2001－2017年四川省耕地产能变化与潜力特征分析

吴心怡，金晓斌,3※，韩 博，徐伟义，任 婕，孙 瑞，周寅康,3

（1. 南京大学地理与海洋科学学院，南京 210023；2. 自然资源部海岸带开发与保护重点实验室，南京 210023；3. 江苏省土地开发整理技术工程中心，南京 210023）

0 引 言

耕地作为人类生存与发展的基础，具有生产、生态等多重功能，是国家粮食安全和社会稳定的根本保证[1-2]。近年来，随着工业化和城镇化的快速发展以及全球气候变化的影响，中国耕地资源不断减少，对粮食安全和生态环境造成巨大威胁[3]。作为一个发展中的人口大国，中国面临着人增地减的巨大压力，如何利用有限的耕地资源保障中国近14亿人的吃饭问题，是中国社会经济发展中面临的现实问题。国家“十三五”规划建议提出：“坚持最严格的耕地保护制度，坚守耕地红线，实施藏粮于地、藏粮于技战略，提高粮食产能，确保谷物基本自给、口粮绝对安全”。2019年中央一号文件也指出，要巩固和提高粮食生产能力，推动“藏粮于地、藏粮于技”落到实处。2020年面对新冠疫情与国际粮食贸易不确定性带来的新局面，粮食安全特别是粮食自给能力问题再次成为学界关注热点[4]。耕地是粮源之基，在确保耕地面积稳定情况下，提高耕地产能是确保粮食安全的根本[5]。因此，研究耕地产能对于摸清粮食安全家底、制定针对性耕地保护政策，确保国家粮食安全具有重要意义。

近年来，国内外关于耕地产能已开展大量研究[6]。国外关于耕地产能的研究主要集中于土地生产潜力，20世纪60－70年代，为建立作物产量与生态因子之间模型，国际生物学计划（IBP）在全球范围内对作物产量进行了一次大规模的测定和普查，建立了基于作物产量与环境因子关系，用于估算作物生产力的经验或机理数学模型[7]。作物生长机理的深入研究促进了人们对作物与环境关系的认识，开始将作物生长机理模型应用于土地生产潜力的估算。在土地生产潜力估算方法体系中以FAO粮农组织推广并被广泛应用的农业生态区划法最为代表，其思路和方法框架被世界不同区域采用，促进了更精细、更准确的土地利用定量模型的发展[8]。现阶段，在科技快速发展的推动下，土地生产潜力研究方法也在不断完善和改进，由简单的计算机计算向3S技术与模型相结合的方法转变[9]。与国外相比，国内对耕地产能的研究历史相对较短，系统性不强。国内研究主要围绕微观和宏观两个层面，其中对于耕地产能微观层面的研究与国外学者相似，侧重于土地生产潜力的研究[10]，从作物生产潜力入手构建作物产量预测模型，分析作物在光、温、土、气、水等自然要素在不同条件下的生产能力[11-12]。宏观层面上，随着农用地分等定级工作的广泛开展，许多学者基于农用地分等成果对区域耕地产能进行了核算和研究，如伍育鹏等[13]提出了基于耕地分等与农业统计的产能核算方法，初步构建了耕地产能的动态监测体系。

目前，耕地产能监测和估算的方法有统计模型[9]、遥感信息、作物生长模型、作物生长模型与GIS等遥感数据相结合的方法[14]。随着遥感技术的快速发展，遥感影像的时空分辨率有了较大的提升，高时空分辨率的遥感影像可以客观、准确、快速的反映大范围的地面信息，目前已被广泛应用于作物估产和长势监测[15]。农作物遥感估产的常见做法是建立基于植被指数的遥感估产模型，利用遥感影像光谱信息反演植被指数，建立植被指数与产量的关系模型。植被指数是对植被浓密程度和生长状况的一种体现，利用植被指数可以进行有效植被信息的提取。植被指数种类繁多，而归一化植被指数（NDVI）和增强型植被指数（EVI）在作物估产和监测方面的应用最为广泛和有效，其与农业产能之间的显著相关性也已被国内外学者广泛证明[16]。Maselli等[17]以意大利托斯卡纳区为例，采用MODIS NDVI数据估算小麦种植面积和产量，并与省级统计数据进行对比，结果表明二者之间具有高度一致性；Becker-Reshef等[18]利用MODIS NDVI与小麦产量数据，建立了小麦产量预测经验模型；Johnson[19]采用MODIS NDVI数据监测农作物季前季中变化情况，估算美国玉米和大豆产量；Zhang等[20]基于MODIS EVI和作物物候信息，对东北地区玉米种植面积进行了大范围的估算；王长耀等[21]利用EVI和小麦产量数据，建立了美国冬小麦产量预测和长势监测模型，并对预测结果进行验证，取得了良好的效果。与NDVI相比，EVI增加了对浓密植被冠层生物量估计的敏感性，降低了大气和土壤反射的影响，避免了基于比值的植被指数的饱和问题，能更有效的进行作物监测和估产[21]。

在利用遥感手段对耕地产能进行监测和估算方面已经取得了丰富成果和明显成效。然而，当前的耕地产能遥感监测和估算大多是针对特定区域下特定作物类型进行建模，而不同区域存在差异，因此缺乏统一的建模标准，各个模型的预测结果之间可比性差，使得建立的估算模型缺乏普适性和推广性；其次，目前有关耕地产能估算和变化的研究大多是针对耕地整个生产过程，并未考虑耕地在不同熟制、不同生产阶段下的产能变化。鉴于此，本研究选取四川省作为研究区，利用2001－2017年MODIS EVI数据，构建作物EVI生长曲线；辅以土地利用数据，结合二次差分法和阈值法求取耕地复种指数（Multiple Crop Index，MCI）及作物最优生长时长（Most Active Days, MAD）。进而基于EVI生长曲线提取的作物最优生长时长表征耕地产能，并进一步探究耕地在不同熟制下的产能变化及潜力特征。研究成果对提升区域耕地产能、开展耕地保护和监测及保障粮食安全等具有重要理论指导意义和应用价值。

1 研究区与数据来源

1.1 研究区概况

四川省位于中国西南腹地，长江上游（图1），地处26°03'～34°19'N和97°21'～108°33'E之间，总面积为48.6万km2，下辖18个地级市和3个自治州，是连接西南、西北、华南和华中的重要交汇点。2017年，四川省地区生产总值36 980亿元，人均GDP为4.465万元，低于同期全国平均值，三次产业结构为11.6∶38.7∶49.7。

四川省西高东低，地貌复杂，拥有山地、丘陵、平原和高原等地貌类型，又以山地为主（占比74.2%），西部为高原、山地，海拔多在3 000 m以上；东部为盆地、丘陵。四川气候类型多样，东部即四川盆地及周围山地处于中亚热带湿润气候区，全年温暖湿润，气温日较差小，年较差大；川西南地区为亚热带半湿润气候区，该区域降水量较少，干湿季分明，气温日较差较大；川西北地区为高山高原高寒气候区，该区域海拔高差大，气候随海拔呈垂直分布，总体表现为寒温带气候，冬寒夏凉，年均温4～12 ℃。2017年四川省耕地面积6.72万km2，占全国总耕地面积的4.99%；粮食播种面积为6.29万km2，粮食产量3 488.9万t，农业机械总动力44 20.3万kW，是中国粮食主产区之一，主要农作物为水稻、小麦、玉米、红苕等。

1.2 数据源与预处理

1.2.1 遥感数据及其预处理

遥感数据来源于美国国家航空与航天局（NASA）提供的MODIS产品系列中的MOD09A1数据（https://search.earthdata.nasa.gov），其空间分辨率为500 m，时间分辨率为8d，时间覆盖范围为2001－2017年，数据行列号为h27v05和h28v05。MOD09A1数据每月4期影像，总共816幅影像，数据格式为EOS-HDF，该数据已经过辐射定标、云检测、辐射校正、大气校正等处理。

数据预处理：利用下载的MOD09A1反射率数据，依据地理坐标，利用MATLAB软件计算EVI。采用四川省行政界线矢量文件对EVI数据进行裁剪，得到四川省EVI数据。

1.2.2 耕地数据与预处理

土地利用数据来源于国家基础地理信息中心（http://ngcc.sbsm.gov.cn/），包括2000年和2010年2期数据，空间分辨率为30 m。

数据预处理：本研究选取2000年和2010年两期GlobeLand30土地覆盖数据（30 m×30 m）提取四川省农地范围。依据MODIS EVI数据将GlobeLand30数据升尺度至500 m分辨率，将500 m×500 m栅格中原农地类型大于75%的栅格定义为有效栅格，并提取两期中均为农地的栅格。将EVI数据与耕地数据进行掩膜提取，得到四川省耕地EVI数据。

2 研究思路与方法

2.1 研究思路

耕地产能是指在一定地域、一定时期和一定的经济、社会、技术条件下所形成的耕地生产能力，可分为耕地理论产能、可实现产能和实际产能3个层次[22]。理论产能是指农业生产条件得到充分保证，在经济技术和投入利用水平最优的状况下，仅考虑光、温、水、土等环境因素农作物所能达到的最高产量；可实现产能是指在农业生产条件得到基本保证，光、热、水、土等环境因素均处于正常状态，在现有经济技术和利用水平的最高投入下正常年景农作物能够达到的最高产量；实际产能，是指目前已经实现的生产能力。

EVI在一定程度上可以反映作物的生长情况，且相关研究表明作物在关键生育期的生长情况决定了作物的最终产量[23-25]。因此，本研究以作物处于其生长关键期的时长即最优生长时长（MAD）表征作物产量，即耕地实际产能，通过MAD的变化反映研究区耕地产能的变化情况及其潜力特征。此外，考虑到不同作物类型的MAD不具有可比性和可加性，加之当下缺乏较高精度的作物分类成果，故本文设定了研究的前提假设，即在研究时段内，四川省主要作物类型未发生改变。因此，耕地复种指数变化区域不在本次研究考虑范围。

本文研究重点是利用作物MAD探究2001－2017年四川省复种指数不变区域内耕地在不同熟制下的产能变化及其潜力特征。首先，利用MODIS反射率数据，结合土地利用数据，得到研究区耕地EVI数据；然后，利用S-G滤波方法对EVI数据进行去噪，重建作物EVI生长曲线；其次，考虑到气候因素对作物产量可能产生的影响，本研究采用移动窗口法，以7 a为移动窗口，对EVI曲线进行滑动平均处理（T1：2001－2007；T2：2002－2008；...；T11：2011－2017，共11期）；再次基于作物EVI生长曲线，利用二次差分法提取11期耕地复种指数（MCI），进一步确定研究区复种指数未变化区域；最后，利用阈值法提取复种指数不变区域下作物MAD，结合MCI和MAD的变化探究四川省耕地产能变化的空间格局与潜力特征。

2.2 研究方法

2.2.1 基于EVI的复种指数及最优生长时长提取

1）复种指数提取植被指数（EVI）数据在采集与处理过程中会受到各种因素的干扰，从而造成EVI曲线季节变化不明显，需对数据进行去噪重建。本文参考丁明军等[26]、朱孝林等[27]的研究成果，采用S-G滤波对EVI曲线进行平滑重构。同时，进一步采用移动窗口法对EVI曲线进行滑动平均处理，得到平滑后的EVI生长曲线。根据平滑后的EVI生长曲线与复种指数的关系，可知复种指数就是EVI曲线的波峰频数。然后采用二次差分法进行波峰频数的提取。每一个像元的EVI（下式表示为VEVI）曲线可视为若干个元素的离散点序列。二次差分法原理如下：首先，计算相邻EVI之差，得到序列S1；S1中数据若为正则记为1，为负记为-1，得到序列S2；最后求S2前后元素之差。式中i代表序列中第i个元素。作物生长曲线的波峰出现在序列S3中元素值为-2，且前后元素值皆为0的位置。

该方法提取复种指数时易受“干扰峰”（包括：EVI值波动形成的“峰”，生长季之外的“峰”等）的影响，为减少提取误差，本研究中波峰的EVI数值设定为大于0.32[28]，且以EVI最大值为年内主峰，次峰与主峰之间的时间间隔需大于40 d（即5个8 d合成的EVI数据），同时限定峰值出现的时间需在3月至10月之间。

2）最优生长时长提取

基于作物EVI生长曲线，采用阈值法逐个像元提取作物最优生长时长，其算法原理如下[27]：首先，根据复种指数，确定生长周期个数；对某一生长周期，将11期（T1～T11）作物生长曲线上的所有EVI值从小到大排序，将处于整个数据序列80%位置上的EVI值作为阈值M[25,29]；将T1时段作物生长曲线上的EVI值逐个与阈值M进行比较，若EVI值大于阈值M，则MAD累加1，如此反复，直到T1时段内所有EVI值全部完成比较，得到T1时段作物MAD，如此循环，直至T11。计算公式如下：

式中y表示EVI值；x表示研究期数，即T1～T11；j表示天数，d；n为一年的天数即365；M为阈值。

2.2.2 基于MAD的耕地产能变化与潜力空间估算

1）耕地产能变化分析基于提取的作物MAD，采用差值法和一元线性回归方法分析2001－2017年四川省耕地产能变化过程和变化趋势。计算公式如下：

式中Dij为第i行第j列像元的MAD差值为第i行第j列像元Tn+1时期的MAD值为第i行第j列像元Tn时期的MAD值，n=1,2,3,…,10。

本文采用一元线性回归方法反映研究期内耕地产能的变化趋势，将单个像元上11个MAD值进行线性拟合，以拟合方程的斜率表征产能的变化趋势，斜率为正表示产能上升，斜率为负表示产能下降，其绝对值越大，产能的变化越剧烈。同时，利用MAD序列与时间序列的Pearson相关关系（P值）的显著性表示产能变化趋势的显著性，即变化趋势可置信度的高低，本文以P＜0.05表示产能存在显著变化。

结合一元线性拟合方程斜率和变化趋势的显著性检验P值，本研究将产能变化分为3类即：产能显著上升（斜率＞0，P＜0.05）；产能稳定（P＞0.05）；产能显著下降（斜率＜0，P＜0.05）。

2）耕地产能提升潜力估算

本研究以T1～T11时段内作物MAD平均值表征耕地产能平均水平，以T1～T11时段内作物MADmax表征耕地最大可实现产能，产能提升区耕地提升潜力是指T1～T11时段内平均产能相较于最大可实现产能的差值与平均产能之间的比值，即：

式中PIM表示产能提升区耕地提升潜力；MADmean表示T1～T11时段内耕地平均产能。

以T1～T11时段内作物MAD最大值表征耕地最大可实现产能，T11时段作物MAD表征耕地实际产能。产能下降区耕地提升潜力是指T11时段实际产能相较于最大可实现产能的差值与最大可实现产能之间的比值，即：

式中PDM表示产能下降区耕地提升潜力，MADT11表示T11时段耕地产能。

3 结果分析

3.1 四川省耕地复种指数变化分析

基于上述复种指数提取方法，得到2001－2017年11期四川省耕地复种指数。为了进一步获取11期复种指数中的不变区域，本研究将每期复种指数下各熟制单独提取（一年一季、一年两季），得到各熟制的11期图像；然后，在Arcgis10.4中分别对各熟制的11期图像求其交集，得到各熟制在研究期内的不变区域；最后，将各熟制不变区域进行镶嵌处理，得到复种指数不变区域，并进而确定复种指数不变区域下的作物熟制，结果如图2所示。

由图2a可知，研究期内四川省耕地复种指数大部分地区未发生明显变化，复种指数变化的区域主要集中在成都市、眉山市以及德阳市等四川中部区域。其中，耕地复种指数变化区占总耕地面积的6.5%，复种指数不变区占93.5%。由图2b可知，四川省复种指数不变区的主要熟制为一年一季和一年两季，其中以一年一季为主，一年两季作物主要分布于成都市中部地区和德阳市。一年一季作物的耕地占总耕地面积的88.3%，占复种指数不变区耕地总面积的94.5%；一年两季作物的耕地占总耕地面积的2.7%，占复种指数不变区耕地总面积的2.9%。

3.2 单季作物产能变化与潜力特征分析

在确定复种指数不变区域的基础上，基于EVI生长曲线提取单季作物MAD，得到研究期内单季作物MAD的空间分布（图3）。由图3可知，四川省东部地区单季作物产能相对省内其他区域较高。

为进一步分析四川省单季作物产能变化过程，采用简单差值法，将11期单季作物MAD两两作差（P1：T2～T1；P2：T3～T2；…；P10：T11～T10；共10期）（图4）。从MAD变化的空间分布可知，单季作物产能下降区主要分布于川东北区（南充市、广元市等）及部分川南地区（内江市、自贡市、宜宾市）。对MAD变化值进行统计分析可知（表1），2001－2017年四川省单季作物产能总体表现为先上升后下降的趋势，其中下降区面积占一熟制耕地面积的平均比例超过一半（54.1%）。除P2、P5、P6和P9四期之外，其余6期的产能下降区面积均超过单季作物总耕地面积的一半，其中P1最大，为83.3%。P2～P5期耕地产能波动较为平稳。

复种指数不变区域下单季作物产能总体变化情况如图5所示。经统计，拟合方程斜率为正的耕地占39.2%，负值占60.8%。结合显著性检验结果可知，四川省单季作物耕地产

能显著提升的区域占33.2%，产能显著下降区占24.0%，其中耕地产能显著提升区主要分布于广元、达州等川东地区及自贡、内江等市，显著下降区集中于成都周边以东市域。

针对产能上升区和下降区，本研究采用耕地产能提升潜力测算方法，对2001－2017年四川省复种指数不变区域单季作物产能提升潜力进行估算，并按照县级行政区进行分区统计，由图6可知，四川省单季作物产能提升潜力的差异较大，大部分区县的产能提升潜力低于40%，其中阿坝藏族羌族自治州、成都周边平原区提升潜力较高，盆周丘陵区提升潜力较低。

进一步对其耕地产能提升潜力进行统计分析，得到不同产能提升潜力下的耕地占比（见表2）。由表2可知，单季作物产能提升潜力介于20%～40%的耕地占比最大，为47.7%；产能潜力提升大于80%的耕地仅占产能提升区的1.5%。单季作物产能下降区产能提升潜力小于40%的耕地占单季作物产能下降区的71.4%，产能提升潜力大于60%的耕地占14.2%。

表2 单季作物产能提升潜力Table 2 Potential of single cropping system %

3.3 双季中第一季作物产能变化与潜力特征分析

基于复种指数不变区域，利用EVI生长曲线提取2001－2017年四川省双季中第一季作物MAD。由图7可知，双季中第一季作物产能低值区前期集中于德阳市，后期逐渐转移至成都市。

将11期双季中第一季作物MAD两两作差，进一步明晰2001－2017年四川省双季中第一季作物产能变化过程，对MAD变化值进行统计分析，得到MAD增减情况。由图8、表3可知，MAD变化值表现为先下降后上升的趋势。耕地产能下降区占双季作物耕地总面积的平均比例达54.3%，超过耕地总面积的一半，说明双季作物第一季的产能表现出下降的趋势。

表3 复种指数不变区域下双季中第一季作物MAD变化统计表Table 3 MAD change of the first crop during a double season in MCI constant zone %

采用线性回归分析方法，进一步探究双季中第一季作物产能总体变化趋势，结果见图9。经统计，斜率为正的耕地占18.6%，负值占81.4%。结合显著性检验结果可知，产能显著上升和下降面积分别占比为8.5%和53.6%，产能显著下降区面积最大，产能下降区集中分布于德阳市，显著上升区分布于德阳市、成都市及其周边区域。对耕地产能提升潜力进行估算，由图10可知，四川省双季中第一季作物产能提升潜力较大，大部分区县的产能提升潜力在60%及以上，其中攀枝花地区、成都市及周边地区耕地产能有较高的提升潜力。

进一步对双季中第一季作物产能提升潜力进行统计分析（表4）。由表4可知，双季中第一季作物产能提升潜力大于40%的耕地占产能提升区面积的89.5%，其中产能提升潜力大于80%的耕地占比最大（44.9%），表明四川省双季中第一季作物产能具有显著提升。双季中第一季作物产能下降区产能提升潜力大于80%的耕地占比最高，为53.0%，集中分布于成都市，表明成都市双季中第一季作物产能具有较大的潜力可提升空间。

表4 双季中第一季作物产能提升潜力Table 4 Improvement potential of the first crop during a double season %

3.4 双季中第二季作物产能变化与潜力特征分析

基于EVI生长曲线提取2001－2017年四川省双季中第二季作物MAD。由图11可知，双季中第二季作物MAD表现出先增加后减少的趋势。将11期双季中第二季作物MAD两两作差，探究2001－2017年四川省双季中第二季作物产能变化过程（图12）。2001－2017年，双季中第二季作物MAD变化值呈先下降后波动变化的趋势，产能下降区占双季作物总耕地面积的平均比例超过一半，为56.2%，产能下降的区域集中于德阳市，其中P8产能下降区所占比例最大，为78.9%。

基于线性回归方法，结合拟合方程斜率及显著性检验P值，分析得到双季中第二季作物产能总体变化情况（图13）。斜率为正的耕地占双季作物总耕地面积的16.9%，负值占83.1%。结合显著性检验结果可知，产能显著上升和下降面积分别占比为6.4%和43.0%，产能稳定区面积占比最大。

由图14可知，双季中第二季作物产能提升潜力大于40%的耕地占67.6%，提升潜力高值区主要位于成都平原附近。由表5可知，产能提升区耕地产能提升潜力大部分在20%～60%之间，提升空间大于20%的耕地占比为98.3%，表明四川省双季中第二季作物产能提升较为显著。产能下降区中产能提升潜力大于80%的耕地占比最大，为59.8%，表明四川省双季中第二季作物产能有较大的提升空间。

表5 耕地产能变化区内双季中第二季作物产能提升潜力Table 5 Potential of the second crop during a double season in productivity changed areas %

3.5 精度评价

由于缺乏样区的实测数据，本研究采取统计验证与相关研究旁证的方法对复种指数的研究结果进行综合验证。基于《四川省统计年鉴（2017）》中2016年各市州农作物播种面积与耕地面积数据，通过计算前者与后者的比值得到各地区复种指数。由表6可知，四川省平均复制指数为144.44%，成都平原及周边地区复种指数较高，其中德阳市复种指数最高，为184.44%，多为一年两季作物。将图2与表6对比分析可以看到，不同种植制度的空间分布较为一致。

同时参考不同学者对复种指数的研究，选取相关结果进行对比。本研究计算得出四川省复种指数不变区内熟制以一年一季（占总耕地面积的88.3%）和一年两季（占总耕地面积的2.7%）为主，与文献[26,30-33]的研究结果整体较为相近，但相对于文献[32]的计算结果偏低，但关于复种指数空间分布结果的分析较为一致，如表7。

表6 基于统计数据四川省复种指数Table 6 Multiple cropping index of Sichuan province based on the statistical data

表7 复种指数相关研究结果Table 7 Researches of multiple cropping index

4 讨 论

四川省东部地区多为平原，土壤养分较高，水热条件相对于川西北部区域较好，同时，东部片区经济发展在四川省居于前列，农业投入水平高，故四川省内东部地区耕地产能最高。耕地产能受到气候变化、自然灾害、地貌条件等自然因素和社会经济发展的双重约束。相关研究表明气候变化带来了四川省农业气候资源的变化，气候变暖使得四川省大部分地区单季水稻的产量脆弱，增加了洪涝干旱等农业气象灾害[34]。除此之外，资金、技术投入水平等社会经济因素也在改变着耕地产能。然而受限于数据获取和研究方法，本研究暂未探讨产能变化的影响因素，将在后续的研究中进一步深化。

本研究提出的基于EVI与MAD的耕地产能量化方法，可以应用于大尺度、长时间序列的耕地产能变化监测、耕地产能提升潜力空间识别等，为耕地产能研究提供了新视角。本研究对粮食安全视角下的耕地潜力测算具有一定的参考价值，对制定耕地保护政策与规划具有支撑作用，并为其他地区耕地产能研究提供一定参考。

此外本研究尚存在一些问题有待在后续研究中深入：1）尽管MAD可以有效表征作物产能，但仍需要进一步结合作物生长模型、光温水土特征等转换为实际产能，以便与农业及耕地管理衔接；2）直接比较不同作物的MAD会导致产能估算误差，需要在后续研究中进一步结合精细化作物分类空间数据以优化产能核算结果；3）MODIS EVI数据空间分辨率为500 m，不可避免存在混合像元，导致耕地破碎化、景观多样化程度较高区域，EVI生长曲线与实际可能存在差异。4）四川省东部地区，即四川盆地和周边山地，该区域云量多、水汽丰富。常年多云多雨的天气将影响到该地区遥感数据获取的连续性、准确性以及可用性，虽然本文对EVI曲线进行了滑动平均处理，但根据ISCCP提供的全球云层覆盖数据，研究区内部分地区的有效光学遥感图像（云量不到20%）占年图像的比例不到10%，因此部分统计结果可能存在一定的误差，后续研究中将考虑进一步结合光学数据与合成孔径雷达数据进行深化分析。5）通过对已有复种指数研究结果进行对比，发现2001－2017年间四川省大部分的地区复种指数变化幅度较小，同时由于本研究耕地产能计算是基于作物的最优生长时长，不同作物不具有可比性和可加性，故通过T11（2011－2017）期与T1（2001－2007）期的差值来确定复种指数不变的区域，未探讨复种指数不变区域内部可能出现的变化，这对于耕地产能的评估精度存在一定的影响。上述不足之处将在后续研究中进一步修改完善。

5 结 论

本研究基于MODIS-EVI数据，重构作物EVI生长曲线，同时利用二次差分法及阈值法提取耕地复种指数并计算最优生长时长，以作物最优生长时长变化表征耕地产能变化，探究了2001－2017年四川省复种指数不变区域下耕地产能变化的空间分布及其潜力特征，主要研究结论如下：

1）2001－2017年四川省93.5%的耕地复种指数未发生变化，复种指数不变区熟制以一年一季（占总耕地面积的88.3%）和一年两季（占总耕地面积的2.7%）为主，复种指数变化区主要集中于成都市、眉山市以及德阳市等四川中部区域。

2）复种指数不变区，研究期内单季作物产能显著下降区占单季作物耕地面积的24.0%，产能显著提升区占33.2%，主要分布于广安市、达州市、宜宾市以及内江市，产能稳定区的占比最大。双季中第一季作物2001－2017年产能变化表现为先下降后小幅度上升，产能显著下降区占比为53.6%；双季中第二季作物产能表现为波动下降，其中产能显著下降区占43.0%，产能显著提升区仅占双季作物耕地面积的6.4%。

3）研究期内四川省单季作物耕地产能潜力空间较小，双季作物的耕地产能均具有较大的潜力空间。单季作物产能提升潜力小于40%的耕地占比较高（产能提升区83.8%；产能下降区71.4%）。双季作物的产能提升潜力较高，其中双季第一季作物产能提升潜力大于80%在产能提升区和产能下降区分别占比为44.9%和53.0%；第二季作物产能提升潜力大于40%的耕地占比超过一半。产能提升潜力的高值区主要位于成都平原及周边地区，双季作物多分布于该区域。