基于海滩形态指数的海滩形态提取方法研究

王荣辉，戚洪帅，蔡锋，尹航，刘根，赵绍华

（自然资源部第三海洋研究所 海洋与海岸地质实验室，福建 厦门 361005）

海滩是海浪搬运堆积形成的松散沉积物，是海岸带重要的组成部分。作为陆地与海洋之间的缓冲区域，海滩具有防灾减灾、生态服务以及休闲旅游等重要功能，是沿海地区的重要滨海资源[1]。然而近年来，全球气候变化引发了海平面上升、河流入海泥沙减少、风暴潮加剧等现象，加之人类活动影响，致使海滩遭受了严重的侵蚀和破坏，其形态处于快速变化之中。因此，高效、高精度地获取海滩形态信息，是把握海滩形态演化特征，并针对其进行更具适应性管理和保护工作的必要条件。

遥感技术具有大面积、多时相、多谱段、高空间分辨率等优势，且不易受地形等因素的影响，是用于海岸带地理环境监测的有效手段。卫星遥感获得的大尺度海岸带影像，是进行海滩形态提取的重要数据源[2]。已有研究中，基于遥感影像的海滩形态提取或与海岸带土地利用分类相关[3-4]，或通过海岸线变化的衍生数据来解析海滩形态演变特征[5]。涉及海滩形态的分类识别方法包括：基于像元的分类方法[6-7]、面向对象的分类方法[8]，以及基于深度学习的分类方法[9]等。同时，一些学者提出了不同的波段运算指数，即利用遥感光谱信息间接进行海岸带地物提取。基于遥感光谱信息提取地物的方法可以分为单波段法和多波段法。单波段法主要基于多光谱图像中某一波段设置阈值对感兴趣的地物进行提取，如利用水体对近红外波段的强吸收特点识别水体信息等[10]。多波段法则利用同一地物在不同波段的反射差异进行波段组合来提取地物信息[11-15]，比值法就是多波段法中常用的一种，其原理是在多光谱数据中选取所研究地物反射最强与最弱的两组波段进行线性和非线性的组合，产生对研究对象有一定指示意义的数值构建过程[16]。在遥感影像中，海滩的地理背景一般较为复杂，其陆相背景通常呈现为植被、基岩、建筑物等不同地物类型[17]，导致使用单一波段信息难以实现海滩形态的有效提取[18]。因此，基于波段组合的海岸带地物信息提取方法得到广泛的应用。Vos等[19]将光谱信息与比值指数输入神经网络分类器对不同海岸带地物进行识别和分类，将海岸带信息分为海滩、水、浪花和其他土地特征，进而根据海滩与水体的轮廓边界来进行海岸线的提取。何厚军等[20]和汪小钦等[21]分别提出了运用比值指数及纹理信息构建决策树模型进行海岸带地物分类的方法，可实现针对当下研究区域较为准确的海岸带地物分类。智超等[22]利用常用的水体指数以及植被指数对时序遥感影像进行潮间带湿地分类，可实现较高精度的潮间带湿地分类结果。

但上述报道均未提出针对海滩形态信息进行单独提取的方法，且在分类过程中存在参数过多、模型复杂、效率低下、可推广性较差等问题，尚不能满足对海滩演变监测和管理的需求。因此，当前缺乏具有针对性和普遍适用性的高效海滩形态提取方法。针对此问题，本文根据遥感影像不同地物的光谱特征，提出建立海滩形态指数执行海滩形态的识别，并结合砂质岸线与海滩的地理空间关系进行噪声剔除，最终实现海滩形态的精细化提取。

1 研究区概况及数据源

本文选取的研究区分别为福建省厦门市厦门岛、海南省万宁市日月湾以及广东省珠海市香洲湾，具体位置如图1（a）所示。其中，厦门岛全岛岸线长度约为234 km，多种岸线类型相间分布[23]。砂质岸线长度约为58 km，占总岸线长度的12.07%，海滩范围较大。同时，海滩周边分布有建筑物、裸地、海水以及植被等地物，组合成了比较复杂的海岸带结构。复杂的海岸带构成增加了海滩形态信息提取的噪声干扰，为海滩提取方法的验证提供了良好的试验样本。因此，本文以2021 年1 月30 日摄取的厦门岛Landsat 8 卫星影像（图1（b））为例进行海滩形态提取，并进行定量分析。同时选取海南省万宁市日月湾Sentinel 2 影像（图1（c））以及广东省珠海市香洲湾Landsat 9影像（图1（d））数据（拍摄时间分别为2018年10月5 日、2022 年4 月4 日）进行多样本实验，验证方法的适用性。

图1 研究区地理位置

实验前需对遥感影像进行辐射定标，将记录遥感信息的数字量化值转换成绝对辐射亮度值[24]，再通过大气校正消除成像过程中大气的影响[25-26]。由于所使用的影像为精确地形校正后的L1T（Landsat）以及L1C（Sentinel）级数据，因此本文未进行进一步的几何校正。为实现更好的海滩形态信息提取效果，应用基于Gram-Schmidt Pan Sharpening 的图像融合方法增强影像的空间分辨率[27]。融合后Landsat 8 与Landsat 9 影像多光谱波段的空间分辨率从30 m 提升至15 m，Sentinel 2 影像提升至10 m，且均保留红、绿、蓝、近红外以及两个短波红外波段。经过预处理后的影像色彩更接近真实地物的颜色，且海滩轮廓更加清晰。

2 研究方法

基于海滩形态指数的海滩形态提取方法主要分为三个步骤：第一步，通过海滩的光谱特征构建海滩形态指数（Beach Morphology Index，BMI）将海滩与其他地物分离，其中海滩结果中含有海滩、一些高亮建筑物、裸地及其他干扰对象；第二步，利用标准化修正差异水体指数（Modified Normalized Difference Water Index，MNDWI）对砂质岸线进行识别并提取；第三步，基于砂质岸线与海滩的空间关系，针对不同噪声将海滩与干扰对象分离，最终实现海滩形态的精准提取。整体流程图如图2所示。

图2 海滩形态信息精细提取流程图

2.1 海滩形态指数的构建

海滩对太阳光有着比较强的反射性，因此在真彩色合成的影像中往往亮度较高，其光谱反射曲线总体上呈现较强的反射特征，并且反射率随着波长的增大而增大（图3），海滩的遥感信息模型可以近似表示为：短波红外1（Swir1）＞短波红外2（Swir2）＞近红外（Nir）＞可见光。由于海岸带影像背景的复杂性，使用单一波段难以区分不同地物类型，因此本文采用波段组合的方法将海滩信息与其他地物信息进行分离。通过分析海岸带地物光谱曲线发现，近岸水体与植被在红外波段呈现强吸收的特点，而海滩、建筑物以及裸地在整个红外波段都有着较高的反射率，从而易于剔除水体与植被对海滩形态信息提取的影响。建筑物、裸地的地表反射率与海滩有着较强的相似性，但在短波红外1 波段达到反射峰值后，建筑物与裸地在短波红外2 波段的吸收强度要大于海滩，由此特性可对建筑物与裸地信息进行剔除。

图3 海岸带常见地物波谱特征

然而，海滩在短波红外2 处吸收强度的降低，相较于建筑物和裸地并不显著，仅用两个波段简单组合后的比值来提取海滩形态信息依然很困难。因此，本文提出一种新型海滩形态指数（BMI），使用幂指数增大差异，提高海滩与其他干扰信息的可分离度，计算式如下：

式中：SWIR2 为短波红外2 波段，如Landsat 8 的第7 波段；NIR为近红外波段，如Landsat 8 的第5波段。

通过构建BMI 增强了海滩与其他地物之间的像素亮度差异对比，从而使得海滩形态特征得到更好的表现。由式（1）计算生成指数影像，其中水体的值约为零；植被、建筑物与裸地的值为数值较低的正值；而海滩则具有较高的正值。

2.2 基于地理空间关系的噪声去除

遥感获取的信息是卫星过境时的瞬时场景，反映的是某一时刻该地区各地物信息的组合，这些地学信息除了在不同层面的因素之间存在着一定的制约关系外，在空间上也存在着一定的关联性[28]。海滩可以视作砂质岸线在空间上向陆延伸一定范围所形成的区域，因此砂质岸线可以作为海滩向海方向的边界，通过海滩与砂质岸线的空间关系进一步去除不同类型的噪声干扰，从而达到海滩形态精细提取的目的，其原理如图4所示。

图4 基于空间关系的噪声去除示意图

首先，对研究区进行海岸线提取（图4（a））。遥感影像自动提取海岸线的方法已经比较成熟[29-31]， 应用标准化修正差异水体指数（MNDWI）[16]提取海岸线的方法已有不少实例[32-33]，且提取精度均较为理想，其原理如下：

式中：SWIR1为短波红外的像素强度值；G为绿波波段像素强度值；MNDWI的值介于-1～1之间。

在生成的指数图像中，水体的值小于零，而其他地物的值大于零（图4（b））。根据这一特点选取合适的阈值将水体与其他地物分离从而提取得到海岸线；然后，通过人工目视解译提取砂质岸线作为海滩边界，以此来确定海滩的长度（图4（c））。最后，利用砂质岸线与海滩相交的空间关系去除提取结果中与海滩不相连的噪声（图4（d））；再利用砂质岸线向陆做缓冲区，通过ArcMap 叠加分析中的相交关系去除提取结果中与海滩相连的噪声（图4（e））。需要特别指出，岸线缓冲区的建立需根据研究区实际滩面宽度来确定，一般海滩宽度不超过300 m。通过海滩与砂质岸线的特殊空间关系去除噪声，最终得到精细的海滩形态结果（图4（f））。

3 结果与分析

3.1 海滩形态信息提取

以厦门岛Landsat 8 影像为例，根据本文提出的BMI 对研究区遥感影像进行运算，再通过阈值分割提取各地物。为更加清晰地展示提取结果，本次试验将研究区地物类型分为三类，其中水体阈值为0，其他类（包括植被、建筑物、裸地）阈值为1～600，海滩阈值为601～1 700，分类过程通过ENVI软件完成。影像经BMI运算后，海滩信息在影像中得到了增强，同时抑制了植被、建筑物以及裸地等干扰信息。

通过BMI方法提取到完整的海滩形态信息后，进一步利用岸线与海滩的空间关系去除海滩形态提取结果中的噪声。对研究区遥感影像进行MNDWI 运算，通过生成的MNDWI 值构建水体、海滩等地物的概率密度函数直方图（图5），在生成的直方图中，水体的概率密度函数以MNDWI的负值为中心，而海滩与其他地物以正值为中心，继而通过大津阈值法[34]确定最大化水体与陆地的阈值为-0.16，对水陆边界线进行数字化。再通过目视解译确定砂质岸线，以此对提取的海滩形态信息进行噪声去除，得到精细海滩形态信息。

图5 不同地物MNDWI值的概率密度函数

3.2 精度评价

为检测本文提出的BMI 提取海滩形态信息方法的精确度，分别采用最大似然法[35]、人工神经网络法[36-37]、支持向量机[38]对海滩形态进行提取，并将四种方法提取结果进行对比（图6）。为保障监督分类结果的可靠性，本文对各分类地物感兴趣区域（Region of Interest，ROI）像素数量的选取均大于1 000 个，且训练样本的可分离度均在1.9 以上，所有分类过程均通过ENVI 软件完成。之后通过地理空间关系进行噪声去除得到完整海滩形态（图7）。

图6 不同方法提取海滩形态信息比较

图7 不同方法提取海滩形态信息结果

从图7 中可以看出，支持向量机所得到的有效海滩形态最少，边缘连续性最差。人工神经网络与最大似然法结果中存在大量的伪海滩形态信息，容易将海滩与背景地物混淆而导致识别错误。同时，可以从人工神经网络的分类结果中看到，海滩形态信息中存在大面积的孔洞使得提取结果不完整。而BMI 方法的结果中所包含的海滩形态更加完整，海滩的连续性更好，提取结果中所包含的噪声最少，可以有效避免背景地物与海滩形态信息的混淆，识别精度更高。

为了更进一步反映海滩形态提取的准确程度，对提取结果进行定量化评估。首先，通过将海滩形态提取结果与人工目视解译海滩形态进行叠加，之后引入误差矩阵对四种方法提取结果进行验证，最后通过两个精度验证公式进行相对精度的定量统计。方法如下：

（1）将分类得到的海滩形态信息归为一类，将建筑物、植被和水体等其他地物归为一类。之后，通过人工目视解译获得研究区的海滩形态范围作为参考标准（图7（a）），将分类结果与人工目视解译结果进行对比分析。

（2）将目视解译海滩形态范围与四种自动识别方法得到的提取结果进行叠加，如果自动识别范围与目视解译范围重叠，则视重叠部分为识别正确的区域，定义为真正类，记为TP（True Positive）；而自动识别范围落在目视解译范围以外的区域为识别错误的区域，定义为假正类，记为FP（False Positive）。视目视解译范围与自动识别范围不重叠的区域为未被识别的正确区域，定义为假负类，记为FN（False Negative）。最后，定义自动识别范围与目视解译范围外的区域为真负类，记为TN（Ture Negative）[39]。

（3）在此基础上定义以下参数：

式中：Coverage表示海滩形态提取的覆盖度；Precision表示海滩形态提取的精确度。

根据以上评价标准对四种方法进行分析得到评价参数，如表1所示。

表1 分类结果评价参数

依据表1 的结果对四种方法提取的海滩形态信息进行对比分析。从表中可以看出，本文提出的BMI 方法有最高的覆盖度，其值为87.4%。这说明BMI 方法得到的结果中包含的正确海滩形态信息最多。其次是人工神经网络，其覆盖度为84.5%。覆盖度最低的方法为支持向量机，其覆盖度为75.8%，说明该方法所提取的结果中包含的有效海滩形态信息最少。

精确度从高到低排序，依次是BMI 方法、支持向量机、人工神经网络和最大似然法，说明本文的BMI 方法识别结果中包含的噪声最少，识别精度最高。而精确度最低的方法为人工神经网络，虽然其有较高的覆盖度，但结果中包含噪声太多，导致精确度太低。最大似然法的结果中也存在较多错误地提取信息导致精确度较低。从分类结果图中可以看出，造成监督分类方法提取精度低的干扰信息主要是建筑物体和裸地，这是由于在真彩色合成的遥感影像中，建筑物和裸地与海滩都有较高的亮度值，从而使得监督分类算法对建筑物和裸地的识别能力下降。

根据上述图表可以看出，本文提出的BMI 方法输出的结果最清晰完整，能较好地将海滩与其他背景地物区分，其覆盖度与精确度在四种方法中均最高，且可以避免分类前由人为干预带来的主观性偏差。在提取效率方面，上述三种监督分类方法要经过“图像预处理-特征判别-ROI 样本选取-分类器分类-分类后处理-结果验证”的分类流程，需要花费较多的人力和时间，工作量大且烦琐；而本文提出的BMI 方法属于半监督分类法，其分类流程大致为“图像预处理-BMI 运算-分类后处理-结果验证”，可省去分类前人工选取ROI 样本的烦琐步骤，通过以厦门岛landsat 8 影像为例，输入相同大小的影像进行海滩形态信息提取，BMI 方法运行时间比其他三种监督分类方法用时更短，在一定程度上提高了海滩形态提取的效率。由此可见，针对海滩形态的提取，本文提出的BMI 方法相对于传统的监督分类方法更加有效，且在精确度、覆盖度以及提取效率均有明显优势，更适用于海滩形态的精细提取。

3.3 BMI方法适应性检验

为了表明BMI 方法对不同场景、不同源海岸影像的适用性，同时避免偶然性的发生，本文进一步对BMI方法进行适应性检验。按照本文建立的BMI方法处理流程对万宁市日月湾以及珠海市香洲湾区域进行海滩形态提取得到结果（图8（C）、（D））。为便于分析，选取局部区域（图8（a）－（f））影像进行细节展示。从细节图中可知，经过BMI 运算后的海滩形态信息得到了增强，且海滩轮廓保留完整。同时，从提取结果中可以看出，本文提出的BMI 海滩形态信息提取方法对不同场景以及不同数据源的遥感影像均有较好的识别效果。由此可见，本文方法具有可推广性强、精确度高等优点，是有效的海滩形态信息提取方法。

图8 多样本海滩形态提取结果

3.4 误差分析

本文通过构建海滩形态指数，以厦门市厦门岛Landsat 8 影像为例，实现了海滩形态的提取，并通过多样本实验进一步验证了海滩形态指数的适应性，发现其对不同场景、不同源海岸影像均具有良好的提取精度，但是仍存在一些影响提取结果准确度的客观因素。首先，由于水体对太阳光的吸收作用使得海滩的含水率对海滩形态的提取有较大的干扰，含水率高的海滩BMI 值整体偏小，因此在进行海滩形态信息提取时，需要降低阈值从而得到更好的海滩提取效果。其次，应用遥感光谱指数进行地物提取是基于划分像元来实现的，而由于Landsat以及Sentinel 2影像空间分辨率较低（分别为15 m、10 m），因此，很难区分海滩与其他地物交界处的混合像元，从而在一定程度上影响提取精度。在今后研究中，可以通过亚像素级的海滩形态提取来提高精度。

4 结语

针对海滩形态信息的精确提取，本文提出了一种基于海滩形态指数的海滩形态提取方法。该方法通过海滩光谱反射特征构建海滩形态指数，并结合岸线与海滩的空间关系进行噪声去除，实现了海滩形态信息的精确提取。实验结果表明，该方法与传统的监督分类方法相比具有更高的覆盖度与精确度，能够较为完整地提取海滩形态信息。基于空间关系的噪声去除方法可以实现较高程度的自动去除噪声的过程，相比于人工去除噪声的方法更为省时省力，同时可以避免由不同操作人员的经验差异导致的主观性偏差。本文利用广东省珠海市香洲湾Landsat 9 以及海南省万宁市日月湾Sentinel 2 的开源影像数据进行进一步试验，发现该方法对不同研究区以及传感器均有较为理想的提取结果，具有较好的推广性，为海滩形态信息的提取提出了可供参考的新方法。不足之处在于，该方法无法区分海滩边界的混合像元，使得提取精度有所影响。在未来研究中可以通过像元划分实现亚像素级的海滩形态提取，并融合多元数据和多种模型开展进一步研究。