杭州灣北岸上海段潮灘時空演變分析與驅動力研究

勞國棟，韓震，2，，賴健，張斌

(1.上海海洋大學 海洋科學學院，上海 201306；2.上海河口海洋測繪工程技術研究中心，上海 201306；3.上海衛星工程研究所 高分遙感海洋生態聯合實驗室，上海 200240)

0 引言

海岸帶地處海陸之交，潮灘特征在很大程度上代表了所在海岸帶的性質，查清其性質和分布對于合理開發潮灘資源和海岸帶生態系統的可持續管理具有重要的意義。Logistic-CA-Markov模型[1]包含Logistic回歸模型、元胞自動機(cellular automata，CA)模型和馬爾科夫(Markov)模型，其中CA模型和Markov模型耦合而成CA-Markov模型[2-6]。該模型綜合了模擬復雜系統空間變化的能力和長期預測的時間優勢。Logistic回歸模型[7-9]加入了自然環境和社會經濟的驅動因子，通過對景觀格局的模擬來實現景觀格局變化的驅動力機制分析，并通過影響CA的轉換規則提高模型模擬的精度。Logistic-CA-Markov模型在景觀格局預測和驅動力分析方面是可行的[10-12]，預測結果可以分析景觀格局在未來某一時間段內演變趨勢與規律，從而為景觀格局的優化和生態環境的保護提供科學參考。本文利用高分一號(GF-1)和Landsat-7衛星遙感影像，以2007年、2013年和2019年為時間軸，基于Logistic-CA-Markov模型進行了杭州灣北岸上海段潮灘時空演變和驅動因素分析，并預測了未來潮灘景觀格局的變化，旨在對上海市海岸帶潮灘可持續發展和生態保護提供參考。

1 研究區域

潮灘是在大潮高、低潮面之間，隨潮汐漲落而淹沒和露出的向海緩斜的寬廣潮間灘地。杭州灣是一個典型的喇叭狀強潮河口灣，杭州灣北岸在長江三角洲南緣，岸灘沖淤受多種動力因子的影響，除受潮流和風浪等動力因子的作用外，圍墾工程、河口水流和長江來沙量的影響也是造成杭州灣北岸岸灘沖淤的重要因素[13-17]。杭州灣北岸在順岸往復流的作用下，灘地沿海岸呈帶狀分布。本文研究區域為杭州灣北岸上海段，從南匯嘴至金絲娘橋界碑，地理坐標范圍為121°13′E～122°3′E，30°36′N～30°54′N。

2 研究方法與過程

2.1 研究方法

1)Markov模型。馬爾科夫模型通過對不同事件的初始狀態以及轉移情況的分析來確定事件的變化趨勢，能夠實現對事件未來的運動狀態進行預測[18]，事件在本文研究為景觀格局。假定景觀格局發展過程中有n個不同的景觀類型，記為E1，E2，…，En，記Pij為景觀Ei轉為景觀Ej的轉移概率，則該矩陣稱作狀態轉移概率矩陣[19]，表達如式(10)所示。

(1)

2)CA模型。元胞自動機是時間、空間和狀態都離散的動力學模型，具有時空計算特征。元胞空間中的元胞都是由有限個離散值組成，具有其內在狀態，并且元胞只要遵循相同規則，就可以計算出在另一個新時刻的內在狀態；并且每個元胞的狀態只受局部鄰近元胞的狀態影響而變化，反映臨近元胞之間的相互作用；每個元胞在同樣的規則下進行同步更新，大量的元胞通過簡單的交互作用而推動系統的動態演變。

元胞的狀態函數可以表達如式(2)所示。

CA=(QN，∑，f，O)

(2)

式中：Q代表元胞空間，是覆蓋整個研究區的網格空間，每個網格單元是一個元胞，本文中，遙感圖像的一個柵格代表一個元胞；N表示元胞空間的維度；∑代表元胞有限個離散的狀態集；f代表元胞狀態的轉換規則；O代表邊界條件。

3)Logistic回歸模型。為探討自然及社會經濟等驅動力因子對研究區潮灘演變的影響，本研究利用Logistic回歸模型分析各影響因素與潮灘變遷幾率的關系。Logistic回歸模型如式(3)所示。

(3)

式中：Ri表示每個柵格可能出現某景觀類型i的概率，其值范圍為0～1；xn表示各驅動因子；α表示常數項；β表示各驅動因子的回歸系數，β的值越大，則對應的驅動因子自變量和景觀類型i之間關聯性越高。Logistic回歸模型對每一個柵格出現某一地類的概率進行診斷，篩選出對景觀類型格局影響較顯著的因素，并確定它們之間的定量關系和作用大小，計算前預先對驅動因子數據進行歸一化處理，去除其量綱，使各個因子間可以進行相互比較，其回歸方程系數的大小、正負可表示對模擬目標的貢獻度、正負相關性。回歸效果的檢驗通常使用受試者工作特征(receiver rperating characteristic，ROC)方法進行檢驗[20]。ROC 曲線下包含的面積大小能夠解釋回歸模型擬合的有效性，一般該曲線包含的面積大小在0.5～1之間，若ROC大于0.75，表示該模型模擬的效果較好[21]。在二分類問題中，可將樣本分為正類或負類，正類即為被分類為模擬目標的樣本，TP精度(true positive，TP)表示被正確分類的正樣本占所有真實正樣本的比例。

4)景觀動態度分析。景觀動態度是指在研究區域內一定的研究時段中某種景觀類型的變化速度[22]，表達如式(4)所示。

(4)

式中：Sb為某種景觀類型在研究時段末期的面積；Sa為在研究時段初期的面積；T為研究時段，本研究以年為單位。

5)景觀空間變化分析。景觀空間重心的遷移量與遷移方向可直接反映景觀格局在空間上的變化，重心遷移模型的原理：把研究區分為若干小區域，將不同的景觀斑塊作為不同的小區，確定每個小區幾何重心，然后用小區幾何重心乘以該區域景觀面積，最后將乘積累加后除以該景觀類型在研究區的總面積。重心坐標一般以地圖經緯度表示。某種景觀空間重心坐標計算方法如式(5)至式(6)所示。

(5)

(6)

式中：X、Y為景觀類型重心分布的經度、緯度坐標；Xi、Yi為第i個小區域的重心經緯度坐標；Ci為第i個小區域面積；n為小區總數。

2.2 研究數據的選取

本文遙感衛星數據使用的是高分一號衛星16 m、Landsat-7衛星30 m空間分辨率多光譜圖像。分別選取了三個年份的高潮時刻和低潮時刻的圖像，潮情參考上海蘆潮港(南匯嘴)站點的潮情數據，高潮圖像和低潮圖像的成像時間所對應的潮位分別要接近當年的平均大潮高潮線和平均大潮低潮線。三幅高潮時刻的圖像用以提取瞬時水邊線作為海岸線，三幅低潮時刻的圖像用以提取瞬時水邊線作為潮灘下邊界，進而得到潮灘。各年份圖像的潮位相差不大(表1)。目前國內外研究學者對于海岸帶的范圍劃定尚無統一標準[23]，根據研究內容和研究區狀況將2013年海岸線向陸5 km、向海1.5 km的范圍劃定為研究區域(圖1)，以確保潮灘在劃定范圍內，同時探討海岸帶生態景觀類型的分布和變遷對于潮灘發育的影響。按照中國土地利用/土地覆蓋遙感監測數據分類系統[24]，將研究區生態景觀類型分為：耕地、林地、草地、水域、建設用地、潮灘。分類結果采用30 m Globeland30地表覆蓋數據進行精度檢驗，數據來源于國家基礎地理信息中心全球地表覆蓋數據產品服務網站(DOI：10.11769)。

表1 遙感圖像潮情表

結合杭州灣北岸實際情況，分別從自然驅動力和社會經濟驅動力選取與潮灘變化有密切關系的指標進行綜合分析。自然驅動力主要從環境條件和區位兩方面選取評價因子，包括土壤質地(砂粒含量、粉砂粒含量、粘粒含量)、凈初級生產力(net primary productivity，NPP)、歸一化差異植被指數(normalized difference vegetation index，NDVI)、距道路距離(公路、鐵路)、距陸域水系距離、距耕地距離、距林地距離、距草地距離、距建設用地距離。社會經濟驅動力包括GDP空間分布數據、人口密度空間分布數據。道路和水系矢量數據引自國家地理信息中心—全國地理信息資源目錄服務系統(www.webmap.cn)，其他驅動因子數據來源于中國科學院資源環境科學數據中心(http：//www.resdc.cn)。

2.3 數據處理

本次數據處理流程如圖1所示。①通過ENVI 5.3軟件對遙感影像進行輻射定標、大氣校正、正射校正、幾何配準等預處理。②參考目前已有基于遙感水邊線提取潮灘的方法[25-28]，對預處理后的圖像計算歸一化差異水體指數(normalized difference water index，NDWI)，將圖像二值化，得到水陸分離的圖像；進行數學形態學開運算，進而刪除小面積連通域，使水陸邊界變得平整光滑；再利用Sobel算子進行邊緣檢測，提取邊界，最后結合目視解譯進行修改，提取水邊線。③在ArcGIS10.6軟件中，將海岸線和潮灘下邊界疊加生成潮灘區域，再以此為基礎，通過參照上海市土地利用現狀圖和對遙感影像的紋理分析，采用隨機分層法在研究區域采集訓練樣本，樣本可分離度均大于1.8，再利用支持向量機(support vector machines，SVM)分類法將研究區其他生態景觀類型進行分類，最后進行分類結果的精度檢驗。④提取潮灘分布圖，計算空間重心和面積，進行統計和分析。⑤計算各景觀主要斑塊的空間重心、道路、水系的歐氏距離，對驅動因子數據使用克里金法插值，使其空間分辨率為30 m，再進行歸一化處理。將生態景觀分類結果的潮灘景觀分成三個小區域和整體區域來創建布爾圖像，其作為Logistic回歸模型的模擬目標，把13個驅動因子作為自變量代入模型，計算得到潮灘的模擬概率圖，對模擬精度進行ROC檢驗。⑥在IDRISI selva17.0軟件中，基于CA-Markov模型和Logistic回歸模型模擬概率結果，通過2013—2019年建立的模型預測2019年數據并與實際解譯數據進行精度檢驗，最后預測2025年的潮灘空間分布狀況。

圖1 數據處理流程圖

3 研究結果與分析

3.1 潮灘分布情況

杭州灣北岸生態景觀分類精度檢驗結果顯示良好(表2)，總體分類精度均超過80%，Kappa系數均超過0.8。分類結果和變化如圖2所示，三年分類圖表明：杭州灣北岸的建設用地越來越多，建設用地主要分布在金山區和浦東新區；耕地主要分布在奉賢區和金山區；草地逐漸減少，其分布較均勻；林地略有增加，主要分布在奉賢區。杭州灣北岸上海段長86.09 km，按照上海市行政區劃，將杭州灣北岸潮灘分為三個部分：金山區、奉賢區和浦東新區，最終提取的潮灘分布情況如圖3所示。

表2 分類精度檢驗結果

從圖2和圖3可知，杭州灣北岸上海段潮灘在潮流、沿岸往復流的沖刷作用以及長江來沙的淤積作用下，灘地沿海岸呈帶狀分布。奉賢區和金山區人工岸段的潮灘受到自然沖淤和人類活動的共同影響，其單體面積相對較大，分布呈現規則形狀；自然岸段的潮灘分布廣闊，分布呈現不規則形狀，單體面積相對較小。從2007—2019年的潮灘變化來看，變化不確定性較大的主要區域在浦東新區南匯嘴西南區域，其常年受到懸浮泥沙、長江水流及人工干預的影響而不斷地淤積；2013年后由于海濱浴場建成，金山區南部兩處潮灘消失；2013年后由于圈圍工程的實施，奉賢區與浦東新區交界處潮灘消失。其他區域的潮灘變化差異不大。現今的杭州灣北岸潮灘是在自然沖淤和人工控制下逐步演變而成的。由表3可知，2007—2019年間各區域潮灘的空間重心的分布基本在一條線上，浦東新區潮灘先向西南遷移，再向東北遷移，總體向西南253.1°遷移了0.434 2 km；奉賢區潮灘先后兩次向西南遷移，總體向西南259.5°遷移了5.712 9 km；金山區潮灘先向東南遷移，再向西南遷移，總體向西南247°遷移了2.736 5 km；整體潮灘先后兩次向西南遷移，總體向西南255.3°遷移了2.946 6 km。

圖3 2007—2019年杭州灣北岸潮灘變化

表3 2007—2019年各區域潮灘的重心遷移情況

經過數據的統計得到轉移概率矩陣表和景觀面積變化表。從表4可以發現，2007—2019年間浦東新區潮灘基本沒有轉出面積，同時水域有1.88%轉化為浦東新區潮灘；奉賢區潮灘有22.21%轉化為耕地，有20.54%轉化為水域；金山區潮灘則有13.76%轉化為水域，有40.18%轉化為建設用地。從表5可以發現，2007年、2013年和2019年的潮灘總面積分別為10.638 5 km2、8.893 8 km2和9.229 5 km2，2007—2019年先減少后略有增長，12年間面積減少了1.409 0 km2。浦東新區潮灘面積先減少后增加，12年間增加了2.192 2 km2，2013—2019年的動態度最大，為+18.54%。奉賢區潮灘面積逐年減少，12年間減少了1.642 0 km2，2007—2013年的動態度最大，為-3.66%。金山區潮灘面積逐年減少，12年間減少了1.959 2 km2，2013—2019年的動態度最大，為-7.24%。2013—2019年間浦東岸段潮灘普遍有所淤積，奉賢岸段潮灘和金山岸段潮灘由于人類活動的影響而變化較大，大面積減少。從潮灘的變化趨勢可以發現，在人類活動的干預下，一部分潮灘圍填變成陸地，這表明岸線有著逐漸向海域方向推進的趨勢。

表4 2007—2019年各景觀類型轉移概率矩陣 %

表5 2007—2019年各區域潮灘面積變化

3.2 潮灘變化的驅動力分析

將三年潮灘數據作為因變量，驅動因子數據作為自變量導入Logistic回歸模型中進行計算，旨在探討各區域潮灘分布情況與不同驅動力因子之間的定量關系，進一步揭示潮灘變化驅動機制。表6和表7顯示所有回歸模型ROC檢驗值均大于0.75，TP精度大于80%，圖4顯示模擬概率較高的區域基本與潮灘分布區域重合，精度檢驗結果表明所有模型擬合效果均較好。

由Logistic回歸結果(表6)可知，影響杭州灣北岸整體潮灘轉變的主要驅動力因素為(貢獻度由高到低)：粘粒含量、粉砂粒含量、與水系距離、砂粒含量、人口密度變化、GDP變化、與草地距離和與耕地距離，其中與粘粒含量、粉砂粒含量、GDP變化與潮灘發育呈顯著正相關，其他因子呈負相關。這表明粘粒和粉砂粒含量越高、砂粒含量越低的區域，灘涂生成的概率越高；這可能與潮灘沉積物粒度分布受到水動力條件和灘面植物阻滯的影響有關，潮灘土壤質地總體表現出向岸方向粘粒、粉砂含量逐漸增加，砂粒含量逐漸減少，沉積物顆粒逐漸變細的特點[29]。與陸域水系距離越近越有利于潮灘的發育；杭州灣北岸潮灘的分布位置與河口位置緊密相關，潮灘的沖淤變化和分布形狀受到河口水流沖刷及河流懸浮泥沙沉積的影響。與草地、耕地距離越近的區域，與建設用地越遠的區域，越有利于潮灘形成。NDVI、NPP值越高的區域越有利于潮灘發育。人口越少的區域，其受人為干擾越小，越有利于潮灘的形成。GDP越高對潮灘發育越有利；據調查，奉賢區和金山區多處岸段的潮灘因受到圈圍工程和灘涂整治工作等人工干預而進行圍填，其間接反映GDP提高會影響經濟政策作用于潮灘的形成。除了上述影響因子，杭州灣北岸潮灘還受到潮汐潮流、長江口來水來沙等其他自然條件的影響。

表6 整體潮灘的Logistic回歸分析結果

表7 不同區域潮灘的Logistic回歸分析結果

圖4 潮灘的Logistic回歸模型模擬結果

由Logistic回歸結果(表7)可知，影響浦東新區潮灘轉變的主要驅動力因素貢獻度由高到低為：粘粒含量、粉砂粒含量、與水系距離、砂粒含量、人口密度變化、與草地距離、與耕地距離，其中與粘粒含量、粉砂粒含量與潮灘發育呈顯著正相關，其他因子呈負相關。這表明粘粒和粉砂粒含量越高、砂粒含量越低的區域，潮灘生成的概率越高；與水系、草地、耕地距離越近，越有利于潮灘的形成；人口越少的區域，越有利于潮灘的發育。

影響奉賢區潮灘轉變的主要驅動力因素貢獻度由高到低為：粘粒含量、粉砂粒含量、與水系距離、砂粒含量、人口密度變化、與耕地距離、GDP變化、與草地距離，其中與粘粒含量、粉砂粒含量、GDP變化與潮灘發育呈顯著正相關，其他因子呈負相關。這表明粘粒和粉砂粒含量越高、砂粒含量越低的區域，潮灘生成的概率越高；與水系、耕地、草地距離越近，越有利于潮灘的形成；GDP越高、人口越少的區域越有利于潮灘的發育。

影響金山區潮灘轉變的主要驅動力因素貢獻度由高到低為：粘粒含量、粉砂粒含量、與水系距離、GDP變化、砂粒含量、人口密度變化、與草地距離，其中與粘粒含量、粉砂粒含量、GDP變化與潮灘發育呈顯著正相關，其他因子呈負相關。這表明粘粒和粉砂粒含量越高、砂粒含量越低的區域，潮灘生成的概率越高；與水系、草地距離越近，越有利于潮灘的形成；GDP越高、人口越少的區域越有利于潮灘的發育。

3.3 CA-Markov模型預測潮灘變化

1)模擬過程和驗證。基于2013年和2019年的分類數據，建立CA-Markov模型，以2019年為預測的基期圖像進行預測2025年的潮灘空間分布狀況及分析其變化。為了驗證該方法的有效性，分別用2007—2013年、2013—2019年、2007—2019年建立的模型預測2019年生態景觀分布，分別以2013年、2013年、2007年為預測的基期圖像，并用擴展的Kappa系數[30]進行了精度檢驗。模擬過程如下：①計算轉移矩陣；②劃分元胞大小，將圖像柵格數據中每個柵格作為一個元胞進行研究，柵格所對應的景觀類型即為元胞的狀態，元胞大小為30 m×30 m；③確定CA濾波器，使用馮諾依曼型5×5濾波器來定義元胞鄰域；④建立轉換規則，以Markov轉移面積矩陣和Logistic回歸模型模擬概率圖作為轉換規則，將潮灘變化的影響因素加入其中；⑤確定預測時間、模型迭代次數，進行模擬預測時，將向前預測的時間步長設置為與兩期圖像的時間間隔相同，即等間隔預測[31]，CA的迭代次數與向前預測的時間步長相同。

表8 模擬精度分析

擴展的Kappa系數主要從七個指標(數量一致性、像元區位一致性、分層一致性、偶然一致性、像元區位不一致性、數量不一致性和分層不一致性)來評估模擬預測的準確程度，七個指標相加的和為1，指標值越大則表明該指標特性越明顯，本文只列出數量和像元區位的四個主要指標。從表8可知，預測結果的像元區位和數量的一致性都較好，空間精度相比數量精度更高一些，二者的不一致性都較低，說明空間差異和數量差異都較小，三次預測結果的Kappa系數比較理想、整體潮灘分類精度較高，證明該方法用于預測潮灘變化是有效的。

圖5 預測2025年潮灘分布

2)預測結果和分析。結合圖5、表9和表10可知，杭州灣北岸潮灘2025年的面積為9.815 3 km2，潮灘總面積在逐年增加，六年間增長了0.585 8 km2、動態度為+1.06%，灘地依舊呈帶狀分布，潮灘分布范圍與2019年差異不大，預測的結果基本符合實際發展趨勢。浦東新區潮灘面積逐年增加，六年間面積增加了1.883 1 km2，動態度為+7.25%；奉賢區潮灘面積逐年減少，六年間面積減少了0.490 3 km2，動態度為-2.60%；金山區潮灘面積逐年減少，六年間面積減少了0.807 0 km2，動態度為-7.64%。2019—2025年間浦東岸段潮灘逐漸淤積，奉賢岸段和金山岸段潮灘有所沖刷。說明未來在人為因素和自然因素的干擾強度穩定的情況下，杭州灣北岸上海段岸線逐漸向海域方向推進，岸灘逐漸淤漲。2019—2025年間各區域潮灘的空間重心都向西南方向遷移，浦東新區潮灘向西南258°遷移了0.705 8 km；奉賢區潮灘向西南255.9°遷移了3.015 2 km；金山區潮灘向西南241.3°遷移了1.879 5 km；整體潮灘向西南251.3°遷移了1.852 5 km。

表9 2019—2025年各區域潮灘的重心遷移情況

表10 CA-Markov模型預測2025年潮灘分布情況

4 結論與討論

本文利用GF-1和Landsat-7衛星遙感影像，通過提取高、低潮圖像水邊線的方法得到各年份杭州灣北岸上海段潮灘分布圖，進行了潮灘時空演變分析，進而將研究區其他生態景觀類型進行分類，并使用Logistic回歸模型從生態角度分析了潮灘格局變化的驅動力，以及各影響因子對潮灘變化的貢獻度和相關性，然后通過CA-Markov模型模擬和分析了未來潮灘的變化情況。結果表明：①2007年、2013年和2019年的潮灘總面積分別為10.638 5 km2、8.893 8 km2和9.229 5 km2，潮灘先減少后略增加，2007—2019年間面積減少了1.409 km2，其中浦東岸段潮灘有所淤積，奉賢岸段和金山岸段潮灘由于人類活動而大面積減少；潮灘總體向西南255.3°遷移了2.946 6 km。②預測2025年的潮灘面積為9.815 3 km2，2019—2025年間增長了0.585 8 km2、動態度為+1.06%；浦東岸段潮灘逐漸淤積，奉賢岸段和金山岸段潮灘有所沖刷；整體潮灘向西南251.3°遷移了1.852 5 km。在Logistic回歸分析中，對潮灘發育呈現正相關的主要驅動因子為粘粒含量、粉砂粒含量、GDP變化；對潮灘發育呈現負相關的主要驅動因子為與水系距離、砂粒含量、人口密度變化、與草地距離、與耕地距離。人類活動對潮灘的干預程度越來越強，杭州灣北岸岸線逐漸向海域方向推進，岸灘逐漸淤漲，這是在自然沖淤和人類活動的共同影響下逐漸形成的。

在人類活動和自然環境的共同影響下，杭州灣北岸潮灘的景觀格局正在發生顯著的變化，若景觀生態系統遭到破壞，將很難恢復到原有狀態，追求社會經濟生產的同時不能忽視生態環境問題，應加強對潮灘的生態保育，以促進社會、經濟、生態協調發展。本文研究仍存在一定的不足之處，一方面由于遙感數據精度僅為16 m和30 m，對于分類難以更加精細；另一方面是在驅動力因子的選取上，受到數據可獲得性的限制，缺少對潮流、波浪等水動力因素的驅動力分析。因此在今后的研究中，應使用精度更高的遙感影像并同時考慮更多可能的驅動力因素。