摘要：随着卫星遥感和图像处理技术的迅速崛起和飞速发展，利用卫星遥感数据对水体分布进行分析和监测已成为必然趋势。湖南省会长沙市望城区，地处湘中东北部湘江下游两岸的丘陵向洞庭湖平原过渡地带，区域内河流密布，湖泊密集。利用高分一号（GF-1）卫星遥感影像数据，对图像进行几何处理和几何精校正，基于监督分类法，提取出望城区水体并计算水体的面积和制作水体分布图，抽取望城区主要湖泊、河流作为典型研究区，研究近年来望城区域内水体动态变化。研究结果表明：基于监督分类法，能够很好地提取出望城区年际水体分布变化情况，望城区的水体面积处于不断变化中，随着人口的增加、城市建设的快速发展导致了大量的湖泊水体被侵占；气候变化和人类活动共同导致了望城区水体面积减少，提取水体的最小精度为87.4533％，平均总体分类精度为93.9716％，平均Kappa系数为0.9157。研究望城区水体分布动态变化，为改善望城区水环境、修复水生态、留住水资源提供决策依据。

关键词：遥感影像数据；望城区；监督分类法；水体分

引言

水资源是人类社会健康稳定发展的基本条件，是制约区域发展的重要因素。天然形成的湖泊、江河以及人工挖掘的河渠、沟、塘、水库等构成了内陆地表水体。水体不仅可以提供水源，还能改善环境、调节河川径流等。望城区地处湘江下游、洞庭尾闾，湘江贯穿区境35公里，是长沙市唯一纳入洞庭湖生态经济区的区县，是由湘中丘陵向洞庭湖平原过渡地带，地势由南向北倾斜，属中亚热带季风湿润气候，气候温和，热量丰富，年平均气温17℃，降水量1370毫米。因此了解望城区的水体分布及面积变化是建设的前提与基础，在长沙，守护好一江碧水，望城身先士卒。在全球气候变暖背景下，随着社会经济的发展和城市人口的增长，水体面积受到降雨量减少、蒸发量增加、围湖造田不加节制等因素影响，望城区水体的分布格局和水体特征会产生一系列重要变化。因此研究区域水体动态变化具有重要的理论意义和现实意义。目前常用水体信息提取方法主要有：单波段阈值分割法、多波段谱间结构关系法、监督分类法、人工目视解译法等。 然而，由于存在同物异谱，异物同谱现象，这种完全依赖地物光谱特征的分类方法往往会出现较多错分、漏分情况；监督分类法的分类规则易于理解，分类过程也符合人的认知过程，能够比较好地解决上述分类所产生的问题。卫星遥感调查具有视点高、视域广及成本低等优势，为大规模水体监测提供更加优质、科学和高效的服务。本文利用卫星遥感影像数据，通过监督分类方法提取望城区水体信息，并对区域内主要湖泊、河流、沟塘进行动态监测，然后分析对比近年来区域内水体面积变化情况，从而掌握了解望城区水资源的空间分布特点，为保护和利用区域水资源，生态保护和修复提供决策依据。

1 研究区域选择及概况

望城区，湖南省会长沙市辖区，地处湘中东北部，湘江下游两岸，总面积969平方公里。望城地处湘中丘陵向洞庭湖平原过渡地带，地势由南向北倾斜。兼有低山，以岗地、丘陵、平原为主。区域内岗地面积较大，岗顶多为平展伸延，地表缓和起伏；中部多为丘陵岗地，海拔在60-150米之间，土质红黄，林木苍翠；东北、西北部为滨湖冲积平原区，土地平旷，湖泊密集，团头湖为其最大。望城区属中亚热带季风湿润气候，气候温和，热量丰富，年平均气温17℃，降水量1370毫米。从地形图（见图1）可以看出望城区境内河流密布，湖泊密集，水资源丰富。

湘江干流及其支流为主要水体，以湘江为界，从河西流入湘江的有柳林江、撇洪河、沩水河、八曲河、马桥河、大泽湖水系、龙王河、观音河和百泉河，其中最有名的为沩水河。从湘江东岸流入的有黄龙河、石渚河与霞凝河。较大的湖泊有团山湖、天井湖和格塘水库，其他库容量100-1000万立方米有黄金乡的观音岩水库、茶亭镇境内的茶亭水库。望城区全区境内河流、水库、湖泊和小微水体等水域资源丰富，对地表水体面积变化产生重要影响。本文选取望城区域内35km长的湘江干流及其主要支流，团山湖、天井湖和格塘水库为本文典型研究区域，以湖泊、河流作为典型研究对象，由于在短时间内大面积的水体面积变化不明显，以三峡工程竣工为时间节点，选择2012年6月-9月的遥感影像提取水体信息，得出望城区水体的面积变化。

2 数据来源与研究方法

2.1 数据来源

本文采用的遥感图像数据来自高分一号（GF-1）卫星，高分一号卫星是国家高分辨率对地观测系统重大专项天基系统中的首发星。本文选择四组不同时间段的高分一号卫星影像和一幅望城区卫图，每组包含一幅多光谱图像，一幅全色影像。

2.2 研究方法

本研究所选择的八幅图像均为原始数据，所以需要对图像进行几何预处理和几何精校正。先对图像进行图像校正，图像校正包括辐射定标、大气校正和几何校正。然后将校正完的多光谱图像和全色图像进行融合，融合后生成四幅新的图像。将四幅新图像几何配准后进行图像镶嵌，镶嵌完成的图像经过裁剪后得到研究区域。（见图2）

经过几何预处理和几何精校正的图像采用监督分类法进行分类：第一步先选择六个不同类地貌的感兴趣区域作为分类样本，各类地貌的分类样本数量不应小于200个，分类样本的总数量不应小于1000个；第二步选择六类地貌的其他区域作为检验样本，用于后面的精度评定；第三步就是用不同的监督分类方法对研究区域进行分类，选择出最优的方法然后进行分类后处理，提取出水体并计算水体的面积和制作水体分布图。

3 遥感图像处理与融合

3.1 遥感图像校正

遥感成像过程中，受多种因素的综合影响，原始图像上地物的几何位置、形状、大小、尺寸、方位等特征与其对应的地面地物的特征不一致几何变形表现为影像上的像元相对于地面目标的实际位置发生挤压、扭曲、拉伸和偏移。几何校正就是校正成像过程中所造成的各种几何畸变，是将图像数据投影到平面上，使其符合地图投影系统的过程。遥感图像纠正是通过计算机对图像每个像素逐个地解析纠正处理完成的，所以能够较清晰地改正线性和非线性变形误差。几何精纠正的基本原理是回避成像的空回几何过程，直接利用地面的控制点数据对遥感图像的几何畸变本身进行数学模拟并且认为遥感图像的总体畸变可以看做是挤压、扭曲、缩放、偏移以及更高次的基本变形的综合作用的结果。

3.1.1 几何校正

本研究采用 Image Registration Workflow 流程化工具进行图像配准。图像配准文件在工具箱中，选择 Geometric Correction → Registration → Image Registration Workflow，从而启动几何校正模块：自动和手动生成控制点，检查控制点及预览结果，最后输出校正结果。图像配准中的基准图像是已有数据中的望城区卫图。

3.1.2 辐射校正

辐射校正是指对外界因素、数据获取及传输系统等产生的系统的、随机的辐

射失真或畸变进行校正，以消除或纠正因辐射误差而引起影像畸变的过程。辐射

校正的过程就是辐射定标，为大气校正和正射校正做准备，定标符合单位要求的辐射量数据、转换数据顺序等。具体流程：读取数据；辐射定标，在工具箱中，选择 Radiometric Correction → Radiometric Calibration；转换数据存储类型，由于定标好的影像的数据排列格式为BSQ，而大气校正默认的数据排列格式为 BIL或BIP，因此要转换数据存储格式。辐射定标后的多光谱图像见下图（图3A，B，C，D）。

3.1.3 大气校正

为了消除大气和光照等因素对地物反射的影响，消除大气中水蒸气、氧气、二氧化碳、甲烷和臭氧对地物反射的影响，消除大气分子和气溶胶散射的影响。采用具有支持传感器种类多、精度高、不依赖同步实测数据、操作简单等诸多优点FLAASH大气校正法，使用了MODTRAN 4+辐射传输模型的代码，基于像素级的校正，校正由于漫反射引起的连带效应，包含卷云和不透明云层的分类图，可调整由于人为抑制而导致的波谱平滑调整。具体方法是在工具箱中，选择 Radiometric Correction → Atmospheric Correction Module → FLAASHA tmospheric Correctio，双击打开 FLAASH Atmospheric Correction Model Input Parameters 对话框。经过大气校正后的多光谱图像见图4。

3.1.4 正射校正

正射校正是对图像空间和几何畸变进行校正生成多中心投影平面正射图的处理过程。它除了能纠正一般系统因素产生的几何畸变外，还可以消除地形引起的几何畸变。正射校正一般是通过在图像上选取一些地面控制点，并利用原来已经获取的该图像范围内的数字高程模型（DEM）数据，对影像同时进行倾斜改正和投影差改正，将影像重采样成正射影像。将多个正射影像拼接镶嵌在一起，并进行色彩平衡处理后，按照一定范围内裁切出来的影像就是正射影像图。本研究用到的工具为 RPC Orthorectification Workflow 流程化工具，校正需要DEM文件，遥感图像RPC信息。经过正射校正后的全色图像见图5。

3.2 图像融合

遥感图像融合（Image Sharpening）是指将由多源通道所采集的同一目标的图像经过一定的处理，提取各通道的信息来复合多源遥感图像，综合形成统一图像或综合利用各图像信息的技术。图像融合最大限度的提取各自信道中的有利信息，最后综合成高质量的图像，以提高图像信息的利用率，改善计算机解译精度和可靠性、提升原始图像的空间分辨率和光谱分辨率。由于遥感数据中的多光谱数据分辨率低于全色数据分辨率，使用图像融合将全色数据和多光谱数据融合以获得更好分辨率的多光谱数据影像。ENVI中融合方法有很多，本研究采用PC Spectral Sharpening，可以对具有高空间分辨率的光谱图像进行融合。第一步，先对多光谱数据进行主成分变换；第二步，用高分辨率波段替换第一主成分波段，在此之前，高分辨率波段已被缩放匹配到第一主成分波段，从而避免波谱信息失真；第三步，进行主成分反变换。函数自动地用最近邻、双线性或三次卷积技术将高光谱数据重采样到高分辨率像元尺寸。结合图像融合原理，PC Spectral Sharpening 融合方法较为适用。将已有的四幅多光谱影像和对应的四幅全色影像分别进行融合，图像融合后的效果见图6。

3.3 图像镶嵌与裁剪

融合后的图像具有重叠部分，根据研究需要采用无缝镶嵌的方法制作成一幅没有重叠的新图像。导入数据后，利用工具 Mosaicking → Seamless Mosaic 将四幅图像两两镶嵌成一张图像，最后再拼接成一幅图像，见图7。根据研究工作范围对图像进行裁剪（Subset Image）。本研究的区域是长沙市望城区，因此需要将感兴趣区域裁剪出来。现有数据中包含长沙市界的shp文件，使用已有的矢量数据裁剪图像，裁剪后的图像效果见图8。

4 遥感图像分类

4.1 遥感分类的目的和方法

遥感图像分类就是利用计算机对遥感图像中各类地物的光谱信息和空间信息进行分析，选择特征，并用一定手段将特征空间划分为互不重叠的子空间，然后将图像中的各个像素划归到各子空间。目前常见的分类方法有监督分类、非监督分类、决策树分类等。本研究使用的是监督分类法。监督分类（Supervised Classification），又称“训练分类”，监督分类最大的特点是需要图像地物的先验知识。整个过程可以简单理解为让算法学习被确认了类别的训练样本，进而去识别其他未知类别的像元。其中先验知识即训练样本，可以由野外调查、目视解译等方法获得。监督分类算法对每类训练样本进行特征提取，根据提取的特征对自身的判决函数进行训练，进而让判决函数区分各种样本类别。随后用训练好的判决函数对其他待分类数据进行分类，将每个待分类像元都划分到与其最相似的已知类别中。

4.1.1 创建训练样本

ENVI数据中的样本区域也是“感兴趣区”，即Region of Interest（ROI），使用创建ROI的方法选取训练样本。总共需要选取六种地物的训练样本，分别是植被、水体、空地、居民地、耕地、道路。因为对水体提取的需要，水体训练样本数量需要适当增加。各种地物的训练样本数量见表1。

4.1.2 监督分类

对于监督分类，训练区的选择要求有代表性，训练样本的选择要考虑到遥感图像的地物光谱特征，而且样本数目应能够满足分类的要求，否则，一旦样本数目超过一定的阈值时，分类器的精度便会下降。本次分类主要采用其中的四种方法，分别为马氏距离法、最大似然法（Maximum Likelihood）、最小距离法、神经网络法（Neural Net）。然后对四种方法的分类效果进行精度评定，找出最优的分类方法。本研究采用最大似然分类（Maximum Likelihood）算法。对比四种分类方法，最小距离法对于居民地和道路的分类效果最好，其他三种方法的区分度不高，居民地和道路混为一体。因为部分地物的反光特性，导致地物之间的光谱特征差异不明显，比如道路和耕地，居民地和耕地，空地和耕地。分类成果中有部分耕地被分类成道路，所以耕地和道路的分类效果不好。因为研究区域位于南方，所以大部分耕地为水田，影像成像时间可能是在未播种期，所以部分农田会被识别为水体，所以耕地的分类效果不好。

因为水体的光谱特征明显，所以水体在监督分类过程中易于区分，四种分类方法中水体对其他地物的分类效果均较好。但是水体也存在反光和阴影等问题，根据结果来看最大似然法和神经网络法对水体的分类效果优于其他两种方法，对于研究目的来说，水体的分类精度越高，结果越符合预期。又因为神经网络法是模拟人脑进行监督分类，分类过程时间长，也不适用于分类，所以最终我们选择最大似然法的分类结果见图9，进行后续的水体提取和水体面积计算。

4.1.3 分类后处理

采用监督分类法，得到的初始结果都无法满足最终应用需求，不可避免地会产生一些面积很小的图斑。无论是从专题制图的角度，还是从实际应用的角度，都有必要对这些小图斑进行剔除或重新分类。使用聚类法，聚类统计计算每个分类图斑的面积，记录相邻区域最大图斑面积的分类值，运用形态学算子将领近的类似分类区域聚类合并。

5 研究结果

5.1 水体提取

本研究根据望城区卫图和谷歌高清卫星地图并依据裁剪后的图像进行目视解译，选择出六类区分明显的地物。水体是天然或人工形成的水的聚集体，其物质组织、结构组织、形态及空间分布特征等都与植被、土壤、人工建筑等的明显不同。水体的反射率在可见光范围内总体上比较低，一般为 4%～5%，并具有随波长增大逐渐降低的特征，其反射率在蓝绿光波段最高，在近红外波段最低，几乎完全吸收，因此水体在影像上呈暗色调，水陆界线相对比较清楚，利用此特性和不同波谱间的水体光谱特征可以将水体提取出来。利用ENVI软件进行水体信息提取工作，在遥感影像上，进行波段计算，根据波段比值图，选择合适的阈值，保证较好的提取效果，确定阈值后，利用监督方法进行分类，再将分类结果进行合成，对水体属性较模糊的区域，则进行归类修改。水体信息提取后面积小于1 的分为自然坑塘，面积大于1的分为湖泊，面积大于1而形状绵长曲折的水体分为河流与沟渠。

5.2 精度分析

由于实地考察获取地面信息难以实现，因此本研究采用替代的方法获取地面点信息，从而评估地面水体的提取精度。本研究一共选取了500个验证样本，随机采样不同的水体类型，然后再验证其真实地表类型，最后用混淆矩阵和Kappa系数进行分类精度评定和表征望城区水体信息的提取精度。评价结果见表2。

从最大似然法混淆矩阵的评价结果（表2）可知，水体的分类精度高达99.4049%（192273/193424），Kappa系数为：0.9916。说明最大似然法在地物分类和水体提取均有较好的效果。

5.3 结果统计

经过分类后处理和精度评价，我们把研究区域各种地物所占的像元个数统计到下表（表3）。其中研究对象水体的像元数是16010057，面积是80.050615，占到总体的4.44%。

利用卫星遥感影像得到的大陆水体信息，代表的只是卫星瞬间过境时所获取的影像水体面积，但水体表面积会因季节气候变化和突然降雨的影响而发生变化，对水体面积的估算产生重大影响。通过遥感判读区划和实地调查，全区面积大于 8.0hm的湖泊、沼泽和人工塘池（不含水稻田）以及宽10m、长5.0km的河流总面积11915．72hm。其中河流面积 8093.33hm，占水体总面积的67.9％，是望城区水体中的主体，其它依次是人工塘池、沼泽和湖泊。图10和图11是望城区遥感分类专题图和水体分布专题图。

6 结论

利用遥感技术与GIS相结合，获取望城区水体的分布信息，望城区水体总面积为80.050615，约占望城区总面积的4.44%，通过对典型研究区水体提取信息的统计可知，近年来望城区水体面积呈逐渐减少趋势。通过分析望城区水体分布现状，为望城区水资源保护和合理利用提供决策依据。

参考文献：

[1]湖南省人民政府．湖南省湘江流域生态环境综合治理规划[R].2009．

[2]国家林业林草局．关于做好湿地公园发展建设工作的通知[z].2007．

[3]杨树文等.遥感数字图像处理与分析—ENVI 5.x实验教程[M].北京：电子工业出版社，2019.

[4]都金康，黄永胜，冯学智等. SPOT卫星影像的水体提取方法及分类研究[J]. 遥感学报，2001，5（3）：2142219.