خلاصه

تغییرات در شدت کشت نه تنها منعکس کننده تغییرات در کاربری زمین بلکه تغییر عملکرد زمین است. اگرچه هم شرایط طبیعی و هم عوامل اجتماعی-اقتصادی می‌توانند بر توزیع فضایی شدت کشت و تغییرات آن تأثیر بگذارند، تحولات اجتماعی-اقتصادی مرتبط با فعالیت‌های انسانی می‌تواند تأثیرات زیادی بر تغییرات شدت کشت کوتاه‌مدت داشته باشد. نیروی محرکه این تغییر دارای سطح بالایی از عدم قطعیت است. و تعداد کمی از محققان مطالعات جامعی را در مورد نیروهای محرک و مکانیسم های این تغییرات انجام داده اند. این مطالعه نقشه‌های شدت کشت را در چین از سال 2001 تا 2016 با استفاده از داده‌های سنجش از دور تهیه کرد و تأثیر محرک‌های اقتصادی-اجتماعی بر شدت کشت و تغییرات آن را در 9 منطقه اصلی کشاورزی در چین تجزیه و تحلیل کرد.p <0.05)، بر اساس آزمون من-کندال، به جز دشت شمال شرقی چین (دشت NE) و فلات تبت چینگهای (فلات QT). بر اساس نتایج بدست آمده از Geo-Detector، یک ابزار تجزیه و تحلیل جغرافیایی که به طور گسترده مورد استفاده قرار می گیرد، عوامل غالبی که بر توزیع شدت کشت تأثیر می گذارد، مربوط به تولید زمین زراعی در مناطق دشت و توپوگرافی در مناطق کوهستانی است. عواملی که بر تغییرات شدت کشت تأثیر می‌گذارند، عمدتاً به سطح زمین زراعی و عملکرد محصول در شمال چین و تحولات اقتصادی منطقه‌ای، مانند ورودی نیروی ماشین‌آلات و درآمد کشاورزان در جنوب چین مربوط می‌شوند. این یافته‌ها داده‌های مفیدی درباره شدت کشت و بینش‌های عمیقی برای سیاست‌گذاری در مورد نحوه استفاده کارآمد و پایدار از منابع زمین کشت‌شده ارائه می‌دهد.

کلید واژه ها:

شدت کشت ; سری زمانی ؛ ژئو دتکتور ; تغییرات فضایی و زمانی محرک های اجتماعی-اقتصادی

1. معرفی

افزایش تقاضا برای تولیدات زمین، کشاورزان را تشویق می کند تا استفاده خود از زمین های قابل کشت را تشدید کنند [ 1 ، 2 ، 3 ، 4 ]. کشت چندگانه با کاشت و برداشت چندین بار در سال در مزرعه کشاورزی شکل مهمی از کشت در چین و سایر کشورهای آسیای جنوب شرقی است [ 5 , 6 , 7 , 8]. شدت کشت به تعداد چرخه های زراعی در واحد سطح در سال اشاره دارد، در حالی که چرخه های زراعی به تعداد محصولات برداشت شده در سال، مانند کشت تک، کشت مضاعف و سه کشت اشاره دارد. تغییرات در شدت کشت نه تنها منعکس کننده تغییرات در شیوه های استفاده از زمین کشاورزی است، بلکه منعکس کننده تغییر عملکرد زمین کشاورزی است [ 9 ، 10 ، 11 ]. درک الگوی منظر و تغییر مکانیسم در کشت های متعدد می تواند به ارائه یک مرجع علمی برای برنامه ریزی کاربری های زمین های زراعی کمک کند [ 11 ، 12 ، 13 ، 14 ].
تغییر دینامیکی شدت کشت تحت تأثیر تعدادی از عوامل مانند شرایط طبیعی، سیاست و شرایط اجتماعی است [ 15 ، 16 ، 17 ، 18 ، 19 ، 20 ]. به طور کلی، عوامل اجتماعی، اقتصادی و فناوری می‌توانند بر تغییرات کاربری منطقه‌ای در مقیاس زمانی کوتاه تأثیر بگذارند، در حالی که عوامل طبیعی از طریق یک فرآیند نسبتاً طولانی جانشینی باعث تغییر در پوشش زمین می‌شوند. در میان همه عوامل، فعالیت های انسانی به طور مستقیم بر تغییر شدت کشت تأثیر می گذارد. به نوبه خود، تغییرات در شدت کشت می تواند بر توسعه اجتماعی و اقتصادی تأثیر بگذارد [ 21 ، 22]. شهرنشینی جهانی منجر به رها شدن قابل توجه زمین های قابل کشت در بسیاری از کشورها و مناطق توسعه یافته شده است [ 23 ، 24 ، 25 ]. در چین، اشتغال شهری و روستایی، مصرف غذا توسط مردم، روابط صنعتی و کشاورزی، و روابط شهری و روستایی تحولات بزرگی را تجربه کرده است [ 26 ، 27 ، 28 ]. افزایش هزینه نیروی کار و کاهش جمعیت مسکونی در مناطق روستایی منجر به رها شدن زمین در مقیاس بزرگ شده است. در عین حال، تولید مکانیزه، فناوری کشاورزی که توسط پیشرفت‌های علوم زیستی ترویج می‌شود، کشاورزی اقتصادی و دگرگونی کشاورزی زیست‌محیطی برای تولید کشاورزی مثبت هستند [ 29 ، 30 ]]. با درک تغییرات در شدت کشت، به سیاستی مربوط می شود که فرآیند شهرنشینی سریع و تعاملات بین فعالیت های انسانی و کشت زمین را بررسی کند. با این حال، فقدان محصولات با شدت کشت پیوسته و نسبتاً بالا، توانایی ما را برای درک تغییرات شدت کشت و نیروهای محرک زیربنایی در مناطق محدود کرده است.
محققان با استفاده از داده‌های ماهواره‌ای، تلاش‌های زیادی برای شناسایی شدت کشت در مناطق وسیع انجام داده‌اند. راه حل های عملی برای نقشه برداری و نظارت بر شدت کشت بر اساس یک سری زمانی از شاخص های گیاهی مشتق شده از ماهواره وجود دارد، و نتایج نقشه برداری شدت کشت از مقیاس منطقه ای به قاره تایید شده است. دینگ و همکاران یک الگوریتم دو تفاوتی را برای نقشه برداری از کشت های متعدد از سال 1982 تا 2012 در 17 استان در شمال چین با استفاده از سیستم نظارت بر موجودی جهانی و مدل سازی داده های شاخص تفاوت پوشش گیاهی نرمال شده (GIMMS-NDVI) با وضوح 8 کیلومتر اعمال کرد و نقشه های تولید شده را تأیید کرد. شاخص زراعی در سطح استان با داده های آماری کشاورزی [ 31]. لی و همکاران یک روش پنجره متحرک تکراری را توسعه داد و نقشه‌های چرخه کشت را در سرزمین اصلی چین طی سال‌های 2007 تا 2012 با وضوح 500 متر بر اساس طیف‌سنج تصویربرداری با وضوح متوسط ​​(MODIS) سری زمانی و داده‌های دما تولید کرد. نقشه های تولید شده بر اساس نمونه های تفسیر شده در سطح پیکسل اعتبار سنجی و با داده های آماری کشاورزی در سطح استان مقایسه شد [ 6 ]. لی و همکاران شدت برش را در وضوح 30 متر با استفاده از تلفیقی از داده های Landsat و MODIS در دو صحنه شناسایی کرد و نقشه ها را با نتایج حاصل از تصاویر با وضوح بسیار بالا ارزیابی کرد [ 32]. استل و همکاران نقشه های فراوانی کشت، چند کشت، آیش و مدت زمان کشت در اروپا از سال 2000 تا 2012 با استفاده از شاخص تفاوت نرمال شده گیاهی MODIS (NDVI) در وضوح 500 متر با طبقه بندی زمین های زیر کشت به وضعیت فعال یا آیش و سپس شمارش قله ها تهیه شد. در طول فصول رشد [ 33 ]. گری و همکاران شدت کشت را در سراسر آسیا برای دوره زمانی 2009-2012 با داده های NBAR شناسایی برنامه مبتنی بر شبکه MODIS با شمارش تعداد کل پیک های معتبر ترسیم کرد. نقشه‌های 500 متری تولید شده با داده‌های موجودی در سطح منطقه، استان و کشور و همچنین با داده‌های پیمایش میدانی در سطح پیکسل مورد ارزیابی قرار گرفت [ 5 ]]. لیو و همکاران یک روش تطبیق شکل پیشنهاد کرد و شاخص کشت را در استانی در چین برای یک سال ترسیم کرد. نقشه در سطح پیکسل با داده های بررسی میدانی [ 34 ] اعتبارسنجی شد. Qiu از یک روش مبتنی بر ویژگی موجک برای استخراج شدت کشت از طیف موجک استفاده کرد و نقشه‌های شدت کشت را از سال 1982 تا 2013 با استفاده از هر دو رادیومتر با وضوح بسیار بالا (AVHRR) و داده‌های شاخص گیاهی MODIS استخراج کرد. این نقشه ها با داده های صحت زمین در سطح پیکسل و با داده های سرشماری کشاورزی در سطح استان اعتبارسنجی شدند. سپس از آنها برای تجزیه و تحلیل تأثیرات عوامل اجتماعی-اقتصادی، عوامل توپوگرافی و عوامل وضعیت آب در سطح استان توسط یک مدل رگرسیون خطی چندگانه استفاده شد [ 35 ].]. اگرچه بسیاری از تلاش‌ها بر توسعه و کاربرد روش‌های استخراج در مقیاس‌های منطقه‌ای متمرکز شده‌اند، هیچ یک از مجموعه داده‌های شدت کشت به طور عمومی توزیع نشده است، و هنوز عدم قطعیت‌های زیادی در ارتباط با تغییرات شدت کشت در طول سال‌ها وجود دارد.
درک مکانیسم زیربنایی شدت کشت (و تغییرات آن) کلید توسعه یک مدل شبیه‌سازی برای کاربری‌های زمین زراعی است. روش‌های آماری تجربی و روش‌های مدل‌سازی مورد نیاز برای کشف نیروهای محرک در استفاده از زمین وجود دارد. روش‌های آماری تجربی، مانند روش‌های رگرسیون خطی چندگانه و تحلیل مؤلفه‌های اصلی، با ایجاد توابع آماری، رابطه بین انواع تغییر کاربری اراضی و عوامل محرک آن‌ها را بررسی می‌کنند [ 35 ، 36 ، 37 ]]. اشکال یک روش آماری تجربی این است که رابطه فضایی بین تغییرات کاربری اراضی و عوامل محرک در نظر گرفته نمی شود. هدف روش مدل‌سازی ساخت یک مدل پیچیده است که قادر به شبیه‌سازی روابط بین ساختار، عملکرد و تغییرات دینامیکی در کل سیستم کاربری زمین است [ 38 ، 39 ، 40 ]. محققان اغلب از روش های مدل سازی برای شبیه سازی تغییرات کاربری زمین استفاده می کنند. شناسایی عوامل محرک کلیدی و درک مکانیسم‌های نهفته در تغییرات کاربری زمین، کلیدی برای رویکردهای مدل‌سازی موفق است. Geo-Detector یک روش آماری است که اولین بار توسط وانگ و همکاران ارائه شد. [ 41 ، 42]. یک Geo-Detector ناهمگونی طبقه بندی شده فضایی (یعنی مقادیر یک ویژگی که در انواع و مناطق جغرافیایی متفاوت است) عوامل را تجزیه و تحلیل می کند و اهمیت عوامل تعیین کننده در تغییرات کاربری زمین را به دست می آورد. در مقایسه با روش‌های آماری تجربی رایج، ژئودتکتور روابط جغرافیایی بین تغییرات کاربری زمین و عوامل تأثیرگذار را محاسبه می‌کند. در مقایسه با روش‌های مدل‌سازی، ژئودتکتور به فرضیات پیچیده نیاز ندارد و ساده و راحت است. آشکارسازهای جغرافیایی در تعدادی از مطالعات در مورد بررسی مکانیسم‌های عوامل اجتماعی-اقتصادی و عوامل محیطی طبیعی بر تغییرات کاربری اراضی استفاده شده‌اند و برای تحلیل برهمکنش‌های پیچیده بین نیروهای محرکه اجتماعی-اقتصادی و تغییرات کاربری زمین در مناطق وسیع جغرافیایی مناسب هستند [ 43 ]., 44 , 45 , 46 ].
وسعت زمین های کشاورزی چین مناطق وسیعی را پوشش می دهد و عواملی که بر شدت کشت تأثیر می گذارند می توانند در مناطق مختلف کشاورزی متمایز باشند. تا به امروز، مطالعات کمی وجود دارد که نیروهای محرک اقتصادی-اجتماعی زیربنایی شدت کشت و تغییرات آنها را در طول چندین سال در مناطق بزرگ جغرافیایی بررسی کرده باشد. بنابراین، اهداف این مطالعه کمی کردن شدت کشت چین از سال 2001 تا 2016 و ارزیابی نیروهای محرک اجتماعی-اقتصادی مرتبط با آن در مناطق مختلف در سراسر چین برای به دست آوردن درک گسترده‌ای از تأثیر فعالیت‌های انسانی بر اکوسیستم‌های زمین‌های کشاورزی بود.

2. منطقه مطالعه و مواد

الگوی فضایی کشاورزی در چین با تغییرات آب و هوا و منابع زمین مشخص می شود. شکل 1 9 منطقه کشاورزی در چین را با پس زمینه ای از نقشه پوشش زمین چین نشان می دهد. با توجه به تفاوت های جغرافیایی در منابع نور، گرما، آب و خاک که مربوط به آب و هوا و زمین است، الگوهای کشاورزی در چین به دشت شمال شرقی چین (دشت شمال شرقی)، فلات یوننان-گوئیژو (دشت YG)، خشک شمالی و منطقه نیمه خشک (منطقه NAS)، جنوب چین (SC)، حوضه سیچوان و مناطق اطراف آن (منطقه SBS)، دشت یانگ تسه میانی پایین (دشت MLY)، فلات تبت چینگهای (فلات QT)، فلات لس (فلات L) و هوانگ -دشت هوآی-های (دشت HHH) [ 47]. تراکم جمعیت و فعالیت های انسانی در این 9 منطقه متفاوت است و ترکیبی از عوامل اجتماعی-اقتصادی و زمینه های جغرافیایی طبیعی، مناطق ناهمگونی فضایی متفاوتی را تشکیل می دهد. با توجه به تفاوت در توزیع فضایی بین عوامل اجتماعی-اقتصادی و مناطق طبیعی کشاورزی، این مطالعه با تحلیل تعاملات اجتماعی-اقتصادی در مناطق مختلف، محرک های اقتصادی-اجتماعی را شناسایی کرد.
محصولات بازتاب سطحی MODIS 8 روزه L3 Global 500 m SIN Grid، بر اساس هر دو پلت فرم Terra (MOD09A1) و Aqua (MYD09A1)، از سال 2000 تا 2017 از وب سایت USGS ( https://lpdaac.usgs.gov ) دانلود شدند. . داده‌های MOD09A1 و MYD09A1 برای تولید انعکاس سطحی 500 متری به‌مدت 8 روز بر اساس روش ترکیب‌بندی حداقل آبی ترکیب شدند. ما از ماسک ابری تعریف‌شده در داده‌های کنترل کیفیت برای یافتن پیکسل‌های آلوده به ابر استفاده کردیم و در صورتی که مشاهدات Terra و Aqua ابری بودند، یک پرچم ابر اختصاص دادیم. مجموعه داده سری زمانی EVI بر اساس داده های مرکب بازتاب سطح 8 روز محاسبه شد. محصول MODIS 8 روزه 1000 متری دمای سطح زمین (MOD11A2) از سال 2000 تا 2017 به دست آمده از وب سایت USGS ( https://lpdaac.usgs.gov )) و محصول پوشش زمین 30 متری Globeland30 به دست آمده از ( https://www.globallandcover.com ) برای اصلاح نقشه نهایی شدت کشت استفاده شد.
داده‌های ارتفاع، جنبه و شیب مربوط به توپوگرافی زمین‌های زراعی از داده‌های ارتفاعی دیجیتالی مأموریت توپوگرافی رادار شاتل ناسا (SRTM) با وضوح فضایی 90 متر ( ftp://e0srp01u.ecs.nasa.gov/srtm/ ) به دست آمد. نسخه 2/SRTM3/ ).
داده‌های سرشماری اقتصادی کشاورزی از سالنامه آماری شهرستان چین در سال 2017 (حجم شهرستان و شهرستان) جمع‌آوری شد ( https://data.stats.gov.cn )) صادر شده توسط اداره ملی آمار. داده های سرشماری اقتصادی کشاورزی حاوی اطلاعات اولیه سرشماری برای بیش از 2000 شهرستان بود. سرشماری‌های اقتصادی کشاورزی با محدوده اداری شهرستان حذف شد و 2061 شهرستان انتخاب شدند. ما شاخص‌های آماری را انتخاب کردیم که به‌عنوان عوامل بالقوه‌ای در نظر گرفته شد که می‌تواند بر عادات کاشت کشاورزان تأثیر بگذارد، و این شاخص‌های آماری شامل جمعیت ثبت خانوار، تولید ناخالص داخلی منطقه‌ای (GDP)، تولید ناخالص شرکت‌های صنعتی بالاتر از اندازه تعیین‌شده، افزایش تولید در صنعت اولیه، افزایش محصول در بخش کشاورزی، تراز خانوار پس‌انداز و سپرده کشاورزان، توان کل ماشین‌آلات کشاورزی، توان ماشین‌های کشاورزی، کل سطح برداشت ماشین‌آلات و کل تولید غلات [19 ، 46 ، 48 ].

3. روش ها

3.1. کمیت شدت کشت

محصولات با شدت کشت از سال 2001 تا 2016 بر اساس کار منتشر شده ما (لی و همکاران، 2014) [ 6 ] با اصلاح پنجره های کشویی و نقشه های پوشش زمین تولید شدند. ابتدا، سری زمانی EVI از داده‌های بازتاب سطحی از داده‌های MODIS Terra و Aqua مشتق شد، که سپس بر اساس روش ترکیب آبی حداقل [ 32 ] سنتز شدند.]. دوم، با توجه به اثرات سه روش برازش، از جمله تابع گاوسی نامتقارن، لجستیک مضاعف، و ساویتزکی-گولای، داده‌های سری زمانی EVI فیلتر شدند تا سری زمانی EVI صاف شده با استفاده از فیلتر SG در نرم‌افزار TIMESAT برای پر کردن به دست آید. مقادیر از دست رفته و حذف مقادیر نویز و نقاط پرت. سپس، قله‌ها و تاف‌ها در سری زمانی هموار EVI توسط پنجره‌های کشویی استخراج شدند و برای استخراج نقشه‌های چرخه‌های کشت با وضوح 500 متر با شمارش قله‌ها و سختی‌ها استفاده شدند. چرخه های کشت شامل آیش، تک کشت، کشت مضاعف و سه گانه با شمارش پیک ها و تاف ها بود. جزئیات روش شناختی برای نقشه برداری چرخه کشت را می توان در لی و همکاران، 2014 یافت. داده های دمای سطح زمین MODIS برای حذف پیک های کاذب ناشی از جوانه زدن گندم زمستانه قبل از خواب در زمستان استفاده شد. در طول شب، دمای سطح زمین برای محصولات MODIS (MOD11A2) با حداقل آستانه 5 درجه سانتی گراد برای تعریف فصل رشد واقعی در یک سال و برای کسر پیک کاذب ناشی از گندم زمستانه استفاده شد. علاوه بر این، از GlobeLand30 برای اصلاح نقشه‌های شدت کشت با تعریف کلاس زمین‌های زیرکشت استفاده شد. در نهایت، بر اساس نقشه‌های چرخه کشت، شدت کشت با محاسبه نسبت کل سطح زیر کشت زمین به سطح زیر کشت با تفکیک 5 کیلومتر به دست آمد، در حالی که کل سطح زیر کشت از ضرب سطح زیر کشت به دست آمد. با چرخه های کشت هنگامی که شدت کشت بین 0 و 1 بود، چرخه های کشت عمدتاً تک کشت بودند. زمانی که شدت کشت بین 1 تا 2 بود، چرخه‌های کشت عمدتاً دوبرابر مخلوط با تک کشت است. هنگامی که شدت کشت بین 2 تا 3 بود، چرخه های کشت سه گانه مخلوط با کشت مضاعف بود.

3.2. تشخیص محرک های اجتماعی و اقتصادی با استفاده از ژئودتکتور

Geo-Detector شامل چهار جزء است: آشکارساز عامل، آشکارساز تعامل، آشکارساز خطر و آشکارساز اکولوژیکی. در این مطالعه، ما عمدتاً از آشکارساز عامل برای بررسی تأثیر متغیرهای مستقل (یعنی عوامل بالقوه تأثیرگذار) بر متغیرهای وابسته (یعنی شدت کشت و تغییرات آن) استفاده کردیم. ایده اصلی آشکارساز عامل در ژئودتکتور، طبقه‌بندی واحدهای جغرافیایی (مثلاً پیکسل‌ها یا واحدهای اداری مانند شهرستان‌ها، شهرها و استان‌ها) بر اساس هر عامل تأثیرگذار جداگانه با استفاده از روش خوشه‌بندی و استخراج واریانس وابسته است. متغیرها (به عنوان مثال، شدت کشت یا تغییرات آن) در کلاس های مختلف واحدهای جغرافیایی برای به دست آوردن قدرت تعیین کننده (PD) که نشان دهنده اهمیت نسبی عوامل تعیین کننده است.

PD در Geo-Detector به صورت زیر تعیین می شود [ 42 ]:

PD = 1 –1nσ2∑i = 1مترnمن⋅σمن2PD=1-1��2∑من=1متر�من·�من2

که در آن PD قدرت تعیین کننده را نشان می دهد. m نشان دهنده تعداد طبقات طبقه بندی شده است، σ2�2واریانس کلی متغیر وابسته را اهدا می کند، σمن2�من2واریانس متغیر وابسته را در هر کلاس اهدا می کند، n�تعداد واحدهای جغرافیایی را نشان می دهد و nمن�منتعداد واحدهای جغرافیایی در هر طبقه را نشان می دهد. سمت راست معادله با استفاده از آزمون F بر اساس این فرض که ضریب همبستگی مکانی مرتبه دوم از نظر مکانی ثابت است، حل شد. جزئیات بیشتر در مورد الگوریتم Geo-Detector را می توان در (وانگ و همکاران، 2010) و (وانگ و همکاران، 2016) [ 42 ، 49 ] یافت.

محدوده مقدار PD [0، 1] بود. هر چه مقدار PD بزرگتر باشد، اهمیت عامل تأثیرگذار بر متغیرهای وابسته بیشتر می شود. اگر PD برابر با 0 بود، متغیرهای وابسته (به عنوان مثال، شدت کشت و تغییرات آن) به طور تصادفی توزیع می شوند. اگر PD برابر با 1 باشد، عامل تأثیرگذار به طور کامل توزیع فضایی متغیرهای وابسته را تعیین می کند.

3.3. عوامل و داده های محرک بالقوه

بر اساس داده‌های اجتماعی-اقتصادی، ما 13 شاخص آماری را به‌عنوان عوامل تأثیرگذار بالقوه مرتبط با عملکرد محصول، قدرت ماشین‌آلات کشاورزی، درآمد کشاورزان و تحولات صنعتی استخراج کردیم. 13 عامل شامل عملکرد دانه ( GY )، عملکرد دانه به ازای کارگر ( GY labor )، سطح زمین زراعی سرانه ( ALA captita )، توان ماشین آلات کشاورزی در واحد سطح زمین زراعی ( AMP ALA )، درصد سطح برداشت ماشین آلات در زراعی است. مساحت زمین ( PMHA ALA )، نیروی کار در واحد سطح زمین زراعی ( LF ALA )، ارتفاع زمین ( TE )، شیب زمین ( TS )، تولید ناخالص شرکت های صنعتی بالاتر از اندازه تعیین شده ( GPIE )، تولید ناخالص داخلی منطقه ( GDP )، نرخ رشد درصد سهم بخش کشاورزی در تولید ناخالص داخلی ( GR AG )، نرخ رشد درصد سهم بخش صنعت اولیه در تولید ناخالص داخلی ( GR PIG )، و درآمد سرانه کشاورزان ( FI capita ).
TE مستقیماً از داده های SRTM استخراج شد و TS از داده های SRTM محاسبه شد. هر دو TE و TS به سطح شهرستان میانگین داده شدند. GPIE و GDP از داده های سرشماری اقتصاد کشاورزی به دست آمدند . فرمول های مورد استفاده برای استخراج سایر شاخص ها در جدول 1 آمده است.
در این مطالعه، ما تجزیه و تحلیلی را در سطح شهرستان انجام دادیم و از میانگین شدت کشت سالانه و/یا تغییرات آن طی سال‌های 2001-2016 به عنوان متغیرهای وابسته استفاده کردیم. ما با استفاده از روش خوشه‌بندی K-means، شهرستان‌ها را به سه خوشه برای هر عامل بالقوه به عنوان ورودی‌های Geo-Detector طبقه‌بندی کردیم. به عنوان مثال، ما مقادیر GY سه شهرستان را به عنوان نقاط اولیه انتخاب کردیم و سپس سایر مقادیر GY را با توجه به کوتاه‌ترین فاصله اقلیدسی بین مقدار GY که باید خوشه‌بندی شود و دانه GY خوشه‌بندی کردیم . مراکز خوشه با حداقل فاصله اقلیدسی در هر خوشه و حداکثر فاصله اقلیدسی بین خوشه ها تنظیم شدند. پس از 100 تکرار، GYمقادیر به سه دسته تقسیم شدند. سپس شهرستان ها بر اساس نتایج خوشه بندی مقادیر GY به سه دسته تقسیم شدند.

4. نتایج

4.1. الگوهای فضایی و زمانی شدت کشت

شکل 2 شدت کشت در چین را برای هر سال جداگانه طی سال های 2001-2016 نشان می دهد، همانطور که از داده های سری زمانی MODIS در وضوح 5 کیلومتر بدست آمده است. توزیع فضایی شدت کشت نقشه‌برداری شده، الگوهای تمایز توپوگرافی و اقلیمی را نشان داد. با تغییر توپوگرافی از کوه به دشت، شدت کشت به تدریج از غرب به شرق افزایش یافت. با بهبود شرایط هیدروترمال از شمال به جنوب، شدت کشت به تدریج از شمال به جنوب افزایش یافت.
میانگین شدت کشت سالانه در هر منطقه کشاورزی برای سال‌های 2001-2016 خلاصه شد ( شکل 3 ). SC، MLY Plain و HHH Plain سه منطقه برتر با بیشترین شدت کشت هستند. جدول 2 روند شدت کشت را برای 9 منطقه کشاورزی طی سال‌های 2001-2016 نشان می‌دهد، از جمله میانگین شدت کشت سالانه در طول سال‌های 2001-2016، شیب روند، قطع روند، مقدار Z Mann-Kendall، Mann-Kendall P-value و Mann. معنی‌داری کندال (05/0). نتایج نشان می‌دهد که تمامی شدت‌های کشت در نه منطقه اساساً روند ثابت یا کمی افزایشی داشتند. SC، L Plateau و YG Plateau سه منطقه برتر با بیشترین نرخ رشد شدت کشت هستند.
همانطور که در جدول 2 نشان داده شده است ، شکل اصلی کشت در دشت شمال شرقی، تک کشت در سال بوده و شدت کشت سالانه آن به طور میانگین از سال 1380 تا 1395، 8/97 درصد بوده است. این منطقه در منطقه معتدل و معتدل گرم قرار دارد. تابستان گرم کوتاه و زمستان سرد طولانی. به دلیل محدودیت های دما، شرایط هیدروترمال برای کشت های متعدد کافی نیست. زمین کشاورزی حاصلخیز و زمین نسبتاً مسطح برای کاشت و برداشت ماشین آلات در مقیاس بزرگ مناسب است. شدت کشت در دشت شمال شرقی نزدیک به 100 درصد با زمین های زیر کشت پیوسته بود و تغییر معنی داری نداشت.
در مناطق NAS، تک کشت نوع اصلی کشت بود، با میانگین شدت کشت سالانه 61.3٪ از سال 2001 تا 2016. به دلیل کمبود آب، این منطقه برای کشاورزی چندان مناسب نیست. زمین های زراعی آن تکه تکه است و شدت کشت آن بیشتر از 100 درصد است.
بسیاری از شیوه‌های کشاورزی در دشت HHH کشت مضاعف هستند و میانگین شدت کشت سالانه 135.9 درصد در سال‌های 2001-2016 بود. این منطقه دارای آب و هوای گرم معتدل موسمی با فصول یکسان است. به دلیل خاک حاصلخیز و منابع فراوان رودخانه، دشت HHH یکی از مناطق اصلی تولید کشاورزی دیم است. در شمال رودخانه زرد، هر سال یک بار کشت یا هر دو سال یک بار سه بار کشت می شد، در حالی که عمدتاً در جنوب رودخانه زرد کشت دوبرابر وجود دارد. به طور کلی، شدت کشت در دشت HHH کمی افزایش یافت.
فلات L عمدتاً دارای تک کشت و میانگین شدت کشت سالانه 85.7 درصد در سال‌های 2001-2016 بود. اراضی زیر کشت عمدتاً دیم بوده و در نواحی تپه ماهوری با شرایط فرسایش و خشکسالی قابل توجه خاک واقع شده است.
میانگین شدت کشت سالانه فلات QT تنها 41.8٪ بود. این منطقه برای کشت چندگانه مناسب نیست زیرا دارای تابش قوی، دوره نوری طولانی، دمای پایین، دمای انباشته پایین و محدوده دمای روزانه زیاد است. علاوه بر این، این منطقه بزرگترین فلات چین است و نسبت زمین های کشاورزی مناسب آن کم است. شدت کشت در سال های 2001-2016 تغییر قابل توجهی نداشت.
چرخه های کاشت اصلی در دشت MLY، کشت دوگانه با کشت سه گانه کمی بود. زمین کم، خاک حاصلخیز و منابع فراوان رودخانه امکان کشت چندگانه را فراهم می کند. با کاهش عرض جغرافیایی، زمین کشاورزی کوچک و پراکنده است و در نتیجه شدت کشت کمتر از 200 درصد است. میانگین شدت کشت سالانه 138.0 درصد بود و شدت کشت از سال 2001 تا 2016 کمی افزایش یافت.
مناطق SBS عمدتاً دوبرابر با شدت کشت سالانه 97.3 درصد بودند. آب و هوای گرم و مرطوب برای توسعه کشاورزی مفید است، اما به دلیل ویژگی های توپوگرافی، زمین های زراعی پراکنده است. رشد شدت کشت از سال 2001 تا 2016 به طور قابل توجهی افزایش یافت.
کشت سه گانه مخلوط با کشت مضاعف در SC غالب بود، جایی که میانگین شدت کشت سالانه 171.4 درصد بود. آب و هوای موسمی نیمه گرمسیری گرم و مرطوب و شرایط گرمابی کافی همگی پیش نیاز چندین فصل رشد در یک سال است. این منطقه دارای شهرنشینی و صنعتی شدن با سرعت بالا و تکه تکه شدن زمین های زیر کشت است. شدت کشت در SC نزدیک به 200٪ بود و در 2001-2016 افزایش یافت.
مشابه SC، عمدتاً در فلات YG دو و سه بار کشت وجود داشت، با میانگین شدت کشت سالانه 128.0%. زمین های زیر کشت این منطقه عمدتاً در حوضه های کوهستانی، دره های رودخانه ای و مناطق کوهستانی توزیع شده است. اگرچه نور و آب فراوان هستند و تحت تأثیر توپوگرافی قرار می گیرند، شدت کشت بسیار کمتر از 200٪ بود. شدت کشت نیز در سال 2001-2016 افزایش یافت.

4.2. تغییرات در شدت کشت

شدت کشت ملی در سال های 2001-2016 روند رو به رشدی را نشان داد ( شکل 4 ). بیش از 81.0 درصد از زمین های زراعی شدت کشت خود را از سال 2001 تا 2016 افزایش دادند و تقریباً 12.2 درصد از زمین های زیر کشت، شدت کشت خود را بیش از 10 درصد افزایش دادند. مناطق با کاهش شدت کشت عمدتاً در دشت شمال شرقی قرار دارند. تغییرات شناسایی شده در شدت کشت ارتباط نزدیکی با سیاست کشاورزی چین در 20 سال گذشته دارد، مانند تشویق شرکت‌های مرتبط کشاورزی برای امضای قراردادهای بلندمدت برای اجاره زمین‌های کشاورزی از کشاورزان محلی و تشویق فعالیت‌های کشاورزی برای حفظ محیط‌های زراعی-اکولوژیکی خود.
نمودار 4 همچنین تغییرات میانگین شدت کشت سالانه را برای هر چهار سال از سال 2001 تا 2016 نشان می دهد. از سال 2001 تا 2004، 74.4 درصد از اراضی زراعی دارای افزایش شدت کشت، 63.3 درصد از اراضی زراعی بیش از 10 درصد افزایش کشت داشته اند. شدت کشت و 5/6 درصد از اراضی زراعی بیش از 10 درصد کاهش شدت کشت داشتند. مناطق با آشکارترین رشد در شدت کشت در فلات L، کمربند مجاور بین مناطق دشت NE و NAS، و کمربند مجاور بین مناطق L Plateau و NAS قرار داشتند.
از سال 2005 تا 2008، 64.0 درصد از اراضی زراعی دارای افزایش شدت کشت، 12.2 درصد از اراضی زراعی بیش از 10 درصد افزایش شدت کشت و 9.4 درصد از اراضی زراعی بیش از 10 درصد کاهش شدت کشت داشته اند. مناطقی با بیشترین شدت کشت صعودی در فلات L و زمین های زراعی تکه تکه ای بودند که در جنوب چین پراکنده شده اند.
از سال 1388 تا 1391، 9/66 درصد از اراضی زراعی افزایش شدت کشت، 1/16 درصد از اراضی زراعی بیش از 10 درصد افزایش شدت کشت و 8/7 درصد از اراضی زراعی بیش از 10 درصد کاهش شدت کشت داشته اند. مناطق با شدت کشت افزایش یافته در فلات L، کمربند مجاور بین مناطق NE Plain و NAS، جنوب شرقی دشت HHH و SC بودند.
از سال 1392 تا 1395، 62.0 درصد از اراضی زیر کشت افزایش شدت کشت، 12.2 درصد از اراضی زراعی بیش از 10 درصد افزایش شدت کشت و 8.8 درصد از اراضی زراعی بیش از 10 درصد کاهش شدت کشت داشته اند. مناطق به وضوح افزایش یافته در کمربند مجاور بین دشت HHH و دشت MLY، SC، دشت YG و مناطق SBS توزیع شده است.
شکل 5روند خطی و اهمیت آن را برای تغییرات شدت برش در مقیاس پیکسل نشان می دهد. شدت کشت در 5/73 درصد از پیکسل‌های زمین‌های زراعی در سال‌های 2001 تا 2016 در چین افزایش یافت که در آن 7/27 درصد از پیکسل‌ها افزایش قابل‌توجهی در شدت کشت و 8/45 درصد از پیکسل‌ها افزایش‌های غیر قابل توجهی در شدت کشت داشتند. مناطق با شدت کشت به طور قابل توجهی افزایش یافته است عمدتا در کمربند مجاور بین منطقه NAS و فلات L، بخش شرقی دشت HHH، و SC واقع شده است. شدت کشت در 26.45 درصد از پیکسل های مناطق زراعی در سال 2001-2016 در چین کاهش یافت، که در آن 3.95 درصد از پیکسل ها کاهش قابل توجهی در شدت کشت نشان می دهند، و 22.5 درصد پیکسل ها کاهش غیر قابل توجهی را در شدت کشت نشان می دهند.
جدول 3 نسبت شیوه های کشت برای زمین های زراعی در مناطق مختلف کشاورزی در هر دو سال 2001 از سال 2016 را نشان می دهد. برای دوره زمانی 2001 تا 2016، شیوه های کشت در نه بخش کشاورزی به طور کلی تغییر چندانی نکرده است. واضح ترین تغییرات منطقه ای در مناطق NAS و فلات L رخ داده است. هم کشت تک زراعی و هم کشت مضاعف تا حد زیادی افزایش یافت و اراضی آیش کاهش یافت.

4.3. محرک های اجتماعی-اقتصادی در توزیع شدت کشت

جدول 4 مقادیر PD را از سیزده عامل تأثیرگذار بر میانگین شدت کشت سالانه نشان می دهد که توسط ژئودتکتور در سطح شهرستان برای هر منطقه کشاورزی منفرد شناسایی شده است.
در مناطق نسبتاً مسطح، عوامل مرتبط با بازده تولید اراضی زراعی تأثیر بیشتری نسبت به سایر عوامل بر توزیع فضایی شدت کشت داشتند. به عنوان مثال، در دشت NE، مناطق NAS، دشت HHH و فلات L، به ترتیب ALA captita (0.332)، GY (0.193)، GY (0.551) و ALA captita (0.319) بیشترین تأثیر را داشتند. .
در مقایسه، عوامل توپوگرافی مؤثرترین عوامل تأثیرگذار بر توزیع فضایی شدت کشت در منطقه ناهمواری بودند. به عنوان مثال، در فلات QT، دشت MLY، مناطق SBS، SC، و فلات YG، تأثیرگذارترین عوامل TS (0.149)، TS (0.22)، TE (0.468)، TE (0.252) و TE بودند. (0.307)، به ترتیب. در شرایط آب و هوایی مشابه، عوامل توپوگرافی تأثیر بیشتری بر توزیع شدت کشت منطقه ای داشتند.
در اصل، هم شرایط طبیعی و هم خروجی های زمین زیر کشت، از جمله کارایی زمین زیر کشت، نیروی کار ورودی، و ماشین آلات ورودی، کلید توزیع فضایی شدت کشت بودند.

4.4. محرک های اجتماعی-اقتصادی در تغییر شدت کشت

جدول 5 نشان می دهد که چگونه قدرت تأثیرگذار عوامل بر شدت کشت تغییر می کند که توسط ژئودتکتور در سطح شهرستان برای هر منطقه کشاورزی منفرد شناسایی شده است. در منطقه شمال، عوامل مربوط به بازده تولید اراضی زیر کشت، بر توزیع مکانی تغییرات شدت کشت تأثیر غالب دارند.
در دشت NE، مرتبط ترین عاملی که بر تغییرات شدت کشت تأثیر گذاشت، ALA captita (0.304) بود. شرایط آب و هوایی در دشت شمال شرقی تنها امکان کشت تکی را فراهم می کند و از آنجایی که بخش کشاورزی نقش مهمی در اقتصاد محلی ایفا می کند، بنابراین هر چه سرانه ALA بیشتر باشد، کشاورزان می توانند فعالیت های کشاورزی متنوع تری انجام دهند و محصول پایدارتر می شود. شدت می تواند حفظ شود.
در مناطق NAS، TE (0.171)، GY (0.126) و GY labor (0.110) سه عامل کلیدی اصلی هستند که بر تغییرات شدت کشت تأثیر گذاشتند. از آنجایی که تنها مناطق محدودی برای کشاورزی وجود دارد و سطح توسعه اقتصادی در مناطق NAS پایین است، کشاورزان ترجیح می‌دهند زمین‌هایی با توپوگرافی ضعیف، GY کم یا نیروی کار پایین را رها کنند تا به جای آن بر روی زمین‌های قابل کشت با راندمان تولید کشاورزی بالا تمرکز کنند. .
در دشت HHH، مهمترین عواملی که بر تغییرات شدت کشت تأثیر گذاشتند GY (0.409)، PMHA ALA (0.395) و AMP ALA (0.293). دشت HHH بزرگترین دشت در شمال چین است و سرشار از منابع طبیعی مانند آب، گرما و نور خورشید است. همچنین شامل چندین استان عمده تولید غلات در شمال چین است. علاوه بر عوامل خروجی اراضی زیر کشت، عوامل سرمایه گذاری کشاورزی نقش تعیین کننده ای در تعیین تغییرات دهه ای در شدت کشت دارند. توسعه فناوری کشاورزی و کاربرد ماشین آلات به بهبود کارایی کشاورزی، کاهش وابستگی صنعت غلات به نیروی کار و تثبیت شدت کشت کمک می کند.
هر دو فلات L و فلات QT وابسته به توسعه کشاورزی نیستند، و عوامل موثر بر تنوع شدت کشت متنوع بودند. در فلات L، عوامل اصلی مؤثر بر شدت کشت عبارتند از ALA captita (0.196)، LF ALA (0.188) و TS (0.166). تأثیرگذارترین عواملی که بر تغییرات شدت کشت در فلات QT تأثیر گذاشتند شامل PMHA ALA (0.59)، سرانه FI (0.427) و GDP (0.275) بود. کشاورزان تمایل دارند فعالیت های زراعی را با در نظر گرفتن عواملی که بر تولید زمین زراعی و درآمد کشاورزان تأثیر می گذارد، تعیین کنند.
در منطقه جنوبی، عواملی که با توسعه اقتصادی منطقه و منافع اقتصادی کشاورزی مرتبط بودند، کلیدی برای تأثیرگذاری بر تغییرات شدت کشت بودند. شرایط هیدروترمال در SC شرایط طبیعی ایده آلی را برای کشت های متعدد فراهم می کند، در حالی که توسعه سریع اقتصادی و شهرنشینی کارگران را تشویق می کند تا مزارع را ترک کنند تا در تولید صنعتی با درآمد بالاتر مشاغلی را انتخاب کنند. بخش کشاورزی در SC با خطر افول مواجه است.
دشت MLY، که دارای آب و گرمای فراوان برای کاشت محصولات است، در منطقه انتقال بین کشت مضاعف و سه گانه قرار دارد. در دشت MLY، مهمترین عواملی که بر تغییرات شدت کشت تأثیر گذاشتند GPIE (0.474)، سرانه FI (0.299) و ALA captita (0.211).
به طور مشابه، در SC، مرزی تحت سیاست اصلاحات اقتصادی و باز کردن چین و پیشرفته ترین منطقه اقتصادی در چین، مهمترین عواملی که بر تغییرات شدت کشت تأثیر گذاشتند GPIE (0.788)، نیروی کار GY (0.643) و AMP ALA (0.621 ). ). این عوامل با تحولات صنعتی و اقتصادی و کارایی تولیدات کشاورزی مرتبط هستند.
هر دو منطقه SBS و YG Plateau در مناطقی با شرایط هیدروترمال خوب واقع شده اند و شرایط طبیعی مناسب برای کشت مضاعف و حتی سه گانه دارند. سه عامل موثر بر تغییرات شدت کشت عبارتند از : سرانه FI (0.709)، نیروی کار GY (0.284) و GY (0.282) برای مناطق SBS، و سرانه FI (0.720)، GPIE (0.255)، و سرانه ALA (0.246) برای فلات YG.
بر اساس تجزیه و تحلیل مقادیر PD با استفاده از Geo-Detector، مناطق اصلی کشاورزی دارای مقادیر PD بالایی بودند، که نشان می‌دهد عوامل انتخاب شده در تغییرات شدت کشت تعیین‌کننده بودند. برای مناطقی که بخش کشاورزی کوچک است، مقادیر PD آنها نسبتاً پایین بود، که نشان می‌دهد تغییرات در شدت کشت نسبتاً کم بوده است.

5. بحث

5.1. عوامل تأثیرگذار و ارزش های PD

شیوه های کشت چینی از شمال به جنوب و از شرق به غرب تا حد زیادی متفاوت است. حتی در همان منطقه کشاورزی، شکل کشت و عوامل محرک اصلی می تواند متفاوت باشد. این مطالعه تنها عوامل بالقوه اصلی مرتبط با محرک‌های اجتماعی-اقتصادی و فناوری را برای شناسایی تأثیرات آنها بر شدت کشت و تغییرات آن انتخاب کرد. این عوامل به تولید غلات، کاربرد ماشین آلات، درآمد سرانه کشاورزان و توسعه اقتصادی مربوط می شود. زمانی که داده‌ها در دسترس هستند و درک عمیق‌تری از نیروهای محرکه تغییرات شدت کشت، این عوامل محیطی و مرتبط با سیاست‌ها را بیشتر مورد بررسی قرار دهیم.
مقادیر PD به دست آمده توسط Geo-Detector نشان می دهد که عوامل تأثیرگذار 100 × PD٪ از توزیع شدت کشت و تغییر شدت کشت را تشکیل می دهند. به طور کلی، عوامل متعددی وجود دارد که توزیع شدت کشت و تغییرات شدت کشت را با هم در یک منطقه کشاورزی منفرد تعیین می کند. رتبه بندی مقادیر PD تأثیر نسبی را منعکس می کند، در حالی که بزرگی مقادیر PD مرجع کامل تری را ارائه می دهد. مقدار PD با مناطق و مشکلات علمی متفاوت است [ 41 ، 42 ، 49 ].

5.2. تأثیر روش خوشه‌بندی عاملی بر ژئودتکتور

روش خوشه‌بندی که واحدهای جغرافیایی را به کلاس‌ها طبقه‌بندی می‌کند ممکن است بر خروجی‌های نهایی Geo-Detector تأثیر بگذارد. در اینجا ما نتایج Geo-Detector را بر اساس روش خوشه‌بندی K-means و روش خوشه‌بندی انحراف استاندارد مقایسه کردیم. ما دریافتیم که اثر روش خوشه‌بندی اتخاذ شده در Geo-Detector نتایج اصلی را تغییر نداد، اگرچه مقادیر PD به‌دست‌آمده از عوامل تأثیرگذار می‌تواند متفاوت باشد.
جدول 6 مقادیر PD مشتق شده از Geo-Detector را بر اساس روش خوشه بندی انحراف استاندارد نشان می دهد. هنگام مقایسه نتایج جدول 5 با نتایج جدول 4 ، رتبه عوامل تأثیرگذار بر تغییرات شدت کشت در هر منطقه کشاورزی تغییر چندانی نمی کند. با توجه به مقادیر PD، رتبه‌بندی عوامل غالب برای شش منطقه کشاورزی، از جمله دشت NE، منطقه NAS، دشت HHH، فلات L، مناطق SBS و SC تغییر چندانی نکرده است. برای فلات QT، سه عامل تاثیرگذار برتر بر اساس روش خوشه‌بندی انحراف استاندارد عبارتند از AMP ALA (0.649)، LF ALA (0.649) و GR PIG .(0.242). برای دشت MLY، سه عامل موثر بر تغییرات شدت کشت عبارتند از GR AG (0.200)، PMHA ALA (0.143) و FI ( 0.135 ). برای YG Plateau، سه عامل موثر بر تغییرات شدت کشت عبارتند از TE (0.505)، ALA captita (0.327) و GY labor .(0.320). برای مناطق کشاورزی فلات QT، دشت MLY، و فلات YG، رتبه عوامل تأثیرگذار هنگام استفاده از روش‌های طبقه‌بندی مختلف متفاوت است. در هنگام استفاده از آشکارساز تعامل در ژئودتکتور در آزمایش‌های اولیه ما، برهمکنش‌های غیرخطی در میان عوامل تأثیرگذار برتر برای این سه منطقه کشاورزی وجود دارد. در اصل، برخی از عوامل تأثیرگذار می‌توانند در مناطق جغرافیایی خاص مرتبط باشند و نیاز به بررسی بیشتر فرآیندها و مکانیسم‌ها برای مناطق با مقیاس ریز وجود دارد.

5.3. تعامل بین فعالیت های کشاورزی انسانی و تحولات سریع اجتماعی و اقتصادی

کشت چندگانه روشی موثر برای حفظ و افزایش عملکرد محصول در فرآیند کاهش سریع زمین های زراعی به دلیل شهرنشینی است. توسعه سریع اقتصادی چین در چند دهه گذشته منجر به اثرات منفی بر فعالیت های کشاورزی شده است [ 50 ]]، عمدتاً به دلیل تبدیل نیروی کار روستایی به نیروی کار صنعتی در کنار توسعه سریع اقتصادی و تعرض مناطق شهری به زمین های زراعی است. این مطالعه نشان داد که شدت کشت در تمام مناطق کشاورزی چین روند افزایشی را نشان داد و هفت منطقه از 9 منطقه رشد قابل توجهی را از سال 2001 تا 2016 نشان دادند. به خصوص در حومه شهرهای بزرگ، افزایش شدت کشت راه حلی مفید برای اطمینان از عملکرد محصول و تضمین ارزش زمین کشاورزی به عنوان یکی از انواع مناطق داخلی اطراف تجمعات شهری. SC در یک منطقه نمایشی قرار دارد که تحت سیاست اصلاحات اقتصادی رشد اقتصادی سریعی را تجربه کرده است و باز کردن و افزایش شدت کشت می تواند فضای بیشتری را برای توسعه اقتصادی فراهم کند.
آگاهی از حفاظت از محیط زیست، که در کنار ساخت و ساز تمدن زیست محیطی ناشی از توسعه سریع اقتصادی ایجاد می شود، باعث افزایش شدت کشت می شود. از سال 2000، دولت های محلی بیشتری به توسعه پایدار بوم شناختی توجه کرده و یک سری سیاست ها را ترویج کرده اند. شدت کشت در منطقه NAS کمی افزایش یافت، زیرا تحت تأثیر این سیاست‌های استراتژیک ملی، مانند تضمین مساحت زمین‌های زیر کشت و توسعه زمین‌های کشاورزی برای کاهش زمین‌های بیابان‌زایی قرار گرفت. با بهره مندی از ساخت پروژه حفاظت از سه شمال، محیط زیست محیطی فلات L و کمربند انتقال بین منطقه NAS و فلات L به طور قابل توجهی بهبود یافته است و شدت کشت تا حد زیادی از سال 2001 تا 2016 افزایش یافته است.
علاوه بر این، بازده کشاورزی و ورودی‌های توان ماشین‌آلات کشاورزی تأثیر بیشتری بر تغییرات شدت کشت در مناطق با اقتصاد توسعه‌یافته نسبت به مناطق با اقتصاد توسعه نیافته دارد. توسعه اقتصادی ممکن است سرمایه گذاری در تحقیق و توسعه فناوری تولید کشاورزی را تسهیل کند که می تواند بازده و کارایی زمین های قابل کشت را بهبود بخشد. پیشرفت تکنولوژی پیشرفته کشاورزی و نهاده‌های ماشین‌آلات کشاورزی دلایل ذاتی برای حفظ شدت کشت در مناطقی با توسعه اقتصادی سریع است. بسیار بدیهی است که ساختار کشاورزی در غرب چین طی سال های 2001 تا 2016 دستخوش تغییرات عظیمی شده است. علاوه بر این، سیاست های حمایتی کشاورزی و توسعه فناوری کشاورزی در ارتقای صنعت کشاورزی به موفقیت دست یافته است.کارگر GY , AMP ALA , PMHA ALA و FI سرانه .

6. نتیجه گیری

نظارت بر توزیع فضایی کشت های متعدد و تغییرات آن، و همچنین درک عوامل محرک اساسی، می تواند از توسعه مدل شبیه سازی کاربری زمین و تصمیم گیری برای برنامه ریزی کارآمد زمین های کشاورزی حمایت کند. با توجه به محدودیت‌های موجود در مجموعه داده‌های شدت موجود و تعاملات جامع بین عوامل پیچیده، مطالعات کمی بر روی تغییرات شدت کشت تحت توسعه سریع اجتماعی-اقتصادی و عدم قطعیت نیروهای محرک آنها متمرکز شده‌اند. در این مطالعه، ما الگوهای فضایی و روندهای تغییر شدت کشت را از سال 2001 تا 2016 تجزیه و تحلیل کردیم و از ژئودتکتور برای تجزیه و تحلیل نیروهای محرک اجتماعی-اقتصادی که بر شدت کشت و تغییرات آن در سطح شهرستان در 9 بخش عمده کشاورزی در چین تأثیر می‌گذارند، استفاده کردیم. نتایج حاکی از آن است که شدت کشت سالانه در 9 منطقه کشاورزی از سال 2001 تا 2016 تحت توسعه سریع اجتماعی-اقتصادی افزایش یافته است و هفت مورد از آنها به طور قابل توجهی افزایش یافته است. چرخه‌های کشت که منعکس‌کننده شیوه‌های کشت در مناطق اصلی است، تغییر چندانی نکرده است، اما شیوه‌های آیش در غرب چین تا حد زیادی از سال 2001 تا 2016 کاهش یافته است. به عنوان مثال، کاهش 23 درصدی آیش در مناطق NAS و کاهش 51 درصدی آیش در فلات L وجود داشت.
هنگام استفاده از ژئودتکتور برای تجزیه و تحلیل عوامل تأثیرگذار که توزیع فضایی شدت کشت را تعیین می‌کنند، مشخص شد که راندمان خروجی اراضی زیر کشت تأثیر قابل‌توجهی بر شدت کشت در دشت‌ها دارد، در حالی که توپوگرافی تأثیرگذارترین عامل در مناطق کوهستانی است. . علاوه بر این، نتایج حاکی از آن است که عواملی که بر تغییرات شدت کشت تأثیر می‌گذارند، عمدتاً مربوط به راندمان خروجی اراضی زیرکشت در منطقه شمالی است، در حالی که عمدتاً مربوط به تحولات اقتصادی منطقه‌ای در منطقه جنوبی است، اما عواملی که بر شدت کشت تأثیر می‌گذارند. تغییرات برای هر منطقه کشاورزی منفرد یکسان نیست. این نتایج می‌تواند ارجاعی به نیروهای محرک و مکانیسم اساسی در پس شدت کشت و تغییرات آن در چین باشد و همچنین بینش عمیقی در مورد سیاست‌گذاری پایدار برای زمین‌های زراعی ارائه دهد. در دشت‌های شمال چین، محدود به شرایط آب و هوایی، دولت می‌تواند یک سری سیاست‌های مرتبط را برای ارتقای شدت کشت اجرا کند، مانند بهبود کیفیت زمین‌های قابل کشت، افزایش سرمایه‌گذاری مالی در تحقیق و توسعه فناوری کشاورزی و افزایش سرمایه‌گذاری مالی در ماشین‌آلات کشاورزی. . این منطقه خشک و نیمه خشک هنوز هم جا دارد که شدت کشت را افزایش دهد و سیاست‌های بهبود محیط زیست بوسیله تشویق توسعه کشاورزی پایدار ارزش توسعه دارد. علاوه بر این، در SC، سیاست‌های ترویج کشاورزی و سیاست‌های ترویج تولید صنعتی متقابلاً منحصر به فرد هستند، بنابراین لازم است برخی از سیاست‌ها برای دستیابی به وضعیت برد-برد برای توسعه کشاورزی و صنعتی تدوین شود. از این رو، با هدایت علمی عوامل تأثیرگذار و سازوکارهای محرک در هر منطقه کشاورزی، توسعه سیاست های کشاورزی متمرکزتر خواهد شد.

منابع

  1. گری، جی. فرلکینگ، اس. کورت، EA؛ ری، DK; کوچاریک، سی جی; رامانکوتی، ن. Friedl، MA تأثیر مستقیم انسان بر فصلی CO2 اتمسفر از افزایش بهره‌وری زمین‌های زراعی. طبیعت 2014 ، 515 ، 398-401. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  2. فرلکینگ، اس. کیو، جی. بولز، اس. شیائو، ایکس. لیو، جی. ژوانگ، ی. لی، سی. Qin, X. ترکیب سنجش از دور و داده‌های سرشماری زمینی برای تهیه نقشه‌های جدید از توزیع کشاورزی برنج در چین. بیوژئوشیمی جهانی چرخه 2002 ، 16 ، 38-1-38-10. [ Google Scholar ] [ CrossRef ]
  3. هلر، ای. Rhemtulla، JM; لله، اس. کالاچسکا، م. بدیگر، اس. سنگوپتا، آر. Ramankutty، N. نقشه برداری از انواع محصول، مناطق آبی، و شدت کشت در مناظر ناهمگن جنوب هند با استفاده از تصاویر با وضوح متوسط ​​چند زمانی: مفاهیمی برای ارزیابی استفاده از آب در کشاورزی. PERS 2012 ، 78 ، 815-827. [ Google Scholar ]
  4. وو، دبلیو. یو، کیو. شما، ال. چن، ک. تانگ، اچ. لیو، جی. شکاف‌های شدت کشت جهانی: افزایش تولید غذا بدون گسترش زمین‌های زراعی. سیاست کاربری زمین 2018 . [ Google Scholar ] [ CrossRef ]
  5. گری، جی. فریدل، MA; فرلکینگ، اس. رامانکوتی، ن. نلسون، ا. Gumma، MK نقشه برداری شدت کشت آسیایی با مدیس. IEEE J. Sel. برنامه برتر زمین Obs. Remote Sens. 2014 , 7 , 3373–3379. [ Google Scholar ] [ CrossRef ]
  6. لی، ال. فریدل، MA; شین، کیو. گری، جی. پان، ی. Frolking، S. نقشه برداری چرخه های محصول در چین با استفاده از سری های زمانی modis-evi. Remote Sens. 2014 , 6 , 2473–2493. [ Google Scholar ] [ CrossRef ]
  7. پسر، NT; چن، سی. چن، سی. دوک، اچ. Chang، L. طبقه‌بندی مبتنی بر فنولوژی داده‌های مدیس سری زمانی برای نظارت بر محصول برنج در دلتای مکونگ، ویتنام. Remote Sens. 2013 ، 6 ، 135-156. [ Google Scholar ] [ CrossRef ]
  8. سیبرت، اس. پورتمن، اف تی. Döll, P. الگوهای جهانی شدت استفاده از زمین های زراعی. Remote Sens. 2010 , 2 , 1625-1643. [ Google Scholar ] [ CrossRef ]
  9. پیتمن، ک. هانسن، ام سی; بکررشف، آی. پوتاپوف، پ. عدالت، CO برآورد وسعت زمین زراعی جهانی با داده‌های مودیس چند ساله. Remote Sens. 2010 , 2 , 1844-1863. [ Google Scholar ] [ CrossRef ]
  10. کیو، جی. تانگ، اچ. فرلکینگ، اس. بولز، اس. لی، سی. شیائو، ایکس. لیو، جی. ژوانگ، ی. Qin، X. نقشه برداری از کشاورزی تک، دو و سه محصول در چین در 0.5 درجه × 0.5 درجه با ترکیب داده های سرشماری در مقیاس شهرستان با یک نقشه پوشش زمین مشتق از سنجش از دور. Geocarto Int. 2003 ، 18 ، 3-13. [ Google Scholar ] [ CrossRef ]
  11. ویلمن، ال. وربورگ، پی اچ. هاین، ال. Mensvoort، MEFV توصیف فضایی توابع منظر. طرح شهری منظر. 2008 ، 88 ، 34-43. [ Google Scholar ] [ CrossRef ]
  12. تان، م. لی، ایکس. هوی، ایکس. لو، سی. گسترش زمین شهری و از دست دادن زمین قابل کشت در چین – مطالعه موردی منطقه پکن-تیانجین-هبی. سیاست کاربری زمین 2005 ، 22 ، 187-196. [ Google Scholar ] [ CrossRef ]
  13. وربورگ، پی اچ. شولپ، CJE; ویت، ن. Veldkamp، A. کاهش مقیاس سناریوهای تغییر کاربری زمین برای ارزیابی پویایی مناظر اروپایی. Agr. اکوسیست. محیط زیست 2006 ، 114 ، 39-56. [ Google Scholar ] [ CrossRef ]
  14. ژائو، ی. فنگ، دی. یو، ال. چنگ، ی. گونگ، پی. پویایی پوشش زمین درازمدت (1986-2016) شمال شرق چین برگرفته از یک آرشیو چندمدت لندست. Remote Sens. 2019 , 11 , 599. [ Google Scholar ] [ CrossRef ]
  15. چالینور، ای جی؛ پارکز، بی. Ramirez-Villegas, J. واکنش عملکرد محصول به تغییرات آب و هوایی با شدت کشت متفاوت است. جهانی تغییر زیستی. 2015 ، 21 ، 1679-1688. [ Google Scholar ] [ CrossRef ]
  16. فولی، جی. روت، دی. آسنر، GP; کارول، بی. گوردون، بی. کارپنتر، اس آر. اف استوارت، سی. Coe, MT; روزانه، GC; گیبس، هنگ کنگ پیامدهای جهانی استفاده از زمین. Science 2005 ، 309 ، 570-574. [ Google Scholar ] [ CrossRef ]
  17. کو، اچ جی. پیترز، دی جی جغرافیای اجتماعی و اقتصادی کشاورزی ارگانیک در ایالات متحده. Agroecol. سوست غذا 2017 . [ Google Scholar ] [ CrossRef ]
  18. هیمنن، اس جی. هاکالا، ک. Kahiluoto، H. پاسخ های محصول به تغییرات آب و هوایی و اجتماعی-اقتصادی در مناطق شمالی. Reg. محیط زیست تغییر 2013 ، 13 ، 17-32. [ Google Scholar ] [ CrossRef ]
  19. لیو، جی. ژانگ، ز. خو، X. کوانگ، دبلیو. ژو، دبلیو. ژانگ، اس. لی، آر. یان، سی. یو، دی. وو، اس. الگوهای فضایی و نیروهای محرک تغییر کاربری زمین در چین در اوایل قرن بیست و یکم. جی. جئوگر. علمی 2010 ، 20 ، 483-494. [ Google Scholar ] [ CrossRef ]
  20. یوان، دبلیو. لیو، اس. وی، ال. ژائو، اس. هوی، ال. تغییرات منطقه ای بازار محور در شیوه های کشت، ظرفیت تولید مواد غذایی چین را کاهش می دهد. Earths Future 2018 , 6 . [ Google Scholar ] [ CrossRef ]
  21. سیفی، ب. دریک، L. کشاورزی سوئدی در قرن بیستم در رابطه با پایداری. Ecol. اقتصاد 2008 ، 68 ، 370-380. [ Google Scholar ] [ CrossRef ]
  22. فرلکینگ، اس. Yeluripati، JB; داگلاس، EM نقشه‌های جدید در سطح منطقه از کشت برنج در هند: پایه‌ای برای ورودی علمی در ارزیابی سیاست. رشته. محصولات زراعی. Res. 2006 ، 98 ، 164-177. [ Google Scholar ] [ CrossRef ]
  23. یوجنیا، ک. مینگ، سی. تأثیر شهرنشینی و تغییر کاربری زمین بر اقلیم. طبیعت 2003 ، 423 ، 528-531. [ Google Scholar ]
  24. مک‌کینی، ML شهرسازی، تنوع زیستی و حفاظت. Bioscience 2002 ، 52 ، 883-890. [ Google Scholar ] [ CrossRef ]
  25. لانگ، اچ. لی، ی. لیو، ی. وودز، ام. ژیان، زی. تجدید ساختار در روستاهای چین با سیاست استفاده از زمین «افزایش در مقابل کاهش تعادل» برای مقابله با روستاهای توخالی تسریع شد. سیاست کاربری زمین 2012 ، 29 ، 11-22. [ Google Scholar ] [ CrossRef ]
  26. Weng, Q. سنجش از دور؟ ارزیابی GIS از گسترش شهری و تأثیر آن بر دمای سطح در دلتای ژوجیانگ، چین. بین المللی J. Remote Sens. 2001 , 22 , 16. [ Google Scholar ]
  27. جی، سی. شهرنشینی سریع در چین: چالشی واقعی برای حفاظت از خاک و امنیت غذایی. Catena 2007 ، 69 ، 1-15. [ Google Scholar ]
  28. لو، ال. خو، X. Xi، C. ارزیابی تأثیر گسترش شهری بر عملکرد محصول بالقوه در چین طی سال‌های 1990-2010. امنیت غذایی 2015 ، 7 ، 33-43. [ Google Scholar ]
  29. پنگ، جی. وانگ، ی. وو، جی. یو، جی. ژانگ، ی. لی، دبلیو. اثرات زیست محیطی مرتبط با تغییر کاربری زمین در چشم انداز کشاورزی جنوب غربی چین. بین المللی J. Sustain. توسعه دهنده محیط زیست جهانی 2006 ، 13 ، 315-325. [ Google Scholar ] [ CrossRef ]
  30. Matson، PA; پارتون، WJ; پاور، AG; Swift، MJ Agricultural تشدید و خواص اکوسیستم. Science 1997 ، 277 ، 504-509. [ Google Scholar ] [ CrossRef ]
  31. دینگ، ام. چن، کیو. شیائو، ایکس. شین، ال. ژانگ، جی. Li، L. تنوع در شدت کشت در شمال چین از سال 1982 تا 2012 بر اساس داده های gimms-ndvi. پایداری 2016 ، 8 ، 1123. [ Google Scholar ] [ CrossRef ]
  32. لی، ال. ژائو، ی. فو، ی. پان، ی. لی، ی. Xin، Q. نقشه برداری با وضوح بالا از چرخه های کشت با ادغام داده های landsat و modis. Remote Sens. 2017 ، 9 ، 1232. [ Google Scholar ]
  33. استل، اس. کومرل، تی. اهرم، سی. باومن، ام. Hostert، P. نقشه برداری شدت استفاده از زمین زراعی در سراسر اروپا با استفاده از سری زمانی modis ndvi. محیط زیست Res. 2016 ، 11 ، 024015. [ Google Scholar ] [ CrossRef ]
  34. لیو، جی. زو، دبلیو. Cui، X. یک روش نقشه برداری شاخص کشت تطبیق شکل (ci) برای تعیین شدت زمین های زراعی کشاورزی در چین با استفاده از داده های سری زمانی مدیس. PERS 2012 ، 78 ، 829-837. [ Google Scholar ] [ CrossRef ]
  35. کیو، بی. لو، دی. تانگ، ز. آهنگ، دی. زنگ، ی. وانگ، ز. چن، سی. نان، سی. هوانگ، اچ. Xu, W. نقشه برداری روند شدت کشت در چین در طول 1982-2013. Appl. جئوگرا. 2017 ، 79 ، 212-222. [ Google Scholar ] [ CrossRef ]
  36. روئی، ایکس. یو، ال. شین، اچ. روئیکسینگ، اس. Weixuan، Y.; تائو، زی. بررسی نیروهای محرکه از دست دادن زمین های کشاورزی تحت شهرسازی سریع با استفاده از رگرسیون لجستیک باینری و رگرسیون فضایی: مطالعه موردی خلیج شانگهای و هانگژو. Ecol. اندیک. 2018 ، 95 ، 455-467. [ Google Scholar ]
  37. ژائو، جی.- ایکس. لین، جی. فلچر، جی جی. یویل، سی. تغییرات زمین های کشت شده و نیروهای محرک آن ها – تحلیل سنجش از دور ماهواره ای در دلتای رودخانه زرد، چین. پدوسفر 2004 ، 14 ، 93-102. [ Google Scholar ]
  38. فو، ایکس. وانگ، ایکس. یانگ، YJ استخراج فاکتورهای مناسب برای مدل شبیه‌سازی کاربری اراضی ca-markov بر اساس داده‌های تاریخی محلی. جی. محیط زیست. مدیریت 2017 ، 206 ، 10. [ Google Scholar ] [ CrossRef ]
  39. چن، ی. شیا، ال. لیو، ایکس. آی، بی. لی، اس. گرفتن اثرات متغیر نیروهای محرک در طول زمان برای شبیه سازی رشد شهری با استفاده از تجزیه و تحلیل بقا و اتوماتای ​​سلولی. طرح شهری منظر. 2016 ، 152 ، 59-71. [ Google Scholar ] [ CrossRef ]
  40. جیا، ز. ما، بی. جینگ، ز. Zeng، W. شبیه سازی تغییرات مکانی-زمانی استفاده از زمین بر اساس محدودیت های خط قرمز اکولوژیکی و عوامل محرک چشم انداز: مطالعه موردی در پکن. پایداری 2018 ، 10 ، 1299. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  41. وانگ، جی اف. هو، ی. تشخیص خطر سلامت محیطی با ژئودتکتور. محیط زیست مدل نرم افزار 2005 ، 20 ، 114-115. [ Google Scholar ] [ CrossRef ]
  42. وانگ، جی اف. لی، XH; کریستاکوس، جی. لیائو، YL; ژانگ، تی. گو، ایکس. Zheng، XY ارزیابی خطر سلامت مبتنی بر آشکارسازهای جغرافیایی و کاربرد آن در مطالعه نقص لوله عصبی منطقه heshun، چین. بین المللی جی. جئوگر. Inf. علمی 2010 ، 24 ، 107-127. [ Google Scholar ] [ CrossRef ]
  43. جو، اچ. ژانگ، ز. زو، ال. وانگ، جی. ژانگ، اس. شیائو، دبلیو. ژائو، ایکس. نیروهای محرک و تعامل آنها با گسترش زمین ساخته شده بر اساس آشکارساز جغرافیایی – مطالعه موردی پکن، چین. بین المللی جی. جئوگر. Inf. علمی 2016 ، 30 ، 2188-2207. [ Google Scholar ] [ CrossRef ]
  44. رن، ی. دنگ، ال. زو، اس. لو، ی. شائو، جی. وی، ایکس. هوآ، ال. یانگ، ی. مدل‌سازی جغرافیایی تعامل فضایی بین فعالیت‌های انسانی و اتصال جنگل در منظر شهری جنوب شرقی چین. محیط زیست منظره. 2014 ، 29 ، 1741-1758. [ Google Scholar ] [ CrossRef ]
  45. لو، CR; لیو، هی. لی، YF; لی، YL محرک‌های اجتماعی-اقتصادی pm2.5 در مرحله تجمع قسمت‌های آلودگی هوا در دلتای رودخانه یانگ تسه چین. IJER Public Health 2016 , 13 , 928. [ Google Scholar ]
  46. یانگ، آر. لیو، YS; چن، YF; Ting-Ting، LI وارونگی سنجش از دور برای تغییرات مکانی و زمانی شاخص کشت چندگانه و تشخیص برای عوامل مؤثر در اطراف لبه بوهای در چین. Scientia Geogra. Sinica 2013 ، 33 ، 588-593. [ Google Scholar ]
  47. لیو، ی. ژانگ، ز. وانگ، جی. طرح تمایز منطقه ای و منطقه ای سازی جامع کشاورزی مدرن در چین. Acta Geogr. گناه 2018 ، 2 ، 203-218. [ Google Scholar ]
  48. لیو، YS; وانگ، جی. تجزیه و تحلیل طولانی، HL از دست دادن زمین زراعی و تأثیر آن بر پایداری روستایی در استان جیانگ سو جنوبی چین. جی. محیط زیست. مدیریت 2010 ، 91 ، 646-653. [ Google Scholar ] [ CrossRef ]
  49. وانگ، جی اف. ژانگ، TL; Fu، BJ اندازه گیری ناهمگنی طبقه بندی شده فضایی. Ecol. Indic 2016 , 67 , 250-256. [ Google Scholar ] [ CrossRef ]
  50. کلینتون، ن. استولماخر، ام. مایلز، ای. آراگون، NU؛ واگنر، ام. جورجسکو، ام. هرویگ، سی. Gong, P. برآورد خدمات اکوسیستم زمین فضایی جهانی از کشاورزی شهری. Earths Future 2018 , 6 . [ Google Scholar ] [ CrossRef ]
Ijgi 08 00519 g001 550
شکل 1. نقشه 9 منطقه کشاورزی در چین با پس زمینه نقشه پوشش زمین چین. هر دو نقشه از پلتفرم ابر داده‌های منابع و محیط ( https://www.resdc.cn/ ) که توسط موسسه علوم جغرافیایی و تحقیقات منابع طبیعی در آکادمی علوم چین پشتیبانی می‌شود، به‌دست آمدند.
Ijgi 08 00519 g002 550
شکل 2. نقشه های میانگین سالانه شدت کشت برای هر سال جداگانه و نقشه میانگین شدت کشت شانزده ساله در چین از سال 2001 تا 2016.
Ijgi 08 00519 g003 550
شکل 3. تغییرات در میانگین شدت کشت برای 9 منطقه کشاورزی منفرد در چین در 2001-2016.
Ijgi 08 00519 g004 550
شکل 4. تغییرات در شدت کشت در چین از سال 2001 تا 2016 و در هر بازه زمانی چهار ساله. تغییرات در شدت کشت در چین ( الف ) از سال 2001 تا 2016. ( ب ) از 2001 تا 2004. ( ج ) از 2005 تا 2008. ( د ) از 2009 تا 2012; ( ه ) از 2013 تا 2016.
Ijgi 08 00519 g005 550
شکل 5. توزیع فضایی روند شدت کشت برای هر پیکسل در شبکه های 5 کیلومتری برای ( الف ) نرخ تغییر در روندهای خطی از 2001 تا 2016 و ( ب ) اهمیت در روندهای خطی از 2001 تا 2016 نشان داده شده است (به طور قابل توجهی افزایش می یابد، SigI; افزایش می‌یابد اما معنی‌دار نیست، غیر SigI؛ کاهش می‌یابد اما معنی‌دار نیست، غیر SigD؛ به‌طور قابل‌توجهی کاهش می‌یابد، SigD).

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید