EN中文

地球信息科学学报 >

2022 , Vol. 24 >Issue 3: 583 - 596

DOI: https://doi.org/10.12082/dqxxkx.2022.210429

遥感科学与应用技术

基于潮汐动态淹没过程的长江口潮滩地形信息反演研究

  • 章敏 , 1, 2, 3 ,
  • 吴文挺 , 1, 2, 3, * ,
  • 汪小钦 1, 2, 3 ,
  • 孙玉 1, 2, 3
展开
  • 1.福州大学数字中国研究院（福建）,福州 350108
  • 2.空间数据挖掘与信息共享教育部重点实验室,福州 350108
  • 3.卫星空间信息技术综合应用国家地方联合工程研究中心,福州 350108
*吴文挺（1990— ）,男,福建福州人,博士,助理研究员,研究方向为海岸带遥感。E-mail:

章 敏（1997— ）,男,安徽铜陵人,硕士生,研究方向为海岸带遥感。E-mail:

收稿日期: 2021-07-27

  要求修回日期: 2021-09-01

  网络出版日期: 2022-05-25

基金资助

国家自然科学基金项目(41801393)

中央引导地方发展专项(2017L3012)

版权

版权所有,未经授权,不得转载、摘编本刊文章,不得使用本刊的版式设计。
收起

Topographic Retrieval of the Tidal Flats in the Yangtze Estuary based on the Dynamic Tidal Submergence

  • ZHANG Min , 1, 2, 3 ,
  • WU Wenting , 1, 2, 3, * ,
  • WANG Xiaoqin 1, 2, 3 ,
  • SUN Yu 1, 2, 3
Expand
  • 1. The Academy of Digital China (Fujian), Fuzhou University, Fuzhou 350108, China
  • 2. Key Laboratory of Spatial Data Mining and Information Sharing of Ministry of Education, Fuzhou 350108, China
  • 3. National ＆ Local Joint Engineering Research Center of Satellite Geospatial Information Technology, Fuzhou 350108, China
*WU Wenting, E-mail:

Received date: 2021-07-27

  Request revised date: 2021-09-01

  Online published: 2022-05-25

Supported by

National Natural Science Foundation of China(41801393)

Special Project of Central Government Guiding Local Development(2017L3012)

Copyright

Copyright reserved © 2022
Fold

摘要

潮滩是陆地与海洋之间重要的生态过渡地带,具有复杂的生态过程和重要的服务功能。受陆海交互作用及人类活动的影响,潮滩处于高度动态变化过程中,而传统测绘技术受到潮滩可达性影响无法快速获取潮滩地形信息。为解决潮滩高程数据获取困难的问题,本文提出一种基于潮汐动态淹没过程和时序遥感影像的潮滩地形信息提取算法,利用K-means++聚类方法实现水域提取,并通过时序淹没特征计算潮滩淹没频率提取潮滩范围信息,最终综合区域潮汐特征反演潮滩地形。研究以崇明东滩为例,利用2016—2020年所有可用Sentinel-2和Landsat-8时序遥感影像,实现潮滩范围提取与高程反演,并通过实测高程数据进行精度验证。研究结果表明,潮滩范围提取总体精度为97.73%,F1_score为0.98;高程反演平均绝对误差为0.15 m,潮滩高程的反演精度与可用影像的数量呈正相关。研究利用该算法进一步反演长江口地区主要潮滩地形特征,结果表明区域内潮滩面积为346.93 km2,高程范围为1.00~3.84 m,且与现有潮滩范围数据集相比,本研究提取的长江口潮滩范围更为完整。该算法为潮滩地形的快速反演提供了可能,对潮滩资源动态监测和管理具有重要意义。

关键词： 潮滩; 时序遥感影像; K-means++; 潮滩淹没频率; Sentinel-2; Landsat-8; 潮滩范围提取; 地形反演; 长江口

本文引用格式

章敏 , 吴文挺 , 汪小钦 , 孙玉 . 基于潮汐动态淹没过程的长江口潮滩地形信息反演研究[J]. 地球信息科学学报, 2022 , 24(3) : 583 -596 . DOI: 10.12082/dqxxkx.2022.210429

Abstract

Tidal flats are important transitional zones between terrestrial and marine ecosystems and have complicated ecological processes and essential ecosystem services. Tidal flats are highly dynamic under the influences of land-sea interactions and anthropogenic activities. Limited by the accessibility, it is difficult to map the tidal flat using traditional survey. To solve the difficulty in obtaining tidal flat elevation data, a tidal flat elevation inversion model suitable for large-scale with high accuracy is needed. In this study, we proposed an algorithm incorporating tidal submergence and time-series Remote Sensing (RS) data to map the topography of tidal flats. We used Chongming Dongtan as an example and further extended the results to the whole Yangtze Estuary. Firstly, the K-means++ clustering was employed to extract the inundation extent of tidal. Then, the frequency of tidal inundation of each pixel was calculated from the time series RS data. Finally, the tidal flat topography was retrieved based on the regional tidal frequency. All available Sentinel-2 and Landsat-8 images from 2016 to 2020 were used to build the time-series dynamic of tidal flats to map the topography. Verified by the in-situ data, the results showed that the total accuracy and F1-score of the inundation extent extraction of the tidal flats were 97.73% and 0.98, respectively. The average absolute error of elevation inversion was 0.15 m. The accuracy of tidal flat elevation was positively correlated with the number of available images. The total area of tidal flats was 346.93 km2 with an elevation range of 1.00~3.84 m. The tidal flats in the Yangtze Estuary were mainly distributed in Chongming Dongtan, Jiuduansha, Hengsha Dongtan, Nanhui Biantan, and Tuanjiesha. Among them, Nanhui beach had the largest area (107.44 km2), while Chongming east beach had the largest elevation difference (2.84 m). The distribution status of tidal flat was mainly affected by sediment hydrodynamics, vegetation, and human engineering activities. Compared with the existing dataset, our results showed a more robust capacity in the inundation extent extraction of tidal flats. With the increasing number of effective observations and tidal level information from time-series RS images in coastal areas, the extraction accuracy of tidal flat information could be further improved. The proposed algorithm has a great potential in rapid mapping of tidal flat topography and is of great significance for the dynamic monitoring and management of tidal flat resources.

Key words： tidal flats; time-series remote sensing images; K-means++; frequency of tidal inundation; Sentinel-2; Landsat-8; tidal flats area extraction; topographic retrieval; Yangtze Estuary

1 引言

潮滩是位于平均高潮线与平均低潮线之间的重要国土资源,不仅是沿海生物重要的栖息地,而且在抵御风暴潮、海啸等海洋灾害具有不可忽略的作用[1]。受到人类围海造陆、海平面上升和海岸侵蚀沉积等问题影响,潮滩生态环境面临严峻挑战。掌握潮滩时空动态变化,能为海岸国土资源的管理提供重要的决策依据。其中,潮滩地形是沿海地区制定战略发展规划和开展生态文明建设的重要基础地理信息。但潮滩地形复杂,潮沟等各类微地貌单元密布其中,且滩面宽广,泥泞难行[2]。受陆海交互作用过程的强烈影响,潮滩处于高速动态变化过程,采用传统测绘技术开展潮滩资源的持续监测工作极其耗费人力物力,难以获取潮滩时效高程数据产品。因此,如何快速获取潮滩地形数据仍是海岸国土资源测绘研究中的重要问题。
遥感技术能够实现地表信息的大面积连续动态监测,为潮滩地形的快速测绘提供了可能。已有大量研究通过遥感数据开展潮滩地形测绘工作,目前许多学者主要采用水边线信息复合技术方法[3]反演潮滩地形信息,并成功应用到全球不同国家和地区的潮滩。该方法基于时间序列影像提取瞬时水边线位置信息,并综合潮位数据进行空间插值（如克里金插值、不规则三角网,反距离加权插值法和ANUDEM等）反演潮滩数字高程模型（Digital Elevation Model,DEM）。其中,水边线的提取方法主要有目视解译、阈值分割、边缘检测、面向对象分割以及监督分类与非监督分类等。Xu等[4]对时序Landsat系列影像手动数字化生成冬夏两季时序水边线,利用自然邻域插值算法将潮位数据插值生成冬夏DEM。尽管通过目视解译提取水边线信息结果精度较高,但工作量庞大。Zhang等[5]基于归一化差异水体指数（Normalized Difference Water Index,NDWI）[6]和改进的归一化差异水体指数（Modified Normalized Difference Water Index,MNDWI）[7]信息,利用阈值分割方法快速提取时序水边线信息,同时比较克里金插值法、反距离加权插值法和不规则三角网插值法的优劣,最终选择不规则三角网插值法构建潮滩DEM。但影像受潮滩时空异质性影响,水体提取的分割阈值存在较大的不一致性。边缘检测算法可根据影像地物边缘信息自动化提取目标特征。Qi等[8]利用Canny算子对多源时序多光谱影像提取水边线集,利用不规则三角网插值生成英罗湾潮滩地形图。边缘检测的各种算子能较好的提取水陆边界,但易受噪声干扰,连续性较差[9]。基于面向对象分类算法能有效降低遥感影像噪声影响。李天祺等[10]基于影像光谱、空间和纹理信息的面向对象法对GF-1 WFV数据进行多尺度分割以及对象合并提取水边线,结合验潮站的潮汐数据进行不规则三角网空间插值反演潮滩DEM。但面向对象方法对纹理变化较为敏感,弱边缘水边线不够平滑。Edward等[2]将非监督分类的K-means聚类算法与主动轮廓法相结合对Sentinel-1和Sentinel-2影像提取水边线,并利用反距离加权和克里金法对潮位进行插值反演潮滩DEM。K-means方法能自适应区分水体和非水体,但初始聚类中心选择的随机性会导致聚类的不确定。而K-means++[11]方法则可以克服K-means方法的缺点,具有稳定的水陆分离效果。总之,目前基于时序水边线数据反演获取潮滩高程的方法自动化程度较低,同时,近岸潮汐过程受到地形和气象条件影响,提取的瞬时水边线并不是“等高线”,且高程插值也仅是近似模拟潮位点周围像元高程,影响大尺度潮滩高程反演结果精度。
为解决水边线提取自动化程度低以及水边线在大尺度下潮位高度不一致的问题,本文提出了一种基于潮滩淹没频率的高程遥感反演算法,以崇明东滩为例,基于2016—2020年Sentinel-2和Landsat-8时间序列影像,获取潮滩范围和反演高程,并将该方法推广到长江口其他潮滩。同时,研究综合利用高分辨率遥感影像、同类数据产品以及实测高程数据开展对比验证,评估潮滩范围提取和高程反演的精度,探讨本文方法的可靠性和稳定性,并分析长江河口潮滩的分布特征。

2 研究区概况与数据源

2.1 研究区概况

长江口为多沙中强潮型潮汐河口[12],呈现“三级分汊、四口入海”的格局（图1）。口外海域主要是正规半日潮,口内非正规半日浅海潮[13],多年平均潮差为2.7 m[14],最大潮差为4.62 m。长江年总输沙量排名世界第四[15],近10年年均入海泥沙为 12 100万t[16]。受到河流泥沙输入以及水动力环境影响,泥沙不断在河口区域沉积,为潮滩发育提供了充裕的物质基础,使潮滩面积不断增加且呈现向海推进的状态,逐渐形成广阔的潮滩和水下三角洲[17]。长江口潮滩分带发育特征明显,由陆向海呈现高、中、低3层次特征。内侧高潮滩含泥量较大,中层潮滩由粘土质粉砂淤积物构成,低潮滩主要为光滩[15]。由于近年来城市和工业空间的扩张,研究区内的崇明岛东滩、横沙岛潮滩和南汇东滩开展了大量围垦工程,造成潮滩剧烈变化。本文研究主要针对崇明东滩开展地形反演研究,并将算法逐步扩展到整个长江口口门潮滩,主要包括横沙浅滩、九段沙和南汇东滩等潮滩。
图1 研究区概况

Fig. 1 Overview of the study area

2.2 数据源

2.2.1 遥感数据
本研究综合运用多源遥感影像数据,分别从欧洲航天局[18]（ https://scihub.copernicus.eu/dhus/#/home）和美国地质勘探局官网[19]（ http://earthexplorer.usgs.gov/）下载2016—2020年所有可用的Sentinel-2和Landsat-8影像,并开展几何校正、大气校正等影像预处理工作。研究以10 m分辨率的Sentinel-2影像为基准,将Landsat-8影像重采样为10 m空间分辨率,两种卫星影像的时间信息组合形成更高时间分辨率的多源虚拟卫星星座时序影像数据集,用于提取潮滩区域高频率的潮汐动态淹没过程。
海岸带地区多云多雨天气的影响会造成遥感影像质量有所下降,导致可用影像数量变少[20]。为提高影像利用率,本研究根据潮滩分布特点,将研究区划分为7个子区域（图1）,保留局部区域质量较好的影像,同时,对于不遮挡潮滩范围但有云存在的影像予以保留。各区域分别进行潮滩提取和高程反演。表1为经过预处理后每个子区域的质量较好卫星影像的数量。
表1 各区域影像数量及潮位信息

Tab. 1 The number of images and tidal range of the subareas

区域 数量/景 相对最高潮/m 相对最低潮/m
A1 115 3.94 0.92
A2 101 3.95 1.08
A3 81 3.39 1.33
A4 90 3.18 1.41
A5 111 3.21 1.37
A6 104 3.34 1.39
A7 86 3.47 1.41

注：潮位高程基准为吴淞高程。

2.2.2 潮位数据
利用Tide Model Driver (TMD)潮汐模型计算影像过境时刻对应的潮位信息,获取区域相对最高潮位和相对最低潮位（表1）。TMD是利用俄勒冈州立大学和地球与空间研究所创建的正压潮汐模型中潮汐调和成分的系数,用于预测潮汐高度和潮流信息[21]。崇明东滩在2016—2020年模拟的潮位数据情况如图2。
图2 TMD模拟的崇明东滩2016—2020年的潮位变化以及影像获取时刻潮位

注：1—灰色实线为潮位变化;2—绿色圆点为影像获取时刻潮位。

Fig. 2 The tidal level change of Chongming Dongtan from 2016 to 2020 simulated by the TMD and the specific tidal level at the images acquisition time

3 研究方法

利用K-means++[11]方法可解决潮滩地形遥感测绘中水边线提取自动化程度低问题,逐像元淹没频率算法可解决水边线在大尺度下潮位高度不一致的问题。通过3个步骤构建潮滩高程：① 利用K-means++方法对遥感影像进行聚类实现水域提取并计算逐像元淹没频率特征;② 根据潮滩周期性淹没频率特征确定潮滩范围;③ 结合潮位数据和潮滩淹没频率反演潮滩高程。具体流程如图3。
图3 潮滩地形信息提取流程

Fig. 3 Working flow of topographic retrieval of tidal flats

3.1 基于K-means++的水体信息提取

根据影像水体泥沙含量,选择NDWI或MNDWI区分水体和非水体。长江口为高浊度河口,受潮汐和径流影响以及水体悬浮泥沙等环境因素的作用,潮滩与水体分界线较为模糊。对于水体悬浮泥沙浓度较大的影像,采用MNDWI能较好的将淤泥质潮滩和水体分离[22]。MNDWI利用水体的光学特性：在绿波段有强反射性,在短波红外波段有高吸收性,具有很强的抗干扰性,因此采用MNDWI作为水体提取指数。MNDWI计算公式如下：
MNDWI = ρ Green - ρ SWIR ρ Green + ρ SWIR
式中： ρ Green为绿波段; ρ SWIR为短波红外波段。
选择K-means++算法提取水体,以MNDWI作为聚类对象。K-means[23]算法是一种基于非监督分类的算法,其基本思想为：初始k个聚类中心,计算数据集中每个样本点到聚类中心的欧式距离,并将其分配到距离最小的聚类中心所对应的类中,重新计算每个聚类中心,重复步骤达到中止条件。而 K-means++聚类算法则是对K-means算法聚类中心选取的改进,即从数据集中随机选取一个样本作为第一个聚类中心,计算剩余每个样本与聚类中心的欧氏距离 D ( x i ),根据式（2）计算剩余样本作为新聚类中心的概率 p ( x i ),选择概率最大的作为新聚类中心,重复操作得到k个聚类中心,在此基础上执行标准K-means方法进行聚类。
p ( x i ) = D ( x i ) 2 ∑ i = 1 n D ( x i ) 2
通过多次实验采用人工目视对比判断确定本区域最佳聚类数为15类。基于潮滩水体淹没的连续性,在低潮位影像上随机均匀选取地理位置为永久水体的点位（即图4中蓝色点）,判断它们与影像聚类结果之间是否存在交集。与该点有交集的类别判定为水体,其他类别判定为非水体,依次提取时序遥感影像的水体信息。相较于监督分类方法,该方法以地理位置为判断依据,避免影像时空差异性导致样本的可迁移性较差。根据分类结果,生成二值图,将水体设置为1,非水体设置为0（图4(c)）。
图4 K-means++方法实现水陆分离具体流程

注：图(b)不同颜色表示不同聚类。

Fig. 4 The specific process of water and land separation by the K-means++ method

3.2 基于淹没频率的潮滩高程估算方法

由于潮汐涨落的影响,潮滩会周期性地淹没。通过计算水体淹没潮滩的次数,统计每个潮滩像元在时间序列内的淹没频率。像元淹没频率计算方法见式(3)：
P x , y = ∑ i = 1 n B k x , y n
式中： x , y表示每个像元的位置; n是每个区域可使用的二值化影像数量; B k x , y表示第 k景影像的二值化图; P x , y表示每个像元淹没的频率。淹没的高频率表示接近于常年水体,低频率表示接近于陆地,而潮滩位于两者之间,选取一定的频率范围确定潮汐活动的区域提取潮滩初步范围。
图5(a)为崇明东滩的淹没频率结果,蓝色表示淹没频率为100%,红色表示淹没频率为0%,潮滩淹没频率处于0%~100%之间,选取为4%~96%,4%对应于平均高潮位,96%对应于平均低潮位（图5(b)）。根据各区域实际情况选取合适的频率区间作为潮滩的初步范围。为减少陆地、近海水体以及岛屿中由于天气和人类活动造成的像元错分,采用人工岸线和常年水体数据,去除潮滩分类结果中存在的错分像元。
图5 崇明东滩淹没频率

Fig. 5 The inundation frequency of Chongming Dongtan

利用TMD水动力潮汐模型模拟各区域时序影像过境时刻的潮位数据,筛选相对最高潮和最低潮时刻的潮位数据。将相对高低潮位数据与潮滩淹没频率建立高程反演关系模型,其原理见图6：潮滩范围是位于平均高低潮线之间,其剖面形状类似于直角三角形。三角形顶点A处具有最小淹没频率为0,高程为 H h（相对最高潮位值）,三角形底部点B处具有最大淹没频率为1,高程为 H l（相对最低潮位值）。潮滩是位于AB之间的区域,假设潮滩中存在某点p,其淹没频率为 P,则PB之间的淹没频率差为 1 - P,可算出PB之间的垂直高度差为 1 - P × H h - H l,则点p的实际高程为式(4)。
DEM ( x , y ) = 1 - P x , y × H h - H l + H l × M ( x , y )
图6 潮滩高程计算原理

Fig. 6 Calculation principle of tidal flat elevation

式中： DEM ( x , y )表示第 ( x , y )个位置像元反演的潮滩高程; P x , y对应潮滩内每个像元被淹没的频率; H h是根据潮汐模型模拟的相对最高潮位值; H l则是相对最低潮位值; M ( x , y )是根据淹没频率确定的潮滩掩膜矩阵,其中属于潮滩的像元值为1,非潮滩为0。

3.3 验证方法

通过2种方法进行潮滩范围验证：第1种使用从地面调查样本以及Sentinel-2和Landsat-8影像样本点进行点对点的验证,并计算潮滩的总体精度和F1_score。总体精度表示正确分类的样本点占总样本点的比例。F1_score（式(5)）用于衡量二分类模型精确度的一种指标,在混淆矩阵中是生产精度和用户精度的调和平均[11]。第2种叠加高分辨低潮位影像进行比较。
F 1 _ score = 2 × TP 2 × TP + FN + FP
式中：TP表示潮滩样本中被分为潮滩的数目;FN表示潮滩样本中被分为非潮滩的数目;FP表示非潮滩样本中被分为潮滩的数目。
为评估潮滩高程反演的精度,对研究区采用手持RTK测量点位高程以及利用大疆无人机Phantom 4 RTK获取地形信息,计算反演高程点与实测高程点的相关系数R2,均方根误差（Root Mean Square Error,RMSE）（式(6)）和平均绝对误差（Mean Absolute Error,MAE）（式(7)）。
RMSE = 1 n ∑ i = 1 n m i - s i 2
MAE = 1 n ∑ i = 1 n m i - s i
式中： n表示实测点数量; m表示实测点位高程; s对应反演点位的高程。

4 结果与分析

4.1 精度验证

对Sentinel-2、Landsat-8和实测点共采集574个点,分为两类,其中潮滩为301个,非潮滩为273个,均匀分布在研究区。基于点对点的验证如表2所示,提取的潮滩范围总体精度为97.73%,kappa系数为0.96,潮滩的F1_score为0.98。
表2 潮滩范围提取验证

Tab. 2 the verification of extent mapping of tidal flats

类别 潮滩 非潮滩 合计 用户精度/% F1_score 总体精度/%
潮滩 300 1 301 99.67 0.98 97.73
非潮滩 12 261 273 95.60 0.97
合计 312 262 574
生产精度/% 96.15 99.62
为进一步评估精度,我们将潮滩提取结果叠加在高分辨率的低潮影像上。如图7所示,提取潮滩的边缘和形状与高分辨率低潮影像潮滩总体基本一致。
图7 潮滩范围提取结果与低潮位高分影像叠置

Fig. 7 The overlaid map of tidal flat extents and high-resolution images with low tide condition

本文以崇明东滩作为研究示范区,高程反演算法逐步扩展到整个长江口口门潮滩。高程反演结果与野外实测115个高程验证点（图1紫点）验证结果表明,高程反演结果与实测高程数据相关性较好（图8）,相关系数R2为0.92,MAE为0.15 m,RMSE为0.19 m,说明本文方法能够较好地反演潮滩高程信息。
图8 实测高程与反演高程的验证

注：红色实线为1:1线。

Fig. 8 Verification of measured and retrieval elevation

4.2 长江口潮滩分布与地形特征分析

图9为长江口大型潮滩的空间分布和高程范围。长江口潮滩主要分布在崇明东滩、团结沙、九段沙、横沙东滩和南汇东滩,总面积为346.93 km2,其中南汇东滩面积最大为107.44 km2,崇明东滩其次为97.59 km2,江亚南沙最小为8.68 km2（表3）。潮滩高差由北向南高程逐渐降低。崇明东滩总体高程区间最大,高程范围为1.00~3.84 m,靠近北支的高潮滩面积大于东部和南部。东滩中部自然保护区生态修复工程区的潮滩面积和高程均小于周围。横沙岛潮滩沿深水航道方向潮滩发育,高程范围为1.48~3.11 m。江亚南沙和九段沙潮滩高程范围为1.48~3.25 m。江亚南沙上下沙之间潮滩狭长,下沙高程远小于上沙,下沙尾部向东南方向顺流延伸。九段沙尾部淤长,呈东南方向,与南导堤方向一致。南汇东滩高程范围为1.49~3.39 m,受海岸工程影响,整体形状呈现内凹型。
图9 长江口各区域潮滩高程分布特征。

Fig. 9 The spatial distribution of the retrieval elevation of the flats in the Yangtze Estuary

表3 各潮滩面积和高程范围

Tab. 3 The area and elevation range of each tidal flat

潮滩区域 面积/km2 高程范围/m
崇明岛 97.59 1.00~3.84
团结沙 34.56 1.36~2.66
横沙岛 29.94 1.48~3.11
九段沙 68.72 1.48~3.25
江亚南沙 8.68 1.48~3.13
南汇东滩 107.44 1.49~3.39
合计 346.93 1.00~3.84
本研究以0.2 m为间隔建立潮滩等高线,统计高程各范围下的潮滩面积。从表4可知,大部分潮滩面积主要集中在高程范围1.20~3.20 m之间,面积为324.17 km2,占据潮滩总面积的93%。高程范围在1.60~1.80 m的潮滩面积最大为44.76 km2,而高程在3.80 m以上的面积最小仅为3.42 km2,1.40~1.60 m与1.80~2.00 m潮滩面积则相当,均为39.5 km2左右。
表4 各高程范围下的潮滩面积

Tab. 4 Tidal flat area of each elevation range

高程范围/m 面积/km2 高程范围/m 面积/km2
1.00~1.20 4.61 2.60~2.80 23.05
1.20~1.40 21.69 2.80~3.00 26.14
1.40~1.60 39.66 3.00~3.20 29.33
1.60~1.80 44.76 3.20~3.40 15.80
1.80~2.00 39.40 3.40~3.60 5.79
2.00~2.20 32.35 3.60~3.80 9.50
2.20~2.40 28.02 3.80~3.84 3.42
2.40~2.60 23.92
在崇明东滩、九段沙下沙、横沙岛潮滩和南汇东滩选取4条典型剖面（见图1(b)中红色实线）。其中,崇明东滩高差最大,其次是南汇东滩、九段沙下沙和横沙岛潮滩。滩面淤积长度九段沙下沙大于其他区域,不同潮滩剖面坡度不一（图10）。剖面T1位于崇明岛围垦区外围南侧,长度约为3300 m,从近岸起始点到490 m左右坡度较陡,高程范围在2.73~3.84 m（图10(a)）。490 m之后坡度趋于平缓,略有起伏。T2位于横沙岛南导堤,长度约为1830 m,高程范围在1.74~3.01 m（图10(b)）。近岸区域0~750 m左右坡度较为平缓,从750~1200 m左右高度迅速降低,坡度变化较快,1200 m之后坡度趋于平缓。T3位于九段沙下沙,该处滩面淤长,潮滩发育较好,长度约为4250 m,整体坡度较为平缓（图10(c)）。T4位于南汇东滩人工围垦区,滩面淤长,长度为3560 m左右,坡度可分为2个层级,0~2250 m坡度大于2250~3560 m（图10(d)）。
图10 4个区域典型剖面图

Fig. 10 Typical sections of the four regions

5 讨论

5.1 误差分析

尽管反演精度评估结果表明本文方法具有可靠性,但由于时序影像有效观测数和潮位信息的不确定性,造成潮滩信息提取精度仍存在一定误差。（1）影像数量的影响潮滩淹没频率估算和高程反演精度受到研究时间范围内影像数量的影响。为探究影响程度,分别选取32景,60景和101景影像对崇明东滩反演潮滩高程,并与实测高程点进行精度验证（表5）。结果表明,随着研究时期内有效影像数量提升,反演精度更高。因此,在潮滩地形相对稳定的前提下,较短的时间跨度包含足够多可用的影像并且潮位状况也更丰富,每个潮滩像元的淹没频率也将更精确,大幅度提高像元反演高程的精度。本文为提高像元淹没频率的准确性进而提高高程反演精度,根据潮滩分布特点将研究区划分为多个小区域,获取每个小区域尽可能多的无云影像,提高影像的利用率。但是受到海岸带多云多雨天气的影响,不同研究时间段内有效影像数量不一,造成潮滩地形信息提取的不确定性。
表5 影像数量差异对比

Tab. 5 Comparison of the number of images

影像数量/景 R2 RMSE/m
101 0.92 0.19
60 0.86 0.21
32 0.83 0.32
（2）潮位的不确定性
通过建立潮滩淹没频率与高低水边线潮位的关系反演潮滩高程信息,潮位信息亦是影响结果精度的重要因素。研究区内并非每个位置都存在合适的潮位站,无法获取准确的实际潮位数据,故本文利用TMD潮汐模型模拟影像过境时刻潮位。但潮汐模型受到近岸地形、天气以及径流输入影响,潮位模拟精度受限。此外,由于潮汐动态变化,影像过境时刻潮位存在较大的偶然性。如研究所选取的时间序列遥感影像其过境时刻潮位偏向于平均高潮位（图2）,导致高程反演结果稍大于实测数据（图8）。

5.2 同类潮滩产品对比

目前已存在多个潮滩产品数据集,如Murray 等[24]的2016年的全球潮滩数据集（UQD）、Jia等[25]的2019—2020年中国潮滩数据集（CTF）以及Wang等[26]制作的2018年中国沿海湿地地图（FUDAN/OU）。但潮滩高程数据集较少且全球卫星DEM产品不能完整覆盖潮滩地区,故本文仅比较潮滩范围（图11）。
图11 本研究与UQD和CTF数据集在横沙岛、九段沙、崇明东滩和团结沙潮滩范围的对比

Fig. 11 The comparison of this study with UQD and CTF data sets in Hengsha Island, Jiuduansha, Chongming Dongtan and Tuanjiesha

在研究区域内,本文的潮滩面积均大于UQD、CTF和FUDAN/OU。面积的差异主要归因于提取方法和影像分辨率。UQD数据集基于随机森林方法和大量训练样本制作,CTF数据集基于时序MNDWI最大水域和NDVI最小水域的面积差作为潮滩,但均包含较多养殖塘、河流和水田等误分类别。UQD和FUDAN/OU数据集采用空间分辨率30 m的Landsat系列数据,但潮滩斑块受到人类活动的高强度影响日益破碎,30 m无法较好的提取更为细节的潮滩边界。本文结合使用Sentinel-2与Landsat-8影像,分辨率统一为10 m,能够提取的更为细致的潮滩边界,也能提取大量斑块较小的潮滩。与Landsat-8的16 d重访周期相比,综合利用Sentinel-2与Landsat-8多源卫星遥感影像,能获取研究时间段内更多的有效遥感影像观测数量。如在团结沙区域,UQD和CTF数据集仅提取部分高程较高的潮滩,而本文的提取潮滩范围更完整。此外,本文采用人工岸线信息和常年水体数据进行潮滩信息辅助提取,能够有效减少如养殖池塘、河流以及水田等误分,提高潮滩范围提取精度。

5.3 潮滩分布成因分析

长江口潮滩的形成发育主要受自然条件和人类活动2个因素影响。泥沙供给、水动力、植被和围垦建堤工程之间关系复杂,存在耦合作用[27],共同决定潮滩的形态特征。
潮汐是潮滩沉积的主要动力因素。在强潮流作用下,水体携带泥沙向岸输运加速潮滩淤积。水体含沙量越高,潮滩淤积的可能性就增加,滩面宽度就越大,潮滩剖面的坡度也越小,如北支属于涨潮流优势,利于悬沙落淤,而南支落潮流占优不利于泥沙落淤,形成崇明北岸滩面宽度大于南岸的现状,且北岸剖面坡度与南岸相比更缓,这与Roberts等[28]和龚政等[29]的结论一致。径-潮流的交互作用利于泥沙落淤,易于潮滩形成。如南汇东滩受南槽径流和杭州湾北部涨潮泥沙共同作用快速淤长[30]。
人类活动也是影响潮滩地貌演变的重要因素。促淤圈围工程破坏潮滩原有的水动力环境以及水沙输运平衡关系[31],进而形成新的潮滩。涨落潮过程中,涨潮流所携带的大量泥沙进入促淤围垦区后,由于冲刷延迟效应以及围堤的截流作用,落潮流未能将泥沙完全带走,致使泥沙落淤堆积成潮滩,如横沙岛的扩张和南汇东滩的形成。深海航道导堤工程会改变水沙交换过程和水动力强弱,堤外潮滩剖面会演变成上凸下凹的“S”型形态[32],如剖面T2横沙岛南岸的潮滩剖面形态。南导堤的建设增强九段沙南侧的涨潮流优势,同时也破坏了风浪对下沙的侵蚀影响。
潮滩植被的存在对潮滩的演变也有积极作用。长江口主要生长互花米草、芦苇、海三棱藨草等植被,具有缓流消能作用,减缓涨落潮流流速促进潮流泥沙沉积[33],并且也有良好的捕沙功能。同时植被的固土护岸功能可减少边滩的冲刷[29]。植被的茎叶对悬浮泥沙有明显的粘附作用[34],使悬浮泥沙落地淤积。此外,植被根系的发育造成土壤体积膨胀,引起潮滩变高,促进潮滩系统的演化。如,崇明岛北部、九段沙下沙以及南汇东滩高滩存在较多植被,涨潮流的携带泥沙多在高滩淤积,使滩面淤高,并不断向海延伸。

6 结论与展望

6.1 结论

为解决潮滩地形遥感测绘中水边线提取自动化程度低以及水边线在大尺度下潮位高度不一致的问题,本研究提出一种基于时序遥感影像和潮滩淹没频率半自动潮滩地形反演算法。以崇明东滩为研究示范区,利用2016—2020年的Sentinel-2和Landsat-8时间序列影像,实现潮滩的范围提取和高程反演,并将该算法推广到整个长江口主要潮滩,分析潮滩的地形分布特征。研究结论如下：
（1）潮滩范围提取总体精度为97.73%,kappa系数为0.96,F1_score为0.98;高程反演平均绝对误差为0.15 m,均方根误差为0.19 m,反演精度与可用影像的数量呈正相关。
（2）潮滩提取结果表明,研究区内潮滩总面积为346.93 km2,主要分布在崇明东滩、九段沙、横沙东滩和南汇东滩以及团结沙,其中南汇东滩面积最大为107.44 km2;高程分布范围为1.00~3.84 m,其中崇明东滩高程差最大为2.84 m。潮滩的分布现状主要受到泥沙水动力、植被及人类工程活动的影响。
与传统以水边线信息复合技术方法相比,本方法通过像素水平的淹没频率与潮汐特征构建潮滩高程反演模型,能够有效降低近岸潮位不一致造成的水边线高程信息不准确的问题,提高潮滩地形遥感反演精度。相较于现有潮滩范围数据集,本研究提取的长江口潮滩范围更为完整。尽管反演精度评估结果表明本文方法具有可靠性,但由于海岸带地区时序影像有效观测数和潮位信息的不确定性,潮滩信息提取精度仍存在一定误差。总之,本文方法为快速构建海岸带潮滩高精度大范围的高程数据集提供了可能,对潮滩资源动态监测和管理具有重要意义。

6.2 展望

本文方法的局限性主要为影像数量的不足与模拟潮位的不精确两个方面。为解决影像数量不足的局限性,未来可使用合成孔径雷达（Synthetic Aperture Radar,SAR）作为影像数据源,SAR作为一种主动式对地观测系统,可全天时全天候观测,且能穿云透雾避免天气的影响,弥补光学遥感和红外遥感的不足。利用SAR可增加影像数量,提高潮滩淹没概率的精确性,同时也丰富影像过境时刻潮位状况。
为模拟更精确的潮位,潮汐模型的建立未来需考虑潮流和潮滩底部地形差异,特别是河水流入海洋的混合效应[35]。同时基于局部潮汐模型导出网格化逐像素的潮汐高度,替代小区域内恒高潮位。
在今后的研究中可利用本文方法扩大研究区域,如探究长江口潮滩的历史变化过程或全国潮滩分布情况,以期提高本文方法的实用性。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
韩倩倩, 牛振国, 吴孟泉, 等. 基于潮位校正的中国潮间带遥感监测及变化[J]. 科学通报, 2019, 64(4):456-473.

[ Han Q Q, Niu Z G, Wu M Q, et al. Remote-sensing monitoring and analysis of China intertidal zone changes based on tidal correction[J]. Chinese Science Bulletin, 2019, 64(4):456-473. ] DOI: 10.1360/N972018-00723

[2]
Salameh E, Frappart F, Turki I, et al. Intertidal topography mapping using the waterline method from Sentinel-1 & -2 images: The examples of Arcachon and Veys Bays in France[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2020, 163(5):98-120. DOI: 10.1016/j.isprsjprs.2020.03.003

DOI

[3]
Mason D C, Davenport I J, Robinson G J, et al. Construction of an inter-tidal digital elevation model by the 'Water-Line' method[J]. Geophysical Research Letters, 1995, 22(23):3187-3190. DOI: 10.1029/95GL03168

DOI

[4]
Xu Z, Kim D J, Kim S H, et al. Estimation of seasonal topographic variation in tidal flats using waterline method: A case study in Gomso and Hampyeong Bay, South Korea[J]. Estuarine Coastal & Shelf Science, 2016, 183(Part A):213-220. DOI: 10.1016/j.ecss.2016.10.026

[5]
Zhang Z G, Wu F, Li T Q, et al. Building digital topography model of the intertidal zone between Caofeidian Nanpu town and Tanggu district using multi-period remote sensing data[C]. Xiamen: IOP Publishing, 2018:12061.DOI: 10.1088/1755-1315/146/1/012061

[6]
McFEETERS S K. The use of the normalized difference water index (NDWI) in the delineation of open water features[J]. International Journal of Remote Sensing, 1996, 17(7):1425-1432. DOI: 10.1080/01431169608948714

DOI

[7]
Xu H Q. Modification of normalised difference water index (NDWI) to enhance open water features in remotely sensed imagery[J]. International Journal of Remote Sensing, 2006, 27(14):3025-3033. DOI: 10.1080/01431160600589179

DOI

[8]
Qi Y L, Liu D Z, Huang X, et al. Topographical mapping of a bare tidal flat outside a mangrove area based on the waterline method and an iterative hydrodynamic model: A case study of Yingluo Bay, South China[J]. Marine Geodesy, 2019, 42(3):263-285. DOI: 10.1080/01490419.2019.1583617

DOI

[9]
吴一全, 刘忠林. 遥感影像的海岸线自动提取方法研究进展[J]. 遥感学报, 2019, 23(4):582-602.

[ Wu Y Q, Liu Z L. Research progress on methods of automatic coastline extraction based on remote sensing images[J]. Journal of Remote Sensing, 2019, 23(4):582-602. ] DOI: 10.11834/jrs.20197410

[10]
李天祺, 王建超, 吴芳, 等. 基于多算法水边线提取的潮滩DEM构建[J]. 国土资源遥感, 2021, 33(1):38-44.

[ Li T Q, Wang J C, Wu F, et al. Construction of tidal flat DEM based on multi-algorithm waterline extraction[J]. Remote Sensing for Land & Resources, 2021, 2021, 33(1):38-44.]DOI: 10.6046/gtzyyg.2019337

[11]
Arthur D, Vassilvitskii S. K-means++: The advantages of careful seeding[C]. New Orleans, Louisiana: Society for Industrial and Applied Mathematics, 2007:1027-1035. DOI: 10.1145/1283383.1283494

[12]
刘杰, 程海峰, 韩露, 等. 流域水沙变化和人类活动对长江口河槽演变的影响[J]. 水利水运工程学报, 2021(2):1-9.

[ Liu J, Cheng H F, Han L, et al. New trends of river channel evolution of the Yangtze River estuary under the influences of inflow and sediment variations and human activities[J]. Hydro-Science and Engineering, 2021(2):1-9. ] DOI: 10.12170/20200313001

[13]
陈吉余, 沈焕庭, 恽才兴. 长江河口动力过程和地貌演变[M]. 上海: 上海科学技术出版社, 1988.

[ Chen J Y, Shen H T, Yun C X. Dynamic process and geomorphic evolution of the Yangtze River Estuary[M]. Shanghai: Shanghai Scientific & Technical Publishers, 1988. ]

[14]
王浩斌. 风暴对长江口悬沙浓度的影响及其动力机制[D]. 上海:华东师范大学, 2018.

[ Wang H B. A study of the suspended sediment concentration in response to the typhoon in the Yangtze Estuary and its dynamic mechanism[D]. Shanghai: East China Normal University, 2018. ]

[15]
袁爽. 近35年长江口潮滩演变遥感研究——以崇明东滩与九段沙为例[D]. 南昌:江西理工大学, 2018.

[ Yuan S. Remote sensing study on tidal flat evolution in the Yangtze River Estuary in recent 35 years: A case study of Chongming Dongtan and Jiuduansha[D]. Nanchang: Jiangxi University of Science and Technology, 2018. ]

[16]
中华人民共和国水利部. 中国河流泥沙公报(2019)[M]. 北京: 中国水利水电出版社,2020.

[ Ministry of Water Resources of China. China river water and sediment bulletin (2019)[M]. Beijing: China Water Resources and Hydropower Press, 2020. ]

[17]
范吉庆. 台风对长江口潮间带湿地沉积动力过程的影响[D]. 上海:华东师范大学, 2019.

[ Fan J Q. Influence of typhoon on sedimentary dynamic process of intertidal wetland in Yangtze Estuary[D]. Shanghai: East China Normal University, 2019. ]

[18]
欧洲航天局. 哥白尼开放存取中心[EB/OL]. https://scihub.copernicus.eu/dhus/#/home/ 2021-03-03.

[ European Space Agency. Copernicus Open Access Hub[EB/OL]. https://scihub.copernicus.eu/dhus/#/home/ 2021-03-03.]

[19]
美国地质勘探局.地球探索者平台[EB/OL]. http://earthexplorer.usgs.gov/ 2021-03-09.

[ United States Geological Survey. Earth Explorer[EB/OL]. http://earthexplorer.usgs.gov/ 2021-03-09.]

[20]
刘向阳. 基于遥感水边线的环渤海地区潮滩研究[D]. 烟台:中国科学院烟台海岸带研究所, 2016.

[ Liu X Y. Study on tidal flats in the Bohai Rim based on remote sensing waterlines[D]. Yantai: University of Chinese Academy of Sciences, 2016. ]

[21]
Erofeeva S, Padman L, Howard S L. Tide Model Driver (TMD)[CP]. GitHub, 2020. https://www.github.com/EarthAndSpaceResearch/TMD_Matlab_Toolbox_v2.5

[22]
沈芳, 郜昂, 吴建平, 等. 淤泥质潮滩水边线提取的遥感研究及DEM构建——以长江口九段沙为例[J]. 测绘学报, 2008, 37(1):102-107.

[ Shen F, Gao A, Wu J P, et al. A remotely sensed approach on waterline extraction of silty tidal flat for DEM construction: A case study in Jiuduansha Shoal of Yangtze River[J]. Acta Geodaetica Et Cartographica Sinica, 2008, 37(1):102-107. ] DOI: 10.3321/j.issn:1001-1595.2008.01.018

[23]
MacQueen J. Some methods for the classification and analysis of multivariate observations[C]. Oakland, CA: California Press, 1967:281-297.

[24]
Murray N J, Phinn S R, DeWitt M, et al. The global distribution and trajectory of tidal flats[J]. Nature, 2019, 565(7738):222-225. DOI: 10.1038/s41586-018-0805-8

DOI

[25]
Jia M M, Wang Z M, Mao D H, et al. Rapid, robust, and automated mapping of tidal flats in China using time series Sentinel-2 images and Google Earth Engine[J]. Remote Sensing of Environment, 2021, 255(5):112285. DOI: 10.1016/j.rse.2021.112285

DOI

[26]
Wang X X, Xiao X M, Zou Z H, et al. Mapping coastal wetlands of China using time series Landsat images in 2018 and Google Earth Engine[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2020, 163(5):312-326. DOI: 10.3969/j.issn.1000-0690.2005.05.017

DOI

[27]
张长宽, 徐孟飘, 周曾, 等. 潮滩剖面形态与泥沙分选研究进展[J]. 水科学进展, 2018, 29(2):269-282.

[ Zhang Z K, Xu M P, Zhou C, et al. Advances in cross-shore profile characteristics and sediment sorting dynamics of tidal flats[J]. Advances in Water Science, 2018, 29(2):269-282. ] DOI: 10.14042/j.cnki.32.1309.2018.02.015

[28]
Roberts W, Le Hir P, Whitehouse R J S. Investigation using simple mathematical models of the effect of tidal currents and waves on the profile shape of intertidal mudflats[J]. Continental Shelf Research, 2000, 20(10):1079-1097. DOI: 10.1016/S0278-4343(00)00013-3

DOI

[29]
龚政, 白雪冰, 靳闯, 等. 基于植被和潮动力作用的潮滩剖面演变数值模拟[J]. 水科学进展, 2018, 29(6):877-886.

[ Gong Z, Bai X B, Jin C, et al. A numerical model for the cross-shore profile evolution of tidal flats based on vegetation growth and tidal processes[J]. Advances in Water Science, 2018, 29(6):877-886. ] DOI: 10.14042/j.cnki.32.1309.2018.06.013

[30]
戴志军, 陈吉余, 程和琴, 等. 南汇边滩的沉积特征和沉积物输运趋势[J]. 长江流域资源与环境, 2005, 14(6):63-67.

[ Dai Z J, Chen J Y, Cheng H Q, et al. Sediment characteristics and transport patterns in Nanhui joint area[J]. Resources and Environment in the Yangtze Basin, 2005, 14(6):63-67. ] DOI: 10.3969/j.issn.1004-8227.2005.06.013

[31]
罗锋, 蒋冰, 董冰洁, 等. 潮滩剖面形态特征及演变[J]. 科技导报, 2018, 36(14):35-41.

[ Luo F, Jiang B, Dong B J, et al. Characteristics and evolution of tidal flat profile[J]. Science & Technology Review, 2018, 36(14):35-41. ] DOI: 10.3981/j.issn.1000-7857.2018.14.006

[32]
吴小根, 王爱军. 人类活动对苏北潮滩发育的影响[J]. 地理科学, 2005, 25(5):614-620.

[ Wu X G, Wang A J. Impacts of human beings' activities on north Jiangsu tidal flat[J]. Scientia Geographica Sinica, 2005, 25(5):614-620.] DOI: 10.3969/j.issn.1000-0690.2005.05.017

[33]
路兵, 蒋雪中. 滩涂围垦对崇明东滩演化影响的遥感研究[J]. 遥感学报, 2013, 17(2):335-349.

[ Lu B, Jiang X Z. Reclamation impacts on the evolution of the tidal flat at Chongming Eastern Beach in Changjiang estuary[J]. Journal of Remote Sensing, 2013, 17(2):335-349. ] DOI: 10.11 834/jrs.20132017

[34]
朱绳祖, 张国安, 张卫国, 等. 近期长江口崇明岛周边岸滩沉积特征及影响机制[J]. 长江流域资源与环境, 2019, 28(10):2441-2451.

[ Zhu S Z, Zhang G A, Zhang W G, et al. Recent sedimentary characteristics and impact mechanism of tidal flats in Chongming Island, the Yangtze Estuary[J]. Resources and Environment in the Yangtze Basin, 2019, 28(10):2441-2451. ] DOI: 10.11870/cjlyzyyhj201910016

[35]
Catalao J, Nico G. Multitemporal backscattering logistic analysis for intertidal bathymetry[J]. IEEE Transactions On Geoscience and Remote Sensing, 2017, 55(2):1066-1073. DOI: 10.1109/TGRS.2016.2619067

DOI

Options
文章导航

/

〈 〉