EN中文

Resources Science >

2025 , Vol. 47 >Issue 9: 1915 - 1928

DOI: https://doi.org/10.18402/resci.2025.09.07

Land Resources

Development and validation of a cultivability evaluation model for cultivated land reserve resources: Coupling random forest with the limiting factor method

  • ZHANG Hui , 1, 2 ,
  • ZHOU Songshan 3, 4 ,
  • LEI Hengcong 2 ,
  • LI Mangen , 2 ,
  • CHEN Niannan 2 ,
  • WANG Yuxin 2
Expand
  • 1. Center of Geological Resource and Management Research, Soft Science Research and Cultivation Base of Jiangxi Province, East China University of Technology, Nanchang 330013, China
  • 2. School of Earth and Planetary Sciences, East China University of Technology, Nanchang 330013, China
  • 3. Jiangxi Institute of Land Space Survey and Planning, Nanchang 330025, China
  • 4. Technology Innovation Center for Land Spatial Ecological Protection and Restoration in Great Lakes Basin, Ministry of Natural Resources, Nanchang 330025, China

Received date: 2024-07-25

  Revised date: 2025-04-24

  Online published: 2025-10-13

Fold

Abstract

[Objective] To address the subjective limitations of the current limiting factor method, this study introduced a machine learning model to enhance the objectivity and efficiency of the cultivability evaluation of cultivated land reserve resources. [Methods] Using Anyuan County, Jiangxi Province as a case study, and based on 768 sample patches from the land use change survey in 2020, the cultivability evaluation was transformed into a binary classification problem. Using the evaluation results of the limiting factor method derived from the same data source as labels, a random forest model was constructed. The mean decrease Gini (MDG) was used to analyze feature importance for optimizing the evaluation indicator system. Additionally, model performance was comprehensively evaluated through cross-validation, area under the curve (AUC) value, and Kappa coefficient. [Results] (1) The model achieved an average accuracy exceeding 0.990 on the training set, test set, and cross-validation, with the test set AUC reaching 0.999. Furthermore, the learning curves indicated that the model had high accuracy and strong generalization capability. (2) The model evaluation results showed an overall consistency of 93.07% with the limiting factor method (Kappa = 0.794). The inconsistent patches exhibited a significantly dispersed distribution (R = 1.836, p < 0.001), mainly concentrated in heterogeneous areas such as regions where the proportion of slopes >25° was near the threshold and urban development boundaries, revealing the model’s limitations and indicating directions for improvement. (3) The quantitative ranking of key factor importance was as follows: ecological condition (40.29%), cultivation convenience (25.68%), soil texture (16.17%), soil layer thickness (8.27%), soil pH (8.26%), terrain slope (1.12%), and soil heavy metal pollution status (0.22%). This highlighted the prominent ecological characteristics and shallow soil conditions of the region. [Conclusion] This study provides an intelligent and quantitative evaluation of the cultivability of cultivated land reserve resources. The constructed model highlights the dominant roles of ecological and cultivation conditions in hilly regions of southern China, providing a scientific basis for regional land-use management and policy implementation.

Key words： cultivated land reserve resources; cultivability evaluation; random forest algorithm; limiting factor method; feature importance analysis; Anyuan County, Jiangxi Province

Cite this article

ZHANG Hui , ZHOU Songshan , LEI Hengcong , LI Mangen , CHEN Niannan , WANG Yuxin . Development and validation of a cultivability evaluation model for cultivated land reserve resources: Coupling random forest with the limiting factor method[J]. Resources Science, 2025 , 47(9) : 1915 -1928 . DOI: 10.18402/resci.2025.09.07

1 引言

粮食安全作为国家安全的战略基础，其可持续性从根本上依赖于耕地资源的数量保障与质量提升[1]。我国耕地资源形势严峻，2023年人均耕地面积仅1.37亩，约为世界平均水平的1/3[2]，同时，中低产田面积占比高达68.76%[3]。在城镇化快速推进与生态保护红线双重约束下，传统耕地保护模式日趋受限。因此，科学评价与合理开发宜耕后备资源，成为突破耕地资源约束，推进国土空间综合整治的关键路径[4,5]。这不仅关乎自然资源部“占优补优”政策[6]的有效落实，更是构建“数量-质量-生态”三位一体耕地保护新格局[7]的核心环节。县域作为耕地占补平衡实施和资源管理的基本单元[1,6]，开展该尺度下的耕地后备资源宜耕性评价，既是为落实“以补定占”[1]机制提供科学依据，更是新时代统筹发展与保护、守住耕地红线的重要技术支撑。
科学、合理的耕地后备资源宜耕性评价方法体系是实现耕地后备资源精准识别的理论基础与技术前提。现有方法主要可归为3类：①基于指标体系的综合评估法（多因素综合法[8,9]、模糊综合评价法[10,11]等）；②基于限制条件的筛选法（限制性因子法[12-14]、极限条件法[15]等）；③基于数学模型的量化分析法（正态云模型法[16]、聚类分析法[17]、灰色关联法[18]等）。其中，多因素综合法和限制性因子法是应用最为广泛的两种方法。多因素综合法系统性强，但权重确定主观性明显[19]；限制性因子法作为《全国耕地后备资源调查评价技术方案》（以下简称《技术方案》）的指定方法[20]，虽逻辑清晰[12,14]，却依赖人工逐图斑判定且难以量化因子贡献度[13,14,19]。总体而言，现有方法在自动化与量化精度方面存在明显的技术瓶颈，制约了耕地后备资源精准识别与高效管理，亟需构建融合智能算法的新型评价方法。机器学习方法在土地利用分类领域已展现出明显优势[21-23]，但其在宜耕性评价中的系统应用仍待深入。
针对上述问题，本文提出“政策适配-算法创新-县域验证”的研究框架。首先，基于《技术方案》构建评价指标体系，确保政策合规性。进而创新性地引入随机森林算法，其优势主要体现在3个方面：①将宜耕性评价转化为二分类任务，既符合《技术方案》的判定逻辑[20]，又能借助决策树结构提供直观的决策路径，从而具备良好的可解释性[24]；②通过算法内置的特征重要性排序功能，定量得出因子的贡献度[22]，弥补传统方法的不足；③借助集成学习机制缓解数据不平衡问题，适应县域小样本特点[21,25]。在实证层面，选取江西安远县作为研究区，其典型性体现在：①地形代表性，属南方丘陵山区的典型代表，耕地后备资源以其他草地（397.50 hm2）和裸地（6.74 hm2）[26]为主，且多为坡地与零散地块；②政策示范性，系江西省全域土地综合整治重点区域，亟需科学评价支撑“占优补优”实践；③技术可迁移性，数据基于第三次全国国土调查等同一来源[20]，方法具备较强迁移性。最终，通过系统验证，为同类县域提供可推广的技术方案。

2 研究区概况

安远县位于江西省南部，属于赣州市，总面积2349.97 km2，属典型南方红壤丘陵区。县域83.43%为山地丘陵[27]，整体地势中部突起，向南北倾斜，高程介于97~1129 m之间（图1）。>25°陡坡地占比达56.57%，显著制约宜耕后备资源的分布。属亚热带季风湿润气候，年平均气温18.6 ℃[19]，无霜期283±2天，年日照总数1840小时，≥10 ℃活动积温超过5500 ℃，年降水量约1700 mm[27]。水资源总量丰富（地表水12.33亿m3，地下水3.98亿m3）[27]，为农业生产提供基础保障。
图1 安远县区位及评价单元分布图

Figure 1 Location of Anyuan County and distribution of evaluation units

根据《安远县国土空间总体规划（2021—2035年）》，全县生态保护红线面积660.79 km2（占28.12%），涵盖东江源国家湿地公园、三百山国家森林公园等重要生态功能区。规划要求，2035年耕地保有量不低于21.58万亩。2020年耕地面积22.74万亩，但亩产仅266 kg，远低于同期全国平均水平（382 kg/亩）[28]，表明耕地质量偏低，产能提升压力大。同时，城镇开发边界严控于4.9万亩以内，新增0.86万亩，进一步压缩了宜耕后备资源空间。综上，在生态保护、粮食安全与城镇发展的多重约束下，宜耕后备资源的精准识别已成为安远县可持续发展的关键问题。为此，本文引入机器学习方法进行耕地后备资源宜耕性评价，以期为县域国土空间优化和耕地保护任务落实提供科学依据。

3 研究方法与数据

3.1 技术路线

本文基于《技术方案》要求的10项评价指标，系统收集并处理安远县相关数据，构建标准化矢量数据集。以国家下发耕地后备资源图斑（下文简称“国家图斑”）为训练样本，通过GIS叠加分析提取各图斑的特征状态向量，采用5折交叉验证将其划分为训练集和测试集。将限制性因子法得出的国家图斑宜耕/不宜耕评价结果作为监督学习的分类标签，依托随机森林模型学习评价规则，并进行特征重要性分析以优化特征集。至模型精度满足要求后，将待评价的补充图斑作为独立验证集输入优化模型，实现宜耕性自动识别，最后采用混淆矩阵和Kappa系数验证模型性能（图2）。
图2 技术路线图

Figure 2 Technical flowchart

3.2 评价对象与评价指标

3.2.1 评价对象及评价单元

根据《技术方案》，耕地后备资源宜耕性评价对象有2类：①国家图斑；②补充图斑，即未纳入国家图斑，但经县级自然资源主管部门会同农业农村部门，根据局部小气候、灌溉条件等实际状况认定具有开发潜力的图斑[20]。两类对象的评价单元均为整个地类图斑[20]。安远县参评国家图斑共768个，补充图斑101个（图1）。

3.2.2 评价指标体系

本文采用《技术方案》建立的评价指标体系，包括生态条件、地形坡度、年积温、年降水量、土壤质地、土壤重金属污染状况、盐渍化程度、土壤pH值、土层厚度和耕作便利度[20]10项指标（表1）。各项指标按照宜耕=1、不宜耕=2的规则进行编码。如生态条件指标，评价图斑位于生态保护红线和城镇开发边界外代码为1，若出现以下情形之一，则代码为2：①位于生态保护红线或城镇开发边界内；②对该图斑进行开发会导致土地退化；③开发活动会引发地质灾害[20]。
表1 耕地后备资源调查评价指标体系

Table 1 Survey and evaluation indicator system for cultivated land reserve resources

指标名称 指标说明 指标值分类 指标值代码
生态条件 后备资源地块是否位于生态保护红线、城镇开发边界外，或开发是否会导致土地退化、或引起地质灾害对自然生态系统造成重大影响 生态保护红线和城镇开发边界外 1
生态保护红线或城镇开发边界内或开发会导致土地退化或引发地质灾害 2
地形坡度 后备资源地块地形坡度是否≤25° ≤25° 1
>25° 2
≥10 ℃年积温 后备资源地块是否位于年有效积温≥1800 ℃的区域 ≥1800 ℃ 1
<1800 ℃ 2
年降水量 后备资源地块是否位于年降水量≥400 mm区域或年降水量<400 mm但有灌溉条件 ≥400 mm或<400 mm有灌溉条件 1
<400 mm无灌溉条件 2
土壤质地 后备资源地块是否属于砾质土或更粗
质地土壤		 壤质、粘质或砂质 1
砾质或更粗质地 2
土壤重金属污染状况 后备资源地块土壤是否遭受污染 土壤未遭受污染 1
土壤遭受污染 2
盐渍化程度 后备资源地块土壤盐渍化程度是否在重度以下且有灌溉排水条件 无、轻度盐化和中度盐化或重度盐化有灌溉排水条件 1
重度盐化无灌溉排水条件 2
土壤pH值 后备资源地块pH值是否在4.0~9.5之间 4.0~9.5 1
≤4.0或≥9.5 2
土层厚度 后备资源地块是否满足≥60 cm，或有客土土源 ≥60 cm或<60 cm有客土土源 1
<60 cm无客土土源 2
耕作便利度 后备资源地块是否方便到达耕种，是否可持续利用 面积>20 hm2或有道路到达 1
图斑面积≤20 hm2且没有道路到达 2

3.3 数据来源与处理

3.3.1 数据来源

本文数据包括图斑样本与评价指标数据两部分。国家图斑为训练样本，补充图斑为验证集，均由安远县自然资源局提供。训练样本标签采用江西省国土空间调查规划研究院提供的限制性因子法评价结果，该结果已通过省级自然资源部门专家的多轮评审。
评价指标数据来源包括两部分：①基础数据：整合安远县2020年度国土变更调查成果、生态保护红线、城镇开发边界、遥感影像、地形坡度、土壤普查与污染详查数据、地理国情监测数据、耕地质量等别与分类成果、第二次全国耕地后备资源调查评价成果、土地质量地球化学调查成果等权威数据（表2）；②外业调查数据：在研究区内系统布设298个采样点，采用标准方法测量土层厚度、土壤质地与pH值，并实地评估灌溉条件与耕作便利度[26]。
表2 耕地后备资源评价数据来源

Table 2 Data sources for evaluation of cultivated land reserve resources

指标名称 涉及原始资料 数据来源部门
生态条件 “三区三线”成果数据，地质灾害隐患点 自然资源部门
地形坡度 安远县坡度图 自然资源部门
≥10 ℃年积温 安远县2017—2021年≥10 ℃积温观测数据 气象部门
年降水量 基于气象站观测的安远县2017—2021年年降水量数据 气象部门
土壤质地 第二次全国土壤普查成果、耕地后备资源调查评价成果、耕地质量等别评价数据、耕地质量分类、土地质量地球化学调查成果、外业调查数据 自然资源部门/
农业农村部门
土壤重金属污染状况 安远县土壤重金属污染图层 生态环境部门
盐渍化程度 第二次全国耕地后备资源调查评价成果、安远县土壤盐渍化状况调查数据 农业农村部门
土壤pH值 第二次全国土壤普查成果、耕地后备资源调查评价成果、耕地质量等别评价数据、耕地质量分类、土地质量地球化学调查成果、外业调查数据 自然资源部门/
农业农村部门
土层厚度 第二次全国土壤普查成果、耕地后备资源调查评价成果、耕地质量等别评价数据、耕地质量分类、土地质量地球化学调查成果、外业调查数据 自然资源部门/
农业农村部门
耕作便利度 第三次全国国土调查2020年度国土变更调查成果、地理国情监测数据、遥感影像 自然资源部门

3.3.2 数据处理

数据处理主要包括3个步骤：（1）进行多源数据预处理与生成评价指标图层。在GIS平台中统一数据的数学基础、比例尺及格式，并对纸质、栅格等资料进行矢量化与配准。依据表1的评价规则，逐项生成二值化矢量图层（宜耕/不宜耕）。经协调冲突数据后整合为覆盖安远县全域10项指标标准化矢量数据集（图3）。（2）构建评价图斑的特征向量。通过GIS叠加分析提取每个评价图斑在各指标下的状态值：若图斑完全位于某指标宜耕区内，则该特征值为1；完全位于不宜耕区内，值为2；同时覆盖宜耕和不宜耕，则记为3，表征空间属性冲突。最终为每个图斑生成一个10维特征向量，作为随机森林模型的输入特征集。（3）对赋值结果进行校验与完善。通过以下措施保障结果可靠性：①对指标缺失图斑开展外业补充调查；②对存疑图斑进行外业复核与专家咨询；③随机抽样实地校验并修正偏差。
图3 安远县耕地后备资源单项评价指标空间分布图

注：本文初始指标体系严格遵循 《技术方案》 的10项指标。尽管≥10 ℃年积温、年降水量和盐渍化程度3项指标在安远全县均属宜耕，但仍予保留，主要基于两点考量：①确保与国家标准的可比性，为模型优化提供完整基准；②验证随机森林模型能够自动识别并剔除在特定区域无判别意义的因子，证明该方法具备适应区域差异的潜力，为其他地区构建本地化评价体系提供参考。最终优化形成7个关键指标集。

Figure 3 Spatial distribution of individual evaluation indicators for cultivated land reserve resources in Anyuan County

3.4 研究模型

3.4.1 随机森林分类算法应用框架

随机森林（Random Forest, RF）是由Breiman[29]提出的一种集成学习算法，通过构建多棵决策树并集成其预测结果，显著提升了模型的泛化能力与鲁棒性[30]。该算法能够缓解过拟合问题[23]，尤其适用于多特征、小样本的二分类场景[25]。
基于上述优势，本文将随机森林算法应用于耕地后备资源宜耕性评价，并将该评价构建为一个二分类问题，定义宜耕图斑的类别标签为1，不宜耕为2。具体方案为：以国家图斑的限制性因子法评价结果作为标签，对应的10项指标特征状态向量作为输入，训练随机森林分类模型，学习专家评价中隐含的决策规则，最终实现补充图斑宜耕性的自动、精准判别。

3.4.2 特征变量集的构建与优化

依据《技术方案》，本文初始特征集包含10项指标，部分指标在南方丘陵区可能存在区域适用性问题，≥10 ℃年积温、年降水量和盐渍化程度3项指标在研究区内均为宜耕，预期对宜耕性评价的区分度贡献有限。为验证此判断并提升模型效能，采用平均基尼减小值（Mean Decrease Gini, MDG）度量特征重要性，计算公式为[24]：
M D G k = ∑ i = 1 n ∑ j = 1 t D G k i j ∑ k = 1 m ∑ i = 1 n ∑ j = 1 t D G k i j
式中：MDGk为第k个特征的平均基尼减少值，用于表征该特征在宜耕性评价中的贡献度，取值区间为[0,1]；n为决策树的总数；t为单棵树节点总数；m为特征变量的总个数；DGkij为第k个特征在第i棵树的第j个节点的基尼指数减小值。
经随机森林分类器的feature_importances_属性计算，上述3项特征MDG值均为0，证实其无法提供有效的判别信息。依据评价指标选用的3项原则：①对宜耕性评价有实际影响；②该指标在研究区内存在明确的、对宜耕性产生限制作用的临界值；③有可行的数据获取方法与来源，将此3个特征剔除，最终保留7项具有空间分异特征的关键变量组成优化特征集，用于后续的模型构建。

3.4.3 模型构建与参数优化

基于上述优化特征集，利用Python语言及scikit-learn库的ensemble模块导入随机森林分类器（Random Forest Classifier）类构建模型。随机森林分类器的参数寻优和模型稳定性验证均采用网格搜索交叉验证方法（Grid Search CV）进行。以安远县768个国家图斑的特征向量构成初始数据集，利用scikit-learn库的model_selection模块导入StratifiedKFold类，执行5折分层交叉验证。在每一轮迭代中，随机选择其中80%的样本作为训练集，剩余20%作为测试集，此过程重复5次直至所有子集均被轮换作为测试集一次。为确定最佳参数组合，分别针对初始特征集（n_features=10）和优化特征集（n_features=7）进行了网格搜索，得到的最优参数如表3所示。为进一步分析模型稳定性，在确定最优超参数的基础上，本文设计了专项实验，用于探讨随机森林中决策树数量（n_estimators）的变化对特征重要性排序的影响。
表3 模型最优参数

Table 3 Optimal model parameters

模型参数 特征变量数量
10 7
决策树个数（n_estimators） 100 50
树的最大深度（max_depth） None None
最大特征数（max_feature） 1 1
随机抽取的样本数量（max_samples） 0.2 0.2
拆分内部节点所需的最少样本数（min_samples_split） 2 2
在叶节点上所需的最少样本数（min_samples_leaf） 1 1
随机数种子（random_state） 42 42

3.4.4 模型精度评价

为全面评估模型性能，采用以下指标：
（1）准确度（Accuracy）：用于衡量被正确分类的图斑比例，计算公式为：
A c c = T P + T N T P + T N + F P + F N
式中：TP（True Positive）表示宜耕图斑被正确分类的个数；TN（True Negative）表示不宜耕图斑被正确分类的个数；FP（False Positive）表示不宜耕图斑被错误划分为宜耕的个数；FN（False Negative）表示宜耕图斑被错误划分为不宜耕的个数。
（2）受试者工作特征曲线下面积（AUC）：用于评估模型在不同分类阈值下的综合分类性能，AUC值越高表明模型区分能力越强[31]。
（3）Kappa系数：用于度量模型自动分类结果与限制性因子法评价结果的一致性。
此外，采用混淆矩阵直观展示分类结果的细节，包括宜耕和不宜耕类别的正确分类与错误分类的图斑数量。

4 结果与分析

4.1 模型性能与预测精度

本文基于安远县768个国家图斑样本训练随机森林模型，该模型表现出优异的性能。具体而言，模型在训练集和测试集的准确度分别为0.997和0.994，交叉验证平均准确度达0.996，显示出良好的泛化能力；AUC值达0.999，显著高于0.9的优秀阈值[31,32]，证明其具备极强的类别区分能力。学习曲线显示（图4），随着训练样本量增加，训练集与验证集准确率同步提升并最终稳定在0.975以上，表明模型在安远县复杂的丘陵山地环境下仍保持稳定的泛化性能，未出现明显的过拟合现象，适用于该区域耕地后备资源的宜耕性评价。
图4 随机森林模型学习曲线

Figure 4 Learning curves of random forest model

4.2 预测结果的一致性及差异格局分析

4.2.1 预测结果的一致性

基于训练完备的模型对安远县101个补充图斑进行宜耕性判别，结果显示（图5），宜耕图斑81个（占80.20%），不宜耕图斑20个（占19.80%）。不宜耕图斑的分布呈现明显空间规律，与安远县作为南方典型丘陵山区和国家级重点生态功能区的区域特征高度相关。实地勘察与地理背景分析表明，其立地条件主要受生态保护要求、砾质土壤、pH值低于4.0及较薄土层等因素制约。由此可见，生态本底与土壤障碍是制约该区域耕地后备资源开发的关键自然因素。这一基于地理学知识的归因判断，后续将通过模型驱动的特征重要性分析进行定量验证。
图5 补充图斑的模型预测结果图

Figure 5 Predictive results of the mode for supplementary patches

模型预测结果和限制性因子法评价结果高度一致。混淆矩阵分析表明（表4），两者完全一致的图斑为94个，总体一致率93.07%；Kappa系数为0.794，远高于0.6的一致性阈值[21,22]，表明自动判别与人工评价吻合度极高。
表4 模型预测结果与限制性因子法评价结果混淆矩阵

Table 4 A confusion matrix between the model predictions and limiting factor evaluation results

限制性因子法
评价结果		 模型预测结果
不宜耕/个 宜耕/个 合计/个
不宜耕 18 5 23
宜耕 2 76 78
合计 20 81 101

4.2.2 差异格局分析

存在判别差异的7个图斑在空间上未呈现集聚态势，而是表现出高度显著的离散分布特征（图6）。平均最近邻分析结果表明（表5），其观测平均距离（11522.3 m）显著大于预期随机距离（6275.1 m），最近邻比率（R）为1.836（p<0.001），拒绝随机分布的原假设。该空间模式表明，模型判别与限制性因子法之间的分歧并非由局部地理异常或模型系统性偏差引起，而是广泛分布于整个研究区内。差异图斑的离散性格局与地理现象的空间异质性[33]相吻合，进一步说明两类方法在处理具有全域性特征的复杂规则时存在根本性差异[34,35]。
图6 模型预测结果与限制性因子法评价结果差异分布图

Figure 6 Distribution of discrepancies between model predictions and limiting factor evaluation results

表5 差异图斑空间分布的平均最近邻分析结果

Table 5 Average nearest neighbor analysis results of spatial distribution of discrepant patches

指标 值
观测平均距离 11522.3 m
预期平均距离 6275.1 m
最近邻比率（R） 1.836
z得分 4.232
p值 < 0.001
根据主导影响因子可将差异图斑分为2类：①坡度主导型，包括图斑1、33、53，其>25°的陡坡地占比分别为56.37%、99.54%与50.81%，模型仍判为宜耕，与限制性因子法的结论不一致；②城镇边界影响型，包括图斑8、16、63、96，均与城镇开发边界存在空间冲突（如图斑96位于边界内的面积比例高达94.72%），模型判别结果亦不同于限制性因子法。
上述分析表明，模型在处理复杂立地条件（如陡坡过渡带）和人为划定边界（如城镇开发边界）相互交织的区域时，仍存在一定的判别不确定性。鉴于差异图斑的全域离散分布特征，后续模型优化应重点提升>25°陡坡地占比临界区及城镇开发边界的识别精度，而非局部参数调整。
尤为重要的是，判别分歧集中显现在“>25°陡坡地占比临近阈值”与“同城镇开发边界存在复杂空间冲突”两类边界情形上。这凸显了两种评价方法的本质区别：限制性因子法采用“一票否决”的刚性规则[12]，虽操作明确，但难以处理地理单元内部的异质性和过渡性[35]。机器学习模型的内核是基于多特征加权的综合决策机制[24,36]。以图斑53为例，其>25°陡坡地占比为50.81%，其生态条件、耕作便利度等利好特征与陡坡的不利特征相互制衡，使模型综合“得分”接近分类阈值，导致判别结果与刚性规则不同。这一对比揭示了传统评价方法在处理复杂地理实体时的内在局限，也体现出机器学习模型识别“临界”图斑的潜力。因此，本文不仅验证了模型本身的有效性，更为理解耕地后备资源宜耕性评价中的决策模糊区提供了可量化的新视角。二者之间的系统分歧为优化当前刚性评价体系提供了科学依据。

4.3 特征变量重要性分析与优选

4.3.1 特征变量筛选与优化特征集构建

基于随机森林分类器的特征重要性分析可知，≥10 ℃年积温、年降水量和盐渍化程度3个变量的贡献率均为0，故予以剔除，最终构建了由7个特征变量组成的优化特征集。该结果与安远县优越水热条件（≥10 ℃年积温普遍高于1800 ℃，年降水量不低于400 mm）且无盐渍化威胁[26,27]的自然本底高度契合，这3个因子在本研究区内不构成耕地后备资源宜耕性评价的限制条件，在模型中未表现出判别能力，其零贡献率符合地理学预期。特征筛选不仅简化了模型结构，也从数据层面验证了《技术方案》中部分指标的区域冗余性。这一特征优化流程为《技术方案》在其他地区的本地化应用提供了方法范例，为构建更具地域适应性的评价指标体系提供了定量依据。

4.3.2 特征重要性排序与地域性成因

优化特征集的重要性排序如表6所示，生态条件（40.29%）和耕作便利度（25.68%）贡献最为显著，与周建义[19]、周嵩山等[26]的研究一致，验证了模型的有效性与地域适用性。其余因子依次为土壤质地（16.17%）、土层厚度（8.27%）、土壤pH值（8.26%）、地形坡度（1.12%）和土壤重金属污染状况（0.22%）。
表6 随机森林模型（n_features = 7）特征变量重要性统计表

Table 6 Statistics of feature variable importance of random forest model (n_features =7)

特征变量 n_features = 7，n_estimators = 164
特征变量贡献率/% 特征变量重要性排序
生态条件 40.29 1
地形坡度 1.12 6
土壤质地 16.17 3
土壤重金属污染状况 0.22 7
土壤pH值 8.26 5
土层厚度 8.27 4
耕作便利度 25.68 2
该排序准确反映了安远县耕地后备资源禀赋的核心特征与关键限制因素：①生态条件位列第一，凸显了该县作为国家级生态保护重点区域的特殊性，高达86.2%的森林覆盖率及生态保护红线的刚性约束，对耕地后备资源开发具有决定性制约作用。②耕作便利度位列第二，这契合该县多山丘陵的地形特点。田块通达度与集中连片程度，因而是影响耕地实际利用效率的关键。土壤因子的制约同样显著，土壤质地、pH值与土层厚度等指标，与当地以酸性红壤为主、土层普遍浅薄等现实问题高度吻合。相比之下，地形坡度贡献率较低，这与区域地形结构及土地利用政策密切相关。尽管全县坡度>25°的陡坡地占56.57%，但其中87.85%为林地，且大部分已纳入生态保护范围，不属于耕地后备资源范畴。而86.69%耕地后备资源主要集中在坡度<25°的区域，且以6~15°缓坡地为主，故地形限制作用较弱。贡献率最低的为土壤重金属污染状况，这客观反映了该县整体环境本底良好、工业污染较轻的现状，但局部区域仍需关注该因素。
综上所述，特征重要性排序不仅量化了各因子的相对影响，更从自然本底与政策约束层面，阐释了区域耕地后备资源开发潜力的形成机制。

4.3.3 特征重要性排序的稳定性验证

为验证特征重要性排序的稳健性，本文通过调整决策树数量（n_estimators）进行了稳定性测试。结果表明：当决策树数量较少时，土壤质地、pH值及土层厚度等因子排序存在波动；当n_estimators增加至164时，经15次重复实验，优化特征集（n_features=7）中各因子重要性排序趋于一致（图7），稳定顺序为：生态条件>耕作便利度>土壤质地>土层厚度>土壤pH值>地形坡度>土壤重金属污染状况。该结果证实，在集成规模足够大时，随机森林的集成学习机制与平均效应能够有效克服单棵决策树的随机性，确保特征重要性评估稳健可靠。同时，此稳定性结论是基于当前研究区的数据与实验设置，其普适性有待在更多地理区域中验证。
图7 随机森林模型（n_features = 7）的特征重要性排序变化图

Figure 7 Feature importance ranking changes of random forest model (n_features = 7)

本文采用的随机森林特征重要性评估方法，实现了从传统人工定性判别向自动化定量评估的转变，既能够自动识别出贡献率为零的变量，又能精确量化有效因子的相对贡献程度。相比依赖专家经验、仅能定性识别限制性因子的传统方法，本文所构建的模型及评估框架提供了可复制、可推广的科学分析工具，对推进区域差异化耕地后备资源开发与管理具有重要参考价值。

5 结论与讨论

5.1 结论

本文以江西安远县为例，在《技术方案》框架下构建了基于随机森林算法的耕地后备资源宜耕性评价模型，实现了对传统限制性因子法的自动化、定量化拓展。主要结论如下：
（1）模型判别性能优异，具备良好的地域适应性。基于768个样本训练的随机森林模型，在AUC值（0.999）、训练集准确度（0.997）、测试集准确度（0.994）及交叉验证平均准确度（0.996）等方面均表现优异。学习曲线显示模型稳定收敛且未过拟合，表明模型适用于以丘陵山地为主、生态约束较强的复杂地理环境。
（2）模型预测结果与传统限制性因子法评价结果高度一致（总体一致率达93.07%，Kappa系数为0.794），且具备良好的地理可解释性。不一致图斑在空间上呈显著离散分布（R=1.836, p<0.001），主要集中于>25°陡坡地占比接近阈值区域和城镇开发边界冲突区域。该分布特征既揭示了两类方法在处理地理异质性和规则刚性方面的差异，也表明模型判别机制与实地情况相吻合。
（3）明确了安远县耕地后备资源宜耕性的主导因子，并优化了评价指标体系。特征重要性排序为：生态条件（40.29%）、耕作便利度（25.68%）、土壤质地（16.17%）、土层厚度（8.27%）、土壤pH值（8.26%）、地形坡度（1.12%）、土壤重金属污染状况（0.22%），该排序符合安远县作为国家级重点生态功能区及红壤丘陵区的地域特征。通过随机森林模型实现了冗余因子的量化识别与稳定性验证，为《技术方案》的区域化应用提供了客观依据。
（4）实现了评价过程的自动化与效率提升。该模型可自动完成指标重要性评估与宜耕性判别，显著减少了人工成本，为南方丘陵山区县域尺度耕地后备资源调查评价提供了高效、可靠的技术工具。

5.2 讨论

为深化对模型性能与因子作用机制的理解，本文重点围绕模型地域适应性的形成机制、临界图斑的决策价值、评价指标体系的优化效果以及方法推广面临的尺度挑战等4个方面展开讨论，为后续研究与实践提供指导。
（1）模型地域适应性的内在机制与泛化挑战
本文模型自动识别出生态条件与耕作便利度为安远县耕地后备资源宜耕性的主导因子。该结果与当地高森林覆盖率、严格的生态保护红线管控和丘陵主导的地形格局高度一致[27]，从数据驱动角度揭示了模型具备良好地域适应性的内在成因。然而，这种高度适配也意味着模型泛化能力面临显著挑战，其优异性能严格依赖于南方丘陵山区的训练数据。若要将模型应用于平原、干旱区或滨海带等地理环境迥异的区域，需首先通过跨区域实验对其适用性进行系统验证。因此，模型在安远县优异表现既证实了其在相似区域中的应用潜力，也突显了拓展验证范围、考察其迁移能力的必要性。机器学习方法可在遵循《技术方案》框架的基础上，形成更贴合区域实际的耕地后备资源评价体系[35]。基于此，本文构建的体系不仅是对该理念的实践，也为检验模型泛化性能和推进大范围应用奠定了方法论基础。
（2）临界图斑的决策意义与模型深化方向
差异图斑多分布在>25°陡坡地占比临近阈值的区域及城镇开发边界冲突地带。这些“临界图斑”特征组合复杂，空间分布连续且渐变，导致基于刚性规则的评估方法难以有效处理其内部异质性[19]。本文构建的模型通过多特征加权综合，能够识别处于决策边界附近的图斑，为精细化管理提供了基础。然而，当前模型的二元判别机制在量化分类不确定性方面尚有深化空间，其全局性建模框架对空间异质性的表征能力也可进一步提升。据此，后续耕地后备资源管理中可探索引入“弹性阈值”[37]或“条件准入”[38]机制，以提升对宜耕性临界区域的差异化识别与管控精度。未来的模型深化可从以下两方面着手：①开发宜耕概率输出功能，实现从二元判别向连续概率评价转变，为分级、分区的精准管理提供更细致的决策依据；②融合地理加权回归（GWR）[39-41]等空间分析方法，揭示影响宜耕性的主导因子及其作用强度随空间位置的变化规律，耦合宏观概率输出与微观空间机理解释，从而为差异化管控策略的制定提供理论支撑。
（3）评价体系优化与效率改进
本文采用MDG方法[24]对《技术方案》中的初始评价指标体系进行优化，实现了指标重要性定量筛选，克服了传统方法依赖专家经验、主观性强及难以量化因子贡献的局限[14]。通过剔除≥10 ℃积温等3个贡献率为零的冗余指标，最终构建了包含7个关键指标的优化集。该体系显著提高了数据采集与模型运算效率，为快速、大规模开展耕地后备资源调查评价提供了技术支撑。地形坡度在本文中贡献率较低，这主要源于安远县耕地后备资源多分布于缓坡区域，且陡坡地已基本纳入生态保护范围，但在其他山区应用中，该因子仍需予以关注。
（4）尺度效应与柔性推广路径
本文的模型构建与验证均基于安远县这一典型县级单元，虽证实了该方法在县域尺度的有效性，但其在不同地理环境及行政尺度（如省域、市域和乡镇单元）的适用性与稳定性仍需系统验证。受尺度效应和区域异质性[42,43]的影响，未来可深入研究尺度推绎机制，探索建立“核心通用评价指标集+区域自适应指标优化”的柔性评价框架，通过揭示评价指标在不同尺度和环境中作用差异，实现模型参数的动态优化与适配调整，在确保精度的同时，增强该方法在全国不同地区推广应用的可操作性与科学性。
总之，本文构建的随机森林模型不仅实现了耕地后备资源宜耕性评价的智能化与高效化，也为理解评价中的决策模糊区和地域适应性提供了科学依据，对完善耕地保护制度、促进农业空间精准治理具有参考价值。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
王广华. 切实加强耕地保护改革完善占补平衡制度[N]. 人民日报, 2023-10-10(010).

[Wang G H. Earnestly Strengthen the Reform of Cultivated Land Protection and Improve the System of Balancing Occupation and Compensation[N]. People’s Daily, 2023-10-10(010).]

[2]
新华社. 事关粮食安全这个“国之大者”: 全国土地日专访自然资源部部长、国家自然资源总督察王广华[N/OL]. 中华人民共和国中央人民政府门户网站, (2023-06-25) [2025-08-31]. https://www.gov.cn/zhengce/202306/content_6888372.htm.

[Xinhua News Agency. Matters of Food Security, A “Major Priority of the State”: Exclusive Interview with Minister of Natural Resources and Chief National Inspector of Natural Resources Wang Guanghua on National Land Day[N/OL]. The Central People’s Government of the People’s Republic of China, (2023-06-25) [2025-08-31]. https://www.gov.cn/zhengce/202306/content_6888372.htm.]

[3]
白雪源, 张杰, 崔振岭, 等. 中低产田评价指标与主要方法研究进展[J]. 土壤学报, 2023, 60(4): 913-924.

[Bai X Y, Zhang J, Cui Z L, et al. Advances in the indicator and assessment approaches of medium-low yield fields[J]. Acta Pedologica Sinica, 2023, 60(4): 913-924.]

[4]
汤怀志, 桑玲玲, 郧文聚. 我国耕地占补平衡政策实施困境及科技创新方向[J]. 中国科学院院刊, 2020, 35(5): 637-644.

[Tang H Z, Sang L L, Yun W J. China’s cultivated land balance policy implementation dilemma and direction of scientific and technological innovation[J]. Bulletin of Chinese Academy of Sciences, 2020, 35(5): 637-644.]

[5]
梁鑫源, 金晓斌, 韩博, 等. 藏粮于地背景下国家耕地战略储备制度演进[J]. 资源科学, 2022, 44(1): 181-196.

DOI

[Liang X Y, Jin X B, Han B, et al. Evolution of the national cultivated land strategic reserve system under the background of storing grain in the land[J]. Resources Science, 2022, 44(1): 181-196.]

DOI

[6]
常钦. “占优补优”, 改革完善耕地占补平衡管理[N]. 人民日报, 2025-01-04(002).

[Chang Q. “Compensate Superior Land with Superior Land”: Reforming and Improving the Management of Arable Land Requisition-Compensation Balance[N]. People’s Daily, 2025-01-04(002).]

[7]
张露, 罗必良. “三位一体”耕地保护: 背景、目标与策略选择[J]. 江汉论坛, 2024, (11): 5-14.

[Zhang L, Luo B L. “Trinity” cultivated land protection: Background, objectives and strategy selection[J]. Jianghan Tribune, 2024, (11): 5-14.]

[8]
高星, 吴克宁, 周娜. 景泰县耕地后备资源生态敏感性评价与空间利用对策研究[J]. 中国农业资源与区划, 2020, 41(4): 43-51.

[Gao X, Wu K N, Zhou N. Ecological sensitivity and space utilization of reserve resources of cultivated land in Jingtai County[J]. Chinese Journal of Agricultural Resources and Regional Planning, 2020, 41(4): 43-51.]

[9]
鲍贞羽. 基于生态安全的子长市耕地后备资源开发适宜性评价[D]. 西安: 长安大学, 2023.

[Bao Z Y. Suitability Evaluation of Cultivated Land Reserve Resources Development Based on Ecological Security in Zichang City[D]. Xi’an: Chang’an University, 2023.]

[10]
罗恬欣. 基于生态敏感性的袁州区耕地后备资源适宜性评价及开发利用研究[D]. 南昌: 江西农业大学, 2023.

[Luo T X. Suitability Evaluation and Development of Cultivated Land Reserve Resources Based on Ecological Sensitivity in Yuanzhou District[D]. Nanchang: Jiangxi Agricultural University, 2023.]

[11]
Seyedmohammadi J, Sarmadian F, Jafarzadeh A A, et al. Integration of ANP and Fuzzy set techniques for land suitability assessment based on remote sensing and GIS for irrigated maize cultivation[J]. Archives of Agronomy and Soil Science, 2019, 65(8): 1063-1079.

[12]
Chen H C, He Y B, Wang X Y, et al. Mapping China’s reserved arable lands and its sustainable cropping layout[J]. Journal of the Science of Food and Agriculture, 2024, 104(15): 9180-9190.

[13]
孙佩, 周凌云, 易洁伟, 等. 2021年耕地后备资源及生态风险评价: 以丹江口市为例[J]. 中国农学通报, 2023, 39(29): 68-73.

DOI

[Sun P, Zhou L Y, Yi J W, et al. Reserve cultivated land resources and ecological risk assessment in 2021: Taking Danjiangkou City as an example[J]. Chinese Agricultural Science Bulletin, 2023, 39(29): 68-73.]

DOI

[14]
王慧敏. “限制性因子”法在内蒙古高原地区耕地后备资源调查评价中的应用[D]. 长春: 吉林大学, 2015.

[Wang H M. The Application of “Limited Factor” Evaluation Method to Cultivated Land Reserved Resource Survey in Inner Mongolia[D]. Changchun: Jilin University, 2015.]

[15]
毕玮, 党小虎, 马慧, 等. “藏粮于地”视角下西北地区耕地适宜性及开发潜力评价[J]. 农业工程学报, 2021, 37(7): 235-243.

[Bi W, Dang X H, Ma H, et al. Evaluation of arable land suitability and potential from the perspective of “Food Crop Production Strategy based on Farmland Management” in northwest China[J]. Transactions of the Chinese Society of Agricultural Engineering, 2021, 37(7): 235-243.]

[16]
叶达, 吴克宁, 刘霈珈. 基于正态云模型与熵权法的景泰县耕地后备资源开发潜力评价[J]. 中国农业资源与区划, 2016, 37(6): 22-28.

[Ye D, Wu K N, Liu P J. Developmental potentiality evaluation of cultivated land reserve in Jingtai based on normal cloud and entropy weight[J]. Chinese Journal of Agricultural Resources and Regional Planning, 2016, 37(6): 22-28.]

[17]
杨永侠, 施彦如, 孙婷, 等. 基于空间聚类的西藏耕地后备资源开发组合模型[J]. 农业机械学报, 2016, 47(4): 239-247.

[Yang Y X, Shi Y R, Sun T, et al. Spatial clustering-based model of exploitation combination for reserved cultivated land resources in Xizang[J]. Transactions of the Chinese Society for Agricultural Machinery, 2016, 47(4): 239-247.]

[18]
张金亭, 董艳超, 方斌. 基于灰色关联法的耕地后备资源供需耦合分析[J]. 地域研究与开发, 2020, 39(1): 163-167, 174.

[Zhang J T, Dong Y C, Fang B. Coupling analysis of supply and demand of cultivated land reserve resource based on gray correlation method[J]. Areal Research and Development, 2020, 39(1): 163-167, 174.]

[19]
周建义. 安远县耕地后备资源评价[D]. 南昌: 江西农业大学, 2018.

[Zhou J Y. The Evaluation of the Reserve Cultivated Land Resources in Anyuan County[D]. Nanchang: Jiangxi Agricultural University, 2018.]

[20]
自然资源部. 全国耕地后备资源调查评价技术方案[Z]. 北京: 自然资源部, 2021.

[Ministry of Natural Resources. National Technical Scheme for Investigation and Evaluation of Cultivated Land Reserve Resources[Z]. Beijing: Ministry of Natural Resources, 2021.]

[21]
李恒凯, 王利娟, 肖松松. 基于多源数据的南方丘陵山地土地利用随机森林分类[J]. 农业工程学报, 2021, 37(7): 244-251.

[Li H K, Wang L J, Xiao S S. Random forest classification of land use in hilly and mountaineous areas of southern China using multi-source remote sensing data[J]. Transactions of the Chinese Society of Agricultural Engineering, 2021, 37(7): 244-251.]

[22]
王李娟, 孔钰如, 杨小冬, 等. 基于特征优选随机森林算法的农耕区土地利用分类[J]. 农业工程学报, 2020, 36(4): 244-250.

[Wang L J, Kong Y R, Yang X D, et al. Classification of land use in farming areas based on feature optimization random forest algorithm[J]. Transactions of the Chinese Society of Agricultural Engineering, 2020, 36(4): 244-250.]

[23]
何云, 黄翀, 李贺, 等. 基于Sentinel-2A影像特征优选的随机森林土地覆盖分类[J]. 资源科学, 2019, 41(5): 992-1001.

DOI

[He Y, Huang C, Li H, et al. Land-cover classification of random forest based on Sentinel-2A image feature optimization[J]. Resources Science, 2019, 41(5): 992-1001.]

DOI

[24]
潘雨飘, 赵翔, 王静, 等. 基于SMOTE-RF算法的村庄发展类型识别方法研究[J]. 地球信息科学学报, 2023, 25(1): 163-176.

DOI

[Pan Y P, Zhao X, Wang J, et al. Identifying the class of the villages based on SMOTE-RF algorithm[J]. Journal of Geo-information Science, 2023, 25(1): 163-176.]

[25]
赵孟辰, 阿里木江·卡斯木. 基于Sentinel-2遥感影像的农作物分类与适宜性评价[J]. 西南大学学报(自然科学版), 2023, 45(11): 176-185.

[Zhao M C, Alimujing K. Crop classification and suitability evaluation based on Sentinel-2 remote sensing image[J]. Journal of Southwest University (Natural Science Edition), 2023, 45(11): 176-185.]

[26]
周嵩山, 梁永刚, 曾丹. 赣南苏区耕地后备资源调查评价方法研究与探讨: 以安远县为例[J]. 国土与自然资源研究, 2024, (1): 19-22.

[Zhou S S, Liang Y G, Zeng D. Research and discussion on the investigation and evaluation method of cultivated land reserve resources in Southern Jiangxi Soviet Areas: A case study of Anyuan County[J]. Territory & Natural Resources Study, 2024, (1): 19-22.]

[27]
王冲, 张景, 彭博, 等. 基于“双评价”的国土空间格局优化研究: 以江西省安远县为例[J]. 华北地质, 2023, 46(2): 69-78.

DOI

[Wang C, Zhang J, Peng B, et al. Research on the optimization of land spatial pattern based on “dual evaluation”: Taking Anyuan County, Jiangxi Province as an example[J]. North China Geology, 2023, 46(2): 69-78.]

[28]
中国国家统计局. 国家统计局关于2020年粮食产量数据的公告[EB/OL]. (2020-12-10) [2025-09-13]. https://www.stats.gov.cn/sj/zxfb/202302/t20230203_1900927.html.

[National Bureau of Statistics of China. Announcement on the Grain Output Data of 2020[EB/OL]. (2020-12-10) [2025-08-31]. https://www.stats.gov.cn/sj/zxfb/202302/t20230203_1900927.html.]

[29]
Breiman L. Random forests[J]. Machine Learning, 2001, 45(1): 5-32.

[30]
杜培军, 慕号伟, 郭山川, 等. 集成学习遥感应用: 进展与展望[J]. 遥感学报, 2025, 29(6): 1614-1635.

[Du P J, Mu H W, Guo S C, et al. Ensemble learning in remote sensing applications: Progress and prospects[J]. National Remote Sensing Bulletin, 2025, 29(6): 1614-1635.]

[31]
李坤, 赵俊三, 林伊琳, 等. 基于SMOTE和多粒度级联森林的泥石流易发性评价[J]. 农业工程学报, 2022, 38(6): 113-121.

[Li K, Zhao J S, Lin Y L, et al. Assessment of debris flow susceptibility based on SMOTE and multi-Grained Cascade Forest[J]. Transactions of the Chinese Society of Agricultural Engineering, 2022, 38(6): 113-121.]

[32]
付光明. 基于机器学习的三维成矿预测研究[D]. 南昌: 东华理工大学, 2021.

[Fu G M. 3D Mineral Prospectivity Modeling Based on Machine Learning[D]. Nanchang: East China University of Technology, 2021.]

[33]
宋友城. 顾及空间异质性和差异化演变特征的土地利用变化模拟和预测[J]. 武汉大学学报(信息科学版), 2025, 50(8): 1732.

[Song Y C. Simulation and prediction of land-use change taking into account spatial heterogeneity and differentiated change characteristics[J]. Geomatics and Information Science of Wuhan University, 2025, 50(8): 1732.]

[34]
李亮亮, 白路遥, 施宁, 等. 基于空间异质性的降雨诱发滑坡易发性研究: 以中缅天然气管道贵州段为例[J]. 自然灾害学报, 2025, 34(4): 62-73.

[Li L L, Bai L Y, Shi N, et al. Study on rainfall-induced landslide susceptibility based on spatial heterogeneity: A case study of the China-Myanmar natural gas pipeline in the Guizhou section[J]. Journal of Natural Disasters, 2025, 34(4): 62-73.]

[35]
徐然, 邓力凡, 张经度, 等. 基于深度学习的耕地后备资源潜力评价方法研究[J/OL]. 时空信息学报, (2025-07-29) [2025-08-30]. https://link.cnki.net/urlid/10.1904.p.20250728.1357.002.

[Xu R, Deng L F, Zhang J D, et al. A deep learning-based approach for potential identification in cultivated land reserve resources[J/OL]. Journal of Spatio-temporal Information, (2025-07-29) [2025-08-30]. https://link.cnki.net/urlid/10.1904.p.20250728.1357.002.]

[36]
窦朴严, 张丽君, 秦耀辰, 等. 耦合多源大数据与随机森林模型的郑州市居民用电碳排放非线性影响[J/OL]. 生态学报, (2025-08-29) [2025-08-30]. https://doi.org/10.20103/j.stxb.202502040232.

[Dou P Y, Zhang L J, Qin Y C, et al. Coupling multi-source data and random forest model for the nonlinear effects of residential electricity carbon emissions in Zhengzhou[J/OL]. Acta Ecologica Sinica, (2025-08-29) [2025-08-30]. https://doi.org/10.20103/j.stxb.202502040232.]

[37]
闫卫坡, 郭亚琳, 王青, 等. 供需动态平衡下资源环境承载力评价理论模型与方法[J]. 世界科技研究与发展, 2023, 45(S1): 114-123.

[Yan W P, Guo Y L, Wang Q, et al. Theoretical model and method for evaluation of resources and environment carrying capacity based on the dynamic balance of supply and demand[J]. World Sci-Tech R&D, 2023, 45(S1): 114-123.]

[38]
肖劲松, 张皓, 李凌月. 集体土地用途管制逻辑探索: 基于土地发展权的视角[J]. 自然资源学报, 2025, 40(9): 2556-2572.

DOI

[Xiao J S, Zhang H, Li L Y. The logic of use regulation of collectively-owned land: Based on the perspective of land development rights[J]. Journal of Natural Resources, 2025, 40(9): 2556-2572.]

[39]
谷国政, 施琳娜, 文琦, 等. 乡村空心化治理视角下区域耕地多功能与价值耦合协调研究[J]. 地理科学进展, 2024, 43(3): 587-602.

DOI

[Gu G Z, Shi L N, Wen Q, et al. Coupling and coordination of the multifunction and value of arable land at the regional scale from the perspective of rural hollowing governance[J]. Progress in Geography, 2024, 43(3): 587-602.]

DOI

[40]
Xu Y Y, Mao W F, Hu S. Unveiling the pulse of urban metro stations: A TOD-driven approach to measuring vibrancy using geographically weighted random forest[J]. International Journal of Digital Earth, 2025, DOI: 10.1080/17538947.2025.2524054.

[41]
刘镇杭, 池源, 欧阳绿茵, 等. 沿海地区城镇化进程对碳平衡的影响机制及空间异质性[J/OL]. 地理科学, [2025-09-02][2025-09-13]. https://doi.org/10.13249/j.cnki.sgs.20240716.

[Liu Z H, Chi Y, Ouyang L Y, et al. Influence mechanism and spatial heterogeneity of urbanization process on carbon balance in coastal areas[J/OL]. Geographical Science, [2025-09-02][2025-09-13]. https://doi.org/10.13249/j.cnki.sgs.20240716.]

[42]
李溦, 何国华, 赵勇, 等. 供水工程影响下中国北方地区耕地后备资源开发潜力[J]. 农业工程学报, 2024, 40(5): 264-274.

[Li W, He G H, Zhao Y, et al. Potential for exploring cultivated land reserve resources under the influence of water supply project in northern China[J]. Transactions of the Chinese Society of Agricultural Engineering, 2024, 40(5): 264-274.]

[43]
Deng Y Z, Chen G K, Tang B H, et al. Study on class imbalance in land use classification for soil erosion in dry-hot valley regions[J]. Remote Sensing, 2025, DOI: 10.3390/rs17091628.

Options
Outlines

/

〈 〉