摘要 以甘肅省麥積區(qū)為研究區(qū)域，采用哨兵2號遙感衛(wèi)星數(shù)據(jù)，并基于面向?qū)ο蟮姆椒▽υ搮^(qū)域的撂荒地進行了識別，分類總體精度達到92%，Kappa系數(shù)為0.82?？臻g統(tǒng)計結(jié)果顯示，麥積區(qū)的撂荒地面積為12 600.31 hm2，占麥積區(qū)總面積的3.62%，占耕地總面積的22.02%。坡度分析和交通條件分析發(fā)現(xiàn)，地形因素和交通條件是導致撂荒的重要原因。對麥積區(qū)的撂荒地進行空間自相關(guān)分析發(fā)現(xiàn)，撂荒地存在顯著的空間集聚特征。

關(guān)鍵詞 撂荒地；哨兵2號；面向?qū)ο髨D像分類；空間自相關(guān)

中圖分類號 S 127 文獻標識碼 A

文章編號 0517-6611（2024）22-0070-05

doi：10.3969/j.issn.0517-6611.2024.22.013

開放科學（資源服務）標識碼（OSID）：

Identification and Analysis of Abandoned Land Based on Sentinel-2 Data—A Case Study of Maiji District， Gansu Province

WANG Rui-jun， YANG Bin-bin，L Zhi-peng

（Gansu Forestry Polytechnic，Tianshui，Gansu 741020）

Abstract Taking Maiji District in Gansu Province as the research area， object-oriented method was used to identify abandoned land based on Sentinel-2 remote sensing satellite data，the overall classification accuracy reached 92%， and the Kappa coefficient was 0.82.The spatial statistical results showed that the abandoned land area in Maiji District was 12 600.31 hm2， accounting for 3.62% of the total area of Maiji District and 22.02% of the total cultivated land area.Slope analysis and traffic condition analysis found that terrain factors and traffic conditions were important reasons for abandonment.A spatial autocorrelation analysis of abandoned land in Maiji District revealed significant spatial clustering characteristics.

Key words Abandoned land;Sentinel-2;Object-oriented image classification;Spatial autocorrelation

隨著城鎮(zhèn)化和工業(yè)化的迅速發(fā)展，非農(nóng)就業(yè)收入和機會的增加使得大部分農(nóng)村勞動力轉(zhuǎn)移到其他行業(yè)，導致耕地撂荒現(xiàn)象日益嚴重。耕地撂荒不僅導致土地資源的浪費，還會造成土壤質(zhì)量下降，加劇水土流失和土地荒漠化。此外，耕地撂荒導致的農(nóng)產(chǎn)品產(chǎn)量下降還會造成食品短缺和食品安全問題。因此，采取有效措施防止耕地撂荒至關(guān)重要，而要做到這一點，首要任務就是有效識別和監(jiān)測耕地撂荒情況。

近年來，隨著遙感技術(shù)的不斷發(fā)展，利用遙感識別耕地撂荒已經(jīng)成為可能。如肖國峰等^［1］使用Landsat數(shù)據(jù)和HJ1A數(shù)據(jù)，并采用CART決策樹分類方法，制定了撂荒地的識別規(guī)則，監(jiān)測了1992—2017年山東省慶云縣和無棣縣的撂荒地，結(jié)果顯示最大撂荒率為5.37%；劉智麗^［2］利用2017—2019年不同季節(jié)的哨兵2號遙感影像數(shù)據(jù)監(jiān)測了山西省祁縣耕地變化，并采用面向?qū)ο蠓诸惙椒ㄗR別撂荒耕地，該方法提取撂荒地的總體精度為86.3%；劉鑫鵬等^［3］以貴州清鎮(zhèn)市為研究區(qū)，利用哨兵2號高分辨率衛(wèi)星遙感數(shù)據(jù)，考慮季相變化特征并結(jié)合波段光譜差異的植被指數(shù)變化檢測法識別耕地撂荒，分類精度可達到82%；周迪^［4］以重慶市酉陽縣為例，運用Land Trendr算法識別耕地撂荒的效果顯著，撂荒結(jié)果精度可達81.0%，降水、農(nóng)業(yè)人口和GDP是影響撂荒的重要因素；歐陽許童等^［5］以四川省南充市營山縣為研究區(qū)域，通過GEE平臺，利用Sentinel-2和Landsat7、Landsat8數(shù)據(jù)構(gòu)建時序數(shù)據(jù)集，計算歸一化植被指數(shù)（NDVI）、增強植被指數(shù)（EVI）、土壤植被指數(shù)（BSI）和裸土指數(shù)（MBI）等指數(shù)組合，分別利用支持向量機和隨機森林法提取撂荒耕地，總分類精度為73.76%，Kappa系數(shù)為0.68；宋憲強等^［6-7］在分析撂荒地光譜特征及農(nóng)作物物候特征的基礎(chǔ)上，提出了基于決策樹和隨機森林與時序NDVI變化檢測耦合的方法，以Landsat系列數(shù)據(jù)作為數(shù)據(jù)源，對撂荒地進行提取和分析。在研究耕地撂荒的驅(qū)動力和空間特征方面，張珍^［8］研究了甘肅省靜寧縣的撂荒現(xiàn)狀和空間分布特征，結(jié)果表明，耕種比較效益低下是耕地撂荒的根本原因，社會經(jīng)濟因素是耕地撂荒的主要驅(qū)動力，農(nóng)業(yè)生產(chǎn)條件差、土地流轉(zhuǎn)困難是耕地撂荒的間接原因；朱小文等^［9-11］研究耕地撂荒的時空分布和驅(qū)動力表明，社會經(jīng)濟因素是主要驅(qū)動力，耕地邊際化是根本原因；許曉婷等^［12-13］利用GIS空間統(tǒng)計分析方法研究了撂荒耕地空間分布格局，發(fā)現(xiàn)撂荒耕地存在顯著的空間集聚性；韋中暉等^［14-16］研究了撂荒地的時空格局變化，在空間上撂荒地多分布在交通條件差、坡度較大的區(qū)域，在時間上呈現(xiàn)先增后減趨勢，撂荒地復墾主要集中在種植條件較好的平原地區(qū)部分。盡管利用遙感衛(wèi)星識別撂荒地研究取得了一些進展，但仍然存在一些挑戰(zhàn)，如遙感數(shù)據(jù)的質(zhì)量和分類方法的選擇對撂荒地識別精度影響較大。特別是在山地和丘陵區(qū)域，這些地區(qū)的耕地破碎、形狀不規(guī)則、農(nóng)作物種類雜亂，給撂荒地的識別帶來了巨大的挑戰(zhàn)。

筆者以甘肅省麥積區(qū)為研究區(qū)域，利用Sentinel-2衛(wèi)星2022年3期遙感數(shù)據(jù)構(gòu)建了NDVI合成圖，采用面向?qū)ο髨D像分類方法對研究區(qū)域撂荒地進行了識別，并通過GIS空間分析方法對其空間分布特征和撂荒原因進行分析。

1 資料與方法

1.1 研究區(qū)域概況 以甘肅省麥積區(qū)為研究區(qū)域。麥積區(qū)地處105°25′～106°43′E、34°06′～34°48′N，全區(qū)總面積3 480 km2。麥積區(qū)處于甘肅東南部，地處黃土高原與秦嶺山脈交匯處，地勢較為復雜，包含山地、丘陵和平原等不同地形類型。麥積區(qū)屬于大陸半濕潤季風氣候，年降水量600 mm左右。境內(nèi)有黃河最大的支流渭河穿境而過，流域面積2 180 km2，占全區(qū)總面積的62.6%。麥積區(qū)農(nóng)業(yè)資源豐富，主要種植小麥、玉米、馬鈴薯和油菜等農(nóng)作物。此外，麥積區(qū)還是蘋果、櫻桃和花椒等特色農(nóng)產(chǎn)品的重要生產(chǎn)地。

1.2 數(shù)據(jù)來源 該研究利用歐空局哨兵2號遙感衛(wèi)星數(shù)據(jù)，空間分辨率為10 m。哨兵2號數(shù)據(jù)分為L1C級別和L2A級別，其區(qū)別主要是L2A是經(jīng)過輻射定標和大氣校正處理，該研究的數(shù)據(jù)均為L2A級別，所以不再進行輻射定標和大氣校正處理操作。

考慮到耕地和撂荒地的主要區(qū)別是耕地存在周期性的耕種和收割行為，耕種和收割前后的植被覆蓋差異較大，因此可利用種植期和收割期的遙感影像識別撂荒地。麥積區(qū)主要農(nóng)作物的播種期和收割期如表1所示。該研究選取了麥積區(qū)主要農(nóng)作物播種期、生長期和收割期3個階段的遙感影像，用于識別撂荒地?？紤]到數(shù)據(jù)可得性、含云量等因素，最終確定2022年4月1日、6月30日和10月18日3期數(shù)據(jù)作為數(shù)據(jù)源。

此外，該研究還使用了來源于地理空間數(shù)據(jù)云（http：//www.gscloud.cn/）30 m分辨率的數(shù)字高程模型數(shù)據(jù)（DEM），利用DEM生成坡度數(shù)據(jù)，統(tǒng)計分析撂荒地的坡度分布情況。道路數(shù)據(jù)來源于OpenStreetMap網(wǎng)站。

1.3 研究方法

1.3.1 構(gòu)建2022年度NDVI合成圖。NDVI是植被生長狀態(tài)及植被覆蓋度的最佳指示因子。NDVI是基于影像近紅外波段和紅色波段的反射率得到，其計算公式如下：

NDVI=NIR-RNIR+R

式中：NIR為近紅外波段的反射值；R為紅外波段的反射值。NDVI在［-1，1］，負值表示地面覆蓋為云、水、雪等；NDVI為0，表示有巖石或裸土等；正值表示有植被覆蓋，并且植被越茂盛，其NDVI越大。

圖1展示的是不同耕地類型的NDVI隨時間的變化趨勢。撂荒地與耕地和園地相比，沒有施肥、灌溉等人為干預措施，因此其NDVI隨著時間變化較平滑。麥積區(qū)主要農(nóng)作物按照播種和收割季節(jié)可分為春種秋收和秋種夏收2類。其中秋種夏收作物如冬小麥和油菜，在4月初NDVI處于較高水平，而在6月底這些作物均已收割完畢，因此其NDVI會出現(xiàn)大幅度遞減。春種秋收作物如馬鈴薯和玉米等，在4月初處于剛播種或萌芽狀態(tài)，NDVI較小，夏季正處于生長期，NDVI會大幅度增加，而到10月中旬時已收割完畢，所以其NDVI先升高后降低。園地主要種植櫻桃、花椒和蘋果等，其NDVI呈現(xiàn)出逐步遞增的狀態(tài)。由此可見，撂荒地的NDVI在這3個階段與其他耕地類型有明顯的差異，因此可利用圖像分類識別撂荒地。

為了識別撂荒地，該研究首先計算了4月初、6月底和10月中旬的3期遙感影像的NDVI，再經(jīng)波段合成構(gòu)建NDVI合成圖，其中RGB的3個通道分別對應4、6、10月3期影像的NDVI。圖2展示了同一地方不同時期的遙感影像及最終NDVI合成圖，秋種夏收作物在NDVI合成圖中呈現(xiàn)出紅色或粉紅色，而春種秋收作物在NDVI合成圖中呈現(xiàn)出綠色或藍色特征，而撂荒地呈現(xiàn)紫色。綜上所述，可基于NDVI合成圖經(jīng)圖像分類方法提取撂荒地。

1.3.2 撂荒地識別方法。圖像分類的方法有監(jiān)督分類、非監(jiān)督分類和面向?qū)ο蠓诸惖确椒ǎ撗芯坎捎妹嫦驅(qū)ο蠓诸惙椒ㄗR別撂荒地。面向?qū)ο蠓诸惏▓D像分割和對象分類2個階段。圖像分割是將圖像分成若干個特定、形狀大小不一致的若干獨立對象，對象內(nèi)部有相似的特征，對象之間差別較大?，F(xiàn)有的圖像分割方法主要有基于閾值的分割方法、邊緣檢測法和基于特定理論的分割方法。圖像分類通過每個對象的光譜特征、紋理特征和空間特征將對象分為不同的類別。該研究圖像分割算法采用邊緣檢測算法，因為研究區(qū)域?qū)儆谏降氐匦危囟嗍翘萏?，分布零碎且形狀不?guī)則，同一片農(nóng)田種植農(nóng)作物種類雜亂。為了提高分類結(jié)果精度，分割和合并的閾值要盡可能小。圖像分類采用光譜特征分類，經(jīng)過反復調(diào)優(yōu)，確定分類規(guī)則為4月1日NDVI在0.140～0.210，6月30日NDVI在0.217～0.345，10月18日NDVI在0.257～0.383。

1.3.3 分類結(jié)果精度評價。該研究采用空間自相關(guān)分析方法進行結(jié)果精度評價?？臻g自相關(guān)分析是一種度量空間數(shù)據(jù)的分布特征和相互關(guān)系的統(tǒng)計方法，空間自相關(guān)分析分為全局空間自相關(guān)分析和局部空間自相關(guān)分析^{［13，17-18］}。

全局自相關(guān)由莫蘭指數(shù)描述整個研究區(qū)域的空間分布模式。莫蘭指數(shù)的取值為［-1，1］，當其取值大于0時，說明空間正相關(guān)；當其值小于0時，表示存在空間負相關(guān)；當其值接近于0時，表示空間隨機分布。

局部自相關(guān)的常用指標是局部莫蘭指數(shù)，用于反映每個地區(qū)或單元與其周圍區(qū)域之間的空間差異程度。局部莫蘭指數(shù)可以用來識別研究區(qū)域中存在的高高聚集區(qū)、低低聚集區(qū)、高低異常值和低高異常值等不同類型的空間集聚或離散現(xiàn)象。在該研究中，高高聚集區(qū)是指撂荒率高的村，其周圍村莊的撂荒率也高；低低聚集區(qū)是指撂荒率低的村莊，其周圍撂荒率也低；高低聚集是指中心的村莊撂荒率高，但是周圍的撂荒率低；低高聚集的情況與高低聚集正好相反。

2 撂荒地調(diào)查結(jié)果與原因

2.1 樣本分類調(diào)查結(jié)果 在研究區(qū)內(nèi)選擇200個樣本進行撂荒地分類結(jié)果的驗證樣本，驗證樣本覆蓋了麥積區(qū)基本所有土地用地類型，具體占比詳見表2。驗證樣本的真實類別通過高分辨率衛(wèi)星目視解譯和實地調(diào)查方式得到。

經(jīng)過驗證，得到撂荒地分類結(jié)果的混淆矩陣如表3所示。經(jīng)計算總體精度為0.92，Kappa系數(shù)為0.82，由此可見，該研究提出的撂荒地識別方法可靠性較高。

2.2 撂荒原因

2.2.1 坡度對土地撂荒的影響?！锻恋乩矛F(xiàn)狀調(diào)查技術(shù)規(guī)程》對耕地坡度分為5級，即≤2°、>2°～6°、>6°～15°、>15°～25°、＞25°。地面坡度的不同級別，對耕地利用的影響不同?！?°一般無水土流失現(xiàn)象；>2°～6°可發(fā)生輕度土壤侵蝕，需注意水土保持；>6°～15°可發(fā)生中度水土流失，應采取修筑梯田等措施，加強水土保持；>15°～25°水土流失嚴重，必須采取工程、生物等綜合措施防治水土流失；>25°為《水土保持法》規(guī)定的開荒限制坡度，即不準開荒種植農(nóng)作物，已經(jīng)開墾為耕地的，要逐步退耕還林還草。對麥積區(qū)撂荒地進行空間統(tǒng)計，結(jié)果發(fā)現(xiàn)（表4），麥積區(qū)共有84.15%的撂荒地坡度﹥6°，可見麥積區(qū)撂荒地主要分布在坡度﹥6°的山地，所以地形是導致麥積區(qū)土地撂荒的重要原因。

2.2.2 交通對撂荒地的影響。交通對農(nóng)業(yè)的影響是顯著的，交通發(fā)達地區(qū)，便于機械化作業(yè)，種植效益高，而在交通落后的山區(qū)，只能靠人力或牲畜進行耕作，種植效益很低?？臻g統(tǒng)計分析發(fā)現(xiàn)（表5），距離道路不超過100 m的范圍內(nèi)，撂荒地占比為34.14%，超過100 m的撂荒地占比為65.86%，說明大部分撂荒地分布在交通條件較差的地方。

2.2.3 其他因素。經(jīng)統(tǒng)計，麥積區(qū)的撂荒地總面積為12 600.31 hm2，占麥積區(qū)總面積的3.62%，占耕地總面積的22.02%，說明麥積區(qū)的撂荒現(xiàn)象已極其嚴重。以鎮(zhèn)為單位統(tǒng)計各鄉(xiāng)鎮(zhèn)的撂荒地面積，并計算撂荒地面積占鎮(zhèn)總面積的比例，結(jié)果發(fā)現(xiàn)（圖3），麥積區(qū)撂荒地主要集中在西北區(qū)域，東部和南部鄉(xiāng)鎮(zhèn)的撂荒地較少，其中，撂荒最嚴重的鎮(zhèn)是石佛鎮(zhèn)。

以行政村為統(tǒng)計單元，對識別的撂荒地進行空間自相關(guān)分析。全局自相關(guān)莫蘭指數(shù)為0.56，說明麥積區(qū)的撂荒地存在顯著的空間集聚特征。

進一步進行局部自相關(guān)分析，結(jié)果發(fā)現(xiàn)（圖4），麥積區(qū)撂荒地高高聚集區(qū)主要分布在石佛鎮(zhèn)、中灘鎮(zhèn)、新陽鎮(zhèn)、渭南鎮(zhèn)、琥珀鎮(zhèn)和花牛鎮(zhèn)，這些地區(qū)耕地較多，但多為山地梯田，務農(nóng)收益太低，同時由于城鄉(xiāng)教育資源不平衡等問題，這些區(qū)域農(nóng)業(yè)人口流失嚴重，導致大面積的耕地無人種植。低低聚集區(qū)出現(xiàn)在麥積區(qū)南部和東南部的麥積鎮(zhèn)、甘泉鎮(zhèn)、元龍鎮(zhèn)、三岔鎮(zhèn)和東岔鎮(zhèn)，這些區(qū)域分布著廣袤的森林，原本耕地面積較少，因此撂荒地也不多。低高聚集異?，F(xiàn)象主要出現(xiàn)在渭南鎮(zhèn)和中灘鎮(zhèn)，這些鄉(xiāng)鎮(zhèn)位于渭河與葫蘆河交匯的沖積平原，地勢較為平緩，可進行機械化作業(yè)，并且離河流較近，方便灌溉，因此撂荒地較少，而周邊多為山地梯田，不便于進行機械化作業(yè)，因此撂荒地較多，所以出現(xiàn)了反常的低高聚集現(xiàn)象。

3 結(jié)論與討論

該研究選擇了播種期、生長期和收獲期的哨兵2號遙感數(shù)據(jù)構(gòu)建了時序NDVI圖，采用面向?qū)ο蠓椒▽湻e區(qū)撂荒地進行識別，結(jié)果表明：①經(jīng)驗證，撂荒地識別結(jié)果精度為0.92，Kappa系數(shù)為0.82，證明了該研究提出的方法可行性較高。②經(jīng)空間統(tǒng)計分析，麥積區(qū)撂荒地面積達到了12 600.31 hm2，占總面積的3.62%，撂荒地主要分布在西北部，撂荒現(xiàn)象最嚴重的是石佛鎮(zhèn)，撂荒面積占耕地總面積的22.02%，撂荒現(xiàn)象已極其嚴重。對麥積區(qū)撂荒地進行空間自相關(guān)分析發(fā)現(xiàn)，耕地撂荒存在顯著的空間集聚特征。麥積區(qū)撂荒地高高集聚區(qū)主要發(fā)生在石佛鎮(zhèn)、中灘鎮(zhèn)和渭南鎮(zhèn)等西北部鄉(xiāng)鎮(zhèn)。③在撂荒驅(qū)動力分析中，坡度統(tǒng)計分析發(fā)現(xiàn)，麥積區(qū)有84.15%的撂荒地坡度>6°，有65.86%的撂荒地距離道路超過100 m，說明導致麥積區(qū)耕地撂荒的重要原因是地形因素和交通條件差。

撂荒的耕地會迅速長出雜草，這些雜草的種子還會傳播到周邊的耕地，占據(jù)農(nóng)作物的生長空間，從而降低耕地的收益。此外，大面積成片的撂荒地還會導致野豬、田鼠、野雞等野生動物數(shù)量大幅度增加，而這些動物會啃食農(nóng)作物，造成農(nóng)作物嚴重減產(chǎn)，嚴重打擊農(nóng)民種地的積極性，從而加劇了撂荒現(xiàn)象的嚴重程度。為了避免耕地進一步撂荒，結(jié)合麥積區(qū)的實際情況，可采取以下措施：①嚴格落實國家政策。根據(jù)《糧食安全保障法》，連續(xù)撂荒2年以上的承包地，村集體有權(quán)中止承包關(guān)系并收回土地。對收回的承包地進行重新分配，將土地分配給有能力和有意愿種植的人，并給予一定的種糧補貼。②加快土地流轉(zhuǎn)。土地流轉(zhuǎn)是農(nóng)業(yè)現(xiàn)代化快速發(fā)展的需要，規(guī)模化經(jīng)營有利于提高耕地的收益，同時也可以為村民提供更多的就業(yè)機會。要加大對土地流轉(zhuǎn)政策的扶持力度，對于流轉(zhuǎn)撂荒地的個人和合作社進行獎勵和補助。③大力發(fā)展特色產(chǎn)業(yè)。耕地撂荒的根本原因在于種地的收益過低，因此可以根據(jù)每個鄉(xiāng)鎮(zhèn)的產(chǎn)業(yè)優(yōu)勢和土地條件，發(fā)展適合本地的特色農(nóng)產(chǎn)品，提高農(nóng)民的收入。政府可以協(xié)助解決特色農(nóng)產(chǎn)品的銷售問題，從而有效避免耕地撂荒現(xiàn)象。

參考文獻

［1］

肖國峰，朱秀芳，侯陳瑤，等.撂荒耕地的提取與分析：以山東省慶云縣和無棣縣為例［J］.地理學報，2018，73（9）：1658-1673.

［2］ 劉智麗.基于哨兵2號的撂荒地遙感監(jiān)測研究［D］.北京：北京林業(yè)大學，2021.

［3］ 劉鑫鵬，李棟梁，趙天成，等.基于遙感的撂荒耕地提取方法比較研究［J］.南京曉莊學院學報，2022，38（6）：81-87.

［4］ 周迪.基于LT-GEE的酉陽縣耕地撂荒識別研究［D］.荊州：長江大學，2023.

［5］ 歐陽許童，張璇，李維慶，等.基于Sentinel-2和Landsat衛(wèi)星時序數(shù)據(jù)的耕地撂荒識別［J］.測繪通報，2023（8）：57-62.

［6］ 宋憲強，梁釗雄，周紅藝，等.基于決策樹與時序NDVI變化檢測的耕地撂荒遙感監(jiān)測：以四川省涼山州普格縣為例［J］.山地學報，2021，39（6）：912-921.

［7］ 徐春曉.基于隨機森林和Markov算法的云南省撂荒耕地提取和預測方法研究［D］.昆明：云南師范大學，2023.

［8］ 張珍.基于GIS的靜寧縣耕地撂荒研究［J］.安徽農(nóng)業(yè)科學，2021，49（16）：82-85.

［9］ 朱小文，馬能文，胡鵬飛，等.近20年隴東黃土高原耕地撂荒及其驅(qū)動力研究：以甘肅省平?jīng)鍪嗅轻紖^(qū)為例［J］.中國農(nóng)學通報，2019，35（9）：95-101.

［10］ 張杰琳，康鴛OiExrA6ohqmBHkW3XRPL7mQCVbxEww1LuWEyhOgnXw4=鴦，陳義勛，等.近20年關(guān)中西部耕地秋季撂荒時空格局及其影響因素［J］.干旱地區(qū)農(nóng)業(yè)研究，2023，41（3）：229-237，265.

［11］ 張振江.撂荒耕地遙感提取及驅(qū)動因素分析：以江西省玉山縣為例［D］.南昌：東華理工大學，2023.

［12］ 許曉婷，王思恩，焦俏，等.陜西關(guān)中平原撂荒耕地空間分布格局［J］.湖北農(nóng)業(yè)科學，2023，62（3）：75-79.

［13］ 劉耀楷，張靖琳，王友情，等.遂溪縣季節(jié)性撂荒耕地的空間格局與空間自相關(guān)分析［J］.安徽農(nóng)學通報，2023，29（13）：116-122.

［14］ 韋中暉.基于長時序遙感數(shù)據(jù)的耕地撂荒時空格局演變分析［D］.焦作：河南理工大學，2022.

［15］ 唐瑞.基于GIS的四川省閬中市撂荒地時空格局變化研究［D］.南充：西華師范大學，2022.

［16］ 李曉杰.定西市安定區(qū)近十年（2009-2018）撂荒地時空格局演變［D］.蘭州：甘肅農(nóng)業(yè)大學，2020.

［17］ 禹文豪，艾廷華，楊敏，等.利用核密度與空間自相關(guān)進行城市設施興趣點分布熱點探測［J］.武漢大學學報（信息科學版），2016，41（2）：221-227.

［18］ 許鵬，方麗媛.基于GIS的山地城市網(wǎng)絡空間覆蓋格局及影響因素研究：以陜西省漢中市為例［J］.新疆師范大學學報（自然科學版），2023，42（4）：77-86.