楊建新，劉 靜，龔 健，劉玉鈴，朱江洪

（1.中國(guó)地質(zhì)大學(xué)（武漢）公共管理學(xué)院，湖北 武漢 430074；2.自然資源部法治研究重點(diǎn)實(shí)驗(yàn)室，湖北 武漢 430074；3.青海省國(guó)土空間規(guī)劃研究院，青海 西寧 810006）

1 引言

永久基本農(nóng)田是耕地中最精華的部分，要確?！帮埻胧冀K端在自己手里”，劃定并保護(hù)永久基本農(nóng)田是根本途徑。當(dāng)前因建設(shè)占用、生態(tài)退耕、災(zāi)害損毀、土地污染等原因?qū)е掠谰没巨r(nóng)田劃定不實(shí)問(wèn)題較為嚴(yán)重，“上山、下海、入湖、進(jìn)溝”和“遠(yuǎn)、邊、散、碎”等空間布局不合理現(xiàn)象明顯[1-2]。因而，按照保質(zhì)足量、集中連片的基本要求，對(duì)現(xiàn)有永久基本農(nóng)田保護(hù)圖斑進(jìn)行調(diào)整補(bǔ)劃和布局優(yōu)化是當(dāng)前國(guó)土空間規(guī)劃和“三線”統(tǒng)籌劃定工作的迫切要求[3]，其中如何識(shí)別質(zhì)量?jī)?yōu)等、空間集聚的永久基本農(nóng)田保護(hù)圖斑是關(guān)鍵。

針對(duì)如何識(shí)別質(zhì)量?jī)?yōu)等的基本農(nóng)田保護(hù)圖斑，學(xué)者最初多是依據(jù)農(nóng)用地分等成果選取質(zhì)量等別高的耕地圖斑劃入基本農(nóng)田保護(hù)區(qū)[4]。但分等成果多側(cè)重耕地自然質(zhì)量，對(duì)農(nóng)業(yè)區(qū)位條件、生態(tài)條件及建設(shè)水平等立地條件考慮不足[5]。一些學(xué)者借鑒美國(guó)農(nóng)業(yè)部提出的 LESA（Land Evaluation and Site Assessment）評(píng)價(jià)體系，從耕地自然條件和立地條件兩方面評(píng)定耕地綜合質(zhì)量來(lái)識(shí)別糧食生產(chǎn)能力高且耕作便利、形態(tài)穩(wěn)定的基本農(nóng)田保護(hù)圖斑[6-7]，不足在于評(píng)價(jià)指標(biāo)體系中缺少考慮耕地在空間上的聚散性。因此，一些學(xué)者將集中連片度、集聚度等空間形態(tài)指標(biāo)引入評(píng)價(jià)體系以體現(xiàn)基本農(nóng)田保護(hù)圖斑在空間上的集中連片分布要求[8-10]。但僅將連片性或集聚性作為耕地綜合質(zhì)量評(píng)價(jià)的一項(xiàng)指標(biāo)考慮，存在與其他指標(biāo)的權(quán)衡問(wèn)題，不同指標(biāo)之間可能存在抵消效應(yīng)，且受指標(biāo)權(quán)重影響較大，難以從整體上體現(xiàn)耕地圖斑的空間集聚性。此外，也有學(xué)者應(yīng)用空間多目標(biāo)優(yōu)化算法同時(shí)考慮耕地質(zhì)量和空間集聚性目標(biāo)來(lái)識(shí)別優(yōu)質(zhì)連片永久基本農(nóng)田保護(hù)圖斑[11-12]，不足之處在于該類方法對(duì)工作人員技術(shù)和計(jì)算機(jī)算力要求較高，實(shí)踐可操作性稍顯不足。

為更好地直觀體現(xiàn)基本農(nóng)田高質(zhì)量集中連片要求，一些學(xué)者在耕地綜合質(zhì)量評(píng)價(jià)的基礎(chǔ)上，借助空間聚類方法表達(dá)耕地質(zhì)量在空間上的集聚程度，以集聚性表征連片度進(jìn)而識(shí)別高質(zhì)量集聚永久基本農(nóng)田保護(hù)圖斑，常用聚類方法包括K-Mean[13-14]、Local Moran’s I[15-16]和Getis-Ord Gi*[17]等。具體操作上多是根據(jù)耕地綜合質(zhì)量的空間聚類結(jié)果采用矩陣組合法或四象限法將耕地圖斑劃分為不同的聚類區(qū)，并確定不同聚類區(qū)圖斑劃入基本農(nóng)田保護(hù)區(qū)的優(yōu)先級(jí)[17-18]，不足之處在于未能在地塊尺度提供同時(shí)包含耕地質(zhì)量及其空間集聚信息的指示指標(biāo)及相應(yīng)的優(yōu)選方案，以便能通過(guò)該指標(biāo)的簡(jiǎn)單排序精準(zhǔn)識(shí)別指定面積的優(yōu)質(zhì)集聚基本農(nóng)田保護(hù)圖斑。

此外，當(dāng)前應(yīng)用于識(shí)別永久基本農(nóng)田保護(hù)圖斑的常見空間聚類算法均是使用近似圓形窗口來(lái)確定圖斑單元的鄰域結(jié)構(gòu)，因此其識(shí)別的空間聚類區(qū)形狀也近似于圓形分布，這使得其不具備搜索空間非規(guī)則鄰域進(jìn)而識(shí)別任意形狀空間聚類區(qū)的能力。而實(shí)際上耕地圖斑及其質(zhì)量的空間分布是復(fù)雜非規(guī)則的，比如在山地丘陵區(qū)耕地更多可能是沿川谷呈帶狀分布，這將影響規(guī)則空間聚類算法在這些地形復(fù)雜區(qū)識(shí)別優(yōu)質(zhì)連片永久基本農(nóng)田保護(hù)圖斑的有效性和適用性。

鑒于此，本文以青海省大通縣為研究區(qū)，從自然質(zhì)量和立地條件兩方面評(píng)估研究區(qū)耕地綜合質(zhì)量，在此基礎(chǔ)上應(yīng)用常見的Local Moran’s I和Getis-Ord Gi*空間聚類算法以及具備識(shí)別空間非規(guī)則聚類結(jié)構(gòu)的AMOEBA （A Multidirectional Optimum Ecotope-Based Algorithm）空間聚類算法，構(gòu)建能同時(shí)反映耕地圖斑質(zhì)量及其空間聚集性的地塊級(jí)表征指數(shù)并設(shè)計(jì)對(duì)應(yīng)的排序優(yōu)選方案，研究對(duì)比不同聚類指數(shù)及相應(yīng)排序方案識(shí)別的不同面積比例的永久基本農(nóng)田保護(hù)圖斑的平均質(zhì)量和空間集聚程度，進(jìn)而驗(yàn)證不同空間聚類指數(shù)及排序方案的有效性，以期為永久基本農(nóng)田調(diào)整補(bǔ)劃和布局優(yōu)化工作提供方法借鑒。

2 研究區(qū)與數(shù)據(jù)來(lái)源

2.1 研究區(qū)概況

大通縣是青海省重要的糧農(nóng)產(chǎn)品生產(chǎn)基地，是全國(guó)500個(gè)糧食大縣之一。2019年末全縣常住人口45.66萬(wàn)人，常住人口城鎮(zhèn)化率46.01%。全縣分為川水、淺山、腦山和高山區(qū)4大地貌類型區(qū)。2018年末全縣耕地面積54 459.31 hm2（圖1），其中永久基本農(nóng)田面積為43 489.15 hm2，保護(hù)比例為79.86%，永久基本農(nóng)田利用等別分布在12—14 等，平均利用等別為13.33等，主要集中在川水地區(qū)，沿主要河流及其支流呈帶狀分布，該地區(qū)地勢(shì)平坦開闊、水資源豐富。因退耕還林、建設(shè)占用及農(nóng)業(yè)結(jié)構(gòu)調(diào)整等原因，當(dāng)前大通縣永久基本農(nóng)田不實(shí)現(xiàn)象較為突出，“非農(nóng)化”“非糧化”問(wèn)題較為嚴(yán)重，部分永久基本農(nóng)田 “上山、入溝、進(jìn)村”等空間布局不合理現(xiàn)象明顯，亟需布局優(yōu)化。

圖1 研究區(qū)區(qū)位及耕地質(zhì)量等別分布圖Fig.1 Location and level of farmland quality in the study area

2.2 數(shù)據(jù)來(lái)源及處理

本文所需數(shù)據(jù)主要有：（1）土地變更調(diào)查數(shù)據(jù)庫(kù)（2018年），用于提取居民點(diǎn)、農(nóng)村道路等；（2）耕地等別數(shù)據(jù)庫(kù)（2018年），用于提取耕地矢量圖斑以及表層土壤質(zhì)地、有機(jī)質(zhì)含量、土壤酸堿度、有效土層厚度、灌溉保證率等反映耕地自然質(zhì)量的評(píng)價(jià)指標(biāo)；（3）DEM數(shù)據(jù)，主要用于提取高程和計(jì)算田面平整度，通過(guò)地理空間數(shù)據(jù)云（http://www.Gscloud.cn/）獲??；（4）統(tǒng)計(jì)年鑒等社會(huì)經(jīng)濟(jì)數(shù)據(jù)由研究區(qū)統(tǒng)計(jì)局提供。所有空間數(shù)據(jù)在統(tǒng)一空間范圍后均采用2000國(guó)家大地坐標(biāo)并投影到高斯克呂格平面坐標(biāo)系，所有柵格數(shù)據(jù)均采用30 m×30 m分辨率。

3 研究方法

3.1 耕地綜合質(zhì)量評(píng)價(jià)

3.1.1 評(píng)價(jià)單元

耕地質(zhì)量評(píng)價(jià)單元是指在自然條件和社會(huì)經(jīng)濟(jì)特征等方面均具有相對(duì)一致性的耕地單元。本文以研究區(qū)2018年耕地等別數(shù)據(jù)庫(kù)中確定的矢量耕地圖斑作為評(píng)價(jià)單元，最終確定評(píng)價(jià)單元12 108個(gè)。

3.1.2 評(píng)價(jià)指標(biāo)選取及量化

本文以耕地糧食生產(chǎn)功能和與外部環(huán)境的協(xié)調(diào)為切入點(diǎn)，參考研究區(qū)耕地分等及已有相關(guān)研究成果[19-22]，遵循全面性、主導(dǎo)性、差異性和數(shù)據(jù)可獲取性等原則[23]，從自然質(zhì)量和立地條件兩方面選擇11項(xiàng)指標(biāo)建立耕地綜合質(zhì)量評(píng)價(jià)指標(biāo)體系（表1）。其中，自然質(zhì)量指標(biāo)包括表層土壤質(zhì)地、有機(jī)質(zhì)含量、土壤酸堿度、有效土層厚度、坡度、灌溉保證率6項(xiàng)指標(biāo)，綜合反映了耕地土壤養(yǎng)分、酸堿度等物理化學(xué)性質(zhì)以及農(nóng)田水利條件；立地條件包括田面高程、田塊平整度、到農(nóng)村居民點(diǎn)距離、到農(nóng)村道路距離、路網(wǎng)密度5項(xiàng)指標(biāo)，主要反映耕地耕作便利程度和機(jī)械化適宜度等。

根據(jù)評(píng)價(jià)指標(biāo)的屬性不同，可采取分級(jí)賦分、極值標(biāo)準(zhǔn)化等方法對(duì)耕地質(zhì)量評(píng)價(jià)指標(biāo)進(jìn)行量化。因本文中自然質(zhì)量指標(biāo)均從研究區(qū)耕地等別數(shù)據(jù)庫(kù)中直接提取，因此可直接采用其分級(jí)賦分結(jié)果進(jìn)行指標(biāo)量化，分級(jí)賦分規(guī)則表與《農(nóng)用地質(zhì)量分等規(guī)程（GBT28407—2012）》保持一致，具體見表1。立地條件指標(biāo)中的田面高程指評(píng)價(jià)單元中各DEM柵格的均值，田塊平整度由評(píng)價(jià)單元中各DEM柵格的標(biāo)準(zhǔn)差表達(dá)，田塊到農(nóng)村居民點(diǎn)和到農(nóng)村道路的距離，通過(guò)ArcGIS 10.2的距離分析工具計(jì)算，路網(wǎng)密度通過(guò)在每個(gè)評(píng)價(jià)單元周圍建立1 000 m的緩沖區(qū)，將緩沖區(qū)內(nèi)的道路長(zhǎng)度作為該評(píng)價(jià)單元的路網(wǎng)密度。立地條件指標(biāo)的賦值方法參考錢鳳魁等[23]的研究成果，采用極值標(biāo)準(zhǔn)化方法將指標(biāo)量化到0～100之間，公式如下：

正向指標(biāo)標(biāo)準(zhǔn)化：

負(fù)向指標(biāo)標(biāo)準(zhǔn)化：

式（1）—式（2）中：y′ij為評(píng)價(jià)單元i指標(biāo)j的標(biāo)準(zhǔn)化值；yij為評(píng)價(jià)單元i指標(biāo)j的實(shí)際值；n為評(píng)價(jià)單元個(gè)數(shù)；m為評(píng)價(jià)指標(biāo)個(gè)數(shù)；yj，max為評(píng)價(jià)指標(biāo)j的最大值；yj，min為指標(biāo)j的最小值。

3.1.3 評(píng)價(jià)模型建立

耕地質(zhì)量評(píng)價(jià)模型主要有多因素綜合評(píng)價(jià)、逐級(jí)修正及理想點(diǎn)逼近等多種方法[24]。因本文選取的耕地質(zhì)量評(píng)價(jià)指標(biāo)既有正向促進(jìn)指標(biāo)，也有負(fù)向障礙指標(biāo)（表1），因此適宜采用多因素綜合評(píng)價(jià)法[25]，其計(jì)算公式如下：

表1 耕地綜合質(zhì)量評(píng)價(jià)指標(biāo)因子量化賦分Tab.1 Quantification of farmland quality assessment factors

式（3）中：Fi為耕地圖斑i的綜合質(zhì)量分值，y′ij為評(píng)價(jià)單元i指標(biāo)j的標(biāo)準(zhǔn)化值，wj為指標(biāo)權(quán)重。指標(biāo)權(quán)重確定的科學(xué)性影響評(píng)價(jià)結(jié)果的準(zhǔn)確性，常用的權(quán)重確定方法可分為主觀賦權(quán)法，如層次分析法[26]，以及客觀賦權(quán)法，如熵權(quán)法[27]。兩類權(quán)重確定方法各有利弊，常常結(jié)合使用。因此，本文擬采用層次分析法和熵權(quán)法綜合確定各指標(biāo)權(quán)重[28]，結(jié)果見表2。

表2 耕地綜合質(zhì)量評(píng)價(jià)指標(biāo)權(quán)重Tab.2 Weight of farmland quality assessment factors

3.2 空間聚類算法

3.2.1 規(guī)則空間聚類算法

Local Moran’s I反映地理單元及其鄰域單元在空間上的高低值集聚、異常及隨機(jī)分布現(xiàn)象[29]。Local Moran’s I算法分析每個(gè)耕地圖斑與其鄰域圖斑質(zhì)量的集聚或異常關(guān)系，并報(bào)告每個(gè)圖斑的Local Moran’s I值（以下簡(jiǎn)稱I值）、z得分和p值，據(jù)此將耕地圖斑在空間上聚類為高—高（HH）、高—低（HL）、低—高（LH）、低—低（LL）和非顯著 （NS）5種類型。z得分為正且值越大，表明高質(zhì)量或低質(zhì)量耕地圖斑集聚程度越顯著。z值為負(fù)且值越小，表明圖斑綜合質(zhì)量異質(zhì)性程度越高。若z值趨近于0，且不具有統(tǒng)計(jì)顯著性，則表明耕地圖斑綜合質(zhì)量表現(xiàn)為隨機(jī)分布。

Getis-Ord Gi*反映地理單元在空間上的高值集聚、低值集聚及隨機(jī)分布情況[30]。Getis-Ord Gi*算法分析每個(gè)耕地圖斑自身及其鄰域圖斑綜合質(zhì)量與研究區(qū)所有耕地圖斑綜合質(zhì)量均值的關(guān)系，進(jìn)而計(jì)算每個(gè)圖斑的Getis-Ord Gi*值（后文簡(jiǎn)稱Gi*值，該值同時(shí)也為z得分）和p值，并據(jù)此將耕地圖斑在空間上聚類為熱點(diǎn)（Hotspot）、冷點(diǎn)（Coldspot）和非顯著 （NS）三種類型。Gi*值為正且值越大，則高質(zhì)量耕地圖斑的空間集聚度越明顯；Gi*值為負(fù)且值越小，則低質(zhì)量耕地圖斑的空間集聚度越明顯；Gi*值趨近于0，且不具有統(tǒng)計(jì)顯著性，則空間集聚性不明顯，表現(xiàn)為隨機(jī)分布。

3.2.2 非規(guī)則鄰域搜索空間聚類算法

鄰域定義在空間聚類分析中起到關(guān)鍵作用。目前常見的鄰域定義方法主要有基于空間鄰接關(guān)系（兩個(gè)圖斑共邊頂點(diǎn)即互為鄰居）和基于空間距離（兩個(gè)圖斑相距小于給定距離即互為鄰居）兩種（圖2a，2b）。而無(wú)論Local Moran’s I和Getis-Ord Gi*算法使用何種鄰域定義方式，總體上均是基于近似規(guī)則的圓形窗口來(lái)確定鄰域單元，因此其識(shí)別的空間集聚或異常區(qū)形狀常與鄰域搜索窗口形狀接近，即近似于圓形分布。因而這兩種聚類算法均不具備搜索空間非規(guī)則鄰域進(jìn)而識(shí)別任意形狀空間聚類結(jié)構(gòu)的能力，常常會(huì)把一些低（高）值單元?dú)w類到高（低）值聚集區(qū)中（圖2d），或?qū)⒁粋€(gè)狹長(zhǎng)的帶狀聚集區(qū)識(shí)別為多個(gè)小的聚集區(qū)（圖2e）。

AMOEBA非規(guī)則鄰域搜索空間聚類算法基于鄰域逐層搜索理念（圖2c）識(shí)別空間集聚區(qū)域，可以有效識(shí)別空間分布不規(guī)則的聚類結(jié)構(gòu)（圖2f）。AMOEBA算法以Gi*統(tǒng)計(jì)量為基礎(chǔ)，從某一單元出發(fā)向各個(gè)方向逐層搜索其鄰域單元，計(jì)算該單元與不同鄰域單元組合的Gi*統(tǒng)計(jì)量，并將使得Gi*值最大化的單元納入集聚區(qū)，以此來(lái)識(shí)別不同空間集聚類型，其詳細(xì)原理可參考文獻(xiàn)[31-32]。AMOEBA算法計(jì)算每個(gè)圖斑的最大Gi*值（以下簡(jiǎn)稱MaxGi*）和p值，并據(jù)此將耕地圖斑在空間上聚類為熱點(diǎn)（Hotspot）、冷點(diǎn)（Coldspot）和非顯著（NS）三種類型，MaxGi*值對(duì)耕地質(zhì)量及其空間聚集性的指示含義與Gi*一致。

圖2 空間鄰域定義以及聚類區(qū)示意圖Fig.2 Definition of spatial neighborhood and spatial clusters

3.3 基本農(nóng)田保護(hù)圖斑識(shí)別

3.3.1 空間聚類指數(shù)排序方案設(shè)計(jì)

本文基于不同空間聚類指數(shù)內(nèi)涵設(shè)計(jì)3種排序方案，進(jìn)而識(shí)別不同面積的永久基本農(nóng)田保護(hù)圖斑，詳述如下。方案1：Getis-Ord Gi*算法計(jì)算的Gi*值（同時(shí)也是z得分）大小明確反映了耕地圖斑質(zhì)量的高、低集聚情況，因此可首先按照集聚類型Hotspot，NS，Coldspot排序，然后每一類型中按Gi*值從大到小排序，進(jìn)而識(shí)別不同面積比例下的永久基本農(nóng)田保護(hù)圖斑。方案2：由于Local Moran’s I計(jì)算的耕地質(zhì)量空間聚類指數(shù)z得分中較大的正值既可表示高值集聚，也可表示低值集聚；較小的負(fù)值既可表示高—低集聚，也可表示低—高集聚。因此，本文首先依據(jù)Local Moran’s I聚類結(jié)果將所有耕地圖斑按照HH、LH、NS、HL、LL的順序排序[33-34]，然后HH和HL聚類中將耕地圖斑按z得分從大到小排序，LH和LL聚類中將耕地圖斑按z從小到大排序，NS類別中因z得分不反映空間集聚性，可直接按耕地綜合質(zhì)量分從大到小排序。方案3：AMOEBA算法按照集聚類型Hotspot，NS，Coldspot，且MaxGi*值從大到小排序，進(jìn)而識(shí)別某一面積比例下的永久基本農(nóng)田保護(hù)圖斑。本文還將所有耕地圖斑直接按照其綜合質(zhì)量分從高到低排序，作為參照方案4，進(jìn)而識(shí)別永久基本農(nóng)田保護(hù)圖斑，以便與基于3種不同聚類指數(shù)排序方案劃定結(jié)果進(jìn)行對(duì)比分析。

3.3.2 鄰域敏感性分析

此外，為研究基于空間聚類指數(shù)排序識(shí)別的基本農(nóng)田圖斑的平均質(zhì)量和空間集聚性對(duì)鄰域定義方式的敏感性，本文還對(duì)比了基于空間鄰接關(guān)系和基于不同空間距離兩種方式來(lái)定義耕地圖斑的空間鄰域?qū)ψR(shí)別結(jié)果的影響。AMOEBA算法僅支持基于空間鄰接關(guān)系逐層搜索的鄰域定義，因而僅對(duì)比Local Moran’s I和Getis-Ord Gi*兩種聚類算法在不同鄰域定義方式下識(shí)別的永久基本農(nóng)田保護(hù)圖斑差異。

4 結(jié)果分析

4.1 耕地綜合質(zhì)量

研究區(qū)耕地綜合質(zhì)量分值分布在［41.06, 81.82］之間，平均分為65.52，標(biāo)準(zhǔn)差為7.33，空間分布如圖3所示。可以看出，研究區(qū)高質(zhì)量耕地主要沿主干河流及其支流沿岸分布，南部川水地區(qū)分布較多；質(zhì)量較高耕地主要分布在中南部川水和淺山地區(qū)；中等質(zhì)量耕地主要分布在中部、西部淺山地區(qū)；低等級(jí)耕地主要分布在中北部的半淺山、半腦山地區(qū)。

圖3 研究區(qū)耕地質(zhì)量分布Fig.3 Farmland quality distribution in the study area

4.2 不同排序方案的空間差異性對(duì)比

依據(jù)4種不同排序方案對(duì)研究區(qū)耕地圖斑進(jìn)行排序，按照排序指數(shù)從優(yōu)到劣依次選定不同面積比例的基本農(nóng)田保護(hù)圖斑，結(jié)果見圖4。從圖4可以看出基于4種排序方案識(shí)別的不同面積比例下的基本農(nóng)田圖斑在空間分布上總體接近，但在局部細(xì)節(jié)上存在差異。特別是當(dāng)基本農(nóng)田保護(hù)比例較低時(shí)，基于不同排序方案識(shí)別的基本農(nóng)田保護(hù)圖斑分布差異更為明顯。但整體上，基于3種空間聚類指數(shù)排序所識(shí)別的基本農(nóng)田圖斑在空間分布上相對(duì)更為集聚，其中以基于AMEOBA聚類指數(shù)排序識(shí)別的基本農(nóng)田圖斑的空間集聚優(yōu)勢(shì)最為明顯。而當(dāng)保護(hù)比例逐漸增大時(shí)，不同排序方案選定的基本農(nóng)田圖斑差異趨小。

圖4 基于4種排序方案識(shí)別的不同面積比例下的基本農(nóng)田圖斑分布Fig.4 Basic farmland selected based on the four ranking schemes under different protection proportions

4.3 不同排序方案下基本農(nóng)田圖斑質(zhì)量和連片度對(duì)比

將基于4種排序方案識(shí)別的不同面積比例下的基本農(nóng)田保護(hù)圖斑柵格化后輸入Fragstate軟件計(jì)算斑塊數(shù)量（不同于基本農(nóng)田圖斑數(shù)量），以表征不同保護(hù)比例下所選定基本農(nóng)田圖斑的空間集聚和集中連片程度；同時(shí)計(jì)算了不同面積比例下所選定基本農(nóng)田圖斑的平均綜合質(zhì)量分，結(jié)果見圖5。從不同面積比例下所識(shí)別的基本農(nóng)田圖斑的空間集聚性來(lái)看（圖5（a）），當(dāng)基本農(nóng)田保護(hù)比例小于50%時(shí)，基于AMEOBA算法識(shí)別的基本農(nóng)田圖斑的斑塊數(shù)量明顯少于同等比例下按質(zhì)量分排序識(shí)別的基本農(nóng)田斑塊數(shù)，空間集聚程度更高?；贕etis-Ord Gi*算法識(shí)別的基本農(nóng)田圖斑的空間集聚性則位于AMEOBA和Local Moran’s I算法之間，而Local Moran’s I算法識(shí)別的基本農(nóng)田圖斑的斑塊數(shù)與基于質(zhì)量分排序識(shí)別的基本農(nóng)田斑塊數(shù)較為接近。當(dāng)基本農(nóng)田保護(hù)比例大于50%時(shí)，Getis-Ord Gi*算法識(shí)別的基本農(nóng)田斑塊數(shù)最多，而基于其他3種排序方案識(shí)別的基本農(nóng)田圖斑的空間集聚程度未表現(xiàn)出明顯的優(yōu)劣特征。

從不同保護(hù)比例下選定的基本農(nóng)田圖斑的平均綜合質(zhì)量來(lái)看（圖5（b）），Local Moran’s I算法識(shí)別的基本農(nóng)田圖斑的平均質(zhì)量與按質(zhì)量分排序識(shí)別的基本農(nóng)田圖斑的平均質(zhì)量幾乎一致。Getis-Ord Gi*算法識(shí)別的基本農(nóng)田圖斑平均質(zhì)量最低。當(dāng)基本農(nóng)田保護(hù)比例小于50%時(shí)，基于AMEOBA算法識(shí)別的基本農(nóng)田圖斑平均質(zhì)量與按質(zhì)量分排序識(shí)別的基本農(nóng)田圖斑平均質(zhì)量接近；而當(dāng)保護(hù)比例大于50%時(shí)，AMEOBA算法識(shí)別的基本農(nóng)田圖斑平均質(zhì)量與Getis-Ord Gi*算法識(shí)別結(jié)果接近。

圖5 不同聚類指數(shù)排序方案下不同面積比例基本農(nóng)田圖斑的斑塊數(shù)及平均質(zhì)量Fig.5 Number of plots and average quality of basic farmland with specific protection proportions under different ranking schemes in order of the corresponding spatial clustering index

總體來(lái)看，AMEOBA算法識(shí)別的基本農(nóng)田圖斑在取得更為明顯的空間集聚優(yōu)勢(shì)時(shí)，僅有小幅度的質(zhì)量下降；Getis-Ord Gi*算法在保護(hù)比例低于50%時(shí)雖能取得一定的空間集聚優(yōu)勢(shì)，但圖斑平均質(zhì)量降幅大于AMEOBA算法；而Local Moran’s I算法識(shí)別結(jié)果在圖斑空間集聚程度和平均質(zhì)量上均與按質(zhì)量分直接排序識(shí)別結(jié)果幾乎一致，未表現(xiàn)出明顯的空間集聚優(yōu)勢(shì)。

Getis-Ord Gi*算法識(shí)別結(jié)果的空間集聚性次于AMEOBA算法，耕地綜合質(zhì)量損失也較AMEOBA更為明顯，但兩者總體特征和變化趨勢(shì)相似，這主要是因?yàn)閮烧叩幕緮?shù)學(xué)原理具有一致性，即都是以Gi*統(tǒng)計(jì)量為基礎(chǔ)。造成兩者結(jié)果差異的原因主要在于鄰域搜索以及集聚區(qū)定義方式不同。首先，AMEOBA算法通過(guò)逐層搜索動(dòng)態(tài)確定鄰域單元，因而具有識(shí)別非規(guī)則空間聚類結(jié)構(gòu)的能力，更適宜于耕地質(zhì)量呈現(xiàn)非規(guī)則集聚分布的地區(qū)；其次，AMEOBA算法在識(shí)別空間集聚單元時(shí)具有更為嚴(yán)格的條件，該算法每次僅嘗試在集聚區(qū)中加入一個(gè)鄰域單元，只有使得Gi*統(tǒng)計(jì)量增大的鄰域單元才能劃入高值集聚區(qū)之中，這使得AMEOBA能更有效識(shí)別高值集聚區(qū)中的低值單元，并將其排除在高值集聚區(qū)之外。這是當(dāng)保護(hù)比例較低（＜50%）時(shí)AMEOBA算法能在本文所選研究區(qū)取得更優(yōu)結(jié)果的主要原因。

Getis-Ord Gi*和Local Moran’s I均是基于中心單元耕地質(zhì)量與其鄰域單元質(zhì)量均值的高低關(guān)系確定空間集聚區(qū)，而鄰域中的個(gè)別低值耕地單元可能會(huì)被其他高值單元通過(guò)均值效應(yīng)掩蓋而納入集聚區(qū)中，從而使得這些低值耕地單元也有較高的空間聚類指數(shù)值，這是造成Getis-Ord Gi*算法識(shí)別結(jié)果的質(zhì)量損失更為明顯的主要原因。Local Moran’s I算法識(shí)別結(jié)果的空間集聚性及平均質(zhì)量與基于綜合質(zhì)量排序識(shí)別結(jié)果接近，特別是保護(hù)比例在20%～70%之間時(shí)，這主要是因?yàn)長(zhǎng)ocal Moran’s I算法的聚類結(jié)果中71.86%的圖斑都?xì)w類為非顯著性區(qū)域（NS），而這一類別中的耕地圖斑是直接基于綜合質(zhì)量分進(jìn)行排序的。

4.4 不同排序方案的鄰域敏感性對(duì)比

為驗(yàn)證基于不同空間聚類指數(shù)排序識(shí)別基本農(nóng)田保護(hù)圖斑的鄰域敏感性，本文對(duì)比分析了Local Moran’s I和Getis-Ord Gi*兩種聚類算法在空間鄰接關(guān)系鄰域和1 000～2 000 m（步長(zhǎng)200 m，其中1 000 m是保證每個(gè)耕地圖斑均有至少一個(gè)鄰域圖斑的最小距離）不同空間距離鄰域下的永久基本農(nóng)田保護(hù)圖斑的空間集聚程度和平均綜合質(zhì)量，結(jié)果如圖6所示。可以看出，Getis-Ord Gi*方法在識(shí)別基本農(nóng)田保護(hù)圖斑時(shí)對(duì)鄰域定義方式更為敏感。當(dāng)使用空間距離定義鄰域時(shí)，Getis-Ord Gi*識(shí)別的基本農(nóng)田圖斑在空間集聚性方面比基于鄰接關(guān)系定義鄰域方式識(shí)別結(jié)果更有優(yōu)勢(shì)，但基本農(nóng)田圖斑的平均質(zhì)量也明顯更低。而當(dāng)Local Moran’s I方法使用空間距離定義鄰域時(shí)，識(shí)別的基本農(nóng)田圖斑在保護(hù)面積比例低于60%時(shí)與基于鄰接關(guān)系定義鄰域和按耕地綜合質(zhì)量分排序識(shí)別的基本農(nóng)田圖斑在空間集聚性上基本無(wú)差異，但耕地平均質(zhì)量則有不同程度降低；而當(dāng)保護(hù)比例大于60%，Local Moran’s I方法識(shí)別的基本農(nóng)田圖斑在空間集聚性上顯示出一定優(yōu)勢(shì)，且耕地質(zhì)量與基于鄰接關(guān)系鄰域和按耕地綜合質(zhì)量排序識(shí)別的基本農(nóng)田圖斑接近。此外，在使用空間距離定義鄰域時(shí)，無(wú)論是Local Moran’s I還是Getis-Ord Gi*方法，當(dāng)增加鄰域定義的距離時(shí)，不同保護(hù)比例下識(shí)別的基本農(nóng)田圖斑的空間集聚性和平均綜合質(zhì)量都無(wú)明顯差異，說(shuō)明這兩種算法在識(shí)別基本農(nóng)田圖斑時(shí)對(duì)鄰域定義距離敏感性較低。

圖6 不同鄰域定義方式下Getis-Ord Gi＊和Local Moran’s I算法識(shí)別的基本農(nóng)田圖斑的斑塊數(shù)及平均質(zhì)量Fig.6 Spot numbers and average quality of the basic farmland identified by the different contiguity-based neighborhood analysis of the Getis-Ord Gi＊ and the Local Moran’s I models

5 結(jié)論與討論

劃定永久基本農(nóng)田保護(hù)區(qū)從本質(zhì)上要求在識(shí)別基本農(nóng)田保護(hù)圖斑時(shí)需同時(shí)考慮耕地圖斑質(zhì)量高低及其空間聚散關(guān)系。傳統(tǒng)基于質(zhì)量排序的識(shí)別方法雖然可以保證識(shí)別的基本農(nóng)田圖斑具有較高質(zhì)量，但可能會(huì)因?yàn)槿鄙賹?duì)空間關(guān)系的整體考慮而損失空間集聚連片性。造成這一現(xiàn)象的原因部分是因?yàn)槟壳斑€未有一套易于操作且實(shí)用的技術(shù)方法能提供一種有效的地塊級(jí)排序指數(shù)來(lái)同時(shí)指示耕地圖斑質(zhì)量高低及其空間集聚程度，進(jìn)而指導(dǎo)識(shí)別優(yōu)質(zhì)集聚的基本農(nóng)田保護(hù)圖斑。本文提出基于空間聚類算法構(gòu)建此種表征指數(shù)，并設(shè)計(jì)不同排序方案進(jìn)行對(duì)比分析以選擇最優(yōu)方案，為識(shí)別優(yōu)質(zhì)集聚永久基本農(nóng)田保護(hù)圖斑提供了一種簡(jiǎn)單易行且有效的解決方案，取得的研究結(jié)論主要如下：（1）研究區(qū)高質(zhì)量耕地圖斑表現(xiàn)出較為明顯的河谷帶狀分布特征；（2）當(dāng)保護(hù)比例較低（＜50%）時(shí)，基于空間聚類指數(shù)排序方案識(shí)別的永久基本農(nóng)田保護(hù)圖斑相比直接基于綜合質(zhì)量排序方案識(shí)別結(jié)果均具有不同程度的空間集聚性優(yōu)勢(shì)，其中以AMEOBA算法識(shí)別結(jié)果的空間集聚優(yōu)勢(shì)最為明顯，且質(zhì)量相較于基于綜合質(zhì)量排序識(shí)別結(jié)果僅有小幅度降低；（3）基于鄰接關(guān)系的鄰域定義方式能在研究區(qū)取得比基于空間距離的鄰域定義方式更優(yōu)的識(shí)別結(jié)果。

雖然本文結(jié)果表明AMEOBA算法在識(shí)別高質(zhì)量集中連片永久基本農(nóng)田保護(hù)圖斑時(shí)相較于Getis-Ord Gi*和Local Moran’s I更為適用，但這并不表明該算法在其他具有不同地形地貌特征的地區(qū)同樣能取得最優(yōu)結(jié)果。已有研究也表明基于Getis-Ord Gi*輸出結(jié)果中的z得分進(jìn)行排序，在投資總額較低時(shí)較AMEOBA和Local Moran’s I能更好地識(shí)別空間集聚且具有較高投資效益的生態(tài)修復(fù)區(qū)[33]。因此，本文結(jié)果雖然表明基于空間聚類算法計(jì)算表征耕地質(zhì)量及其空間集聚性的相關(guān)指數(shù)，并設(shè)計(jì)相應(yīng)的排序方案以此來(lái)識(shí)別高質(zhì)量集聚永久基本農(nóng)田保護(hù)圖斑是有效的，但具體哪種聚類指數(shù)更為適用則可能需要結(jié)合研究區(qū)耕地圖斑質(zhì)量的集聚特征進(jìn)行具體的對(duì)比分析才能確定。

此外，當(dāng)保護(hù)比例較高時(shí)（＞50%），基于空間聚類指數(shù)排序的永久基本農(nóng)田保護(hù)圖斑識(shí)別結(jié)果在空間集聚性上相較于基于綜合質(zhì)量直接排序的識(shí)別結(jié)果并未表現(xiàn)出明顯優(yōu)勢(shì)，且耕地圖斑的平均綜合質(zhì)量更低，其中Getis-Ord Gi*識(shí)別結(jié)果的空間集聚性還具有明顯劣勢(shì)。但這并不表明基于聚類指數(shù)排序的識(shí)別方案在永久基本農(nóng)田保護(hù)圖斑比例較高時(shí)不適用。因?yàn)殡m然比例較高時(shí)基于空間聚類指數(shù)的識(shí)別結(jié)果在空間集聚性和耕地綜合質(zhì)量上都未取得優(yōu)勢(shì)，但其識(shí)別結(jié)果可確?；巨r(nóng)田保護(hù)區(qū)中高質(zhì)量的耕地圖斑在空間上是集中連片分布的，對(duì)高標(biāo)準(zhǔn)農(nóng)田建設(shè)區(qū)精準(zhǔn)選址以及精細(xì)化調(diào)整補(bǔ)劃現(xiàn)有永久基本農(nóng)田等工作均具有重要指導(dǎo)作用。而具體到永久基本農(nóng)田保護(hù)比例低于多少時(shí)基于聚類算法的識(shí)別結(jié)果才能取得明顯的空間集聚優(yōu)勢(shì)則取決于研究區(qū)耕地圖斑及其質(zhì)量的空間集聚特征，一個(gè)初步的猜想是當(dāng)耕地質(zhì)量的空間自相關(guān)性（可用Global Moran’s I指數(shù)表征）越強(qiáng)，則該比例越高，基于空間聚類指數(shù)排序的識(shí)別方法的適用性越強(qiáng)。

同時(shí)，本文提出的基于聚類指數(shù)排序識(shí)別基本農(nóng)田保護(hù)圖斑的技術(shù)方案具有操作簡(jiǎn)單易用的特征。本文中使用的三種聚類算法在ArcGIS中均有相應(yīng)的工具供直接使用，在完成耕地綜合質(zhì)量分計(jì)算的前提下工作人員只需了解ArcGIS和Excel的基本操作即可完成相關(guān)工作。

首先，本文僅分析了永久基本農(nóng)田保護(hù)圖斑識(shí)別中質(zhì)量與空間集聚問(wèn)題，而對(duì)永久基本農(nóng)田保護(hù)區(qū)劃定中的保護(hù)規(guī)模和“三類”空間沖突協(xié)調(diào)等問(wèn)題未有研究；其次，本文僅對(duì)比了不同聚類指數(shù)及其相應(yīng)排序方案在識(shí)別優(yōu)質(zhì)集聚永久基本農(nóng)田保護(hù)圖斑時(shí)的有效性及其優(yōu)劣，而并未開展不同地貌類型研究區(qū)之間的橫向?qū)Ρ确治觯笃诳砷_展相關(guān)研究以進(jìn)一步驗(yàn)證本文所提出解決方案的適用性。