) produced time series and change vector analysis[J]. Remote Sensing, 2019, 11(20). DOI:10.3390/rs11202345 |
| [9] | Shan W, Jin X B, Ren J, et al. Ecological environment quality assessment based on remote sensing data for land consolidation[J]. Journal of Cleaner Production, 2019, 239. DOI:10.1016/j.jclepro.2019.118126 |
| [10] |
赵嘉丽, 李兴, 孙冰. 基于AWRSEI的岱海流域生态环境质量时空演变及驱动因子分析[J]. 环境科学, 2024, 45(3): 1598-1614. Zhao J L, Li X, Sun B. Spatial-temporal evolution and driving factors analysis of ecological environment quality in Daihai basin based on AWRSEI[J]. Environmental Science, 2024, 45(3): 1598-1614. |
| [11] |
刘英, 党超亚, 岳辉, 等. 改进型遥感生态指数与RSEI的对比分析[J]. 遥感学报, 2022, 26(4): 683-697. Liu Y, Dang C Y, Yue H, et al. Comparison between modified remote sensing ecological index and RSEI[J]. National Remote Sensing Bulletin, 2022, 26(4): 683-697. |
| [12] |
傅楷翔, 贾国栋, 余新晓, 等. 基于改进遥感生态指数的青藏公路那(曲)安(多)段生态环境评估及驱动机制分析[J]. 环境科学, 2024, 45(3): 1586-1597. Fu K X, Jia G D, Yu X X, et al. Ecological environment assessment and driving mechanism analysis of Nagqu and Amdo sections of Qinghai-Xizang highway based on improved remote sensing ecological index[J]. Environmental Science, 2024, 45(3): 1586-1597. |
| [13] |
单薇, 金晓斌, 孟宪素, 等. 基于多源遥感数据的土地整治生态环境质量动态监测[J]. 农业工程学报, 2019, 35(1): 234-242. Shan W, Jin X B, Meng X S, et al. Dynamical monitoring of ecological environment quality of land consolidation based on multi-source remote sensing data[J]. Transactions of the Chinese Society of Agricultural Engineering, 2019, 35(1): 234-242. |
| [14] | Yang C, Zhang C C, Li Q Q, et al. Rapid urbanization and policy variation greatly drive ecological quality evolution in Guangdong-Hong Kong-Macau Greater Bay Area of China: A remote sensing perspective[J]. Ecological Indicators, 2020, 115. DOI:10.1016/j.ecolind.2020.106373 |
| [15] |
周璐. 武陵山区生态环境质量评价与驱动因子分析[D]. 恩施: 湖北民族大学, 2023. Zhou L. Ecological environment quality evaluation and driving factors analysis of Wuling mountain area[D]. Enshi: Hubei Minzu University, 2023. |
| [16] |
杨露. 祁连山地区生态环境质量时空变化及其驱动机制分析[D]. 兰州: 兰州大学, 2021. Yang L. Study on the spatio-temporal change of eco-environmental quality and its driving mechanism in Qilian mountains[D]. Lanzhou: Lanzhou University, 2021. |
| [17] |
张红富, 周生路, 吴绍华, 等. 省域尺度耕地产能空间分异规律及其影响因子[J]. 农业工程学报, 2010, 26(8): 308-314. Zhang H F, Zhou S L, Wu S H, et al. Provincial scale spatial variation of cultivated land production capacity and its impact factors[J]. Transactions of the CSAE, 2010, 26(8): 308-314. DOI:10.3969/j.issn.1002-6819.2010.08.052 |
| [18] | Hotelling H. Analysis of a complex of statistical variables into principal components[J]. Journal of Educational Psychology, 1933, 24(6): 417-441. DOI:10.1037/h0071325 |
| [19] |
孟斌, 王劲峰, 张文忠, 等. 基于空间分析方法的中国区域差异研究[J]. 地理科学, 2005, 25(4): 393-400. Meng B, Wang J F, Zhang W Z, et al. Evaluation of regional disparity in China based on spatial analysis[J]. Scientia Geographica Sinica, 2005, 25(4): 393-400. DOI:10.3969/j.issn.1000-0690.2005.04.002 |
| [20] |
覃文忠. 地理加权回归基本理论与应用研究[D]. 上海: 同济大学, 2007. Qin W Z. The basic theoretics and application research on geographically weighted regression[D]. Shanghai: Tongji University, 2007. |
| [21] |
陈浮, 刘俊娜, 常媛媛, 等. 中国耕地非粮化空间格局分异及驱动机制[J]. 中国土地科学, 2021, 35(9): 33-43. Chen F, Liu J N, Chang Y Y, et al. Spatial pattern differentiation of non-grain cultivated land and its driving factors in China[J]. China Land Science, 2021, 35(9): 33-43. |
| [22] |
王劲峰, 徐成东. 地理探测器: 原理与展望[J]. 地理学报, 2017, 72(1): 116-134. Wang J F, Xu C D. Geodetector: Principle and prospective[J]. Acta Geographica Sinica, 2017, 72(1): 116-134. |
| [23] |
王芳, 李文慧, 林妍敏, 等. 1990~2020年黄河流域典型生态区生态环境质量时空格局及驱动力分析[J]. 环境科学, 2023, 44(5): 2518-2527. Wang F, Li W H, Lin Y M, et al. Spatiotemporal pattern and driving force analysis of ecological environmental quality in typical ecological areas of the yellow river basin from 1990 to 2020[J]. Environmental Science, 2023, 44(5): 2518-2527. |
| [24] |
向炀, 周志翔. 基于地理探测器的城市热岛驱动因素分析——以武汉市为例[J]. 长江流域资源与环境, 2020, 29(8): 1768-1779. Xiang Y, Zhou Z X. Analysis of driving factors of urban heat island based on geographical detector: Taking Wuhan city as an example[J]. Resources and Environment in the Yangtze Basin, 2020, 29(8): 1768-1779. |
| [25] |
张军, 金梓函, 王玥, 等. 关中平原城市群PM2.5时空演变格局及其影响因素[J]. 环境科学, 2022, 43(12): 5333-5343. Zhang J, Jin Z H, Wang Y, et al. Temporal and spatial evolution pattern of PM2.5 and its influencing factors in Guanzhong plain urban agglomeration[J]. Environmental Science, 2022, 43(12): 5333-5343. |
| [26] | Zheng Z H, Wu Z F, Chen Y B, et al. Instability of remote sensing based ecological index (RSEI) and its improvement for time series analysis[J]. Science of the Total Environment, 2022, 814. DOI:10.1016/j.scitotenv.2021.152595 |
| [27] | Xiong Y, Xu W H, Lu N, et al. Assessment of spatial-temporal changes of ecological environment quality based on RSEI and GEE: A case study in Erhai Lake Basin, Yunnan province, China[J]. Ecological Indicators, 2021, 125. DOI:10.1016/j.ecolind.2021.107518 |
| [28] | Zheng Z H, Wu Z F, Chen Y B, et al. Exploration of eco-environment and urbanization changes in coastal zones: A case study in China over the past 20years[J]. Ecological Indicators, 2020, 119. DOI:10.1016/j.ecolind.2020.106847 |
| [29] | Zhu Z, Woodcock C E. Continuous change detection and classification of land cover using all available Landsat data[J]. Remote Sensing of Environment, 2014, 144: 152-171. DOI:10.1016/j.rse.2014.01.011 |
| [30] | Chen J, Ban Y F, Li S N. Open access to earth land-cover map[J]. Nature, 2014, 514(7523): 434-434. |
| [31] | Zhu Z, Woodcock C, Holden C, et al. Generating synthetic Landsat images based on all available Landsat data: Predicting Landsat surface reflectance at any given time[J]. Remote Sensing of Environment, 2015, 162: 67-83. DOI:10.1016/j.rse.2015.02.009 |
| [32] |
张书, 孙超, 胡茗, 等. 基于连续变化检测和分类算法的动态遥感生态指数构建[J]. 生态学报, 2024, 44(2): 497-510. Zhang S, Sun C, Hu M, et al. Construction of dynamic remote sensing ecological index using the Continuous Change Detection and Classification (CCDC) algorithm[J]. Acta Ecologica Sinica, 2024, 44(2): 497-510. |
| [33] | Sun C, Li J L, Liu Y C, et al. Ecological quality assessment and monitoring using a time-series remote sensing-based ecological index (ts-RSEI)[J]. GIScience & Remote Sensing, 2022, 59(1): 1793-1816. |
| [34] |
金凯, 王飞, 韩剑桥, 等. 1982~2015年中国气候变化和人类活动对植被NDVI变化的影响[J]. 地理学报, 2020, 75(5): 961-974. Jin K, Wang F, Han J Q, et al. Contribution of climatic change and human activities to vegetation NDVI change over China during 1982-2015[J]. Acta Geographica Sinica, 2020, 75(5): 961-974. |
| [35] | Yang Z J, Sun C, Ye J W, et al. Spatio-temporal heterogeneity of ecological quality in Hangzhou Greater Bay Area (HGBA) of China and response to land use and cover change[J]. Remote Sensing, 2022, 14(21). DOI:10.3390/rs14215613 |
| [36] | Xu W B, He M X, Meng W Q, et al. Temporal-spatial change of China's coastal ecosystems health and driving factors analysis[J]. Science of the Total Environment, 2022, 845. DOI:10.1016/j.scitotenv.2022.157319 |
| [37] |
李元征, 尹科, 周宏轩, 等. 基于遥感监测的城市热岛研究进展[J]. 地理科学进展, 2016, 35(9): 1062-1074. Li Y Z, Yin K, Zhou H X, et al. Progress in urban heat island monitoring by remote sensing[J]. Progress in Geography, 2016, 35(9): 1062-1074. |
| [38] |
胡楠林, 任志彬, 董禹麟, 等. 中国城市群热岛效应时空演变及其影响因素分析[J]. 地理科学, 2022, 42(9): 1534-1545. Hu N L, Ren Z B, Dong Y L, et al. Spatio-temporal evolution of heat island effect and its driving factors in urban agglomerations of China[J]. Scientia Geographica Sinica, 2022, 42(9): 1534-1545. |
| [39] |
徐彩瑶, 濮励杰, 朱明. 沿海滩涂围垦对生态环境的影响研究进展[J]. 生态学报, 2018, 38(3): 1148-1162. Xu C Y, Pu L J, Zhu M. Effect of reclamation activity on coastal ecological environment: progress and perspectives[J]. Acta Ecologica Sinica, 2018, 38(3): 1148-1162. |
| [40] |
许艳, 濮励杰, 张润森, 等. 江苏沿海滩涂围垦耕地质量演变趋势分析[J]. 地理学报, 2017, 72(11): 2032-2046. Xu Y, Pu L J, Zhang R S, et al. Cropland quality evolution following coastal reclamation at the prograding tidal flats of Jiangsu Province, China[J]. Acta Geographica Sinica, 2017, 72(11): 2032-2046. DOI:10.11821/dlxb201711009 |
| [41] |
唐秀美, 潘瑜春, 程晋南, 等. 高标准基本农田建设对耕地生态系统服务价值的影响[J]. 生态学报, 2015, 35(24): 8009-8015. Tang X M, Pan Y C, Cheng J N, et al. Impact of high-standard prime farmland construction on ecosystem service value in Beijing[J]. Acta Ecologica Sinica, 2015, 35(24): 8009-8015. |
| [42] |
胡钧铭, 陈胜男, 韦翔华, 等. 耕作对健康耕层结构的影响及发展趋势[J]. 农业资源与环境学报, 2018, 35(2): 95-103. Hu J M, Chen S N, Wei X H, et al. Effects of tillage model on healthy plough layer structure and its development trends[J]. Journal of Agricultural Resources and Environment, 2018, 35(2): 95-103. |
| [43] |
朱秋莲, 邢肖毅, 张宏, 等. 黄土丘陵沟壑区不同植被区土壤生态化学计量特征[J]. 生态学报, 2013, 33(15): 4674-4682. Zhu Q L, Xing X Y, Zhang H, et al. Soil ecological stoichiometry under different vegetation area on loess hilly-gully region[J]. Acta Ecologica Sinica, 2013, 33(15): 4674-4682. |
| [44] |
佟伟铭, 郭加新, 苏飞, 等. 乡村振兴背景下人口迁移对乡村转型发展影响的研究进展与展望[J]. 地理科学, 2022, 42(4): 662-669. Tong W M, Guo J X, Su F, et al. Progress and prospect of the impact of population migration on rural transformation development under the background of rural revitalization[J]. Scientia Geographica Sinica, 2022, 42(4): 662-669. |
| [45] |
郑子豪, 吴志峰, 陈颖彪, 等. 基于Google Earth Engine的长三角城市群生态环境变化与城市化特征分析[J]. 生态学报, 2021, 41(2): 717-729. Zheng Z H, Wu Z F, Chen Y B, et al. Analyzing the ecological environment and urbanization characteristics of the Yangtze River Delta Urban Agglomeration based on Google Earth Engine[J]. Acta Ecologica Sinica, 2021, 41(2): 717-729. |