基于XGBoost算法的可恢復耕地宜耕性評價
——以湘陰縣為例

劉敏，周健，胡月明，張林，趙清林，秦雅靜，陳瑗瑗

（1.湖南省國土資源規劃院，長沙 410114；2.國土資源評價與利用湖南省重點實驗室，長沙 410114；3.海南大學熱帶作物學院，?？?570228）

目前，耕地“非糧化”現象日趨嚴重，導致我國糧食安全不斷受到威脅[1-3]。耕地“非糧化”是指原本用于糧食作物種植的耕地被用于非糧食種植的農業生產行為[4]。耕地“非糧化”生產仍然處于農業范疇內，對于未破壞耕種層種植經濟作物的耕地而言，其耕地的宜耕性基本不受影響，一定程度內是可逆的[5]。但某些“非糧化”類型會對耕地生產條件造成一定破壞，如長期撂荒耕地，或在耕地上種樹、挖塘、種植草皮苗木等將直接破壞耕種層，這類“非糧化”耕地則需要采用一定恢復措施才能恢復成耕地，稱為可恢復耕地。為貫徹落實最嚴格的耕地保護制度，嚴格遏制耕地“非糧化”“非農化”，確保耕地數量不減少、質量不降低，各地陸續開展耕地補充整治工作。由于可恢復耕地具有規模大、恢復措施相對簡單等優勢，對可恢復耕地進行整治恢復已成為全國各地補充耕地的主要途徑?？苫謴透氐姆植寂c國土空間格局有著密切的關聯，大部分由棄耕或耕地綠化造林組成，多分布于坡度較陡、土層厚度有限、距離機耕路較遠、遠離居民點且耕種條件較差的地區[6-8]。在實施耕地恢復整治過程中，為降低耕地恢復難度、避免恢復后再次拋荒，亟需對可恢復耕地開展宜耕性研究。

耕地的宜耕性評價研究方法較為普遍，而可恢復耕地的宜耕性評價研究鮮見報道。耕地的宜耕性評價常見的方法包括特爾菲法、層次分析法、極限條件法和綜合指數法等[9-11]，這些方法的評價因子權重受人為因素影響較大，且評價因子不適合廣泛應用?？臻g兩維圖論聚類方法[12]有效解決了涉及位置關系的聚類問題，但是對于非鄰接性地塊的宜耕性評價存在一定難度。決策灰色關聯度分析[13-14]可以實現各權重因子在空間上的疊加分析，但難以深入挖掘非線性影響因素?；陔S機前沿生產函數（SFA）[15]、數據包絡分析（DEA）[16]方法計算投入產出比的開發時序模型從經濟社會綜合效益角度分析了耕地后備資源的開發時序[17-18]，但不同地區的農業投入、農業科技水平、農業機械化水平等開發能力相關因素難以準確獲取，評價結果可信度受限。

耕地的宜耕性評價是由自然條件、社會經濟條件、工程條件以及區位條件等因素共同作用的巨大系統，存在非線性、高維、數值缺失等難題。隨機森林算法作為一種非參數決策樹模型，在處理高維數據、非線性關系及權重動態性方面具有明顯優勢[19]，不少學者應用隨機森林算法開展了耕地質量評價[20-21]和區域性“非糧化”影響因素分析[22]。但是隨機森林算法在輸入數據變多時，存在模型訓練速度慢、泛化能力差的問題；對于非標準化、缺失值和異常值的處理也存在困難。XGBoost 算法不需要對數據進行標準化，也無需對缺失值和異常值等進行預處理，通過統計所有缺失值在當前節點分布規律來決定缺失值的處理方式，對于可恢復耕地中部分地塊屬性缺失的情況，XGBoost算法仍能予以有效支持[23]。本研究擬通過對比現有耕種耕地與可恢復耕地之間的自然、區位及經濟等條件差異，基于XGBoost 算法分析了各影響因素對耕地宜耕性評價的重要程度，在此基礎上對可恢復耕地進行宜耕性評價，以期為可恢復耕地資源的合理開發利用，特別是為可恢復耕地優先整治區域的確定提供科學依據。

1 材料與方法

1.1 研究區概況

湘陰縣屬于長江經濟帶、長江中游城市群、洞庭湖生態經濟區等國家和區域經濟發展戰略的重要節點和支撐點，同時也是湖南省重要的商品糧生產基地，地處湖南省東北部（112°30′20″～113°01′50″E，28°30′13″～29°03′02″N），瀕南洞庭湖，居湘、資兩水尾間。地貌以低山、崗地、平原為主，地勢總體呈現出東南高、西北低的特點，最高處為青山庵，海拔552.4 m。從地貌特征來看，濱湖平原面積占比最大，呈塊狀分布。山崗地區水系發育不良，北部平原、湖州地區河湖交匯，主要河流包括湘江、資江和白水江等，湖泊包括鶴龍湖、洋沙湖、橫嶺湖等。湘陰縣位于中亞熱帶向北亞熱帶過渡的季風氣候區，四季分明，濕潤多雨，具有春溫變幅大、初夏雨水多，伏秋天熱易旱、冬季嚴寒不多的特點。

近10 年來湘陰縣耕地凈流失量高達4 605.85 hm2，年均凈減少耕地460.6 hm2，年均減少幅度為0.91%，耕地流失較為嚴重。從人均耕地來看，全縣人均耕地面積僅0.059 hm2，遠低于全國人均耕地面積0.09 hm2，略高于聯合國確定的人均耕地面積的警戒線（0.053 hm2），且人均耕地保有量存在進一步減少的風險，耕地保護任務艱巨。近10 年來，湘陰縣耕地“非糧化”生產活動普遍，耕地“非糧化”率達13.35%，“非糧化”耕地中可恢復耕地面積達4 577.36 hm2，占“非糧化”耕地面積的68.03%，是最主要的耕地流失類型。全縣可恢復耕地主要分布于東部的丘陵山區，其中金龍鎮、六塘鄉、石塘鎮以及洋沙湖鎮可恢復耕地占比最高。從可恢復耕地流入來源來看，東部丘陵山區主要流入源為林地，且大部分林地需采取工程措施才能恢復成耕地，而中西部平原或環洞庭湖區主要流入源為林地、坑塘或者養殖坑塘等，如湘濱鎮、新泉鎮、鶴龍湖鎮以及南湖州鎮等地區。未耕種的耕地分布規律與耕地流向為林地的規律基本一致，即未耕的耕地主要分布于湘陰縣東部地勢較高、地形起伏較大的丘陵山區（圖1）。從湘陰縣可恢復耕地的空間分布、利用形式來看，不同地區可恢復耕地類型不同，不同類型的可恢復耕地形成過程中呈現出顯著的空間集聚效應[24]。在湘陰縣東部丘陵山區，局部形成了以果園、油茶等為特色產業協同發展的林果業，但是更多的耕地由于種糧效益較低、農業人口大量流失導致直接拋荒或轉為綠化造林等“非糧化”趨向?？犹了a養殖也是湘陰縣耕地“非糧化”的重要傾向，主要發生在河流湖泊等水系發達的中西部平原地區，這與全國其他地區的“非糧化”趨勢基本一致[3]。

1.2 數據來源及預處理

本研究所使用的數據主要為湘陰縣第三次國土調查成果中的耕地利用現狀數據。耕地自然地理條件因素以及耕地土壤物理化學性狀因素等數據，主要來源于湘陰縣2019 年耕地質量等別數據成果。涉及的影響因素主要分為以下幾個方面[25-27]。①自然因素：指影響耕地種植的自然稟賦特征，包括海拔高程、坡度級別、自然等指數、有效土層厚度、土壤pH 值以及表層土壤質地等因素；②區位因素：指影響耕地種植便利性的各類因素，如路網密度、耕地與村鎮間距離、距路網距離（最小距離）等因素；③社會經濟因素：指影響經濟效益的不同的開發利用模式及其影響因素，包括復種類型、國家利用等指數、經濟等指數等因素；④工程因素：指通過人為改造優化開發利用條件的影響因素，包括灌溉保證率、排水條件、地塊面積以及破碎度等因素（表1）。

表1 湘陰縣可恢復耕地宜耕性影響因素及其數據來源情況Table 1 Influencing factors and data sources of non-grain-oriented arable land in Xiangyin County

所選取的影響因素中，路網密度、與村鎮間距離、與路網距離、集塊面積、地塊破碎度、地塊形狀6 個因素主要是通過第三次國土調查數據、耕地質量分等數據分析而來（圖2）。路網密度計算通過創建1 km×1 km 的漁網與第三次國土調查地類圖斑中道路進行疊加分析，得到每個網格中道路的占比，在計算路網密度時，由于封閉運行的鐵路、高速公路一般不服務于農業生產，在研究中未納入路網密度計算。與村鎮間距離是指與每個地塊距離最近的村鎮距離，由最近鄰分析[27-28]計算而來。集塊面積是指相鄰耕地地塊的連片總面積，由開放的道路、溝渠等線狀地物所分割的耕地地塊視為連片。在計算耕地地塊與路網距離時，由耕地地塊距離農業機械通行道路（機耕道）的最小距離確定[29]，選擇寬度3.5 m 以上的道路予以最近鄰分析。地塊破碎度是由單位面積的耕地中地塊的數量來表示。地塊形狀指標反映耕地地塊形狀的復雜程度，由景觀生態學中分維數（FRAC）[30]計算地塊的規整度，其數值介于1.0～2.0 之間，數值越小則斑塊越規則，其計算方法如下：

圖2 湘陰縣可恢復耕地宜耕性影響因素Figure 2 Factors affecting non grain farmland in Xiangyin County

式中：p為斑塊周長，m；a為斑塊面積，m2。

1.3 研究方法

1.3.1 XGBoost算法

XGBoost 算法在某種程度上是GBDT 算法的優化，在本質上是利用了Boosting 算法中擬合殘差的思想。XGBoost 算法又稱為極限梯度提升算法，能夠準確捕捉各種預測變量的非線性特征。作為GBDT 算法的高效實現，XGBoost 算法具有四個方面的優勢[31-32]：一是算法本身的優化，除了本身的損失，還加上了正則化部分，有效防止過擬合，具有較強的泛化能力；二是損失函數對誤差部分做二階泰勒展開，更加準確；三是通過引入并行運算，提升運行效率；四是無需對數據進行預處理，通過統計所有缺失值在當前節點分布規律來決定缺失值的處理方式，特別是可恢復耕地資源中部分屬性缺失的地塊仍能有效支持。

XGBoost算法模型如下：

XGBoost模型的目標函數式如下：

為了找到能夠最小化目標函數的ft，XGBoost 利用其在ft=0 處的泰勒二階展開近似值，將損失函數的泰勒級數推廣到二階。即目標函數近似為：

對公式（4）進一步表達為關于葉子節點j分數ωj的一元二次函數，求解所得的最優ωj和目標函數值分別如公式（5）和公式（6）所示：

在實際訓練過程中，XGBoost 算法利用百分位法列舉最佳分割點，若分裂后的目標函數比分裂前增益，且超過設定閾值，即可分裂；當葉子結點權重控制參數λ、最大深度γ超過設定閾值時停止分裂，防止過擬合[32]。

1.3.2 模型參數優化

隨著模型結構復雜化，模型的學習能力有所增強，但是泛化性也在變弱，模型會出現過擬合現象。為此通過簡化參數搜索方法進行參數優化，即在維持其他參數不變的情況下，優先優化對XGBoost 模型性能影響較大的因素，采用網格搜索并結合五折交叉驗證的方法優選最優參數。按照n_estimators、learning_rate、max_depth、subsample、min_child_weight、colsample_bytree 調參的順序進行調整（圖3），最終得到模型最優參數組合（表2）。

表2 XGBoost算法優化后參數選取表Table 2 Parameter selection after optimization about XGBoost

1.3.3 共線性分析

對于上述影響因素之間可能存在的多重共線性問題，采用常用皮爾遜相關系數分析去除多重共線性影響因素。在具體兩個顯著相關的影響因素之間的取舍上，皮爾遜相關性分析無法識別其中重要的解釋變量，因此在結合前述XGBoost 分析的影響因素權重大小的基礎上進行影響因素的篩選，得到最終的影響因素集。

皮爾遜相關系數又稱皮爾遜積矩相關系數、簡單相關系數，可解釋兩個定距變量間聯系的緊密程度，反映二者共線性特征[20，33]。對于容量為n的樣本，將n個原始數據轉換為等級數據，相關系數為：

式中：相關系數rxy表示兩個變量x、y之間的線性相關程度，rxy的值介于-1～1 之間；xi表示第一個變量中第i條數據的值；yi表示第二個變量中第i條數據的值分別表示xi、yi的平均值。相關系數絕對值越大，相關性越強；相關系數絕對值越接近0，相關性越弱，當rxy=0時，表示x和y不相關。

2 結果與分析

2.1 可恢復耕地資源的宜耕性影響因素

本研究以湘陰縣全縣53 395個耕地地塊（含耕種地塊和可恢復耕地地塊）為研究對象。由于耕地開發成坑塘或養殖坑塘以及種植草皮苗木類的耕地地塊與耕種地塊空間分布高度一致，多分布于交通便利、地勢相對較低、地形坡度較緩、灌溉條件較好、距離居民區較近的地區，這類地塊與其他類型可恢復地塊的分布規律明顯存在差異，因此未納入評價模型構建中，但不影響模型進行宜耕性評價應用。在XGBoost模型構建上，以可恢復耕地（種植屬性為未耕、即可恢復、工程恢復等）和耕種（種植屬性為糧食作物、非糧食作物、糧與非糧輪作）為二分類因變量進行標識，選取36 項影響因素作為自變量。對全縣耕地地塊隨機抽取80%樣本訓練，20%作為驗證樣本對耕地耕種預測結果進行5次交叉驗證評價。

通過簡化參數搜索方法得到優化后的參數對湘陰縣耕地耕種情況與實際耕種情況進行預測驗證，結果表明模型預測的耕種情況與實際耕種情況的準確率達到92.68%，具有良好的泛化能力和魯棒性，反映出模型良好的擬合度。XGBoost 模型預測輸出的影響因素權重P值，即公式（5）中葉子節點分數ω值（表3）。其中：標準耕作制度、國家經濟等指數這2 項影響因素的權重為0，主要原因是其指標數據缺失嚴重且對耕地宜耕性影響有限，因此在模型優化過程中去掉了這兩項影響因素；其余34 項影響因素的權重P值在0.50%～12.83%之間，其中海拔高程、坡度級別、地塊形狀、國家經濟等的權重均高于5%，占總權重的31.08%，重要性較強，其他影響因素均小于4%。

表3 XGBoost算法中可恢復耕地宜耕性的影響因素的權重P值分布Table 3 Weight P value of influencing factors of non-grain-oriented arable land in XGBoost

對于上述影響因素之間可能存在的多重共線性問題，采用皮爾遜相關系數分析去除多重共線性影響因素。通過對表3 中的34 個影響因素進行皮爾遜相關性分析，結果表明大部分影響因素間相關性不顯著，其中有13 個影響因素顯著相關，復種類型、自然等指數、自然等、經濟等指數、經濟等以及國家自然等指數之間兩兩高度相關，其相關系數的絕對值高于0.8，如自然等指數和自然等之間的相關系數高達0.996（表4）。結果表明，在該研究區域，以上影響因素之間存在較強的相關性，會對評價結果造成多重共線性的問題。在具體兩個顯著相關的影響因素的取舍上，皮爾遜相關性分析無法識別其中重要的影響因素，本研究結合指標來源以及前述XGBoost分析的影響因素權重大小進行了影響因素的篩選，初步得到影響因素集合。除上述指標之外，耕地利用等、國家利用等指數、國家經濟等這幾項指標是其他基礎指標逐級修正高度關聯的參數，所以這幾項指標未納入評價影響因素集。通過上述共線性分析和指標關聯性分析，最終得到了由21項影響因素構建的評價指標體系。

表4 可恢復耕地宜耕性顯著相關影響因素的相關系數Table 4 Correlation coefficients of significantly correlated influencing factors

在上述21 項指標的基礎上，重新隨機抽取80%樣本訓練構建XGBoost 模型，20%作為驗證樣本對耕地耕種情況預測評價，并對結果進行5 次交叉驗證，得到這21 項影響因素的權重P值（表5）。在預測結果上，該21 項影響因素的權重P值介于2.93%～13.62%之間，優化后的影響因素的權重P值相對穩定，預測的耕種情況與實際耕種情況準確率高達91.87%，通過指標簡化優化后，評價指標顯著減少，但是準確率保持穩定。整體上來看，自然因素對耕地宜耕性的影響權重高達51.05%，區位因素和工程因素權重次之，社會經濟因素的權重最小。在這些影響因素中海拔高程、坡度級別、地塊形狀以及集塊面積等影響因素權重進一步增強；從各影響因素來看，海拔高程是影響耕地是否耕種的最重要的影響因素，海拔越高耕地越難以耕種，同樣耕地坡度越陡越難以耕種。另外，地塊形狀、集塊面積的大小也是影響耕地耕種的重要因素，一般來說，地塊形狀越方正規整、越集中連片，耕地越適宜耕種。

表5 優化后XGBoost算法中可恢復耕地宜耕性影響因素的權重P值Table 5 Weight P value of influencing factors of non-grain-oriented arable land in XGBoost after optimization

2.2 可恢復耕地資源宜耕潛力

通過XGBoost 算法搭建的預測模型，結合優化后XGBoost 算法輸出的影響因素權重P值，預測得到了湘陰縣可恢復耕地資源的宜耕潛力。宜耕潛力是指整治為耕地后能維持為耕地、不再拋荒的概率，即采用XGBoost 模型中對耕地資源分類為耕種耕地和可恢復耕地二分類的概率值。對應XGBoost 的宜耕潛力超過50%時，識別為可耕種地塊；宜耕潛力低于50%時，則為難耕種地塊。

通過對比分析湘陰縣可恢復耕地中工程恢復、即可恢復以及未耕種耕地各自的宜耕潛力發現，坑塘和養殖坑塘類可恢復耕地（全部為即可恢復）宜耕潛力最大，其可耕種地塊面積達1 455.59 hm2，占坑塘和養殖坑塘類可恢復耕地面積的87.29%，坑塘和養殖坑塘類可恢復耕地灌溉條件極好、地勢相對較低，其地形坡度較緩，放干內部水體即可重新耕種。整體上未耕種和即可恢復地塊的宜耕潛力高于工程恢復類地塊。未耕種地塊只需要簡單地清理地表的灌叢、雜草即可重新耕種，復墾成本最低，且這類地塊的宜耕潛力相對較大，可耕種地塊面積為18.47 hm2，占未耕種面積的4.56%，其中拋荒水田的可耕種地塊面積占比略高于旱地。即可恢復地塊（不含坑塘和養殖坑塘）的可耕種地塊面積為93.07 hm2，占即可恢復地塊面積的4.38%。從宜耕潛力上來看，即可恢復地塊和未耕種地塊中的可耕種地塊均屬于良好的整治地塊，可列為優先整治恢復耕地的對象。從具體地類上來看，坑塘和養殖坑塘的宜耕潛力最大；其次為其他林地，其可耕種地塊面積達到83.37 hm2；灌木林地、其他園地的宜耕潛力次之，其可耕種地塊面積分別為8.03、11.55 hm2（圖4）。

圖4 湘陰縣典型地區可恢復耕地宜耕潛力對比圖Figure 4 Comparison of suitable cultivation potential of recoverable cultivated land in typical areas of Xiangyin County

湘陰縣可恢復耕地中耕地流向為坑塘和養殖坑塘類的面積最大，且大部分坑塘和養殖坑塘類可恢復耕地均可耕種。各地區其他林地類可恢復耕地的地塊的宜耕潛力差異巨大，位于西部平原區的其他林地類可恢復耕地的可耕種地塊面積占比達35.34%，對應的東部丘陵山區的其他林地類可恢復耕地的可耕種地塊面積占比僅為0.1%，宜耕潛力極低，大部分其他林地類可恢復耕地即使整治也難以持續開發利用。整體對比來看，中西部平原區可恢復耕地的宜耕潛力明顯優于東部丘陵山區。東部丘陵山區多為沖溝中的條帶狀梯田，由于可恢復耕地海拔相對較高，坡度較陡且灌溉保障率較低，地塊碎片化嚴重，這類地塊整治后再次拋荒的風險較高（圖5）。

圖5 湘陰縣可恢復耕地地塊宜耕潛力分布Figure 5 Distribution of suitable cultivation potential of recoverable cultivated land in Xiangyin County

3 討論

本研究通過自然因素、區位因素、社會經濟因素以及工程因素4 個方面對可恢復耕地的宜耕性進行評價，對不同類型可恢復耕地提出了面向地塊層面的整治建議，為可恢復耕地的科學有序整治提供了理論依據。從可恢復耕地的宜耕性影響因素來看，海拔高程、坡度級別、地塊形狀以及集塊面積等是最重要的影響因素。實質上，這幾個因素也是限制農業機械化生產的重要因素，對于分布相對零散、破碎及高海拔陡坡地帶的可恢復耕地，土地流轉速度慢，即使流轉，也存在因機械化生產受限而帶來的“非糧化”風險。因此，積極有序推動丘陵山區坡度較小的梯田和細碎耕地的集中整治，大力推動丘陵山區土地平整和高標準農田建設，能夠使耕地集中、大塊地進行耕種，提升耕地的宜耕性。在可恢復耕地整治或高標準農田建設過程中，應優先選擇宜耕潛力較高的可恢復耕地進行整治。根據整治方案對可恢復耕地整治前后的宜耕潛力進行對比研究，結合可恢復耕地的整治成本、宜耕潛力的變化情況，合理有序地開展可恢復耕地的整治工作。通過土地整治工作實現對破碎、分散的可恢復耕地地塊集中連片化、規整化，不僅有利于優化灌溉設施及機耕道的布局，而且有利于土地規模流轉，推動機械化生產。與此同時，在耕地整治過程中，也要結合市場的流轉需求，結合宜耕性評價成果，合理有序整治耕地。提高機械化可應用水平，也是遏制耕地“非糧化”的有效途徑。對于難以進行集中整治的丘陵山區地帶的細碎或坡度較陡耕地，應加大小微型農業機械和農業技術服務的創新與推廣，降低這類耕地的耕種成本，從而有效遏制耕地“非糧化”。

雖然我國已建立農業補貼和耕地保護補償政策，但現有的農業補貼和耕地保護補償政策大多傾向簡單的“一刀切”，難以科學合理地引導和管控耕地“非糧化”發展和減少耕地撂荒，需綜合考慮地區實際情況，細化補貼對象，建立分級分類的補貼政策，進一步調動種糧的積極性，通過補貼標準和政策的進一步完善，逐步建立起更具針對性的激勵制度。此外，應重點開展耕地的日常監測，開展更加精細化的耕地“非糧化”監測，及時掌握耕地生產和保護情況，針對非農化、耕地拋荒以及種植結構的變化進行差異化補貼政策，以引導農民糧食種植。

本研究構建的可恢復耕地的宜耕性影響因素評價體系不僅可以有效指導可恢復耕地的宜耕潛力評價，也可以拓展到耕地后備資源和整治后耕地資源的宜耕性評價。但全國不同地區耕地類型、社會經濟類型差異較大，單一的宜耕性評價模型和指標體系難以適用于全國。未來研究可依據耕地種植類型、社會人口經濟等方面的差異，充分考慮可恢復耕地演變機理、土地流轉、農戶自身行為因素等，因地制宜建立宜耕性指標體系與評價模型。

4 結論

（1）本研究提出了一種基于XGBoost 算法的可恢復耕地的宜耕性評價方法。選取自然因素、區位因素、社會經濟因素以及工程因素4 個方面的指標為自變量，以現狀可恢復耕地和耕種耕地二分類為因變量搭建評價模型，通過模型分析了各項影響因素對耕地宜耕性評價的重要程度，并進一步結合共線性分析和指標關聯性分析，識別并篩選了其中共線性和關聯性影響因素，最終得到21 項影響因素及其權重P值。經驗證，預測的耕種情況與實際耕種情況的符合率高達91.87%，且具有良好的泛化能力和魯棒性，預測效果良好。

（2）本研究進一步通過XGBoost 算法搭建的模型預測了湘陰縣可恢復耕地地塊的宜耕潛力。整體上，湘陰縣中西部平原區可恢復耕地宜耕潛力明顯優于東部丘陵山區，可恢復耕地中未耕種和即可恢復地塊的宜耕潛力高于工程恢復類地塊。從可恢復耕地具體地類來看，坑塘和養殖坑塘類可恢復耕地的宜耕潛力最大，其次為其他林地類可恢復耕地，灌木林地、其他園地類可恢復耕地的宜耕潛力次之。

（3）在耕地整治過程中，應以可恢復耕地宜耕性評價為前提，合理有序地開展可恢復耕地的整治。另外，應開展更加精細化的耕地“非糧化”監測，及時掌握耕地生產和保護情況，針對非農化、耕地拋荒以及種植結構的變化進行差異化補貼政策，通過差異化補貼或補償政策遏制耕地“非糧化”。