段号然，段永红，尚庆彬

（山西农业大学资源环境学院，山西 太谷 030801）

土地是国家的民生之本、发展之基。农村土地调查及登记发证工作是关系农村经济社会发展的一项重要基础性工作，是夯实农村发展基础的重要举措。2012年，我国已全面推动农村土地调查工作，国土资源部、农业部、财政部三部委联合下发通知，明确要求我国农村集体土地调查登记发证，宅基地使用权和集体建设用地使用权登记确权工作最迟要在2018年年底前全部完成[1]。本研究采用1∶2 000 比例尺的数字正射影像图，快速有效的解译影像图对于推进调查工作有着关键性的作用。山区影像的解译一直是影像解译的难点问题，因此，有必要对土地调查过程中山区影像的识别困难进行调查分析，并探寻解决这一问题的方法。

遥感影像解译的精度直接影响着调查工作的结果，探索适合的影像处理、解译方法对于调查工作有重要的意义。本研究主要探讨了山区影像耕地解译过程中存在的几种有解译困难的地块，并针对性地提出了具体的解决办法，研究对土地调查工作中影像不清晰、阴影坡度及其他地物的影响处理有很大的指导意义。

1 遥感影像在土地调查中的应用分析

1.1 土地调查中影像识别方法的选择

遥感影像的判读分为目视解译、计算机自动分类判读及计算机人工交互解译3 种方法。目视判读又称目视解译，是指专业人员通过直接观察在遥感图像上获取目标地物信息的过程。计算机自动分类判读是指以计算机系统为支撑环境，利用模式识别与人工智能技术，根据目标地物的各种影像特征对遥感图像进行解译。计算机人工交互解译则是以目视解译为基础，以计算机软硬件为平台对遥感数据源进行提取和编辑处理。在土地确权过程中对于影像的解译工作主要是对耕地的解译及耕地边界的识别，对解译的精度要求极高，计算机自动分类判读和人机交互判读都难以满足这样的精度要求。利用目视解译与实地测量相结合的方法可以在保证解译精度的基础上最大限度的提高工作效率，是调查工作的最佳解译方法。

1.2 土地调查中影像识别的基本程序

影像的目视解译一般分为知识准备、选择解译标志、初步解译、野外调查、详细解译5 个步骤[2]。知识准备是解译的基础，目视解译要求解译人员有较为丰富的遥感知识，对于各种地物的光谱信息有深刻的认识，对于被解译区域的土壤、地质特性有基本的了解。

对于每一种遥感影像上的地物类型，本研究都是从其波谱特征、几何特征、时间特征、植被特征等方面对其进行描述的[3]，而这些特征的典型代表就是这一类地物的解译标志。解译标志的选择是解译的前提，正确、合适的解译标志可以极大地提高解译的效率与准确度。本次调查工作选择三四月份的影像作为解译影像，这个时期的农田处于翻新的状态，在色调方面与林地和裸地都有较为明显的差异，是对农田解译的最佳时期。平坦地区耕地的色调均一，纹理均匀，分布集中，形状规则，有较为明显的解译标志。山区的耕地由于受地形的限制，解译标志与平坦地区差别较大。山区耕地的色调会随地形地貌的变化而不同，布局也较为分散，形状大多不规则。

初步解译是解译人员运用自身的知识条件结合选择的解译标志对遥感影像进行的解译，是仅凭经验的解译。初步解译的主要工作是了解解译区域的特点，选择合适的解译方法，寻找解译的难点与问题。目视解译常用方法有：直接判读法、对比分析法、信息复合法、逻辑推理法、地理相关分析法等[4]。在调查工作实际解译时，应当从地物的整体特征出发，针对具体的影像状况采用合适的判读方法。

野外调查是保证解译精度最为必要的过程，它既是对初步解译结果验证和修改的过程，也是实地测量的过程。初步解译的误差大多处于遥感影像中难以识别的区域，野外调查必须有目的性地解决这些区域的解译困难，因此，在调查的过程中必须携带初步解译的结果，更正不恰当的解译标志，修改错误的解译结果。野外实测工作主要针对图像上无法解译的耕地边界，另外实测也是检验解译精度的途径之一。连片耕地由于土质相同、作物类似，在色调、耕作痕迹方面差异较小，是实地测量的主要工作对象。

详细解译是在初步解译和野外调查的基础上对解译结果的完善，是获取最终解译结果的过程。详细解译是运用正确的解译方法，结合野外调查与测量的结果对影像进行解译与细节处理的过程。详细解译结果是要应用到调查工作当中的最终数据，它要求解译者运用自身基础知识，结合实际调查对影像的每个细节做到完善。目视解译的各个步骤环环相扣，每个过程的错误都会导致解译结果的错误，因此，解译过程中一定要做到认真仔细，以保证结果的准确性。

2 山区耕地解译的困难及解决方法

我国是一个多山的国家，一些地区大量的分布着山地和丘陵，这些地区的影像受地形及植被情况的影响往往存在较多的阴影，一些地区还存在或多或少的变形。这些因素都会对该地区的耕地解译造成一定的困难，以下介绍了几种常见的山区影像耕地解译的困难及它们的解决方法。

2.1 耕地边界的识别

2.1.1 不规则耕地的边界识别 山区的地形起伏不平，居民点分布较为分散，交通常常被山川河流阻隔，植被分布情况也更为复杂。受上述种种因素的影响，山区可作农业使用的区域较少，形不成较大规模的耕地，因此，山区耕地往往呈现小面积分散分布的态势，而且无法形成较为规则的形状。这类耕地的单块面积很小，地块边界曲折，没有固定的走向，相邻耕地间的界线往往也不是直线，这些特征都会给耕地边界的精确识别造成很大的困难。在现有影像质量的基础上要想减少上述因素造成的解译误差，需要尽可能的在影像中突出耕地边界。

与耕地本身的土壤相比，耕地边界土壤的密度更高，湿度更小，石头等杂物较多，因此，在遥感影像中耕地边界表现为浅色调。耕地的色调与其边界的色调有明显的差异，可以通过对比度增强的方法突出地块的边缘。对比度增强是通过拉伸或者压缩图像中亮度值的范围来实现的，常见的对比度变换的方法包括线性变换与非线性变换[4]。不同的遥感影像应该依照其像元亮度值分布的直方图选择合适的对比度变换方法。从图1可以看出，研究区域的影像在3 个波段的直方图峰值提升较为迅速，高密度值都集中在亮度坐标轴的左侧，这说明图像偏暗，对比度较小。针对研究区域影像的亮度值直方图特征，选择正态拉伸的方法对图像的亮度值进行拉伸处理，经过拉伸处理后图像像元的亮度范围较之前都有了很大的扩展，直方图的峰值也更靠近坐标轴的中间，这说明图像的对比度较之前有了很大的提升。这一变化在研究区域的影像中也有直观的体现，从图2可以看出，处理前的影像整体的色调较暗，耕地与边界的对比不明显，耕地边界的解译难度较大；但经过拉伸处理后影像的色调变得更加明亮，耕地与边界的对比也更加明显，更容易识别出白色条状的耕地边界。

此外，针对地块边界呈长条状、浅色调这一特征，还可以对影像进行空间滤波，空间滤波可以实现对图像中某些特征的重点突出。其中，锐化处理可以突出图像中的线状目标及亮度变化率较大的部分，是适合耕地边界处理的方法。从图3可以看出，经过锐化处理后耕地的条状边界变得更加明显，耕地与其他地类的分界也更加突出，这一处理可以使耕地的边界解译更加准确。

2.1.2 阴影区域耕地边界识别 山区复杂的地形情况与广泛分布的植被是造成山区影像阴影的主要原因，这些阴影普遍存在于山区影像中。阴影的存在丰富了影像的层次，增强了影像的立体感，对于山体高度与形状的判定也有积极作用[5]，但阴影区域的地物信息也会因此而难以获取，对山区影像的解译造成困难[6]。山区耕地的解译过程存在阴影区地物信息难以获取的问题，一些耕地不可避免的处于山体或植被的阴影中，消除或减弱阴影的影响对于解译这部分耕地将至关重要[7]。

对于阴影较弱的区域，通过观察它的像元亮度值曲线（图1）可以看出，这些区域在各个波段的亮度都集中于坐标轴的左侧，也印证了阴影区亮度值低，饱和度高，色调值大[8]的特征。基于阴影区的这一特征，可以适当调节影像亮度的同时应用拉伸的方法增强影像的对比度，通过这种处理方法来减弱阴影的影响。从图4可以看出，这一方法对于阴影较弱区域的耕地信息获取有很好的效果。但这种处理方法势必会影响到非阴影区耕地的解译，因此，这种方法只适合阴影区解译，对非阴影区的解译还应该使用未经处理的影像。

但山区的大多数阴影是无法通过简单调整亮度和对比度解决的，对于这些区域则需要探索阴影的减弱方法或者利用其他资料辅助解译。针对阴影区亮度值低、饱和度过高的缺点，可以将RGB（R 为红色，G 为绿色，B 为蓝色）空间的影像转换为HIS（H 为明度，I 为饱和度，S 为三分量）空间的影像，然后分别对阴影区域的亮度和饱和度补偿，再将影像转换回RGB 空间[9]。对亮度值的补偿可以先利用分离函数分离空间频率，得到亮度的高频与低频成分，然后对阴影区域的亮度进行增强[10]。对饱和度的处理则是通过抑制阴影区的饱和度以便恢复阴影区的自然色彩[11]。这一方法可以有效消除一些区域的阴影，但对于多数阴影较重的区域来说，应用多来源、多时相影像辅助解译是最有效的方法。不同季节、不同天气状况的光照状况不同，遥感影像的质量与阴影状况也不相同，应用影像的这一特点对比多期影像便可实现对阴影区的识别（图5），虽然2 幅影像的拍摄季节、植被状况、影像质量都不同，但由于二者的阴影状况不同，处理后对于处理前阴影区域信息的解译可以起到很大的参考作用。

2.2 山区耕地的面积精准核算

耕地面积是耕地资源的重要数据，准确的耕地面积对于作物的估产和政府的农业决策都起着至关重要的作用。山区耕地的情况较平坦地区更复杂，耕地面积的调查难度也更大，获取准确的耕地面积对于农村土地调查工作至关重要。对耕地边界的准确识别是获取准确耕地面积的前提，耕地内的小地物与坡地面积的修正是面积核算的困难所在，对这2 个问题的处理结果直接决定着耕地面积的精确程度。

据统计，30 m 分辨率的遥感影像判读所获得的的耕地图斑面积比实际耕地面积大30%左右[12]，造成这一差异的最主要原因便是各种非耕地的小地物和线状地物。山区耕地与平坦地区耕地相比，小地物的类型更多，分布更广，解译难度也更大，因此，小地物和线状地物的剔除是山区耕地面积精准核算的重要工作。目前，国内外对遥感影像中小地物的提取方法主要有3 类：（1）抽样调查法，选取若干有代表性的区域，实地测量小地物与线状地物在耕地总面积中所占的比例，根据这一比例估测整个研究区小地物与线状地物的面积。（2）数理分析法，结合GIS 和RS 技术，通过建立数学模型和相关趋势外推模型来测算非耕地面积。（3）高分辨率影像解译法[13]，采用较高分辨率的影像解译并剔除非耕地的小地物和线状地物[12]。前2 种方法能有效去除小地物和线状地物的影响，但都无法获取这些地物的具体位置，此外由于山区环境复杂，耕地状况随机性较强，这2 种方法在某些区域可能造成较大的误差。高分辨率影像法更适合在确权工作中使用，确权的基础影像本身分辨率较高，可以满足小地物的解译标准，而且与其他2 种方法相比，高分辨率影像法的效率更高。耕地中小地物的分布不规律，面积相对较小，类型多样，了解各类小地物的解译标志可以有效提高解译精度和解译效率。

除小地物与线状地物外，坡地面积的修正也是影响山区耕地精准核算的重要因素。坡地是北方山区常见的耕地形式，由于修建梯田的工程量比较大，在一些坡度较小的山坡常会形成与水平面呈一定角度的坡地。对于这类坡地，使用影像图直观解译只能获取到它投影到水平面上的投影面积，与它的真实面积有较大的误差。为了消除这一误差需要获取坡地的坡度和坡向，利用三角形的勾股定理对坡地面积进行校正。校正公式为：S＝S1÷cosθ，其中，S 为校正面积，S1为解译面积，θ 为耕地的坡度。

坡度坡向是描述地形特征信息的重要指标，它能够反映地形的形态起伏与结构特征。坡度是指过地表一点的切平面与水平面的夹角，反映地表坡面的倾斜程度；坡向是指地表面上一点的切平面的法线在水平面的投影与该点正北方向的夹角，它指示坡面所面对的方向。地形因子与山区耕地流转密切相关，随着坡度增加，耕地情况越差[14]。目前，获取坡度坡向最常用的手段是应用DEM 数字高程模型进行坡度坡向分析[15]。DEM 是地形表面形态属性信息的数字表达，是带有空间位置特征和高程属性特征的数字描述。主要的坡度坡向分析方法有数值分析法、局部曲面拟和法、空间矢量法及快速傅里叶变换法等[16]。不同精度的DEM 数据计算所得的坡度坡向精度也不相同[17]，低精度的DEM 会导致研究区的坡度变小，坡度标准差变大，DEM 精度对不同坡度区域表现为不同的影响。由研究区的DEM数据计算得到的坡度坡向图叠加研究区影像可以发现，耕地多处于0°～15°的低坡区域；依据坡向图可以判断耕地的朝向，对于大块坡地的坡向及形状的判定有指导性的作用。对图6中坡地初步解译，该地块面积为1 531.8 m2，叠加坡度图得到该地块坡度在12°～20°范围内，取中间值15°经校正公式计算可得校正后面积为1 587.5 m2，经与农户核实校正后面积更接近地块的实际面积，证实了该方法的可行性。

2.3 撂荒耕地的解译与验证

耕地撂荒是指土地经营者在耕地利用过程中由于受到社会、经济、人为等因素的影响对耕地减少耕作甚至不耕作的行为，撂荒会导致耕地在一些时期内处于没有充分利用甚至荒芜的状态[1]。撂荒耕地在国际和国内众多区域内都有分布，而且近年来越来越多，特别是在耕地质量相对较低的山区内[18]。山区耕地与平坦地区相比产量更低，种植难度也更大[19]，农户为了追求更大的效益往往会放弃这一部分耕地[20]。做好对于撂荒耕地的调查，获取撂荒耕地的真实数据，对于土地确权工作与农业的整体决策都有重要的意义。

山区撂荒耕地往往都有面积小、分布分散、荒芜程度严重、边界模糊等特征，这些特征都增加了撂荒耕地的解译难度。大多数的山区撂荒耕地无法通过直接解译识别，对于这部分耕地的解译应该按照先调查后解译的方式进行。经营耕地的农户对撂荒耕地的具体位置与实际状况最了解，先调查经营耕地的农户可以快速获取耕地的大致信息，减少解译工作的工作量，保证解译工作的正确性。在影像解译的过程中，由于撂荒耕地的植被状况与周围其他土地并无较大差异，因此，往往需要撂荒前后或不同季节的多期影像[21]。在实际操作中，由于撂荒年份、时间不确定，且影像质量相对较差，因此，可以叠加不同季节的影像。按照调查的结果确定撂荒耕地的大致位置，叠加与不同季节的高分辨率影像，撂荒年份较短的耕地生长的多为草本植物，而周围环境多为乔木、灌木。夏季草本植物与乔木灌木相比，色调更浅，纹理更细，而且没有由于植物高度造成的阴影。秋冬季节草本植物枯萎速度更快，枯萎程度也更严重，因此，颜色多为枯黄色，与周围环境的颜色差异较明显。在调查的基础上，合理的利用撂荒耕地的这些特征可以较好地解译撂荒耕地的具体位置和边界。

3 结论

本研究简单介绍了农村土地调查过程中耕地解译的过程，重点探讨了山区影像耕地解译过程中存在的几种有解译困难的地块，并针对这些解译困难提出了具体的解决办法。结果表明，对于不规则耕地的边界识别问题，针对其边界与内部的色调差异，可以采用线性拉伸和非线性拉伸的方法增强图像的对比度，然后使用高通滤波的方法锐化处理，突出耕地的边界。阴影区耕地可以按照不同的阴影程度采用不同的办法进行处理，对于阴影较弱的区域可适当的调节影像的亮度与对比度以减弱阴影的影响；而对于阴影较强的区域则需要结合实地调研，通过变换色彩空间补偿阴影区域的亮度与饱和度。为减小小地物对耕地面积的影响，可以采用影像解译与抽样调查相结合的剔除方法，而坡地对面积量算的影响则需要进行坡度坡向分析，通过勾股定理进行纠正。最后提出利用不同季节影像叠加的方法解译撂荒耕地的方法。