基于多光譜數據的黃河三角洲岸線自動提取

喬學瑾，王慶*，戰超，王昕，王紅艷，杜國云，李雪艷

(1. 魯東大學 海岸研究所，山東 煙臺 264025)

?

基于多光譜數據的黃河三角洲岸線自動提取

喬學瑾1，王慶1*，戰超1，王昕1，王紅艷1，杜國云1，李雪艷1

(1. 魯東大學 海岸研究所，山東 煙臺 264025)

摘要：基于多光譜數據對海岸線自動提取的問題研究已久。針對國內外岸線提取方法較為單一的現狀，提出兼顧光譜特征與空間關系的海岸線自動提取方法：將2014年黃河三角洲Landsat8-OLI影像與實測地物反射率光譜對比，選擇敏感波段建立提取模型，之后對研究岸段進行分類并自動提取，同時基于908專項山東省修測海岸線標準的目視解譯方法對實驗部分的海岸線進行提取，最后通過ROC曲線原則對提取結果分別進行0.5與1像元精度評價，實驗證明該方法在1個像元精度(提取置信度均高于90%)范圍內能快速、準確地提取黃河三角洲復雜地貌類型地區的海岸線，所得到的矢量岸線可直接用于地理信息系統(GIS)分析。

關鍵詞：海岸線；自適應閾值；自動提取；精度評價

1引言

海岸線兩側地表光譜特征因地貌類型及土地利用類型不同而存在明顯差異[1]，利用多光譜數據對海岸線自動提取并監測其演化，已經成為研究海岸帶時空演變的一種重要手段。當前，常用的遙感影像岸線自動提取方法大致分為兩類：(1)利用海岸線的空間關系，通過形態學法或算子法先對影像進行邊緣檢測，在優化檢測結果后獲取海岸線。例如，魏東嵐和曹曉晨[2]及盛佳等[3]利用Canny算子提取了海岸線。Rigos等[4]基于切比雪夫多項式和徑向基函數神經網絡(RBF)相結合的算法，提取了葡萄牙法魯海岸的岸線。Yousef等[5—6]通過遺傳算法和交互信息對激光雷達DEM數據與航拍影像數據進行融合，然后以支持向量機提取器基于融合后的數據進行海岸線提取。(2)基于岸線兩側光譜特性，通過分類對影像進行分割，隨后對水陸分類結果優化處理，最終將分割線作為海岸線。例如，Liu等[7]基于密度分割與GIS邊緣追蹤自主開發了岸線提取算法與程序，利用加爾維斯頓灣雷達數據和安提瓜島快鳥影像進行岸線提取。Feng等[8—10]在Liu等[7]研究基礎上，以CA模型(細胞自動機模型)對上海及其3個次區域的多幅遙感影像進行水陸分割與邊緣提取，得到1979—2008年海岸線并分析其時空變化。Masria等[11]針對阿斯旺水壩建立后導致海岸侵蝕問題，通過閾值分割提取埃及羅塞塔海角的海岸線。Gon?alves等[12]和Zhu等[13]運用修復歸一化水體指數(MNDWI)和聚類分析相結合的方法提取海岸線，前者用于提取瞬時高潮線與瞬時低潮線，后者通過樣本自動選擇和支持向量機海岸線自動提取模型對ETM+數據進行驗證。

上述第一種方法只考慮水陸邊界的空間關系，提取的岸線存在不連續和虛假岸線的現象，而且提取的結果多為水邊線，非多年大潮平均高潮線(即海岸線)。第二種方法雖能夠獲得連續海岸線，但由于僅利用影像光譜特征，對諸如枝杈狀潮溝發育的寬平灘涂海岸、入海河口等地形、覆被存在較大空間差異的復雜岸段，容易出現錯分岸線兩側地物、岸線在河口處連接錯誤等現象，其結果是導致岸線提取準確性低。為彌補并改進以上兩種方法中僅單獨研究中影像光譜特征和空間關系帶來的不足，本文通過實測地物光譜并將其與影像中較高層次的光譜信息對比，綜合運用海岸線兩側光譜特性差異和空間關系不同，優化岸線提取、提高準確率與定位精度，進而提出一種基于多光譜數據對環境復雜岸線的自動提取方法。

2數據和方法

2.1研究區域與數據源

黃河三角洲位于渤海灣南部和萊州灣西部，是由古代、近代和現代三角洲組成的亞三角洲聯合體，本文研究區域為1855年黃河襲奪大清河流入渤海后形成的現代三角洲，以寧海為頂點，北起套爾河口，南至淄脈河口，地勢自西南至東北呈扇形微傾斜[14]。該三角洲為陸相淤積性弱潮三角洲，灘涂寬廣平坦且發育演化迅速，在入海河流和海洋雙重動力作用下，岸線變化速率和方向與一般海岸差異明顯。

2013年9月13日至2014年7月19日，采用AvaField-3自動光譜測量儀(光譜范圍為300～2 500 nm，包含Landsat8-OLI影像光譜范圍)，對黃河三角洲淤泥質潮灘進行了表層反射率光譜的采集。因樣品采集區域范圍大，受光譜采集最佳時間、采樣區天氣條件、漲落潮時間等因素限制，所以本文采樣時間跨度較長達近1年。潮灘表層光譜采集均選擇于低潮位時進行，同一點測量10次后取結果平均值作為實測值，采樣線布設遵循垂直相交于海岸線原則，部分因自然條件限制而無法到達的位置，采用斜交于岸線的方式布設樣線，所有樣線上各樣點大致按等間距原則布設。對任一樣點，以梅花型布點法在15 m×15 m的單元格中分別采集兩對角線交點與各對角線四等分點的光譜，取五點平均值為該樣點光譜反射率。最終共采集到178組潮灘表層反射率光譜數據，所有樣品采集點布置情況見圖1。考慮到光譜采集時間跨度，選擇黃河三角洲2014年5月1日Landsant8-OLI影像，作為與實測光譜進行對比和岸線自動提取所用的影像數據。3種不同海岸線類型的實驗區中，A區(37°40′16″～37°46′42″N，119°00′59″～119°08′56″E)位于黃河入海口南部，幾乎不受人工直接干預，岸線外側為粉砂淤泥質潮間灘涂，灘面平緩淤長，岸線內側生長蘆葦、堿蓬、苔草等耐鹽植被；B區(37°31′04″～37°37′40″N，118°52′45″～119°00′41″E)南、北部分分別為永豐河和小島河入海口處，該區域存在大面積蝦池、鹽田，人工建筑物向海一側有分布不均勻的潮灘，堤腳附近部分區域生長稀疏耐鹽植被；C區(37°53′07″～37°59′42″N，118°58′52″～119°06′33″E)因岸線嚴重侵蝕而以人工建造的防護堤為主，陸地部分為裸地和蝦池、鹽田，其近海側在一般低潮期無潮灘出露。

2.2研究方法

考慮到海岸線兩側最大的地貌及土地覆被差異為陸地、潮灘及水體，根據三者在遙感影像中分別具有不同的光譜特征和空間關系，設計岸線自動提取流程如圖2所示。

2.2.1數據預處理

遙感影像預處理：對覆蓋黃河三角洲地區的2014年5月1日Landsat8-OLI遙感影像進行輻射定標、大氣校正處理；參照已精校正的1999年TM影像，選取30個分布均勻的地面控制點進行幾何精校正，保證校正精度在0.5個像元內；校正后進行Pan融合、影像裁剪與鑲嵌等處理。最后，在處理結果中裁剪出代表3種不同岸線類型的800×800大小的海岸線提取實驗區域。

實測光譜預處理：AvaField-3自動光譜測量儀采集數據時已去除暗電流、校準通道增益和訂正波長，但各波段間的能量響應存在一定差異，且野外樣品采集為非理想狀態，所以獲取的光譜曲線有噪點。本文采用移動平均法對所獲反射率光譜曲線平滑處理來去除噪聲。所謂移動平均法，就是在反射率光譜曲線上，取上一個測樣點前后一定范圍內測樣點的平均值，作為該樣點的值。假如給定了n個測樣點的序列i=1，2，3，…，n，那么i點平滑后的值就是i點在內的2n+1個點的平均值：

(1)

2.2.2光譜分析

按照Landsat8-OLI影像數據的波段劃分，對實測反射率光譜數據進行重采樣。其中，遙感影像與實測光譜均選取其所設波段中心波長對應的反射率，作為遙感數據源和實測光譜曲線的光譜特征因子。在此基礎上，基于SPSS19.0軟件的統計分析功能，將178個樣本點的各波段反射率實測值與相應處理后的遙感影像各波段反射率進行相關性分析，得出實測值與影像1～7波段的相關系數。隨后，利用光譜實測反射率與影像各波段反射率的關系，構建多種回歸模型，并依據F值檢驗顯著性，各波段反射率實測值與相應處理后的遙感影像各波段反射率的相關系數分別為0.347、0.364、0.637、0.510、0.589、0.742、0.611(置信水平為99%)。查表得相應α=0.01的相關系數臨界值為0.192 61，可見1～7波段反射率均與實測值顯著相關。之后利用光譜實測反射率與影像各波段反射率的關系，構建多種回歸模型，并依據F值檢驗顯著性(表1)，篩選出擬合度高的波段。

圖1　黃河三角洲和不同類型海岸線區位圖Fig.1　Location map of the Yellow River Delta and different types of coastline

2.2.3岸線分類

本文所指海岸線，均為多年大潮平均高潮線。由于圖像全局二值化時單一設定某一全局閾值T會導致圖像細節表達存在缺陷，降低岸線提取精度。為克服該缺陷，本文引入局部自適應二值化，同時結合海岸地貌和岸線遙感提取，將海岸線分為自然岸線和人工岸線兩類。其中，自然岸線為基本沒有受到人工直接干預而保持原始狀態的岸線，岸線外側為粉砂淤泥質潮間灘涂，灘面坡度平緩，寬度可達數千米及更廣(圖1中A)。因最近數十年來的大量人工開發，受人為影響較小的自然岸線僅存于河口地區，本文所提取的自然岸線均與蘆葦、堿蓬、苔草等植被向海側邊緣線重合。這些黃河三角洲典型植被與未被植被覆蓋的光灘之間的差異，即使冬季枯萎后，在7、5、4波段融合后的遙感影像上仍清晰可見，因而可作為自然岸線提取的標志。人工岸線為由永久性人工建筑物組成的岸線，如防波堤、防潮堤、護坡、擋浪墻、碼頭、防潮閘、道路等擋水(潮)建筑物[15]。因建筑物向海側的地貌、景觀類型及光譜信息不同，人工岸線分為完全開發人工岸線和未完全開發人工岸線：未完全開發人工岸線向海一側仍有寬窄不等的潮灘發育，潮灘寬度可達數千米，其靠近堤腳附近有時發育稀疏耐鹽植被(圖1中B)；完全開發人工岸線的人工海岸建筑物近海側常年被海水淹沒，一般低潮狀態下不會有潮灘出露(圖1中C)。

表1　影像各波段反射率與實測光譜的相關性和多種回歸模型的F值

圖2　海岸線自動提取流程圖Fig.2　The flowchart of automatic coastline extraction in this paper

2.2.4提取過程

本文通過反映光譜特性的閾值分割，體現空間關系的一種融合區域生長法的自適應Canny邊緣提取法[16]和膨脹腐蝕運算[17]，實現海岸線自動提取并優化提取結果。

(1)分割模型建立

在Matlab建立一個三維到一維的空間映射，通過RGB2Gray函數把裁剪后的RGB影像轉換為灰度圖。基于光譜反射率的相關系數、F值、遙感影像光譜特性和OIF值，篩選出最佳波段建立模型。為增強影像信息、減少數據冗余，通常選擇信息量大、相關性小和目標地物類型在所選波段組合中辨識度高的波段，而Hamedianfar和Shafri[18]的最佳指數公式(Optimum Index Factor，OIF)恰好符合該選擇準則：

(2)

式中，n為波段數；Si是第i波段的標準差，其數值與影像反差與信息量呈正相關；Rij為第i波段和第j波段的相關系數，其數值與數據冗余量呈正相關。

OIF將實測光譜各波段標準差與不同波段之間相關系數有效結合，其數值與影像的信息量呈正相關，根據其大小可選出最優波段組合。經平滑處理和重采樣后的實測光譜各波段標準差和不同波段之間相關系數顯示，band7標準差最大且與其余波段的相關系數最小(表2，3)。實測光譜中1、2、3、4、5、6、7波段之間共有35種3波段組合，依據公式(2)、表2和表3計算可得各波段組合的OIF因子(表4)。其中，band7參與的波段組合的OIF值均較其他組合高，最高的為7-5-4波段組合，即band7、band5和band4波段組合最重要。

表2　實測光譜各波段反射率統計

表3　實測光譜波段相關性分析

表4　波段組合OIF指數及排序

續表4

對于OLI影像而言，紅外波段附近水體反射最弱、土壤反射最強。由于平均大潮高潮時淹沒部分與未淹沒部分的物質成分、含水量及植被不同，導致岸線兩側反射率不同，進而在遙感影像上表達出不同的灰階和色彩。其中，band1、band2線性模型的F值偏小，其相關系數超過0.98，且band2所反映地物特征有限，故去除band1和band2。Band3和band6線性模型的F值最大，岸線兩側不同植被覆蓋信息可通過第3波段所表達；band6、band7對裸土表面濕度非常靈敏，可反映岸線兩側含水率不同；在局部對比度限定條件下，MNDWI[19](modified normalized difference water index)對岸線兩側光譜特性表達具有代表性[20—21]，故用band3和band6建立歸一化線性模型。Band4和band5對陸地區域地物的反應和表達較強，反映陸域植被最佳并減少大氣中煙霧影響。所以，本文選取波段7、5和4用于閾值界定，所建分割模型如下：

(3)

式中，band7、6、5、4和3分別對應影像中7、6、5、4和3波段像元值，T7，T5，T4分別為與相應波段對應的分割閾值，在試驗中由相應的波段統計直方圖自適應獲取，Tw和Dw分別為對應的分割閾值和標準差，由波段統計直方圖自適應獲取。基于Matlab2012b進行計算，所得Value為1的區域為陸地，為0的區域為灘涂或海域，其間邊界即為海岸線。

(2)剔除異質、邊緣提取和優化

在遙感影像局部空間中，陸地和潮灘上的養殖池或小水體等對比度小的地物易錯分為水體，而水體中的礁石或小島等對比度大的地物易錯分為陸地。基于影像局部空間關系，即以區域生長算法對種子點(某像元)的8鄰域連通面積進行計算，域面積大于設定的填充閾值，則為同質區域相同地物；相反，小于設定值的為相反地物類型，剔除并填充該異質區域。結合區域生長算法[22]對分割模型計算獲得的二值影像進行自適應Canny邊緣提取，計算某像元8鄰閾在x、y方向上一階偏導有限差分:

x方向偏導數：

y方向偏導數：

梯度幅值為：

(4)

梯度方向：

(5)

鹽田、蝦池引海入田的潮溝在影像中的光譜信息與自然岸線相同，對融合區域生長算法的自適應Canny計算結果進行膨脹腐蝕運算和開運算處理，使鹽田、蝦池與潮溝融合為一體，將減少岸線像元對比度的點擴散所造成的像元錯誤分類的影響，進一步減少岸線在入海河口的錯誤連接，更加準確定位岸線位置。最后，對二值影像矢量化，形成矢量海岸線最終結果。

3結果與分析

3.1精度評價

為驗證自動提取岸線的精確度，除了目視對比[23]外，還需對提取結果進行精度評價。以往研究對于提取結果精度評價，除實地測量外[24—25]，多為提取海岸線與參考海岸線相互疊加，單一而定性估計計算提取結果。Cao和Li[26]對提取水體面積的評價和吳小娟等[27]將參考海岸線與提取岸線的長度誤差作為評價標準，Bagli和Soille[28]通過performance index指數評價岸線提取結果。本文基于海岸線空間關系，引入一種符合海岸線特性且與線性目標相匹配的精度評價方法，即ROC[29]曲線(receiver operating characteristic curve)線匹配原則。方法如下：

將目視解譯提取的海岸線定義為參考岸線，建立緩沖半徑為0.5或1個像素單位的參考岸線緩沖區，如果自動提取岸線落入緩沖區中，認為自動提取岸線與參考岸線相匹配，將其總長度記為TP1(true positive)，反之則為不匹配，并記其總長度為FP(false positive)；同樣地，建立自動提取海岸線的緩沖區，如果參考岸線落入緩沖區，認為其同提取岸線相匹，記其總長度為TP2，否則將其定義為參考岸線同提取結果不匹配，并記其總長度為FN(false negative)。以上精度評價實驗過程均基于Matlab語言實現。如圖3所示。

圖3　基于ROC曲線匹配原則的精度評價示意圖Fig.3　Using the principle of ROC curve matching to evaluate the accuracy of the extraction result

基于以上ROC線匹配分析，可定義以下參數：

(6)

(7)

(8)

式中，參數Complete表示海岸線提取結果完整度；Correct表示提取結果正確度；Quality通過正確度與完整度綜合評價岸線提取質量。

3.2目視解譯標準

為盡可能降低誤差，本文海岸線目視解譯提取執行以下標準：自然岸線向陸一側一般植被生長茂盛，向海一側植被較為稀疏或為沒有植被的裸露潮灘，其上多有樹枝狀潮溝發育。大潮漲潮時淹沒粉砂淤泥質潮灘，使得淹沒范圍內高潮線處植被稀疏，在影像中植被茂盛與稀疏程度明顯差異處即為海岸線位置[30]。對于河口部分，大型河口港灣保留其自然形態，將入海口第一座橋梁或大壩定義為海岸線所在位置；小河口的河道急劇縮窄和兩岬曲率最大處定義為岸線所在位置。對完全開發人工海岸線，防波堤等海岸構筑物與海水的交界處就是海岸線[31]，但構成人工海岸的防波堤寬度很小，在分辨率15 m的圖像中無法顯示為一個像元單位，故將其從海岸線的目視解譯與自動提取過程中剔除[32]。對于未完全開發人工岸線，淤泥質灘涂向陸一側修筑了大量的蝦池、鹽田等，并在蝦池、鹽田的近海一側均修筑了防浪堤，以防止大潮高潮時海水灌入，而這些經濟區域與淤泥質潮灘的分界線就是海岸線。

為使目視解譯結果更加精確，基于本文提出的目視解譯方法，參照908專項山東省修測海岸線執行標準進行目視解譯提取。908專項山東省修測海岸線是現場測量結合遙感提取的方式獲取的，通過遙感影像與山東省修測岸線疊加對比，發現本文提出目視解譯對海岸線位置的確定符合國家908專項山東省修測岸線標準，可以準確提取海岸線[15]。最后，為減少目視解譯中人為因素的干擾，綜合3位解譯人員目視解譯結果，同時在解譯過程中和解譯結束后通過精確到亞米級的手持GPS進行野外定位取證，以此對室內解譯岸線進行修正。

3.3提取結果與精度評價結果

利用上述閾值分割模型，對3類海岸線基于Landsat8-OLI數據(圖4a、5a、6a)分別計算MNDWI值(圖4b、5b、6b)、進行灰度圖轉化(圖4c、5c、6c)，得到初始分割影像二值結果。將完全開發和未完全開發人工岸線的陸地或潮灘區域的異質斑塊閾值設定為0.01，水體區域的異質斑塊閾值設定為0.001，自然岸線的陸地或潮灘區域的異質斑塊閾值設定為0.02，水體區域的異質斑塊閾值設定為0.002。其后，依次對3類分割結果進行融合區域生長法的自適應Canny邊緣提取。然后，通過迭代計算得到3種類型海岸線的空間位置、方向和強度最清晰點即閾值最優點。其中，自然岸線分割閾值為0.599，未完全開發人工岸線分割閾值為0.596，完全開發人工岸線分割閾值為0.945，進而實現圖像分割閾值自動化確定，使結果更有效。最終，以標記算法對優化岸線進行外邊界追蹤，得到最終的矢量海岸線。

因完全開發人工岸線易于分辨與提取，本文只針對自然岸線和未完全開發岸線進行修訂(如圖4、5框內)。自然岸線位置1和3部分岸線位置為植被兩側覆被類型與茂密程度不同處；位置2、4、5部分岸線為公路和人工土壩堤腳。未完全開發人工岸線位置1是永豐河入海口處，實測岸線訂正到河流入海口處向上游延伸的第一座壩體或閉合建筑，與自動提取的海岸線相比，距入海河口較近；位置2是小島河入海口處，其南、北兩側蝦池、鹽田都有引海入池的潮溝，應將潮溝缺口處用直線連接閉合，以此訂正海岸線。

圖4　自然岸線提取過程與提取結果Fig.4　The extraction processes and results of natural coastline

圖5　未完全開發人工岸線提取過程與提取結果Fig.5　The extraction processes and results of semi-artificial coastline

圖6　完全開發人工岸線提取過程與提取結果Fig.6　The extraction processes and results of fully developed artificial coastline

圖7　自然、未完全開發和人工岸線提取結果精度評價分析Fig.7　Evaluating and analysis of the extraction accuracy of natural coastline，semi-artificial coastline and artificial coastline

3種類型的岸線提取結果如下(圖4d、5d、6d)：(1)自然岸線自動提取長度為1 769像素，目視解譯的參考岸線長度1 820像素，長度誤差-2.80%。當岸線提取幾何定位精度在0.5像元單位時(圖4e)，TP1、TP2、FP和FN分別為1 568、1 628、201和192，通過計算可得到相應的完整度、正確度和質量分別為89.45%、88.64%和80.26%。當緩沖半徑為1像元時(圖4f)，TP1、TP2、FP和FN分別為1 676、1 731、93和89，相應的完整度、正確度和質量分別為95.11%、94.74%和90.44%。

(2)未完全開發人工岸線自動提取長度為1 265像素，目視解譯參考長度為1 299像素，長度誤差-2.62%。當岸線提取的幾何定位精度為0.5像元時(圖5e)，TP1、TP2、FP和FN分別為1 179、1 222、86和77，通過計算可得到相應的完整度、正確度和質量分別為94.07%、93.20%和88.05%。當緩沖半徑為1像元時(圖5f)，TP1、TP2、FP和FN分別為1 205、1 233、60和66，相應的完整度、正確度和質量分別為95.25%、94.92%和90.63%。

(3)人工岸線自動提取長度為991像素，目視解譯參考長度為1 012像素，長度誤差為-2.08%。當岸線提取的幾何定位精度在0.5像元單位時(圖6e)，TP1、TP2、FP和FN分別為936、962、55和50，通過計算可得到相應的完整度、正確度和質量分別為95.06%、94.45%和90.03%。當緩沖半徑為1像元(圖6f)時，TP1、TP2、FP和FN分別為945、977、46和35，相應的完整度、正確度和質量分別為96.54%、95.50%和92.34%。

分析對比可知，兼具光譜特性和空間關系的海岸線提取結果的長度誤差分別為：自然岸線-2.80%，未完全開發人工岸線-2.62%，完全開發人工岸線-2.08%，海岸線提取長度精確度均相當高。當提取岸線的幾何定位精度為0.5個像元時，3種類型實驗對象提取的完整度分別為89.45%、94.07%和95.06%，正確度分別為88.64%、93.20%和94.45%，提取質量分別為80.26%、88.05%、90.03%。當幾何定位精度變為1個像元時，3類實驗提取結果完整度、正確度和質量均高于90%(圖7)。

4討論與結論

4.1討論

黃河為世界上含沙量位居第一的大河，黃河三角洲海岸線的演變速率已遠大于地形圖與航片的更新速率，導致與其相關的研究精度受到限制，從而遙感數據成為長時間尺度與多頻率研究間隔下監測岸線變遷的重要數據源。本文將實測光譜和遙感影像相結合來研究岸線自動提取，基于Landsat8-OLI影像在修復歸一化水體指數(band6和band3組合)中引入短波紅外波段，增加了band7、band5和band4三個波段。所建立的提取模型涵蓋可見光、近紅外和短波紅外3個波段組，通過波段組合和波段范圍限定建立模型，在降低波段間冗余的前提下充分利用影像信息。由于多年大潮平均高潮位兩側含鹽量的不同，導致植被覆蓋度和生長狀況不同，band7波段可表達出強烈的植被信息，參與模型構建能突出其變化，而且已有許多土壤鹽分光譜特征的相關研究表明，band7波段與土壤鹽分有較好的相關性，可作為鹽分含量變化的特征波段，進而反映出岸線兩側植被光譜信息不同，最終確定岸線所在位置。總體看來，利用這種方法自動提取岸線具有較高的準確度、完整度及提取質量，但是也還有許多問題需要進一步完善。

首先，野外潮灘光譜采集存在一定主觀性，而且光譜采集時間跨度較大。采樣斷面以及同一斷面上的相鄰樣點的間隔并非嚴格相等，在影像中一個像素單位是15 m×15 m單元格內所有地物光譜的均值，而實測光譜只采集15 m×15 m單元格內5個點的光譜信息，樣點數量與類型能否完全反映黃河三角洲地物光譜特征有待于驗證。

其次，影像融合以后分辨率為15 m，但與航片和實測地形圖相比，其分辨率仍較低，導致岸線在自動提取時存在誤差。本文采用大潮平均高潮線法對遙感影響中的海岸線進行目視解譯提取，且通過野外GPS進行定位來校正室內解譯結果，雖然降低了解譯難度和增加解譯精度，但是大潮平均高潮線的位置及其附近地形、物質組成、土壤含水量、含鹽量和植被空間差異等隨海岸坡度、季節、潮周期、波浪高度和強度等持續變化，某一次即時的現場潮灘光譜采集和遙感成像無法反映這些變化。

第三，在海岸線自動提取模型構建中算子法和形態學已應用較多，Canny算子較Roberts、Sobel和LOG等典型微分算子有具有大信噪比、檢測精度高的特點。傳統Canny算子邊緣檢測時將非邊緣點誤判為邊緣點的概率低，但遙感影像局部灰度變化最大像素并非一定為邊緣點，本文結合區域生長法的自適應Canny以局部灰度平均變化最大的像素為邊緣，邊緣信息豐富，噪聲點基本消失。與傳統Canny算子相比，該自適應Canny計算某一個像元點8鄰域x、y方向上一階偏導有限差分，改進了以往雙閾值求取采用同閾值的問題，既精確邊緣定位又抑制噪聲。除計算機圖形圖像分析參與模型構建，還用到實測光譜與遙感影像的特征選取關系模型、影像各波段間的數學關系模型。但潮灘坡度、表層地物含水量等影響光譜反射率的因素，未參與耦合模型的構建，后續研究中應加以考慮。

4.2結論

本文綜合運用陸地、灘涂以及海域的光譜特性和海岸線的空間位置關系，通過黃河三角洲地區實測地物光譜與遙感影像光譜反射率的對比分析，選擇敏感波段建立自動提取模型，對不同類型海岸線進行初步提取，隨后利用融合區域生長算法的自適應Canny邊緣提取算法和膨脹腐蝕算法，優化海岸線提取結果、提高提取準確率與定位精度，提取過程與結果對黃河三角洲海岸線自動提取具有重要意義；另外，對Canny算子的改進研究，不但剔除異質斑塊和精確空間定位，也為今后的遙感影像處理和圖像處理提供了更精確的科學方法；最后基于野外踏勘GPS實測數據與908專項目視解譯標準，對目視解譯的參考岸線進行修正，以空間方位關系為基礎將參考岸線與自動提取的海岸線進行線匹配，引用ROC曲線原則對3類實驗區提取結果進行0.5與1像素值幾何定位精度評價，結果發現長度誤差雖小，但幾何定位精度變化，對實驗結果影響較大(在幾何定位精度為1像素值時，自然岸線和未完全開發人工岸線表現更為明顯)。經對比發現，實驗A、B和C3類情況提取完整度、正確度和質量在相同幾何定位精度單位下呈逐漸上升趨勢；當提取岸線平面輪廓形態變得曲折復雜時，提取結果精度相對較低；相反岸線平滑、簡單，提取結果精度高(圖7)。由此推斷，本文提出的研究方法在實際使用中誤差為0.5～1個像元之間，可用于對岸線快速初步精確定位中，且人工岸線與未完全開發人工岸線部分在不同情況下可完全替代目視解譯結果，使實驗結論科學有效。

在自動化和提取精度方面，本研究最終獲得較好的實驗結果，但部分提取過程及定位精度有待改進。由于不同類型海岸帶包含不同地理空間信息，且不同衛星搭載不同分辨率傳感器，均需對遙感影像和波段模型進行篩選對比。其次對于河流入海口處岸線的精確定位提取還存在不足，同時，文中所提到的方法在不同區域魯棒性還有待驗證。最后，雖然通過野外提取結果來校正目視解譯結果，但目視解譯過程的部分誤差不可避免。

參考文獻：

[1]張成揚， 趙智杰. 近10年黃河三角洲土地利用/覆蓋時空變化特征與驅動因素定量分析[J]. 北京大學學報(自然科學版)， 2015， 51(1): 151-158.

Zhang Chengyang， Zhao Zhijie. Temporal and spatial change of land use/cover and quantitative analysis on the driving forces in the Yellow River Delta[J]. Acta Scientiarum Naturalium Universitatis Pekinensis， 2015， 51(1): 151-158．

[2]魏東嵐， 曹曉晨. Matlab平臺下遙感影像的北方岸線提取研究——以大連長興島為例[J]. 測繪通報， 2015(5): 80-83.

Wei Donglan， Cao Xiaochen. Using satellite remote sensing image data to research the north coastline extraction based on matlab—A case study of Changxing Island， Dalian City[J]. Bulletin of Surveying and Mapping， 2015(5): 80-83．

[3]盛佳， 洪中華， 張云， 等. 基于TerraSAR-X影像的格陵蘭島海岸水邊線提取[J]. 極地研究， 2014， 26(4): 418-424.

Sheng Jia， Hong Zhonghua， Zhang Yun， et al. Extraction of the Greenland coastline based on TerraSAR-X imagery[J]. Chinese Journal of Polar Research， 2014， 26(4): 418-424．

[4]Rigos A， Andreadis O P， Andreas M， et al. Shoreline Extraction from Coastal Images Using Chebyshev Polynomials and RBF Neural Networks[M]// Artificial Intelligence Applications and Innovations. Berlin Heidelberg：Springer， 2014：593-603.

[5]Yousef A， Iftekharuddin K. Shoreline extraction from the fusion of LiDAR DEM data and aerial images using mutual information and genetic algrithms[C]. Neural Networks (IJCNN)， 2014 International Joint Conference on IEEE， 2014：1007-1014．

[6]Yousef A， Iftekharuddin K M， Mohammad A K. Shoreline extraction from light detection and ranging digital elevation model data and aerial images[J]. Optical Engineering， 2014， 53(1):259-269.

[7]Liu H， Wang L， Sherman D J， et al. Algorithmic foundation and software tools for extracting shoreline features from remote sensing imagery and LiDAR data[J]. Journal of Geographic Information System， 2011， 3(2):99-119．

[8]Feng Y， Liu Y， Liu D. Shoreline mapping with cellular automata and the shoreline progradation analysis in Shanghai， China from 1979 to 2008[J]. Arabian Journal of Geosciences， 2015， 8(7):4337-4351．

[9]馮永玖， 袁佳宇， 宋麗君， 等. 杭州灣海岸線信息的遙感提取及其變遷分析[J]. 遙感技術與應用， 2015， 2(2): 345-352.

Feng Yongjiu， Yuan Jiayu， Song Lijun， et al. Coastline mapping and change detection along Hangzhou Bay using remotely sensed imagery[J]. Remote Sensing Technology and Application， 2015， 2(2): 345-352．

[10]Feng Y， Liu Y. A cellular automata model based on nonlinear kernel principal component analysis for urban growth simulation[J]. Environment & Planning B Planning & Design， 2013， 40(1):116-134．

[11]Masria A， Nadaoka K， Negm A， et al. Detection of shoreline and land cover changes around Rosetta Promontory， Egypt， based on remote sensing analysis[J]. Land， 2015， 4(1):216-230．

[12]Gon?alves G R， Duro N， Sousa E， et al. Automatic extraction of tide-coordinated shoreline using open source software and landsat imagery[C]//ISPRS-International Archives of the Photogrammetry， Remote Sensing and Spatial Information Sciences， 2015：953-957.

[13]Zhu C， Zhang X， Luo J， et al. Automatic extraction of coastline by remote sensing technology based on SVM and auto-selection of training samples[J]. Remote Sensing for Land & Resources， 2013， 25(2):69-74．

[14]關元秀， 劉高煥， 王勁峰. 基于GIS的黃河三角洲鹽堿地改良分區[J]. 地理學報， 2001， 56(2): 198-205.

Guan Yuanxiu， Liu Gaohuan， Wang Jinfeng. Regionalization of salt-affected land for ameliorationin the Yellow River Delta based on GIS[J]. Acta Geographica Sinica， 2001， 56(2): 198-205．

[15]國家海洋局908專項辦公室.我國近海海洋綜合調查與評價專項海岸線修測技術規程[M]. 北京: 海洋出版社， 2007.

Special Office of the China National Marine Bureau， 908. China’s offshore marine integrated investigation and evaluation of specific coastline revision technology procedures[M]. Beijing: China Ocean Press， 2007．

[16]孫效功， 趙海虹， 崔承琦. 黃河三角洲潮灘潮溝體系的分維特征[J]. 海洋與湖沼， 2001， 32(1): 74-80.

Sun Xiaogong， Zhao Haihong， Cui Chengqi. The fractal characteristics of tidal flat and tidal creek system in the Yellow River Delta[J]. Oceanologia et Limnologia Sinica， 2001， 32(1): 74-80．

[17]郭永飛，韓震.基于SPOT遙感影像的九段沙潮溝信息提取及分維研究[J]. 海洋與湖沼，2013，44(6):1436-1441.

Guo Yongfei， Han Zhen. Information extraction and fractal dimensions based on SPOT remote sensing image for tidal channels in Jiuduansha shoal[J]. Oceanologia et Limnologia Sinica， 2013，44(6):1436-1441．

[18]Hamedianfar A， Shafri H Z M. Development of fuzzy rule-based parameters for urban object-oriented classification using very high resolution imagery[J]. Geocarto International， 2013， 29(3):1-25．

[19]徐涵秋. 利用改進的歸一化差異水體指數(MNDWI)提取水體信息的研究[J].遙感學報， 2005， 9(5): 589-595.

Xu Hanqiu. A Study on information extraction of water body with the modified normalized difference water index(MNDWI)[J]. Journal of Remote Sensing， 2005， 9(5): 589-595．

[20]Ryu Joo-Hyung， Won Joong-Sun ， Min Kyung Duck. Waterline extraction from Landsat TM data in a tidal flat[J]. Remote Sensing of Environment， 2002， 83(3):442-456．

[21]沈芳，郜昂，吳建平，等. 淤泥質潮灘水邊線提取的遙感研究及DEM構建——以長江口九段沙為例[J]. 測繪學報，2008(1):102-107.

Shen Fang， Gao Ang， Wu Jianping， 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 Catograghica sinica， 2008(1):102-107．

[22]雄卡. 圖像處理、分析與機器視覺[M]. 北京：清華大學出版社， 2011．

Sonka. Image Processing, Analysis, and Machine Vision[M]. Beijing: Tsinghua University Press, 2011.

[23]沈琦， 汪承義， 趙斌. 幾何活動輪廓模型用于高分辨率遙感影像海岸線自動提取[J]. 復旦學報:自然科學版， 2012， 51(1):77-82.

Shen Qi， Wang Chengyi， Zhao Bin. Automatic waterline extraction in VHR imagery using Geometric Active Contour model[J]. Journal of Fudan University(Natural Science)， 2012， 51(1):77-82．

[24]劉善偉， 張杰， 馬毅，等. 遙感與DEM相結合的海岸線高精度提取方法[J]. 遙感技術與應用， 2011， 26(5):613-618.

Liu Shanwei， Zhang Jie， Ma Yi， et al. Coastline extraction method based on remote sensing and DEM[J]. Remote Sensing Technology and Application， 2011， 26(5):613-618.

[25]張霞， 莊智， 張旭凱，等. 秦皇島市海岸線遙感提取及變化監測[J]. 遙感技術與應用， 2014， 29(4):625-630.

Zhang Xia， Zhuang Zhi， Zhang Xukai， et al. Coastline extraction and change monitoring by remote sensing technology in Qinghuangdao city[J]. Remote Sensing Technology and Application， 2014， 29(4):625-630．

[26]Cao Ronglong， Li Cunjun. Extracting Miyun Reservoir’s water area and monitoring its change based on a revised normalized different water index[J]. Science of Surveying and Mapping， 2008， 33(2):158-160．

[27]吳小娟， 肖晨超， 崔振營，等. “高分二號”衛星數據面向對象的海岸線提取法[J]. 航天返回與遙感， 2015， 36(4):84-92.

Wu Xiaojuan， Xiao Chenchao， Cui Zhenying， et al. Coastline extraction based on object-oriented method using GF-2 satellite data[J]. Spacecraft Recovery & Remote Sensing， 2015， 36(4):84-92.

[28]Bagli S， Soille P. Automatic delineation of shoreline and lake boundaries from Landsat satellite images[C]//Proceedings of Initial ECO-IMAGING GI and GIS for Integrated Coastal Management， 2004．

[29]Zou K， O’Malley A L. Receiver-operating characteristic analysis for evaluating diagnostic tests and predictive models[J]. Circulation， 2007， 115(5):654-657．

[30]孫偉富， 馬毅， 張杰， 等.不同類型海岸線遙感解譯標志建立和提取方法研究[J]. 測繪通報， 2011(3):41-44.

Sun Weifu， Ma Yi， Zhang Jie， et al. Study of remote sensing interpretation keys and extraction technique of different tyoes of shoreline[J]. Bulletin of Surveying and Mapping， 2011(3):41-44.

[31]高義， 王輝， 蘇奮振， 等. 中國大陸海岸線近30a的時空變化分析[J]. 海洋學報， 2013， 35(6):31-42.

Gao Yi， Wang Hui， Su Fenzhen， et al. Spatial and temporal of continental coastline of China in recent three decades[J]. Haiyang Xuebao， 2013， 35(6):31-42.

[32]馬小峰， 趙冬至， 邢小罡， 等. 海岸線衛星遙感提取方法研究[J]. 海洋環境科學， 2007， 26(2):185-189.

Ma Xiaofeng， Zhao Dongzhi， Xing Xiaogang， et al. Means of withdrawing coastline by remote sensing[J]. Marine Environmental Science， 2007， 26(2):185-189.

Study on automatic extraction of coastline in the Yellow River Delta based on multi-spectral data

Qiao Xuejin1， Wang Qing1， Zhan Chao1， Wang Xin1， Wang Hongyan1， Du Guoyun1， Li Xueyan1

(1.CoastInstituteofLudongUniversity，Yantai264025，China)

Abstract:The automatic extraction of coastline based on multi-spectral data has been an important question which has received attention for a long time. In this paper， aiming at the situation of the coastline extraction with a relatively single method based on either the spectral characteristic or the spatial relation， the authors present an automatic extraction method which concludes both spectral characteristics and spatial relations. Firstly， through comparing the measured spectrums with the Landsat8-OLI image of 2014 and choosing sensitive bands to build extraction model， we classified and extracted the coastline of the Yellow River Delta. Secondly， through using the method of visual interpretation， we extracted the coastline of experimental coastal section based on the coastline revision of Shandong Province in the 908 special project. Thirdly， through using the ROC (Receiver Operating Characteristic) curve， we evaluated the accuracy of the extraction result by 0.5 pixels and 1 pixel individually. Finally， the experimental result of vector-based coastline was directly applied in the subsequent GIS analysis. On the whole， through this new method， we can extract the coastline of Yellow River Delta quickly with an accuracy of one pixel and an extraction confidence level of higher than 90%．

Key words:coastline; adaptive threshold; automatic extraction; evaluation

收稿日期：2015-11-29；

修訂日期：2016-02-25。

基金項目：國家自然科學基金項目(41271016，41471005)。

作者簡介：喬學瑾(1989—)，男，山西省大同市人，從事河口海岸地表過程研究。E-mail：qiaoxuejin@sina.com *通信作者：王慶(1968—)，男，山東省臨沂市人，教授，河口海岸學專業。E-mail：schingwang@126.com

中圖分類號:P715.7

文獻標志碼：A

文章編號：0253-4193(2016)07-0059-13

喬學瑾，王慶，戰超， 等. 基于多光譜數據的黃河三角洲岸線自動提取[J]. 海洋學報， 2016， 38(7):59-71， doi:10.3969/j.issn.0253-4193.2016.07.006

Qiao Xuejin， Wang Qing， Zhan Chao， et al.Study on automatic extraction of coastline in the Yellow River Delta based on multi-spectral data[J]. Haiyang Xuebao， 2016， 38(7):59-71，doi:10.3969/j.issn.0253-4193.2016.07.006