李鹏，蒋宁桑，封志明，肖池伟

1.中国科学院地理科学与资源研究所,北京 100101;

2.中国科学院大学 资源与环境学院,北京 100049

1 引 言

刀耕火种农业是热带广泛存在且备受争议的传统土地利用类型，常见于拉丁美洲、非洲中部、南亚东南亚的中低山与丘陵地区（Heinimann 等，2017；Mertz，2009），涉及全球约6%的人口（Gao等，2020；廖谌婳 等，2015；Mertz 等，2009），且主要为山区贫困少数民族。刀耕火种农业与商品化种植是热带毁林与林地退化的主要动因（Curtis等，2018；Schmidt−Vogt等，2009），其休耕期缩短与利用强度增强（Rossi 等，2010）影响着区域水土流失（Béliveau等，2009；Roder等，1997）与全球气候变化（Tinker 等，1996）。联合国“减少毁林和林地退化所致碳排放”计划（REDD/2008）实施以来，其环境效应、生计作用、文化属性及其可持续性再次引起学界重新审视（Fox等，2014；Brady，1996）。特别地，刀耕火种休耕过程中独有的“农休林复”模式，较永久性农业如橡胶等单一种植作物对固碳与维持生物多样性更具优势（van Vliet 等，2012）。然而，鉴于其小农属性及其在现代农业中的边缘属性，学界与决策部门对其确切分布、从业人口、休耕周期、利用强度、动态演变及其对生态环境影响认识有限，时序数据零星残缺（Heinimann 等，2017；Padoch等，2007），且鲜见于统计年鉴（Wada等，2007）。这既不利于揭示其自身演变过程，又制约了全球气候变化（Ryan等，2016）、热带森林—刀耕火种—种植园演变机理（Li 等，2022）及可持续发展目标（SDGs）减贫与生计改善（Dressler 等，2015；Cramb等，2009）等研究。

刀耕火种常散布于偏远山地且地块破碎，加之其农林动态转变频繁，是遥感监测不足与资料匮乏的主因。迄今，热带刀耕火种数据多为估测，精度和可信度不高。如Butler（1980）首次报道了（亚）热带刀耕火种勾绘图，且仍用于IPCC气候变化预测（Hurtt 等，2011）；Silva 等（2011）利用2000 年土地覆被产品粗估了热带刀耕火种的可能分布，但公里格网对小农生产监测存在挑战（Li等，2014）。此外，Heinimann 等（2017） 基于Hansen 等（2013）2000 年以来的全球毁林数据，目视判读并在1度尺度上预测热带刀耕火种将在本世纪消亡；Curtis 等（2018）虽指出刀耕火种是全球毁林主因，但有关该农业在温带广泛分布的结果使其可信度偏低。

得益于MODIS 与Landsat 等共享政策，遥感使得像元、景观、到区域层面的刀耕火种演变动态监测成为可能（Li 等，2018a；Li 和Feng，2016；Hurni 等，2013；Leisz 和Rasmussen，2012）。横向看，Landsat 因其长时序、多光谱与较高空间分辨率等优势而被广泛应用（Pasha 等，2020；Jakovac等，2017）。此外，中南半岛旱季（尤其是2—4月）既是刀耕火种砍伐—焚烧（slash−and−burn）集中期，亦是Landsat 少云或无云影像获取关键期（Li等，2018b）。目前，刀耕火种遥感监测多是基于监督分类、植被—水分指数（Pasha 等，2020）等传统方法，更适合解决简单的二分类问题。现阶段，机器学习算法具有更强的高维复杂数据处理能力，然而其在热带刀耕火种及其演变动态监测中的应用仍较为鲜见。刀耕火种农业通常发生于山区森林且需明火焚烧，使得焚烧后地块与林火火烧迹地具有相近的光谱、纹理与空间特征（Bourgoin 等，2021）。2000 年起，决策树（祖笑锋 等，2015）、逻辑回归（Pu 和Gong，2004）、人工 神 经 网 络（Mallinis 和Koutsias，2012；Pu 和Gong，2004）、支持向量机（Tang 等，2020；Xie和Shi，2014）等机器学习算法已在火烧迹地提取研究中表现出潜力。因此，基于现有可获取中高分辨率遥感产品（如Landsat 与Sentinel−2），发展面向刀耕火种农业演变遥感监测的机器学习算法愈发迫切。

支持向量机（SVM）以统计学习理论为算法基础，能较好地应对过度拟合问题，有较强的高维数据集处理能力，在火烧迹地监测（Xiong 和Yan，2019；Colson 等，2018） 与土地利用研究（Kesikoglu 等，2019）中均得到广泛应用，且其无需样本正态分布的假设，具有良好的泛化能力，更易推广。然而，热带新开辟刀耕火种农业土地清理阶段前后跨度2—3 个月，使得当年刀耕火种地块具有焚烧前、中、后多阶段性，较森林火烧迹地更为复杂。这也是基于SVM 算法开展刀耕火种农业监测亟待解决的挑战。本文以老挝丰沙里省为研究区，利用2016 年旱季Landsat OLI 影像，辅以ALOS DEM（12.5 m）、居民点与道路、Google Earth（GE）高清影像等，通过消除建设用地噪声以修正基于支持向量机的新开辟刀耕火种监测结果，据此揭示其县域差异、可达性与地形特征。本研究可为热带刀耕火种演变监测提供方法借鉴，也可为评价该生计农业空间适宜特征提供启发。

2 研究区及数据

2.1 研究区概况

丰沙里省（Phongsaly Province）地处老挝人民民主共和国最北端，东邻越南奠边省，西北与中国云南接壤，南部毗邻老挝琅勃拉邦与乌多姆赛两省，土地面积为1.62×104km2，约占到老挝的6.84%（Lao Statistics Bureau，2014）。该省地势北高南低，北部为云贵高原向南延伸部分，中南部为湄公河支流（南康河—南乌河）谷地及低山丘陵。全省以低、中山为主（图1（a）），平均海拔900 m，平均坡度为21°，山脉多呈西北—东南走向。其中，低山（500—1000 m）、中山（>1000 m）近占全省的2/3 与1/3，500 m 以下丘陵与谷地仅占3.5%。多山且耕地匮乏为刀耕火种农业生产奠定了自然基础（Li 等，2014）。全省地处北回归线以南，受东北季风和西南季风交替影响，属热带季风气候（廖谌婳 等，2015）。根据CHELSA（Climatologies at High Resolution for the Earth’s Land Surface Areas，http：//chelsa−climate.org/［2020−12−08］）温度与降水数据集，全省年均温度为20.6 ℃（图1（b）），年均降水量一般在1700—1800 mm，旱季（11月—翌年4月）雨季分明，其中旱季降水量不到全年1/5。2—4 月为刀耕火种农业土地清理阶段，降水少、空气湿度低等特征为森林砍伐、曝晒和焚烧提供了适宜气候条件，同时也有利于获取少云/无云遥感影像（Li 等，2018a）。丰沙里省主要有刀耕火种农业、永久性农业用地、建设用地、林地、水域、草地以及裸露基岩7 种主要土地利用类型。根据美国SERVIR−Mekong 覆被产品（Ingalls 等，2018），该省森林覆盖率高，林地占到95%。该省东北部有普登丁山国家自然保护区（Phou Daen Din National Protected Area，2220 km2），与越南孟聂自然保护区（Muong Nhe Nature Reserve）毗邻，主要植被为热带雨林和热带季雨林（如干燥常绿林与半常绿林），生物多样性丰富。

图1 老挝丰沙里省地形与气候主要特征Fig.1 Major characteristics of topography and climate of Phongsaly Province，Laos

2016年丰沙里省总人口为1.86×105人，仅占全国3%，人口密度约为11.5 人/km2，居该国末位（Lao Statistics Bureau，2018）。该省经济发展水平落后，农业占绝对优势。受自然地理条件约束，刀耕火种农业是其传统的土地利用方式，自给程度极高。主要农作物有稻谷（以旱稻为主）和玉米，2016 年二者种植面积分别为164.75 km2和91.3 km2（Lao Statistics Bueau，2018）。本区刀耕火种农业于每年2 月及以前完成植被砍伐，3 月风干暴晒，在雨季来临前（4 月）完成焚烧并进行农作物播种。植被焚烧能去除野草和害虫，其燃烧灰烬可支持作物生长1—2 年（多则3 年），之后进入休耕（5—20 年）以恢复植被（廖谌婳等，2014；Inoue等，2010）。近年来，休耕期缩短是刀耕火种演变重要特征（Jakovac 等，2017）。

2.2 Landsat 8 OLI 影像及预处理

Landsat 8 OLI Level−2 地表反射率产品（30 m）由美国地质调查局（https：//espa.cr.usgs.gov/［2020−12−08］）提供，该产品已经过辐射校正、几何精校正与大气校正；其16 d 重访周期有助于捕捉2—4月刀耕火种农业烧伐引起的地表覆被变化。选择丰沙里省进行SVM 算法测试的另一考虑是该省基本上由单景影像（轨道号/行号：129/045）所覆盖（99.6%），且便于县域比较。轨道外区域位于约乌县西北角，毗邻西双版纳勐腊县，且主要为森林覆盖，其对刀耕火种农业监测的影响可忽略不计。鉴于刀耕火种集中焚烧时间前后跨度较长，为最大化识别新开辟刀耕火种信息，需选取土地清理阶段后期影像（4月中下旬）。检索丰沙里省2010年—2020年2—4月共60期影像，最终选取2016年旱季4月12日与28 日两景OLI 影像用于SVM 算法提取与结果相互校验。两景影像云量少（约为5%与2%，全省云量不足1%），适合作为实验数据开展研究。

新开辟刀耕火种地块遥感识别易受建设用地干扰，本文通过引入建设用地指数并消除建设用地噪声以提高SVM 算法对新开辟刀耕火种信息的提取精度。新开辟刀耕火种与建设用地在非土地清理阶段（5 月—翌年1 月）光谱特征差异显著，但该时期处于当地雨季，无云/少云影像少。综合考虑云覆盖与成像时间，筛选了2014年12月19日OLI 影像（云量为5%）用于建设用地提取。需要说明的是，丰沙里省经济发展水平居老挝末位且城市化进程缓慢，在刀耕火种遍布的山区尤甚。基于前两年影像获取建设用地信息并用于降低噪声所产生的误差很小，能满足研究需要。

2.3 ALOS PALSAR DEM 及预处理

先进陆地观测卫星相控阵型L波段合成孔径雷达（ALOS PALSAR）DEM 高分辨率（12.5 m）地形校正产品（RT1，GeoTIFF）来源于美国国家航空航天局EarthData 平台（https：//search.asf.alaska.edu/［2020−12−08］）。PALSAR 采用单极化观测，极化方式为HH。ALOS PALSAR 具有多极化与全天时全天候陆地观测等优势，且因波长较长而使相同时间间隔内地面相干性更高，有利于高植被覆盖区的地形监测（吴宏安和张永红，2011）。

丰沙里省全覆盖需10个DEM产品，基于ArcGIS完成全省DEM镶嵌与裁剪，并计算其坡度与坡向。根据地貌单元划分标准和丘陵山地新开辟刀耕火种地形特征研究需要，将全省海拔分为3 大类，即丘陵（293—500 m，占比3.52%）、低山（500—1000 m，65.01%）和中山（1000 m以上，31.47%），其中海拔超1500 m 的地区不及全省面积的1%。全省坡度介于0—79°，平均坡度为21°。类似地，根据中国水利部土壤侵蚀分类分级标准（《土壤侵蚀分级分类标准》（SL190−2007）），将坡度划分为6 级：微坡0—5° （占比2.57%）、缓坡5°—8°（3.85%）、缓斜坡8°—15°（17.70%）、斜坡15°—25°（42.48%）、陡坡25°—35°（27.41%）和峭坡>35°（5.99%）。同样，将坡向划分为北坡（占比12.90%）、东北坡（11.14%）、东坡（11.80%）、东南坡（13.98%）、南坡（13.28%）、西南坡（12.14%）、西坡（11.62%）、西北坡（13.08%）和平地（0.06%）。

2.4 居民点和道路数据

丰沙里省居民点和道路信息来源于OSM（OpenStreetMap，https：//www.openstreetmap.org/［2020−12−08］）。OSM构建了可编辑的免费世界地图，更新快、时效性强。本文所用居民点、道路数据更新于2021 年1 月2 日，数据格式为shapefile。居民点数据记录了地名、等级、人口等信息，全省共有405 条原始居民点记录，对照GE 影像保留并调整了380个，删除25个，新增143个，最终获得研究区共523个居民点。

道路数据提供了包含主要道路（major roads）、次要道路（minor roads）、道路连接处（highway links）、小路（very small roads）、非机动车道（paths unsuitable for cars）以及未知（unknown）共5类26种道路信息。主要道路包括国际、省际、县际公路；次要道路包括各类地方公路；山路提取自小路数据子集，以砾石路为主，多为农业用途。本研究提取全省184条主要公路、918条次要公路、1601条山路。全省公路结构单一，为一条贯穿南北的公路线组，连通西部各县；次级公路大致沿主路向各个方向延伸；山路数量众多但距离短，多分布在公路两侧。居民点与道路数据主要用于开展新开辟刀耕火种的缓冲区分析，步长为1 km，最大缓冲距离为10 km。

3 研究方法

基于研究区地物特征建立训练样本，利用支持向量机算法对2016 年4 月12 日与28 日两景影像进行分类提取，对两期新开辟刀耕火种提取范围进行叠加取并集，用以初步表征2016 年新开辟刀耕火种信息。为消除建设用地所产生的噪声，在近两年建设用地基本不变的假设下，引入建设用地指数与平地信息（2014 年），并对新开辟刀耕火种初步提取结果进行掩膜处理，从而得到2016 年新开辟刀耕火种专题图。具体流程如图2所示。

图2 丰沙里省新开辟刀耕火种信息提取及其空间分析技术路线Fig.2 Technical route for detecting newly−opened swidden and its spatial analysis in Phongsaly Province，Laos

3.1 构建训练样本

训练样本建立是SVM 算法的关键，其质量直接关系到结果的准确性（许晴等，2022）。根据丰沙里省土地利用类型，为提高各类地物样本可分性，将光谱特征相似的非刀耕火种地类进行合并，最终确定5类地物（新开辟刀耕火种、建设用地与永久性农业用地、林地、水域、草地和裸露基岩）。受刀耕火种动态变化影响，2016 年4 月28日影像中新开辟刀耕火种光谱特性内部差异较大，故进一步将其划分为砍伐阶段土地和火烧阶段土地。综合地物光谱、地形、形状、大小、边缘等空间特征，基于准确性、代表性与统计性样本选取原则，对照GE 影像反复对比，并目视选取各类地物斑块内部均质像元作为样本。以桑潘县西南部为例，图3 展示了新开辟刀耕火种在Landsat 与GE 高分辨率影像中成像及其样点分布。考虑到地物自身复杂性与空间异质性，样本均散布于研究区各个区域，且含有足量像元（>1000 个，表1），使其能够反映地物光谱特性在空间上的波动情况。基于Jeffries−Matusita 距离和转换分离度计算的样本可分性（表2），新开辟刀耕火种与建设用地及永久性耕地易混淆。

表1 基于2016年两期OLI影像选取的地物训练样本像元数量Table 1 Pixels number of training samples of major land use/cover types based on the two images in 2016/个

表2 各类地物样本相对于新刀耕火种农业的可分性对比Table 2 Comparison of the separability of other feature samples relative to newly-opened swidden

图3 老挝桑潘县西南部新开辟刀耕火种在Landsat与GE成像及其样本点（部分）分布Fig.3 Imaging of newly−opened swidden in Landsat and GE and the distribution of sample points（partial）in the southwest of Samphanh District，Laos

3.2 支持向量机（SVM）算法

SVM 算法在新开辟刀耕火种信息提取的优势表现在：一是能有效解决Landsat 因分辨率较高而造成的地物线性不可分问题，二是其对训练样本的高包容性能降低刀耕火种训练样本选取难度（杜培军等，2016）。性能优劣取决于核函数（多项式核函数和高斯核函数）选取，核函数可以把数据从源空间映射到目标空间，以解决数据线性不可分问题（李楠等，2018）。因高斯核函数较为灵活且更适用于样本数量可观、特征少的情形，故选择高斯函数。惩罚系数C在建立分类器过程中用于平衡模型复杂度和误分率之间的关系，进而影响学习机器的推广能力（惠文华，2006）。当C较小时，支持向量以及超平面的模型较为简单，离群点数量增加，误分率较高；反之，则易发生过度拟合。由于新开辟刀耕火种农业包含砍伐、曝晒和焚烧等阶段，光谱特征较为复杂，本文以10 为步长，在［0，200］范围内对惩罚参数进行调整，反复试验确定其值为100，此时提取出的新开辟刀耕火种地块边界清晰，且漏分误差较低。参数γ 在SVM 算法中用来度量两点之间的差异，通常将其设置为样本特征数（OLI 的7 个波段）的倒数，故将参数γ设置为0.143（邓书斌等，2014）。

3.3 建设用地提取

新开辟刀耕火种遥感提取易受到建设用地干扰而造成错分。根据归一化建设指数NDBI（Normalized Difference Built−up Index）（查勇 等，2003）和比值居民指数RRI（Ratio Resident−area Index）（吴宏安等，2006），辅以建设用地光谱信息和地形（平地）特征，确定丰沙里省建设用地分布信息，并据此改善面向新开辟刀耕火种的SVM算法提取结果。公式如下：

式中，Band 2、Band 5、Band 6 分别为Landsat−8 OLI 蓝波段、近红外和短波红外的地表反射率。NDBI取值介于−1与1。根据建设用地的光谱特征，建设用地像元NDBI>0或RRI>1。

建设用地与刀耕火种农业用地同为人类活动的产物，具有较为相似的光谱特征，但二者发生的地形条件存在差异。前者普遍分布在平地，后者集中在丘陵、山地，这是刀耕火种地块区别于建设用地的重要特征之一。地形起伏度常用于表征区域内地表起伏程度，其精度取决于分析窗口大小（封志明等，2020）。基于ALOS DEM，通过对照全省实际建设用地范围与不同窗口下（10×10、11×11、…、19×19、20×20）的平地分布，最终将平地定义为15×15矩形邻域分析窗口内、高差小于40 m 的区域。在该窗口下，研究区平地范围趋于稳定，能够反映该省的一般地形特征，且与建设用地分布较为吻合。利用平地信息对全省建设用地进行掩膜，获得改进后的建设用地信息，总体精度为89.71%。

4 结果与分析

4.1 考虑建设用地噪声的新开辟刀耕火种SVM算法

对消除建设用地干扰前后的4月两期新开辟刀耕火种农业提取结果进行精度评价（表3）与目视对比发现，一方面利用建设用地进行掩膜明显改善了SVM 算法将建设用地错分为新开辟刀耕火种的现象，两期提取结果的用户精度分别提高了9.29%和13.79%；另一方面，结果优化前后的制图精度均较高（>85%）且较稳定，说明SVM 算法对于新开辟刀耕火种的漏分率较低，同时建设用地信息剔除并没有影响SVM 高精度提取性能的发挥。

表3 建设用地掩膜前后新开辟刀耕火种与建设用地混淆矩阵及精度评价Table 3 Confusion matrix and accuracy evaluation of newly-opened swidden and built-up land based on SVM（before and after through masking out built-up land）

以建设用地典型区（本讷县图4（a））和新刀耕火种典型区（桑潘县和夸县交界，图4（b））为例，考虑建设用地的SVM 分类结果可以很好地剔除建设用地的干扰（图4（a）右图），而在不受建设用地影响的区域能较为完整地保留新刀耕火种信息（图4（b）右图）。换言之，利用建设用地信息进行掩膜的方法仅会对建设用地干扰进行修正，而不会对新开辟刀耕火种地块造成影响。表4 为2016 年丰沙里省基于4 月12 日与28 日新开辟刀耕火种再拼接与考虑建设用地支持向量机提取结果的精度对比。修正前后的制图精度均保持在88%左右，这显示出SVM 在新开辟刀耕火种信息提取的潜力。SVM 算法提取结果经建设用地修正后，其分类精度较基于单一SVM 分类算法有所提高，其中用户精度、总体精度、Kappa系数分别提高了20.48%、 5.44%、 0.16， 同 时 错 分 误 差 减 少20.48%。对分类结果与原始影像目视对比发现，分类误差主要是由于部分建设用地被误分为新开辟刀耕火种，错分的区域主要分布在该省西部河谷地区。

表4 2016年丰沙里省新开辟刀耕火种提取结果在优化前后的精度对比Table 4 Accuracy comparison of the extraction results of newly-opened swidden based on SVM in Phongsaly in 2016

图4 丰沙里省典型区建设用地掩膜前后SVM新开辟刀耕火种提取结果对比Fig.4 Maps showing the results of newly−opened swidden in typical areas using the SVM before and after masking out the layer of built−up land

4.2 新开辟刀耕火种农业空间分布格局

2016 年，丰沙里省新开辟刀耕火种面积为987.93 km2，约占全省6.10%。其中，4月12日与28日两期影像监测结果分别为764.01 km2与587.58 km2，空间重合部分面积为363.66 km2。新开辟刀耕火种空间上南多北少，西多东少。该省东北部有普登丁山国家自然保护区，居民点分布稀疏，且交通不便，当年新开辟刀耕火种地块很少。

在景观层面，全省共有66860个新开辟刀耕火种斑块，破碎化分布特征明显。斑块间最大和最小欧式邻近距离分别为3.26 km和0.06 km，平均约为0.12 km。各斑块面积差别较大，最大斑块为9.75 km2，分布于本代县与桑潘县交界区域；最小斑块仅0.9×10−3km2（单个像元）。斑块整体面积偏小，中位数为2.7×10−3km2，平均面积为1.48×10−3km2。新开辟刀耕火种地块形状不规则，多分布在坡地。受地形影响，与局部等高线平行，平均形状指数为1.26。在县域层面，该省7 县当年新开辟刀耕火种面积差异较小，均介于100—210 km2，（表5）。具体地，东南部桑潘县、北部约乌县和南部迈县这3 个县的新开辟刀耕火种面积较大，分别为206.25 km2、184.67 km2、136.74 km2，3 县 占 比 在全省过半，与其县域面积占比相当（55.55%）；其次为本代县、丰沙里县和夸县，本讷县最小。受县域面积影响，各县新开辟刀耕火种分布密度与其整体占比并不匹配。本代县新开辟刀耕火种分布密度最高，约占全县的1/10，其次为本讷县、桑潘县和夸县，丰沙里县为该省省会所在地，分布密度最小。

表5 丰沙里省各县刀耕火种农业面积及其占比Table 5 District-level area of newly-opened swidden and the related proportions in Phongsaly Province

4.3 新开辟刀耕火种的居民点与道路可达性

丰沙里省居民点与新开辟刀耕火种在空间上具有一致性，即西南多、东北少。全省新开辟刀耕火种与邻近居民点的距离存在明显差异。居民点1 km 以内新开辟刀耕火种较少，面积为177.96 km2（约17.91%），近八成分布在距居民点1 km 以外。然而，之后新开辟刀耕火种表现出显著的距离衰减特征（图5（a））。其中，1—10 km范围内新开辟刀耕火种占到80.27%，而1—5 km 区间近占7 成，以1—4 km范围内尤其明显（占比近2/3），而10 km以外仅占1.82%；此外，县域层面当年新开辟刀耕火种随着距居民点距离的增加，亦呈现较为一致的先增加后减少分布特征，且集中分布在4 km 以内，其中本讷县和夸县占比近九成，本代县更甚，约占98%，其余各县占比在80%左右。各县新开辟刀耕火种均在居民点1—2 km 范围内达到峰值，以桑潘、本代、约乌、夸以及迈5县最为突出，面积介于35—75 km2（图5（b））；相比之下，丰沙里县和本讷县新开辟刀耕火种随与居民点距离变化较小。特别地，除约乌县外，各县在4 km 以外各缓冲区内新开辟刀耕火种面积均小于10 km2，且变化趋于平缓。

图5 丰沙里省与各县2016年新开辟刀耕火种与居民点的距离特征Fig.5 Characteristics of the distance between newly−opened swidden and resident points in Phongsaly Province and the districts in 2016

道路能够扩展人类活动范围，并在一定程度上决定山区新开辟刀耕火种分布特征。类似地，丰沙里省2016 年新开辟刀耕火种距道路亦表现出距离衰减规律，但不同道路等级呈现出不同的变化特征（图6（a））。全省新开辟刀耕火种在次要公路两侧10 km 以内分布最多，占比95.86%，其中5 km 范围内尤为集中，占比达到86%，而2 km以内占比过半，且距离每增加1 km，面积平均减少34 km2，衰减速率随距离的增大而减少；其次是山路，全省近九成新开辟刀耕火种分布在山路两侧10 km 范围内，其面积随距离衰减速率小于次要公路，约21 km2/km。主要公路两侧10 km 范围内新开辟刀耕火种分布范围最少（67.12%），各缓冲区内的面积在40—110 km2之间，但仍呈现出随距离缓慢递减的变化特征。特别地，新开辟刀耕火种在道路3 km 缓冲区内，主要分布在次要公路两侧，3—6 km 内主要沿山路分布，6 km 以外区域则以主要公路为主。

各县新开辟刀耕火种随距道路远近的分布特征更为复杂。在主要公路两侧，各县新开辟刀耕火种在10 km 各个缓冲区内分布较均匀，其分布特征较为一致。本讷县、本代县和夸县这3个县的约九成新开辟刀耕火种在10 km 内，而迈县和丰沙里县占比不足50%（图6（b））。由图6（c）可知，各县新开辟刀耕火种总体上随距次要公路距离增大而递减，即越邻近次要公路，各县刀耕火种现象越常见，集中分布在道路两侧4 km以内。除夸县和本代县新开辟刀耕火种在次要公路1—2 km 缓冲区内达到峰值外，其余各县均在次要公路两侧1 km以内面积最大。新开辟刀耕火种随山路的分布特征存在县域差异（图6（d））。约乌县、本讷县和本代县新开辟刀耕火种在山路1 km 范围内面积最大，且距离山路越远，面积越小；桑潘县、丰沙里县和夸县的新开辟刀耕火种面积则随距离呈现出波动下降的趋势，集中分布在山路两侧1—3 km以内；迈县山路10 km 范围内的新开辟刀耕火种农业分布相对均匀，3—4 km出现小峰值（11.35 km2），该县超35%的新开辟刀耕火种农业主要分布在山路两侧10 km以外。

图6 丰沙里省及其各县2016年新开辟刀耕火种与道路的距离特征Fig.6 Characteristics of the distance between newly−opened swidden and roads（including trails）in Phongsaly Province and the districts in 2016

刀耕火种与居民点、道路的可达性分析表明，当地山民在选择新刀耕火种地块时，时间—距离是重要因素之一，即会优先考虑其与居民点的距离。结合本文第一作者2013 年—2020 年在中南半岛五国山区的近10 次实地考察，山民通常会在上午8：00—9：00时离家并自带干粮（午餐），步行至待进行刀耕火种的地方（山坡），下午3：00—4：00时前返回。因此，选择邻近居民点的地块进行刀耕火种农业生产对山民极为重要。根据苏格兰爬山专家拿史密夫的“拿史密夫定律”（Naismith’s rule）（Naismith，1892），即成人平路步行时速为4 km/h，登高时会相应增加时间（每小时登高500 m）。基于SVM 的提取信息未能反映新开辟刀耕火种斑块与邻近居民点的一一对应关系，本文尚不能计算丰沙里省山民每日从事刀耕火种所需的具体时间信息。尽管如此，近九成新开辟刀耕火种分布在距居民点5 km 范围内，说明大部分山民会选择距居民点步行1—2 h以外的区域从事刀耕火种。

4.4 新开辟刀耕火种的地形特征

根据丰沙里省海拔特征，以100 m 为梯度分别统计不同海拔区间新开辟刀耕火种面积与分布信息。由图7（a）可知，全省新开辟刀耕火种在不同海拔区间分布存在显著差异。近95%分布在海拔500—1500 m，而近2/3 集中分布在500—1000 m（低山），其中以800—900 m区间面积最大（17%），约乌、桑潘和本代3县也在这一区间达到峰值；其次，约15%分布在900—1000 m，本讷和丰沙里2县也在此海拔范围分布最广；相比之下，500 m 以上和1500 m 以上区域新开辟刀耕火种仅占到5%。这清楚表明当年新开辟刀耕火种主要集中在中低山区域。一方面这与该省以中低山地形为主有关（500 m 以上超96%），另一方面也与全省九成以上居民点分布在500—1500 m 有密切关系。当然，对于森林覆盖率极高的丰沙里省而言，新开辟刀耕火种可选区域较为丰富。在对时间—距离要求较高的情况下，山民更倾向选择海拔较低的区域。在过去的实地调查中，当海拔超过1000—1200 m，每日上午通常会伴有较长时间的浓雾（或可持续到中午11—12时），这种天气不利于山民从事刀耕火种。

图7 丰沙里省2016年新开辟刀耕火种的地形特征Fig.7 Topographic features of newly−opened swidden in Phongsaly Province in 2016

不同坡向对太阳辐射吸收存在较大差异，进而引起地表物质和能量的再分配。刀耕火种的开辟也受到坡向影响（图7（b））。超1/2分布在东坡和南坡，面积约544.07 km2，其中东南坡分布范围最广（21.75%），其余各类坡向占比在6%—12%不等，极少分布在平地。各县新开辟刀耕火种面积峰值均出现在东南坡，其次为东坡和南坡。这是因为南坡能接受到较多太阳辐射，便于旱季植被砍伐与风干曝晒。

坡度会影响土壤养分含量以及作物对水分的吸收，还在一定程度上影响耕作难易程度。2016年全省新开辟刀耕火种随坡度呈现出先增加后减少的分布特征（图7（c）），其中以15°—25°斜坡分布最为集中（42%），峰值出现在18°—19°。其次是陡坡和缓斜坡，分别占23.72%和20.02%。仅有1/10的新开辟刀耕火种分布在缓坡（坡度<8°）以及峭坡（坡度>35°）。各县新开辟刀耕火种面积随坡度的变化趋势比较一致。可见，刀耕火种农业在一定程度上会受到坡度条件的制约。坡度较大的地区农业开垦难度较大，且易发生水土流失，土壤养分产物易被侵蚀，不利于刀耕火种可持续发展。而坡度较平缓的地区，因人类活动频繁，而多被开发为建设用地以及永久性耕地。

5 结 论

通过考虑建设用地信息优化支持向量机算法提取结果，并据此遥感提取老挝丰沙里省2016 年旱季新开辟刀耕火种信息，并从像元、景观与区域层面揭示了其空间特征，辅以居民点、道路与地形进一步定量分析了新开辟刀耕火种的可达性与地形特征。主要结论如下：

（1）消除建设用地噪声的支持向量机算法能有效监测热带山区新开辟刀耕火种。丰沙里省2016 年新开辟刀耕火种农业遥感提取总体精度达95%。

（2） 丰沙里省2016 年新开辟刀耕火种为987.93 km2，南多北少、西多东少且呈破碎化分布。各县新开辟刀耕火种面积差异较小，其中桑潘县最多，本讷县最少。

（3）丰沙里省新开辟刀耕火种农业随居民点表现出距离衰减规律。近九成分布在距居民点5 km以内，且全省与县域层面其与居民点的距离特征较为一致。

（4）全省新开辟刀耕火种规模随不同道路等级呈现出距离衰减规律（次要公路>山路>主要公路），次要公路两侧5 km以内的新开辟刀耕火种最为集中。各县新开辟刀耕火种的道路可达性特征更为复杂。其中，次要公路两侧递减规律与全省一致，但主要公路和山路相应特征各异。时间—距离是山民进行刀耕火种生产的重要因素。

（5）全省新开辟刀耕火种常见于低山（占新开辟刀耕火种总面积的2/3）斜坡（2/5）地带并以东南坡（1/2）为主，县域变化差异小。

丰沙里省多山且森林覆被率高的自然特征、人口少且分布稀疏以及农业占主导的社会经济条件，加之全省为一景Landsat 影像所覆盖等优势，为开展面向刀耕火种农业的遥感监测特别是算法构建与改进提供了一个理想的试验区。基于OLI 影像，通过对SVM 分类结果进行优化，有效降低了建设用地对新开辟刀耕火种遥感提取的干扰。然而，受地物复杂性影响，建设用地并非唯一干扰源，未来在改进SVM等机器学习算法时需综合考虑其他地类，以进一步提升热带刀耕火种提取精度。

此外，影像云量在一定程度上也会影响SVM算法的可推广性。丰沙里省2016 年旱季两期OLI影像云量覆盖较少，无论是建设用地还是新开辟刀耕火种提取，云影都会在一定程度上影响分类精度。同时尽管研究区建设用地时空变化幅度较小，利用2014 年影像提取建设用地也可能会造成一定误差。

刀耕火种作为丰沙里省普遍的农业系统，其现状分布、历史演变和发展趋势受自然和人类活动综合影响。本文已在利用机器学习算法方面进行了探索性尝试，据此开展了区域层面的新开辟刀耕火种可达性与地形等特征分析。未来可横向比较不同机器学习算法（如随机森林、神经网络等）在刀耕火种遥感监测的应用潜力，在此基础上择优选取最稳健机器学习算法开展热带层面的刀耕火种农业动态监测，为定量揭示热带森林—刀耕火种—种植园“三位一体”动态演变提供方法保障与数据基础（Li等，2022）。