王榮輝，戚洪帥，蔡鋒，尹航，劉根，趙紹華

（自然資源部第三海洋研究所 海洋與海岸地質實驗室，福建 廈門 361005）

海灘是海浪搬運堆積形成的松散沉積物，是海岸帶重要的組成部分。作為陸地與海洋之間的緩沖區(qū)域，海灘具有防災減災、生態(tài)服務以及休閑旅游等重要功能，是沿海地區(qū)的重要濱海資源[1]。然而近年來，全球氣候變化引發(fā)了海平面上升、河流入海泥沙減少、風暴潮加劇等現象，加之人類活動影響，致使海灘遭受了嚴重的侵蝕和破壞，其形態(tài)處于快速變化之中。因此，高效、高精度地獲取海灘形態(tài)信息，是把握海灘形態(tài)演化特征，并針對其進行更具適應性管理和保護工作的必要條件。

遙感技術具有大面積、多時相、多譜段、高空間分辨率等優(yōu)勢，且不易受地形等因素的影響，是用于海岸帶地理環(huán)境監(jiān)測的有效手段。衛(wèi)星遙感獲得的大尺度海岸帶影像，是進行海灘形態(tài)提取的重要數據源[2]。已有研究中，基于遙感影像的海灘形態(tài)提取或與海岸帶土地利用分類相關[3-4]，或通過海岸線變化的衍生數據來解析海灘形態(tài)演變特征[5]。涉及海灘形態(tài)的分類識別方法包括：基于像元的分類方法[6-7]、面向對象的分類方法[8]，以及基于深度學習的分類方法[9]等。同時，一些學者提出了不同的波段運算指數，即利用遙感光譜信息間接進行海岸帶地物提取。基于遙感光譜信息提取地物的方法可以分為單波段法和多波段法。單波段法主要基于多光譜圖像中某一波段設置閾值對感興趣的地物進行提取，如利用水體對近紅外波段的強吸收特點識別水體信息等[10]。多波段法則利用同一地物在不同波段的反射差異進行波段組合來提取地物信息[11-15]，比值法就是多波段法中常用的一種，其原理是在多光譜數據中選取所研究地物反射最強與最弱的兩組波段進行線性和非線性的組合，產生對研究對象有一定指示意義的數值構建過程[16]。在遙感影像中，海灘的地理背景一般較為復雜，其陸相背景通常呈現為植被、基巖、建筑物等不同地物類型[17]，導致使用單一波段信息難以實現海灘形態(tài)的有效提取[18]。因此，基于波段組合的海岸帶地物信息提取方法得到廣泛的應用。Vos等[19]將光譜信息與比值指數輸入神經網絡分類器對不同海岸帶地物進行識別和分類，將海岸帶信息分為海灘、水、浪花和其他土地特征，進而根據海灘與水體的輪廓邊界來進行海岸線的提取。何厚軍等[20]和汪小欽等[21]分別提出了運用比值指數及紋理信息構建決策樹模型進行海岸帶地物分類的方法，可實現針對當下研究區(qū)域較為準確的海岸帶地物分類。智超等[22]利用常用的水體指數以及植被指數對時序遙感影像進行潮間帶濕地分類，可實現較高精度的潮間帶濕地分類結果。

但上述報道均未提出針對海灘形態(tài)信息進行單獨提取的方法，且在分類過程中存在參數過多、模型復雜、效率低下、可推廣性較差等問題，尚不能滿足對海灘演變監(jiān)測和管理的需求。因此，當前缺乏具有針對性和普遍適用性的高效海灘形態(tài)提取方法。針對此問題，本文根據遙感影像不同地物的光譜特征，提出建立海灘形態(tài)指數執(zhí)行海灘形態(tài)的識別，并結合砂質岸線與海灘的地理空間關系進行噪聲剔除，最終實現海灘形態(tài)的精細化提取。

1 研究區(qū)概況及數據源

本文選取的研究區(qū)分別為福建省廈門市廈門島、海南省萬寧市日月灣以及廣東省珠海市香洲灣，具體位置如圖1（a）所示。其中，廈門島全島岸線長度約為234 km，多種岸線類型相間分布[23]。砂質岸線長度約為58 km，占總岸線長度的12.07%，海灘范圍較大。同時，海灘周邊分布有建筑物、裸地、海水以及植被等地物，組合成了比較復雜的海岸帶結構。復雜的海岸帶構成增加了海灘形態(tài)信息提取的噪聲干擾，為海灘提取方法的驗證提供了良好的試驗樣本。因此，本文以2021 年1 月30 日攝取的廈門島Landsat 8 衛(wèi)星影像（圖1（b））為例進行海灘形態(tài)提取，并進行定量分析。同時選取海南省萬寧市日月灣Sentinel 2 影像（圖1（c））以及廣東省珠海市香洲灣Landsat 9影像（圖1（d））數據（拍攝時間分別為2018年10月5 日、2022 年4 月4 日）進行多樣本實驗，驗證方法的適用性。

圖1 研究區(qū)地理位置

實驗前需對遙感影像進行輻射定標，將記錄遙感信息的數字量化值轉換成絕對輻射亮度值[24]，再通過大氣校正消除成像過程中大氣的影響[25-26]。由于所使用的影像為精確地形校正后的L1T（Landsat）以及L1C（Sentinel）級數據，因此本文未進行進一步的幾何校正。為實現更好的海灘形態(tài)信息提取效果，應用基于Gram-Schmidt Pan Sharpening 的圖像融合方法增強影像的空間分辨率[27]。融合后Landsat 8 與Landsat 9 影像多光譜波段的空間分辨率從30 m 提升至15 m，Sentinel 2 影像提升至10 m，且均保留紅、綠、藍、近紅外以及兩個短波紅外波段。經過預處理后的影像色彩更接近真實地物的顏色，且海灘輪廓更加清晰。

2 研究方法

基于海灘形態(tài)指數的海灘形態(tài)提取方法主要分為三個步驟：第一步，通過海灘的光譜特征構建海灘形態(tài)指數（Beach Morphology Index，BMI）將海灘與其他地物分離，其中海灘結果中含有海灘、一些高亮建筑物、裸地及其他干擾對象；第二步，利用標準化修正差異水體指數（Modified Normalized Difference Water Index，MNDWI）對砂質岸線進行識別并提?。坏谌?，基于砂質岸線與海灘的空間關系，針對不同噪聲將海灘與干擾對象分離，最終實現海灘形態(tài)的精準提取。整體流程圖如圖2所示。

圖2 海灘形態(tài)信息精細提取流程圖

2.1 海灘形態(tài)指數的構建

海灘對太陽光有著比較強的反射性，因此在真彩色合成的影像中往往亮度較高，其光譜反射曲線總體上呈現較強的反射特征，并且反射率隨著波長的增大而增大（圖3），海灘的遙感信息模型可以近似表示為：短波紅外1（Swir1）＞短波紅外2（Swir2）＞近紅外（Nir）＞可見光。由于海岸帶影像背景的復雜性，使用單一波段難以區(qū)分不同地物類型，因此本文采用波段組合的方法將海灘信息與其他地物信息進行分離。通過分析海岸帶地物光譜曲線發(fā)現，近岸水體與植被在紅外波段呈現強吸收的特點，而海灘、建筑物以及裸地在整個紅外波段都有著較高的反射率，從而易于剔除水體與植被對海灘形態(tài)信息提取的影響。建筑物、裸地的地表反射率與海灘有著較強的相似性，但在短波紅外1 波段達到反射峰值后，建筑物與裸地在短波紅外2 波段的吸收強度要大于海灘，由此特性可對建筑物與裸地信息進行剔除。

圖3 海岸帶常見地物波譜特征

然而，海灘在短波紅外2 處吸收強度的降低，相較于建筑物和裸地并不顯著，僅用兩個波段簡單組合后的比值來提取海灘形態(tài)信息依然很困難。因此，本文提出一種新型海灘形態(tài)指數（BMI），使用冪指數增大差異，提高海灘與其他干擾信息的可分離度，計算式如下：

式中：SWIR2 為短波紅外2 波段，如Landsat 8 的第7 波段；NIR為近紅外波段，如Landsat 8 的第5波段。

通過構建BMI 增強了海灘與其他地物之間的像素亮度差異對比，從而使得海灘形態(tài)特征得到更好的表現。由式（1）計算生成指數影像，其中水體的值約為零；植被、建筑物與裸地的值為數值較低的正值；而海灘則具有較高的正值。

2.2 基于地理空間關系的噪聲去除

遙感獲取的信息是衛(wèi)星過境時的瞬時場景，反映的是某一時刻該地區(qū)各地物信息的組合，這些地學信息除了在不同層面的因素之間存在著一定的制約關系外，在空間上也存在著一定的關聯性[28]。海灘可以視作砂質岸線在空間上向陸延伸一定范圍所形成的區(qū)域，因此砂質岸線可以作為海灘向海方向的邊界，通過海灘與砂質岸線的空間關系進一步去除不同類型的噪聲干擾，從而達到海灘形態(tài)精細提取的目的，其原理如圖4所示。

圖4 基于空間關系的噪聲去除示意圖

首先，對研究區(qū)進行海岸線提?。▓D4（a））。遙感影像自動提取海岸線的方法已經比較成熟[29-31]， 應用標準化修正差異水體指數（MNDWI）[16]提取海岸線的方法已有不少實例[32-33]，且提取精度均較為理想，其原理如下：

式中：SWIR1為短波紅外的像素強度值；G為綠波波段像素強度值；MNDWI的值介于-1～1之間。

在生成的指數圖像中，水體的值小于零，而其他地物的值大于零（圖4（b））。根據這一特點選取合適的閾值將水體與其他地物分離從而提取得到海岸線；然后，通過人工目視解譯提取砂質岸線作為海灘邊界，以此來確定海灘的長度（圖4（c））。最后，利用砂質岸線與海灘相交的空間關系去除提取結果中與海灘不相連的噪聲（圖4（d））；再利用砂質岸線向陸做緩沖區(qū)，通過ArcMap 疊加分析中的相交關系去除提取結果中與海灘相連的噪聲（圖4（e））。需要特別指出，岸線緩沖區(qū)的建立需根據研究區(qū)實際灘面寬度來確定，一般海灘寬度不超過300 m。通過海灘與砂質岸線的特殊空間關系去除噪聲，最終得到精細的海灘形態(tài)結果（圖4（f））。

3 結果與分析

3.1 海灘形態(tài)信息提取

以廈門島Landsat 8 影像為例，根據本文提出的BMI 對研究區(qū)遙感影像進行運算，再通過閾值分割提取各地物。為更加清晰地展示提取結果，本次試驗將研究區(qū)地物類型分為三類，其中水體閾值為0，其他類（包括植被、建筑物、裸地）閾值為1～600，海灘閾值為601～1 700，分類過程通過ENVI軟件完成。影像經BMI運算后，海灘信息在影像中得到了增強，同時抑制了植被、建筑物以及裸地等干擾信息。

通過BMI方法提取到完整的海灘形態(tài)信息后，進一步利用岸線與海灘的空間關系去除海灘形態(tài)提取結果中的噪聲。對研究區(qū)遙感影像進行MNDWI 運算，通過生成的MNDWI 值構建水體、海灘等地物的概率密度函數直方圖（圖5），在生成的直方圖中，水體的概率密度函數以MNDWI的負值為中心，而海灘與其他地物以正值為中心，繼而通過大津閾值法[34]確定最大化水體與陸地的閾值為-0.16，對水陸邊界線進行數字化。再通過目視解譯確定砂質岸線，以此對提取的海灘形態(tài)信息進行噪聲去除，得到精細海灘形態(tài)信息。

圖5 不同地物MNDWI值的概率密度函數

3.2 精度評價

為檢測本文提出的BMI 提取海灘形態(tài)信息方法的精確度，分別采用最大似然法[35]、人工神經網絡法[36-37]、支持向量機[38]對海灘形態(tài)進行提取，并將四種方法提取結果進行對比（圖6）。為保障監(jiān)督分類結果的可靠性，本文對各分類地物感興趣區(qū)域（Region of Interest，ROI）像素數量的選取均大于1 000 個，且訓練樣本的可分離度均在1.9 以上，所有分類過程均通過ENVI 軟件完成。之后通過地理空間關系進行噪聲去除得到完整海灘形態(tài)（圖7）。

圖6 不同方法提取海灘形態(tài)信息比較

圖7 不同方法提取海灘形態(tài)信息結果

從圖7 中可以看出，支持向量機所得到的有效海灘形態(tài)最少，邊緣連續(xù)性最差。人工神經網絡與最大似然法結果中存在大量的偽海灘形態(tài)信息，容易將海灘與背景地物混淆而導致識別錯誤。同時，可以從人工神經網絡的分類結果中看到，海灘形態(tài)信息中存在大面積的孔洞使得提取結果不完整。而BMI 方法的結果中所包含的海灘形態(tài)更加完整，海灘的連續(xù)性更好，提取結果中所包含的噪聲最少，可以有效避免背景地物與海灘形態(tài)信息的混淆，識別精度更高。

為了更進一步反映海灘形態(tài)提取的準確程度，對提取結果進行定量化評估。首先，通過將海灘形態(tài)提取結果與人工目視解譯海灘形態(tài)進行疊加，之后引入誤差矩陣對四種方法提取結果進行驗證，最后通過兩個精度驗證公式進行相對精度的定量統計。方法如下：

（1）將分類得到的海灘形態(tài)信息歸為一類，將建筑物、植被和水體等其他地物歸為一類。之后，通過人工目視解譯獲得研究區(qū)的海灘形態(tài)范圍作為參考標準（圖7（a）），將分類結果與人工目視解譯結果進行對比分析。

（2）將目視解譯海灘形態(tài)范圍與四種自動識別方法得到的提取結果進行疊加，如果自動識別范圍與目視解譯范圍重疊，則視重疊部分為識別正確的區(qū)域，定義為真正類，記為TP（True Positive）；而自動識別范圍落在目視解譯范圍以外的區(qū)域為識別錯誤的區(qū)域，定義為假正類，記為FP（False Positive）。視目視解譯范圍與自動識別范圍不重疊的區(qū)域為未被識別的正確區(qū)域，定義為假負類，記為FN（False Negative）。最后，定義自動識別范圍與目視解譯范圍外的區(qū)域為真負類，記為TN（Ture Negative）[39]。

（3）在此基礎上定義以下參數：

式中：Coverage表示海灘形態(tài)提取的覆蓋度；Precision表示海灘形態(tài)提取的精確度。

根據以上評價標準對四種方法進行分析得到評價參數，如表1所示。

表1 分類結果評價參數

依據表1 的結果對四種方法提取的海灘形態(tài)信息進行對比分析。從表中可以看出，本文提出的BMI 方法有最高的覆蓋度，其值為87.4%。這說明BMI 方法得到的結果中包含的正確海灘形態(tài)信息最多。其次是人工神經網絡，其覆蓋度為84.5%。覆蓋度最低的方法為支持向量機，其覆蓋度為75.8%，說明該方法所提取的結果中包含的有效海灘形態(tài)信息最少。

精確度從高到低排序，依次是BMI 方法、支持向量機、人工神經網絡和最大似然法，說明本文的BMI 方法識別結果中包含的噪聲最少，識別精度最高。而精確度最低的方法為人工神經網絡，雖然其有較高的覆蓋度，但結果中包含噪聲太多，導致精確度太低。最大似然法的結果中也存在較多錯誤地提取信息導致精確度較低。從分類結果圖中可以看出，造成監(jiān)督分類方法提取精度低的干擾信息主要是建筑物體和裸地，這是由于在真彩色合成的遙感影像中，建筑物和裸地與海灘都有較高的亮度值，從而使得監(jiān)督分類算法對建筑物和裸地的識別能力下降。

根據上述圖表可以看出，本文提出的BMI 方法輸出的結果最清晰完整，能較好地將海灘與其他背景地物區(qū)分，其覆蓋度與精確度在四種方法中均最高，且可以避免分類前由人為干預帶來的主觀性偏差。在提取效率方面，上述三種監(jiān)督分類方法要經過“圖像預處理-特征判別-ROI 樣本選取-分類器分類-分類后處理-結果驗證”的分類流程，需要花費較多的人力和時間，工作量大且煩瑣；而本文提出的BMI 方法屬于半監(jiān)督分類法，其分類流程大致為“圖像預處理-BMI 運算-分類后處理-結果驗證”，可省去分類前人工選取ROI 樣本的煩瑣步驟，通過以廈門島landsat 8 影像為例，輸入相同大小的影像進行海灘形態(tài)信息提取，BMI 方法運行時間比其他三種監(jiān)督分類方法用時更短，在一定程度上提高了海灘形態(tài)提取的效率。由此可見，針對海灘形態(tài)的提取，本文提出的BMI 方法相對于傳統的監(jiān)督分類方法更加有效，且在精確度、覆蓋度以及提取效率均有明顯優(yōu)勢，更適用于海灘形態(tài)的精細提取。

3.3 BMI方法適應性檢驗

為了表明BMI 方法對不同場景、不同源海岸影像的適用性，同時避免偶然性的發(fā)生，本文進一步對BMI方法進行適應性檢驗。按照本文建立的BMI方法處理流程對萬寧市日月灣以及珠海市香洲灣區(qū)域進行海灘形態(tài)提取得到結果（圖8（C）、（D））。為便于分析，選取局部區(qū)域（圖8（a）－（f））影像進行細節(jié)展示。從細節(jié)圖中可知，經過BMI 運算后的海灘形態(tài)信息得到了增強，且海灘輪廓保留完整。同時，從提取結果中可以看出，本文提出的BMI 海灘形態(tài)信息提取方法對不同場景以及不同數據源的遙感影像均有較好的識別效果。由此可見，本文方法具有可推廣性強、精確度高等優(yōu)點，是有效的海灘形態(tài)信息提取方法。

圖8 多樣本海灘形態(tài)提取結果

3.4 誤差分析

本文通過構建海灘形態(tài)指數，以廈門市廈門島Landsat 8 影像為例，實現了海灘形態(tài)的提取，并通過多樣本實驗進一步驗證了海灘形態(tài)指數的適應性，發(fā)現其對不同場景、不同源海岸影像均具有良好的提取精度，但是仍存在一些影響提取結果準確度的客觀因素。首先，由于水體對太陽光的吸收作用使得海灘的含水率對海灘形態(tài)的提取有較大的干擾，含水率高的海灘BMI 值整體偏小，因此在進行海灘形態(tài)信息提取時，需要降低閾值從而得到更好的海灘提取效果。其次，應用遙感光譜指數進行地物提取是基于劃分像元來實現的，而由于Landsat以及Sentinel 2影像空間分辨率較低（分別為15 m、10 m），因此，很難區(qū)分海灘與其他地物交界處的混合像元，從而在一定程度上影響提取精度。在今后研究中，可以通過亞像素級的海灘形態(tài)提取來提高精度。

4 結語

針對海灘形態(tài)信息的精確提取，本文提出了一種基于海灘形態(tài)指數的海灘形態(tài)提取方法。該方法通過海灘光譜反射特征構建海灘形態(tài)指數，并結合岸線與海灘的空間關系進行噪聲去除，實現了海灘形態(tài)信息的精確提取。實驗結果表明，該方法與傳統的監(jiān)督分類方法相比具有更高的覆蓋度與精確度，能夠較為完整地提取海灘形態(tài)信息?；诳臻g關系的噪聲去除方法可以實現較高程度的自動去除噪聲的過程，相比于人工去除噪聲的方法更為省時省力，同時可以避免由不同操作人員的經驗差異導致的主觀性偏差。本文利用廣東省珠海市香洲灣Landsat 9 以及海南省萬寧市日月灣Sentinel 2 的開源影像數據進行進一步試驗，發(fā)現該方法對不同研究區(qū)以及傳感器均有較為理想的提取結果，具有較好的推廣性，為海灘形態(tài)信息的提取提出了可供參考的新方法。不足之處在于，該方法無法區(qū)分海灘邊界的混合像元，使得提取精度有所影響。在未來研究中可以通過像元劃分實現亞像素級的海灘形態(tài)提取，并融合多元數據和多種模型開展進一步研究。