干旱区绿洲城市耕地质量评价与分区保护研究

摘 要：耕地是维系人类生存、保障社会持续发展的重要基础，其质量的好坏直接影响区域粮食安全与农业的健康发展。为实现对干旱区绿洲城市耕地质量动态监测与科学评价，以武威市为研究区，借助“压力—状态—响应”研究框架，通过多源遥感影像数据，利用CRITIC软件与空间向量模型，分析武威市耕地质量的空间分布格局。结果表明，武威市优质耕地资源较多，一、二级耕地面积为23.87万hm2，占研究区耕地总面积的54.00%，主要分布在凉州区的东南部，古浪县的西部、东部及民勤县的东北部；四、五级耕地面积共10.81万hm2，占研究区耕地总面积的24.45%，主要分布在天祝藏族自治县境内。该研究可为区域耕地资源高效利用与管理、农田水肥利用效率提高提供参考。

关键词：耕地质量；多源遥感数据；CRITIC软件；空间向量模型；武威市

中图分类号：F301.21 文献标志码：A 文章编号：1674-7909（2024）8-142-6

DOI：10.19345/j.cnki.1674-7909.2024.08.034

0 引言

耕地问题事关国家的粮食生产与安全［1］。在我国现有的耕地资源中，可进行粮食生产的耕地已呈现逐年减少的趋势［2-3］，迫近耕地红线［4-5］。耕地土壤盐碱化、沙漠化，土地污染严重等耕地质量问题日益严峻，打破了粮食产量与耕地之间的平衡［6-8］。在此背景下，深入开展区域耕地质量等级调查与评价，了解耕地质量时空演变格局，对保障我国粮食安全、解决耕地质量问题具有重要的现实意义［8］。

耕地质量评价是通过科学合理的方法和手段，对耕地多方面状况进行综合分析和评价［9-10］。长期以来，耕地质量问题一直是学术界和政府管理部门关注的热点，各学者从耕地质量分区评价、耕地产能科学评估、土壤土质健康分析等方面开展了一系列探讨，并取得了丰硕成果［11-12］。从研究内容和对象来看，国内外学者关注耕地自然质量，逐步建立了兼顾自然、经济、社会等人地一体化的资源评价体系［13-14］。从研究方法和手段来看，传统的评价手段多通过实地调查采样、查阅统计文本来获取数据［15］。近年来，随着RS与GIS技术的快速发展，基于遥感影像，从对地观测数据中获取指标内容为耕地质量评价提供了新途径。其中，对地观测数据以Landsat和SPOT影像数据为主，而国产高分辨率卫星影像数据应用相对较少［16-17］。Landsat系列影像的空间分辨率相对较低，SPOT影像费用较高，都不能很好地应用于耕地质量评估中［17］。目前，学者多采用空间自相关和景观生态学方法，来揭示县域及较大尺度上耕地质量的空间分布状况，而对精细化、地块化尺度上耕地的空间分异特征的研究相对较少［18-19］。总体来看，国内外关于耕地质量的评价方法与指标体系的建设已基本趋于成熟［20］，但对于典型地域的选取、评估框架的建立、不同指标的组合及微观尺度的把控等，仍需要进行深入探讨和分析。

武威市地处石羊河流域中部，属于典型的干旱区绿洲城市［21-22］。境内各县（市、区）平均海拔在1 247～4 851 m，地势南高北低，从西南向东北倾斜［23-24］。近年来，干旱区绿洲城市由于受到自身条件的限制，加之人类不合理的开发利用，区域内出现了诸多严重的生态环境问题（如植被退化严重，用水矛盾突出，土地沙漠化、盐碱化程度高等），严重威胁到区域耕地的健康与产出［24-28］。20世纪中后期，石羊河流域由于水土资源的高强度开发与利用，部分区域出现了河道干涸、耕地盐碱化、荒漠入侵等一系列问题［28-30］。

鉴于此，深入探讨干旱区绿洲城市耕地质量的空间分布格局，着力促进现代化农业迅猛发展显得尤为重要。同时，伴随着国产高分辨率卫星的发射，卫星遥感数据以其高分辨率、宽覆盖、高质量和高效成像的特点，为耕地质量评估、生态文明建设等提供了遥感数据支撑［31-32］。在此背景下，笔者以干旱区绿洲城市——武威市为研究区，根据“压力—状态—响应”（Pressure-State-Response，PSR）框架，利用国产高分辨率卫星遥感影像，借助空间向量模型与GIS空间分析方法，探讨耕地质量的空间分布格局与特征，并提出分区保护的对策与建议，以期为武威市耕地保护和管理提供参考。

1 研究区与数据处理

1.1 研究区概况

武威市位于甘肃省西部，河西走廊东段［33］。武威市域总面积约3.32×104 km2，占甘肃省总土地面积的7.32%。境内地形复杂多样，由南向北依次为南部山地、中部绿洲、北部荒漠，构成了典型的山地—绿洲—荒漠生态系统［33-34］。武威市年均降水量为100 mm，年均蒸发量为2 020 mm，年均气温为7.8 ℃，属典型的温带大陆性气候区［34-35］。境内水源主要来自黄羊、杂木、西营和金塔4条内陆河流，径流总量高达9.4×108 m3［35］。市域内矿产资源丰富，现探明的矿种有15种，其中钛铁矿和石墨矿储量位居我国前列［35-36］。武威市现管辖古浪县、凉州区、民勤县、天祝藏族自治县三县一区，是河西地区重要的商品粮基地，也是“中国葡萄酒的故乡”“世界白牦牛唯一产地”。

1.2 数据及预处理

研究使用的数据主要包括遥感影像数据、坡度及高程数据、土地利用数据、土壤数据、行政边界数据。

①遥感影像数据：GF-1 WFV影像来自中国资源卫星应用中心，空间分辨率为16 m。为保证研究结果的合理性，4幅影像的拍摄时间均为2022年7—8月，云量均低于2%。通过ENVI 5.3软件对GF-1 WFV影像进行辐射定标、大气校正及正射校正等预处理后，再对影像进行镶嵌和裁剪，以备后续分析。②坡度及高程数据：分别来自地理空间数据云SRTMSLOPE坡度数据和ASTER GDEM高程数据，空间分辨率分别为90 m和30 m。③土地利用数据：空间分辨率为30 m，主要来自中国科学院资源环境科学数据中心。④土壤数据：来自世界和谐土壤数据库（HWSD）。⑤行政边界数据：来自国家基础地理信息中心，数据生产比例为1∶1 000 000。

2 研究方法

2.1 评估模型构建

为凸显干旱区绿洲城市耕地内部特征，结合研究区的实际情况，并参考前人的研究成果，该研究选用“压力—状态—响应”（PSR）框架来对武威市耕地质量的空间分布特征进行探讨。PSR框架中的耕地状态指数用来反映耕地的产能、土壤的水分及养分状况；生产压力指数用来反映耕地所面临的自然和人为活动威胁；社会响应指数用来反馈社会对造成耕地质量状态变化的压力的响应［2，37］。

2.2 相关指标计算

2.2.1 坡度

坡度是表征土壤侵蚀强弱的重要指标，不同坡度的土壤养分和植被类型具有显著差异。随着坡度的增大，耕地的耕作类型和水土保持布设措施也会受到影响［17］，因此坡度的大小直接影响着耕地质量的优劣。利用ArcGIS对武威市坡度数据进行分类分级后，得到武威市坡度的空间分布图。

2.2.2 土壤退化指数

已有研究表明，比值植被指数（Relative Vegetation Index，RVI）可以用来反映农作物所处耕地的生态环境胁迫程度［17］。因此，该研究选用RVI来反映土壤退化程度，计算公式见式（1）。

[RVI=NIR/R]                              （1）

式中：NIR为近红外波段的反射率，R为红光波段的反射率。

2.2.3 土壤养分指数（SNI）

土壤养分指数是反映土壤肥力的指标，直接决定着耕地的产能和潜在生产力。土壤养分指标主要包括含石量、含沙量、淤泥含量、黏土含量、有机碳含量、pH值、阳离子交换能力、导电率、土壤有效含水量、土壤容重等指标。利用SPSS软件对以上10个指标进行主成分分析，发现前3个主成分能解释总方差的75%以上，因此选择前3个主成分进行分析；再利用相关系数法确定各指标权重，得到土壤养分指数，相关计算公式见式（2）至式（5）。

[Y1=-0.47×X1-0.46×X2+0.42×X3+0.41×]

[X4+0.40×X5+0.12×X6+0.21×X7-0.07×]

[X8+0.03×X9]+0.07[×X10]                               （2）

[Y2=0.01×X1+0.11×X2+0.10×X3-0.18×]

[X4+0.22×X5-0.53×X6+0.51×X7+0.44×]

[X8-0.39×X9+0.08×X10]                          （3）

[Y3=-0.10×X1-0.001×X2+0.25×X3-0.16×]

[X4-0.09×X5+0.03×X6+0.07×X7+0.38×]

[X8+0.42×X9-0.75×X10]                           （4）

[SIN=43.86×Y1+18.92×Y2+11.69×Y3] （5）

式中：X1～X10依次为含石量、含沙量、淤泥含量、黏土含量、有机碳含量、pH值、阳离子交换能力、导电率、土壤有效含水量及土壤容重，Y1～Y3依次为第一、二、三主成分，SNI表示土壤养分指数。

2.2.4 土壤水分指数

水是植被生长的重要条件，土壤中含水量的多少直接影响着农作物的生长与产出状况。大量研究表明，差值植被指数（Difference Vegetation Index，DVI）可以反映土壤含水量的多少。因此，该研究选用DVI作为耕地状态指数的一部分，计算公式见式（6）。

[DVI=NIR-R]                           （6）

式中：NIR为近红外波段的反射率，R为红光波段的反射率。

2.2.5 植被长势程度指数

耕地质量的好坏直接决定着耕地粮食产能的高低，植被长势越好粮食产量越高。归一化植被指数（Normalized Difference Vegetation Index，NDVI）可以直接反映植被的长势状况，常用来计算植被覆盖度、估产、反演植被理化参数等。因此，该研究选用NDVI作为耕地状态指数的一部分，计算公式见式（7）。

[NDVI=NIR-RNIR+R]                            （7）

式中：NIR为近红外波段的反射率，R为红光波段的反射率。

2.2.6 耕地灌溉程度指数

除自然因素外，耕地的管理方式也会对耕地质量产生影响。已有研究表明，年均土壤湿度指数能够反映耕地的灌溉程度及水平。该研究对1982—2020年中国CCI土壤湿度逐月数据集进行裁剪，得到研究区的年均土壤湿度数据。中国CCI土壤湿度逐月数据集由学者Sun等［38］基于XGBoost算法，以土壤湿度为协变量，对降水、反射率、地表温度、空气温度等数据进行再分析，对原始的由欧洲太空局提供的土壤湿度数据进行空间填充，生成该数据集。该研究选用年均土壤湿度指数作为社会响应指数的一部分。