东北典型黑土区耕地轮作休耕的空间重构

图1 研究区位置示意图

注：本图基于自然资源部标准地图服务系统下载的标准地图制作,底图无修改。

Fig. 1 Location of the study area

1.2 数据来源

气象数据来源于中国气象数据网（http://data.cma.cn）的中国地面气候标准值月值数据集（1981—2010年）和中国科学院资源环境科学数据中心（http://www.resdc.cn）的中国气象背景数据集。中国地面气候标准值月值数据集（1981—2010年）为中国2160个基本、基准地面气象观测站长年监测数据,具有站点密集、资料详尽、质检严格等优势,已被运用于当前大量学术研究,权威性高。联合国政府间气候变化专门委员会（IPCC）统计数据表明,2018年全球平均温度比1981—2010年平均值偏高0.38 ℃,短时期内局域气候变化幅度较小,对作物生长环境影响不大。考虑到本文尺度对气象站点密度的要求,以及数据质量、短时期气候变化影响、近期数据获取难度等客观事实,以1981—2010年累年的月平均气象数据值近似反映2018年气候状况。地形数据来源于地理空间数据云（http://www.gscloud.cn）30 m分辨率数字高程（DEM）数据和中国科学院资源环境科学数据中心中国1∶100万地貌类型空间分布数据。土壤数据来源于黑龙江省第二次土壤普查1∶100万土壤类型空间矢量数据和《黑龙江省耕地质量主要性状数据集》资料。Landsat 8（OLI）卫星遥感影像数据来源于美国地质勘探局（USGS）官网,选取2018年8月18日、6月24日和5月30日三期作物生长期内卫星遥感影像（30 m×30 m）通过人工目视解译获取主要作物现状分布的矢量数据。土地利用数据来源于齐齐哈尔市第二次全国土地调查年度变更数据库。社会经济数据来源于《黑龙江省统计年鉴》和《齐齐哈尔经济统计年鉴》（2015—2019年）。

1.3 研究方法

本文主要运用作物种植空间适宜性评价模型、多目标优化（MOP）模型和基于智能体的土地布局优化配置（AgentLA）模型,解决耕地利用布局优化配置与轮作休耕空间重构问题。三个模型分别用于优化耕地利用空间结构、数量结构和总体布局,逻辑上为先后关系,功能上相互补充完善。其中,适宜性评价模型通过有效匹配作物生长条件与种植需求量化作物种植空间适宜性,用于优化作物的耕地利用空间结构,为耕地利用布局优化提供空间决策依据;MOP模型将定性与定量分析相结合,有利于解决多目标优化决策问题,用于优化作物的耕地利用数量结构,为耕地利用布局优化提供数量依据;AgentLA模型以耕地利用空间和数量结构优化结果为基础,有效兼顾数量结构、空间结构和空间效率进行用地布局优化配置,用于构建作物的耕地利用总体优化布局。在此基础上结合耕地利用实际情况和政策导向,借助ArcGIS的空间分析功能实现耕地轮作及休耕空间重构（图2）。

图2

图2 研究技术路线

Fig. 2 Technical path of this dissertation

1.3.1 作物种植空间适宜性评价模型

作物种植空间适宜性是指一定区域空间内各类土地空间要素与作物种植需求的匹配程度。本文参考联合国粮食及农业组织（FAO）土地评价和农业土地适宜性评估指标体系^[13,14],结合研究区耕地利用实际情况,从气候、地形、土壤和管理四个方面选取16个代表性指标构建作物种植的空间适宜性评价指标体系,明确主要作物种植的适宜性标准,并运用层次分析法分别进行指标赋权（表1）。

表1 作物种植空间适宜性评价指标体系、量化标准与权重

Table 1 Crop planting suitability evaluation index system, suitability standards and weights

要素层	指标层	标准与权重 (a~b, c, d, w)
要素层	指标层	大豆	玉米	水稻
气候	生育期日平均气温/℃	20~23, 15, 25, 0.0941	20~23, 16, 28, 0.0797	22~24, 16, 28, 0.0678
	生育期降水量/mm	450~500, 270, 680, 0.1078	450~500, 220, 630, 0.1448	—, —, —, 0.1231
	≥10 ℃积温/℃	>2500, 2000, —, 0.2467	>2800, 2300, —, 0.2630	>2600, 2300, —, 0.2237
地形	坡度/%	0~8, —, 30, 0.0419	0~8, —, 30, 0.0295	0~2, —, 8, 0.1827
地形	地貌类型	—, —, —, 0.0839	—, —, —, 0.0886	—, —, —, 0.0609
土壤	土壤质地	—, —, —, 0.0613	—, —, —, 0.0727	—, —, —, 0.0121
	土层厚度/cm	>50, —, —, 0.0568	> 50, —, —, 0.0340	>100, —, —, 0.0383
	有机质/(g/kg)	—, —, —, 0.0305	—, —, —, 0.0340	—, —, —, 0.0121
	速效钾/(mg/kg)	—, —, —, 0.0146	—, —, —, 0.0139	—, —, —, 0.0050
	有效磷/(mg/kg)	—, —, —, 0.0146	—, —, —, 0.0139	—, —, —, 0.0050
	pH	6.0~6.5, 5.2, 7.5, 0.1101	5.0~7.0, 5.2, 8.0, 0.1076	5.5~6.0, 5.2, 8.2, 0.0258
管理	灌溉潜力	—, —, —, 0.0386	—, —, —, 0.0259	—, —, —, 0.0841
	排涝能力	—, —, —, 0.0551	—, —, —, 0.0445	—, —, —, 0.0841
	耕作便利度	—, —, —, 0.0092	—, —, —, 0.0075	—, —, —, 0.0146
	田块形状系数	—, —, —, 0.0183	—, —, —, 0.0201	—, —, —, 0.0319
	防护林密度	—, —, —, 0.0165	—, —, —, 0.0201	—, —, —, 0.0290

注：各指标适宜性标准参考值分别按照a~b, c, d, w的顺序列出,其中a~b为指标最适范围;c、d分别为指标最低和最高阈值;w为指标权重;“—”表示相应指标无标准限制值。

本文将评价指标分为概念型（定性指标）和数值型（定量指标）。概念型指标的适宜性标准和量化方法参考东北主要作物优势区耕地质量专题评价资料^[15⇓-17]。数值型指标的适宜性标准和量化方法借鉴FAO《土地评价纲要》评价标准和黑龙江省作物气候适宜性资料^[18]。其中,生育期日平均气温运用作物生长模型Beta函数^[19]量化。生育期降水量、 ≥10 ℃积温、坡度、土层厚度、pH值运用《DZ/T 0295-2016土地质量地球化学评价规范》的隶属度函数法计算指标分数。土壤有机质、速效钾、有效磷、灌溉潜力、排涝能力、耕作便利度、田块形状系数和防护林密度运用ArcGIS按照数值大小进行空间分级统计,再对不同等级指标量化打分。指标分值统一换算为0~100分。

指数和法是评价类研究综合分值计算的常用方法,根据确定的指标分值和权重对各个评价单元进行加权求和得到综合分值。当评价指标中存在比较明显的限制性指标时,指数和法会导致评价结果出现一定偏差。借鉴木桶原理,当某一限制性指标分值为“0”时,将成为“短板”因素,其他指标分值将对综合分值不起作用。因此对指数和法进行限制性因子修正：当评价单元的某限制因子分值为0时,评价单元分值不以指数和法计算,直接赋值为0,既考虑了指标的整体效应,又考虑了限制性因子对适宜性结果的影响。计算公式如下：

（1）

F = \{\begin{array}{l} \sum_{i = 1}^{n} f_{i} \times w_{i} (当 限 制 性 因 子 中 不 存 在 分 值 为 0 的 情 况) \\ 0 (当 限 制 性 因 子 中 存 在 分 值 为 0 的 情 况) \end{array}

式中：F为某一评价单元综合分值;n为评价指标数（个）;f_i为第i个指标分值;w_i为第 i个指标权重。

1.3.2 多目标优化（MOP）模型

综合考虑耕地的经济、社会、生态和环境价值,从经济效益、粮食生产和生态环境三个方面构建种植结构多目标优化模型,对研究区主要作物水稻、玉米和大豆的种植面积进行优化,并引入C-D生产函数量化耕地生产中各项投入与产出的关系。多目标优化模型的构建和运行借助统计数据来完成,用近5年的平均值来代表指标的一般水平。

（1）优化目标

① 经济效益目标。以研究区三种主要作物的经济效益之和代表耕地经济效益,用三种作物的净收益之和表示,计算公式如下：

（2）

m a x f_{1} (x) = \sum_{i = 1}^{n} (Q_{i} p_{i} - x_{i} k_{i})

（3）

Q_{i} (x, M, H, L) = A_{i} x_{i}^{α} M_{i}^{β} H_{i}^{γ} L_{i}^{δ}

式中：f₁(x) 为三种作物的总净收益（元）;x_i为第i种作物的播种面积（hm²）;i为作物种类,i=1、2、3,其中1为水稻,2为玉米,3为大豆;Q_i为第i种作物的总产量（t）;p_i为第i种作物的出售价格（元/t）;k_i为第i种作物单位面积投入的资金成本（元/ hm²）;A_i为常数,代表综合技术水平;M_i为第i种作物的农用机械投入量（kW）;H_i为第i种作物的化肥投入量（t）;L_i为第i种作物的农业劳动投入量（人）;α、β、γ和δ分别为作物播种面积、农用机械投入量、化肥投入量和农业劳动投入量的产出弹性系数。

② 粮食生产目标。考虑到我国目前玉米库存过剩,大豆供不应求,为保障粮食总量和供给结构合理化,确定两个粮食生产目标：粮食总产量最大化和大豆总产量最大化,计算公式如下：

（4）

m a x f_{2} (x) = \sum_{i = 1}^{n} Q_{i}

（5）

m a x f_{3} (x) = Q_{3}

式中：f₂(x) 为粮食总产量（t）;f₃(x) 为大豆总产量（t）。

③ 生态环境目标。包括环境效益目标和生态效益目标。环境效益目标追求化肥及农药施用量最小化,生态效益目标追求耕地生态服务价值最大化,计算公式如下：

（6）

m i n f_{4} (x) = \sum_{i = 1}^{n} c_{i} x_{i} + \sum_{i = 1}^{n} b_{i} x_{i}

（7）

m a x f_{5} (x) = \sum_{i = 1}^{n} E_{i} x_{i}

式中：f₄(x) 为作物总的化肥、农药使用量（t）;c_i为第i种作物单位面积化肥投入量（t/hm²）;b_i为第i种作物单位面积农药投入量（t/hm²）;f₅(x) 为作物总生态服务价值（万元）;E_i为第i种作物单位面积生态服务价值（万元/hm²）。

（2）约束条件

约束条件包括作物种植空间适宜性、种植总面积和区域粮食需求约束。限定各类作物最优面积不大于作物适宜种植面积（S级）。假设耕地总量不发生变化,水稻、玉米和大豆面积之和与现状相等。粮食自给率≥1,人均粮食需求指标以《2016年中国居民膳食指南》为准。相关计算公式如下：

（8）

0 \leq x_{i} \leq S_{i}

（9）

\sum_{i = 1}^{n} x_{i} = S_{T}

（10）

\{\begin{array}{l} \sum_{i = 1}^{n} Q_{i} = a P \\ Q_{1} \geq b P \\ Q_{2} \geq c P \\ Q_{3} \geq d P \end{array}

式中：S_i为适宜性评价结果中第i种作物适宜性等级为S的面积（hm²）;S_T为现状年水稻、玉米和大豆播种面积之和（hm²）;P为研究区总人口数（人）;a为中国年人均粮食需求量（t/人）;b、c、d分别为中国年人均水稻、玉米、大豆需求量（t/人）。

（3）模型求解

本文运用LINGO软件编程实现基于理想点法的多目标优化模型求解过程。首先对各单一目标函数分别求最优解,并构建各个目标的效率损失函数,求使效率损失尽可能小的解,将各目标函数统一转换成求最小值问题。运用层次分析法结合专家和决策主体意见对各目标赋权,通过加权求和将多目标问题统一为单目标问题。计算公式如下：

（11）

\{\begin{array}{l} m i n f_{4} (x) \\ m a x f (x) = [f_{1} (x), f_{2} (x), f_{3} (x), f_{5} (x)] \\ s . t . \{\begin{array}{l} h_{j} (x) = 0, j = 1, 2, \dots, l \\ g_{j} (x) \leq G, j = 1, 2, \dots, m \end{array} \end{array}

（12）

Z_{k} = \{\begin{array}{l} [m a x f_{k} (x) - f_{k} (x)] / m a x f_{k} (x) (k = 1, 2, 3, 5) \\ [f_{k} (x) - m i n_{f} k (x)] / m i n f_{k} (x) (k = 4) \end{array}

（13）

\{\begin{array}{l} m i n f (x) = W_{1} Z_{1} + W_{2} Z_{2} + W_{3} Z_{3} + W_{4} Z_{4} + W_{5} Z_{5} \\ s . t . \{\begin{array}{l} h_{j} (x) = 0, j = 1, 2, \dots, l \\ g_{j} (x) \leq G, j = 1, 2, \dots, m \end{array} \end{array}

式中：x为决策向量;f(x)=[f₁(x), f₂(x), …, f_k(x)] 为k维（k=5）目标函数;h_j(x) 和g_j(x) 为约束函数;Z₁~Z₅为效率损失值;W为各目标效率损失的权重值,其中,W₁、W₂、W₃、W₄、W₅分别为经济效益目标、粮食总产量目标、大豆总产量目标、环境效益目标、生态效益目标效率损失权重;l、m分别为约束条件的行数。

1.3.3 基于智能体的土地布局优化配置（AgentLA）模型

基于智能体的土地布局优化配置（AgentLA）模型可以很好地兼顾土地空间适宜性和空间紧凑性,并进行用地规模约束,适用于作物用地布局的优化配置。本文首先运用AgentLA模型对主要作物的耕地利用布局进行优化配置,再借助ArcGIS的空间分析功能划分耕地轮作及休耕布局。在AgentLA模型中,首先确定研究单元尺度,并按照研究区空间尺度大小生成具有随机位置的空间智能体群,智能体通过特定的适应度函数f来选择可能的搬迁地点,并通过该位置与当前位置比较来确定是否移动,进而选择最优的空间位置。智能体通过搜集局部信息和全局信息寻找适应度值更高的位置,以实现土地空间配置的局部和全局优化。当所有智能体完成决策之后通过另一个函数F评价布局的优化程度及可行性,通过反复迭代直到函数F的数值变化趋于稳定且小于预设阈值,模型停止迭代并输出最终的空间优化配置结果^[20]。其中,适应度函数f包括适宜性和空间效率两方面,适宜性通过作物种植的空间适宜性结果判断,空间形态通过智能体的空间集聚度判断。空间适宜性和空间效率分别占有一定权重,权重取值直接影响适应度函数值和最终的优化布局^[21]。函数F相当于优化结果的评价函数,位于0~1之间,F值越高则优化效果越好,计算公式如下：

（14）

f = w_{v} v + w_{c} c

（15）

c = \frac{\sum_{i \in Ω} x_{i} e x p (- d_{i} / γ)}{\sum_{i \in Ω} e x p (- d_{i} / γ)}

式中：f为适应度函数;w_v为适宜性权重;v为作物种植空间适宜性值;w_c为空间效率权重（w_v+w_c=1）;c为空间效率值,用耕地集中连片程度表示;x_i为一个二分变量,当一个位置被智能体占据时取值为1,反之则为0;Ω为智能体的摩尔邻域（Moore Neighborhood）;d_i为邻域内的智能体i到中心智能体的欧氏距离;γ为一个取值范围为 [1,10] 的补偿系数。计算公式如下：

（16）

F = S V - S L

（17）

S V = \sum_{i = 1}^{n} v_{i} / V_{m a x S u m}

（18）

S L = \frac{L_{S u m} - L_{m i n S u m}}{L_{m a x S u m} - L_{m i n S u m}}

式中：SV为适宜性目标实现程度的衡量;n为智能体个数（个）;v_i为第i个智能体的适宜性值;V_max_Sum为最适宜位置的适宜性总和;SL为形态特征,衡量优化结果的破碎程度;L_Sum为实际优化布局的整体周长;L_min_Sum为假设布局最紧凑时的整体周长;L_max_Sum为假设全部智能体孤立存在、互不相邻时布局的整体周长。SV增加或SL减小可提高布局的优化程度。

2 结果分析

2.1 作物种植的空间适宜性分析

研究区不同作物种植的空间适宜性存在较大差异。结合水稻、玉米和大豆三种主要作物种植空间适宜性范围和ArcGIS自然断点分级结果进行适宜性统一分级,分为最适宜（S1）、较适宜（S2）、中等适宜（S3）边缘适宜（S4）和不适宜（N）五个等级（表2、图3）。

表2 研究区主要作物种植空间适宜性分级统计

Table 2 Classification statistics of main crop planting suitability in the study area

作物类型	适宜性等级	N	S4	S3	S2	S1
作物类型	适宜性分值	0	(0, 75]	(75, 80]	(80, 85]	(85, 100]
水稻	面积/km²	6798.41	694.89	475.09	286.37	52.66
水稻	比例/%	81.84	8.36	5.72	3.45	0.63
玉米	面积/km²	0.02	1572.16	3317.53	3318.62	99.10
玉米	比例/%	0	18.93	39.93	39.95	1.19
大豆	面积/km²	1051.28	62.13	1375.34	4671.95	1146.73
大豆	比例/%	12.65	0.75	16.56	56.24	13.80

图3

图3 研究区主要作物空间适宜性分布

Fig. 3 The planting suitability of main crops in the study area

水稻种植空间适宜性水平在三种作物中最低,玉米和大豆种植的空间适宜性水平相对较高。适宜种植水稻的耕地面积比例仅为18.16%,适宜性高值区（S1~S2）集中在依安县中部偏北和克山县南部,坡度和地貌类型是研究区水稻种植的主要限制因素。玉米种植较适宜区（S2）和中等适宜区（S3）面积占耕地总面积比例高达79.88%,适宜性高值区（S1~S2）集中在依安县北部和克山县西南部,零星分布在依安县南部和拜泉县,中等适宜区（S3）主要分布在较适宜区（S2）周围,影响研究区玉米种植的主要因素是气候和土壤条件。研究区约12.65%的耕地不适宜种植大豆,但大豆种植适宜性高值区（S1~S2）面积比例高达70.04%,不适宜区（N）集中分布在依安县中部、西南部及拜泉县西南部,其他区域的适宜性均较高,研究区大豆种植主要受土壤pH这一限制因素影响。对比作物现状分布与适宜性分布图,水稻基本分布于其适宜种植空间范围内,验证了评价结果的科学准确性。但大豆和玉米分布与其适宜性高值区分布存在一定空间错位,说明作物的耕地利用布局有待进一步优化调整。

2.2 种植结构优化结果

本文运用层次分析法对各优化目标进行赋权,并依据优化目标整体效率损失情况判断优化结果是否在可接受范围内,进而筛选较优的种植结构方案。基于现阶段社会需求,扩大大豆种植面积是需要考虑的首要问题,认为大豆总产量目标的重要程度最高。耕地生产过度依赖农药化肥将破坏生态环境,环境效益目标的重要性也很高,仅次于大豆总产量。耕地经济效益直接影响农民收入,这也是保障农业经济发展和农村建设的关键,因此经济效益目标也较为重要。目前我国粮食总产量已实现多年连增,耕地问题逐渐由总量不足转变为结构性矛盾,提升粮食总产量已不是当前阶段我国农业发展的首要目标,在保障粮食总量安全的同时,应进一步追求粮食供求结构平衡,提升短缺粮食作物的供给水平,因此与以上三个目标相比,粮食总产量的重要程度较小。此外,耕地生产提供一定生态服务价值,但其主要功能仍是提供粮食和经济价值,认为生态效益目标重要程度很小。

基于各优化目标的重要性分析,运用层次分析法构造判断矩阵,最终得到经济效益、粮食总产量、大豆总产量、环境效益和生态效益目标权重分别为0.2、0.15、0.4、0.22和0.03,一致性比为0.0578,通过一致性检验。经优化,研究区水稻、玉米和大豆种植面积分别为254.53 km²、3244.83 km²和4501.34 km²,与研究区现状作物种植面积相比,水稻种植面积减少181.49 km²,玉米种植面积减少552.15 km²,大豆种植面积增加733.64 km²。该方案的目标总体效率损失值为0.13。

为进一步验证耕地数量结构优化结果的科学性,将现状与优化后各目标的效益损失进行比较,发现优化后耕地利用整体效益损失明显减少,其中经济、大豆总产量、环境和生态效益损失均有所减少,仅粮食总产量效益损失略有增加（表3）。目前我国已实现粮食产量的多年连增,粮食安全问题已由总量不足转变为结构性矛盾,因此认为牺牲部分粮食总量以满足其他目标的需求是合理的。结合研究区耕地利用实际情况,认为优化结果达到理想目标,对各类作物数量的优化结果均比较满意,效率损失在可接受范围内,优化结果实现了经济、社会和生态整体效益的提升。

表3 研究区耕地现状数量结构与优化结果的效益损失比较

Table 3 Comparison of the benefit loss between current cultivated land use structure and the optimization results in the study area

	经济效益损失	粮食总产量效益损失	大豆总产量效益损失	环境效益损失	生态效益损失	整体效益损失
现状	0.31	0.19	0.45	0.12	0.14	0.24
优化	0.26	0.25	0.06	0.06	0.09	0.15

2.3 耕地轮作布局优化配置结果

通过对作物种植特性与耕地利用实际情况分析,结合《全省2018年耕地轮作休耕试点实施方案》,将玉米—大豆轮作定为研究区耕地轮作的主要类型。基于玉米、大豆种植空间适宜性评价结果和种植面积优化结果,运用AgentLA模型分别对玉米和大豆的耕地利用布局进行优化配置,将玉米和大豆的耕地栅格优化数量分别设为324542个和450215个。经过多次试验发现,w_v值在0.7时玉米和大豆耕地利用分布的适应度F值最大,分别为0.9246和0.8717,优化结果达到最佳。玉米和大豆的耕地利用布局分别经历了156次和113次迭代,适应度函数值趋于平稳,停止迭代并输出优化结果,得到玉米和大豆的耕地利用优化布局。为兼顾不轮作作物的种植适宜性,运用ArcGIS空间叠加取交集的方法得到玉米—大豆轮作布局,该布局耕地总栅格数为278414个,占耕地总面积的33.51%。其中依安县玉米—大豆轮作布局面积最大,占耕地总面积的16.73%;克山县和拜泉县玉米—大豆轮作布局面积相似,分别占耕地总面积的7.88%和8.89%（表4）。玉米—大豆轮作布局集中分布于克山县西部和依安县北部,零星分布于克山县南部、依安县东南部和拜泉县（图4）。

表4 研究区耕地轮作布局面积统计及与现状对比

Table 4 Statistics on the area of cultivated land rotation layout in the study area and its comparison with the status quo

县名	2018年轮作实施现状		2019年轮作实施现状		耕地轮作布局优化结果
县名	面积/km²	占耕地总面积比例/%	面积/km²	占耕地总面积比例/%	栅格个数（100 m×100 m）	面积/km²	占耕地总面积比例/%
克山	435.60	5.24	488.27	5.88	65483	654.83	7.88
依安	181.42	2.18	288.16	3.47	139023	1390.23	16.73
拜泉	442.94	5.33	509.60	6.13	73908	739.08	8.89
合计	1059.96	12.76	1286.04	15.48	278414	2784.14	33.51

图4

图4 研究区耕地轮作布局

Fig. 4 Layout of cultivated land rotation in the study area

与2018年、2019年研究区耕地轮作试点实施现状相比,优化后轮作面积及比例明显增加,各县轮作面积及比例发生明显变化。耕地轮作试点实施现状中,依安县耕地轮作面积及比例明显低于克山县和拜泉县。经优化发现依安县耕地轮作优势最为突出,更适于玉米—大豆的轮作,应适当增加依安县的玉米—大豆轮作面积,充分利用其耕地资源优势。综合考虑研究区土壤和气候等自然条件,应采取一年玉米一年大豆,或两年玉米一年大豆的轮作模式,具体可根据市场价格和实际需求,因地制宜、因时制宜地选择轮作模式,在保障经济效益的同时实现黑土区耕地修养生息和可持续利用。

2.4 耕地休耕布局优化配置结果

2.4.1 耕地休耕规模确定

已有研究多基于耕地压力指数测算保障一定区域内粮食安全的休耕最大规模^[22]。运用该方法测算结果表明,研究区各县耕地的最大可休耕比例均超过70%,整体可休耕比例高达78.60%。大规模休耕在影响粮食供给的同时将使农民家庭经营收入大幅度减少,高额的耕地保护补贴将加重政府财政负担,且容易加大耕地弃耕风险。研究区地处我国东北粮食主产区,是重要的商品粮基地,在满足区域内人口粮食需求同时还需供应其他地区人口,因此该方法并不适用于研究区实际情况。

1992年,欧盟农业政策改革提出鼓励农民实行休耕,并通过此方式调控粮食供给总量、实现市场平衡。2000年,欧盟将休耕面积比例固定为10%,2004—2005年降为5%,受2006年国际粮食市场影响,又将2007—2008年土地休耕率降为零。美国自然保护计划（CRP）对耕地休耕总量进行控制,要求每个县最多有不超过25%的耕地可纳入耕地休耕计划。欧美经验表明,耕地休耕规模需根据耕地实际情况、粮食市场和粮食生产能力等内外环境变化进行灵活调整。借鉴欧美耕地休耕经验做法,本文依据粮食供求情况设定三种情景确定休耕比例：情景一,粮食需求大于供给,休耕比例为5%;情景二,粮食供需平衡,休耕比例为10%;情景三,粮食供给大于需求,休耕比例为20%。此外,当区域粮食需求大于供给处于相对紧张状态时,可进一步降低休耕比例或暂停耕地休耕,以调节粮食供求平衡。

2.4.2 耕地休耕布局结果

本文所确定的耕地休耕布局不区分作物,通过对主要作物种植适宜性空间叠加计算求均值的方法得到研究区耕地适宜性分布,以此作为耕地休耕布局优化配置的空间依据。以不同情景下确定的耕地休耕规模为数量依据。运用AgentLA模型优先选择耕地适宜性低的区域确定不同情景下的耕地休耕布局。经换算,情景一、情景二和情景三下休耕栅格数分别为41546个、83092个和166184个。AgentLA模型多次试验发现,三种情景下,w_v值均在0.8时的适应度F值最大,分别为0.9279、0.9251和0.9254,休耕布局优化结果达到最佳。三种情景分别经历了138次、146次和128次迭代,适应度函数值趋于平稳,停止迭代并输出耕地休耕布局优化结果（表5、图5）。

表5 不同情景下研究区耕地休耕布局面积统计

Table 5 Statistics on the area of cultivated land fallow layout in different scenarios in the study area

县名	情景1		情景2		情景3
县名	栅格个数（100 m×100 m）	占耕地总面积比例/%	栅格个数（100 m×100 m）	占耕地总面积比例/%	栅格个数（100 m×100 m）	占耕地总面积比例/%
克山	980	0.12	1584	0.19	36202	4.36
依安	26445	3.18	58085	6.99	96025	11.56
拜泉	14121	1.70	23423	2.82	33957	4.09
合计	41546	5.00	83092	10.00	166184	20.00

图5

图5 不同情景下的研究区耕地休耕布局

Fig. 5 Layout of cultivated land fallow in different scenarios in the study area

情景1：依安县休耕栅格数量最多,占耕地总面积的3.18%,主要分布于依安县中部的中心镇和南部的依龙镇;拜泉县休耕栅格占耕地总面积的1.70%,主要分布于拜泉县西南部的永勤乡、富强镇和爱农乡。克山县休耕栅格数量较少,占耕地总面积的0.12%,零星分布于克山县南部的双河乡。

情景2下的耕地休耕布局在情景1的基础上向周边进一步扩张,主要分布特征与情景1相似。依安县休耕栅格数量最多,占耕地总面积的6.99%,主要分布于依安县中部的中心镇、西南部的三兴镇和南部的依龙镇,依龙镇面积最大;拜泉县休耕栅格占耕地总面积的2.82%,集中分布于拜泉县西南部的永勤乡、富强镇和爱农乡;克山县耕地休耕栅格数量较少,仅占耕地总面积的0.19%,零星分布于克山县南部的双河乡。

情景3下的耕地休耕布局在情景2的基础上向其他地区扩张,克山县休耕比例明显增加。依安县休耕栅格占耕地总面积的11.56%,集中分布于依安县中部的中心镇、南部的依龙镇和西南部的三兴镇,零星分布于依安县先锋乡、新屯乡、新兴乡、解放乡和富饶乡等;克山县休耕栅格占耕地总面积的4.36%,集中分布于克山县中部偏北的北联镇,零星分布于克山县北部的北兴镇、曙光乡、西建乡,以及克山县东北部的向华乡、东部的河北乡和南部的双河乡等;拜泉县休耕栅格占耕地总面积的4.09%,集中分布于拜泉县西南部的永勤乡、富强镇和爱农乡。

3 结论与讨论

3.1 结论

突破现有“任务+指标”式轮作休耕布局的路径依赖,科学重构黑土区轮作和休耕空间对保障耕地休养生息、促进黑土区耕地资源可持续利用和缓解粮食供求结构矛盾具有重要作用。本文以东北黑土区典型区域——克山县、依安县和拜泉县三个产粮大县为研究区,通过构建作物种植空间适宜性评价模型和多目标优化（MOP）模型对主要作物的耕地利用空间结构和数量结构进行优化,并兼顾土地空间适宜性与空间集聚性,运用基于智能体的土地布局优化配置（AgentLA）模型实现地块尺度下黑土区轮作和休耕空间的优化与重构。主要结论如下：

（1）确定了以玉米—大豆轮作为主的东北典型黑土区耕地轮作布局,集中分布于克山县西部和依安县北部,零星分布于克山县南部、依安县东南部和拜泉县;轮作总面积占耕地总面积的33.51%。从空间适宜性来看,依安县玉米—大豆轮作优势突出,但2018—2019年研究区耕地轮作试点实施工作中对该县耕地的轮作力度不够,应进一步提升依安县玉米—大豆轮作比例,以田养田,培肥黑土区耕地地力。从种植结构来看,大豆种植比例有效提升,有利于缓解粮食供求结构失衡问题。

（2）以常规耕地压力指数测算休耕规模不适用于东北黑土区实际情况,应兼顾区域内与区域外人口的粮食需求。借鉴欧美休耕经验,分三种粮食供求情景,并优先选取耕地适宜性低值区确定耕地休耕布局：① 情景一：粮食需求大于供给,休耕比例5%,主要分布于依安县中心镇和依龙镇,拜泉县永勤乡、富强镇和爱农乡,零星分布于克山县双河乡;② 情景二：粮食供需平衡,休耕比例10%,在情景一的基础上进一步扩展,增加了依安县的三兴镇、富饶乡等的部分区域;③ 情景三：粮食供给大于需求,休耕比例20%,在情景二的基础上进一步扩展,增加了克山县北联镇,依安县先锋乡、新屯乡、新兴乡、解放乡,以及克山县北兴镇、曙光乡、西建乡、向华乡和河北乡等的部分区域。基于不同情景确定休耕规模有利于应对市场变化,灵活转变休耕策略,采取弹性化的黑土区耕地保护措施。

（3）作物种植空间适宜性量化评估结果为确定黑土区轮作休耕布局提供重要的空间重构依据,种植结构多目标优化结果和粮食供求情景设定对轮作和休耕规模进行了合理约束。兼顾不同作物种植的空间适宜性并优先选择适宜性高值区划定轮作布局、选择适宜性低值区划定休耕布局有利于提升耕地利用效率和生态效益。确定不同作物最优种植规模为玉米—大豆轮作空间范围的划定提供科学约束,有助于协调作物种植空间关系、调整粮食供给结构。地块尺度下的耕地轮作和休耕布局兼顾了作物种植空间适宜性与空间集聚性,对提升黑土区耕地利用效率、管理效能和可持续利用能力具有重要作用。

3.2 讨论与政策建议

黑土区耕地轮作休耕布局不应仅以农户自愿申报或政府行政主导的方式确定,更应关注耕地适宜性、种植结构、粮食供需和空间效率等问题,通过合理匹配各类耕地利用空间要素,实现耕地利用数量结构和空间结构同步优化。当前耕地轮作休耕布局相关研究对耕地上不同作物种植的空间适宜性、集聚性考虑不足,对作物种植结构优化关注不够,亟待调整轮作休耕布局方案,重构轮作休耕空间。本文通过合理匹配黑土区主要粮食作物的各类生长要素条件与需求,量化评估作物种植空间适宜性,实现主要作物的耕地利用空间结构优化,并设定多种目标优化粮食作物种植结构,对提升黑土区耕地利用效率、缓解粮食供求结构性矛盾具有重要作用。同时,结合作物生长特性和轮作休耕规律,兼顾作物种植的空间适宜性和集聚性,将用地与养地相结合,重构地块尺度下的轮作和休耕空间,对促进黑土区耕地资源可持续利用具有重要意义。耕地轮作休耕制度的落实是一项复杂的系统工程,不仅涉及耕地利用空间要素的优化匹配和规模约束,还涉及政策制度推进的实施管理过程。为保障黑土区耕地轮作休耕有效实施,实现黑土区耕地资源的用养结合、保护利用,提出以下政策建议：

（1）因地制宜制定轮作休耕实施方案。政府在制定黑土区轮作休耕实施方案时应考虑区域间的差异性,厘清黑土区耕地资源禀赋条件、作物种植适宜性差异、种植结构特点和粮食供求矛盾等情况,以优化种植结构、调节粮食供需为目标确定轮作休耕规模,以充分利用局域耕地资源比较优势和兼顾不同作物种植适宜性为导向明确轮作休耕空间优先序,兼顾资源利用效率与生态效益。在此基础上制定详细的实施计划,包括轮作休耕位置、面积及组织程序等,并由省、市到县、乡逐级分解任务,以地块为单元细化黑土区轮作休耕指标和空间布局,确保黑土地保护战略的有效落实。

（2）健全黑土区耕地轮作休耕相关主体利益协调与补偿机制。轮作休耕实施过程中涉及政府、村集体经济组织、农业生产经营主体等多主体,作物耕地利用布局调整将直接导致相关主体权益及经济利益发生变化^[23],且不同农业生产经营主体的决策机制与生产习惯存在差异。因此应构建一套完善的政策体系对不同主体利益进行协调和补偿,在明晰耕地产权、充分考虑公民意愿和利益的基础上,明确补偿标准和方式。通过对轮作休耕区域内相关主体提供农业生产性服务、农业技术指导、补贴政策支持等方式,有效引导各主体的种植决策,自发进行黑土区耕地资源保护。

（3）构建黑土区耕地轮作休耕的实施效果评价及考核体系。轮作休耕是一项长期动态工程,应积极探索轮作休耕的实施效果评价及考核体系,确保黑土区耕地资源保护的实施成效。可根据轮作休耕实施计划,从增加黑土区耕地肥力、提升作物产量、缓解粮食供求矛盾、调节生态环境等方面进行评价并建立档案,定期评估轮作休耕实施效果,并建立一套考核办法,明确黑土区耕地资源保护责任、目标与量化考核标准,对轮作休耕实施效果突出的地区给予一定奖励支持。

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[1]

赵其国, 滕应, 黄国勤.

中国探索实行耕地轮作休耕制度试点问题的战略思考

生态环境学报, 2017, 26(1): 1-5.

[ZHAO

Q G

, TENG

, HUANG

G Q

Consideration about exploring pilot program of farmland rotation and fallow system in China

Ecology and Environmental Sciences, 2017, 26(1): 1-5.]

[2]

陈展图, 杨庆媛.

中国耕地休耕制度基本框架构建

中国人口·资源与环境, 2017, 27(12): 126-136.

[CHEN

Z T

, YANG

Q Y

Fundamental framework of China's fallow system

China Population, Resources and Environment, 2017, 27(12): 126-136.]