廣東省14 個海灘裂流類型及統計特征分析

胡鵬鵬，李志強*，朱道恒，蘇倩欣，李高聰

(1.廣東海洋大學 電子與信息工程學院，廣東 湛江 524088)

1 引言

裂流是一種起源于破波帶的快速離岸水流[1]，是近岸環流重要的組成部分。它可以將泥沙等沉積物帶離近岸，是泥沙向海輸移的重要途徑[2-3]。裂流不僅會加劇局部海岸線和沙丘的侵蝕，對沿海基礎設施造成破壞，而且會嚴重威脅海灘上游客的生命安全[4]。陸旭等[5]建立了我國海灘事故數據庫，發現除海浪和潮汐外，裂流很可能是造成溺水事故的重要因素。由于裂流沒有引起海灘游客的廣泛關注，甚至有游客將其當成是快速進入深水區的通道，以致海灘安全事故頻繁發生，因此裂流逐漸引起許多學者和專家的重視[6-7]。國際上已經有許多國家開展了對裂流的觀測與研究，如美國國家氣象局（NWS）已經開始預報美國所有海灘的裂流情況[8]，韓國氣象局建立了一套預報系統以實現對裂流的監測[9]，我國原國家海洋局海洋減災中心也在2018 年聯合各部門對全國重點濱海旅游海灘的裂流災害風險進行了排查和警示工作[10]。

破波帶受到波浪、潮汐、地形等影響隨時都在變化，產生于破波帶的裂流往往也具有一定的隨機性，另外在破波帶進行現場觀測是困難和昂貴的，而且也具有相當的危險性。因此，使用高空視頻或者遙感影像對裂流進行研究有著巨大的優勢并受到一些學者的青睞。Lin 等[11-12]使用航空影像和架設在高處的攝像機獲得了臺灣福隆海灘的圖像，目視解譯了影像中海灘的沙壩形態和裂流位置，并研究了福隆海灘類型和裂流分布的短期和長期變動。Maryan 等[13]比較了Viola-Jones 算法、卷積神經網絡算法和元學習器對裂流槽圖像數據集的識別效果。Silva 等[14]在Google Earth上分別提取了1 740 張含裂流和700 張不含裂流的圖像，使用Faster R-CNN 和自定義時間聚合算法對裂流圖像進行了識別檢測，識別精度高于人類和其他裂流檢測算法。本研究利用前人提出的裂流分類理論，基于Google Earth 的歷史影像對廣東省沿岸14 個主要旅游海灘的裂流類型進行了分類，并開展了海灘形態及海灣形狀與裂流關系的初步分析。

2 裂流的分類

Shepard[15]在1936 年提出“裂流”這一概念，并將其描述為快速流向大海的水流。Long 和?zkan-Haller[16]通過總結前人的研究[17-19]指出裂流是由于岸灘入射波高的變化和波浪增減水在沿岸方向分布不均勻，導致水位分布不均勻，從而產生輻射應力驅動生成的。

根據裂流發生的原因，Short 和Brander[3,20-21]提出4 種裂流類型：淤積型海灘裂流、侵蝕型海灘裂流、地形裂流和巨型裂流。淤積型海灘裂流通常在某一位置固定出現數日至數周，侵蝕型海灘裂流則傾向于沿海岸遷移，兩者統稱為開闊海岸裂流。地形裂流是指由地形結構控制的裂流，經常發生在丁壩、海岬等地形附近[22-23]。巨型裂流是一種大型地形裂流，與開闊海岸裂流相比可以延伸3～4 個破波帶的寬度。

Dalrymple 等[24]把裂流分為兩類:水深控制的裂流和水動力控制的裂流，并將常見的海灘形態具體描述為具有下切溝槽的沿岸沙壩-溝槽型海灘和具有下切溝槽的階地型海灘。另外，在陡峭的海灘灘角處發現了一種常見的裂流類型，被稱為沖流帶裂流。它是波浪上升過程中由沖流過程驅動的裂流，對海灘游客和海岸的危害有限。水動力控制的裂流僅僅是由水動力機制驅動的，有著更小的離岸強度和范圍。

Castelle 等[25]認為以是否出現在開闊海岸或者海灣海灘來區分裂流是具有誤導性的。實際上許多海灣海灘上發生的裂流并不都靠近岬角或海岸結構，它們表現出與開闊海岸裂流相同的特征。所有的裂流都是由水動力驅動的，但是控制機制的主導程度不同。Castelle 等[25]根據控制機制所占的主導地位，將裂流分為三大類。由于物理驅動機制不同，又進一步將每個類別分為兩種類型，總共有6 種基本類型。在現實場景中，各種驅動機制往往結合在一起，因此Castelle 等[25]又定義了4 種混合型裂流類型（表1），沖流帶裂流因為危害程度有限沒有被列入分類中。Castelle 等[25]結合了其他裂流分類的優點，側重于從控制機制的主導程度對裂流進行區分，考慮到海灣海灘也會產生類似開闊海岸裂流的特征并針對現實情況提出了4 種混合型裂流類型，為理解和預測裂流提供了進一步的框架。

表1 Castelle 裂流分類類型表Table 1 Castelle’s rip current classification types

本文選取了廣東省14 個主要旅游海灘，在Google Earth 上對每個海灘的歷史影像中的裂流進行目視解譯，采用Castelle 的裂流分類模型對裂流進行了分類。沖流帶裂流是這14 個海灘明顯的特征，因此也被考慮在本文的分類之中。

3 方法和數據

3.1 裂流解譯標準

不同的裂流種類有著不同的驅動機制，研究海灘上裂流種類的組成對研究海灘的狀態有重要的參考價值。目前，對于裂流分類的理論研究非常成熟，裂流的分類模型也在不斷完善。本文以Castelle 提出的裂流分類框架為基礎（圖1），根據其對每種裂流形態的描述作為解譯的依據，在Google Earth 上查看各個海灘的歷史影像，根據分類理論選取每種裂流的特征影像（圖2），提出針對影像的裂流解譯標準（表2）。

圖1 裂流分類框架圖（修改自文獻[25]）Fig.1 Rip current classification framework (modified from the reference [25])

圖2 各類型裂流的特征影像Fig.2 Interpreting signs of various types of rip currents

3.2 基于地形動力指標的裂流風險評價模型

Wright 等[26]對澳大利亞一系列的海灘進行現場調查后提出了無量綱沉降速率參數（Ω）模型。后來，Masselink 和Short[27]在Ω模型的基礎上引入了相對潮差（R TR），建立了更系統和全面的分類模型。李志強等[28-30]結合Ω模型和 RTR模型提出了一種操作簡單，能定量區分裂流出現的可能性的裂流風險性評價方法。該方法受到人們廣泛的認可，現在已經應用在浴場選址、裂流風險排查等項目中。這兩個參數的定義為

式中，Hb是局地平均破波波高；T是平均波周期；Ws表示泥沙沉降速率，TR是大潮平均潮差。根據參數Ω和 RTR的閾值范圍可將海灘劃分為4 組8 類，并且各自對應不同的裂流風險等級（表3）[31]。基于地形動力的海灘狀態分類模型基本能夠反映海灘對波浪、潮汐、泥沙輸移等因素的響應[31]，已經被地質地貌領域專家廣泛接受。

表3 基于地形動力指標的濱海旅游海灘裂流風險等級表Table 3 Beach characteristics and rip risk level based on morphodynamic values

3.3 數據獲取

本文選取廣東省沿岸14 個主要旅游海灘，如圖3所示，其中有9 個是原國家海洋局2018 年進行裂流災害風險排查的廣東省重點濱海旅游海灘。Google Earth 的影像時間跨度為2002-2021 年。使用Google Earth 測量工具，測量每個海灘的長度，測量時以海灘向陸邊界為界限來減少因潮汐導致的海灘長度的變化。采用表2 中的解譯標準通過目視解譯法將各海灘出現過的裂流從歷史影像中判別出來，再進行分類并統計，共獲得7 334 個不同類型的裂流。需要注意的是在裂流發生時，一些狹長的裂流會參差交錯，因此本文認為當多個裂流交叉最后一起向海流出時，視為一個裂流。表4 是對14 個海灘的Google Earth 影像進行統計的結果。

表4 14 個海灘的影像統計Table 4 Image statistics of 14 beaches

圖3 14 個海灘的位置示意圖Fig.3 Location diagram of the 14 beaches

表2 影像各類型裂流解譯判釋表Table 2 Interpretation of various types of rip currents in images

某些海灘的Google Earth 影像不能完全覆蓋，往往是由多年的歷史影像拼接而成，所以影像的數量不能表示完整海灘的數量。針對不完整的海灘影像，按照影像中海灘的長度占原始海灘長度的比例計算每景影像的有效影像數量（表5），平均裂流數等于當月的海灘裂流總數與有效影像數量的比值。

表5 實際影像數量和有效影像數量Table 5 Actual image number and effective image number

4 裂流的統計特征

4.1 逐月分類結果與裂流風險評價模型對比

本研究收集到青澳灣、廣澳灣、紅海灣東、西涌海灘、十里銀灘、大角灣、月亮灣以及東海島8 個海灘的裂流風險等級，數據來自廣東省裂流風險排查報告[32]以及李志強和陳杏文[30]的結果。選取廣澳灣、月亮灣和東海島為例進行討論，它們分別是這8 個海灘中有效影像數量最多、最少和位于中間值的海灘。

廣澳灣的有效影像數量最多，影像多分布在1 月、9 月、10 月、11 月和12 月份，涵蓋了風險評價模型對該海灘分類的全部范圍，4 月和7 月缺少影像數據。如圖4 所示，廣澳灣在1-9 月裂流風險等級為高，10-12 月為中，整體上看屬于裂流風險危害性較大的海灘。從圖中可以看出，裂流風險等級為高的月份，其裂流的組成較為單一，混合型裂流較少，水深控制的裂流組成比例最大，而且其平均數量明顯大于裂流風險等級為中的月份，符合中間狀態海灘的特征。查看排查報告中的Ω值和RTR 值發現10-12 月的海灘為沙壩消散型海灘，雖然該海灘風險等級為中，但在RTR 值與其他各月在相同范圍內的情況下，其Ω值的計算結果接近分界值，裂流風險也相對較高，10-12 月的平均裂流數量也反映出這一點，這可能是平均裂流數沒有與1 月表現出明顯差距的一個原因。本研究針對廣澳灣的裂流分類在一定程度上符合了其裂流風險型性評價方法。

東海島的有效影像數量相對廣澳灣少了近一半，而且主要分布在風險評價等級為中的月份，在低等級月份無影像，在高等級月份的有效影像數量僅為0.5 個。從圖5 可以發現，3 月水深控制的裂流比例最大，其他月份水動力控制的裂流或混合型裂流所占比例較大。除去1 月和9 月，剩下中等級月份的平均裂流數量接近持平。4 月、10-12 月的平均裂流數量差距不大，并且水深控制的裂流比例較低，符合中風險等級的海灘評價,但由于缺乏其他風險等級的海灘影像，所以導致對東海島的裂流分類與評價模型無法完全對應。

月亮灣僅有4 景影像（圖6）。在10 月，月亮灣沖流帶裂流的平均裂流數量很多，與其他海灘的沖流帶裂流不同的是，其波浪的沖流過程更強，對海灘的侵蝕程度更大。不過由于該海灘的有效影像數量少，能解譯出的裂流數量非常有限，因此對比效果最差。

通過上述研究發現，裂流分類結果與裂流評價模型的對比效果與有效影像數量有直接的關系，對比效果越好，海灘的有效影像數量越大。不過在圖4 中5 月、8 月和圖5 中1 月、9 月的平均裂流數量與同裂流風險等級的月份差距很大，另外也出現圖4 中8 月份裂流全部由混合裂流組成的情況，這與該月有效影像數量較少有關。

圖4 廣澳灣裂流逐月分類統計Fig.4 Monthly classification statistics of rip currents in the Guang ’ao Bay

圖5 東海島裂流逐月分類統計Fig.5 Monthly classification statistics of rip currents in the Donghai Island

圖6 月亮灣裂流逐月分類統計Fig.6 Monthly classification statistics of rip currents in the Moon Bay

4.2 海灘裂流的類型結構

剪切不穩定裂流和瞬變裂流在影像上主要是通過波浪的入射角度來區分。Google Earth 的一些影像由于圖像質量等原因無法分辨入射波方向。另外水動力控制的裂流在空間和時間上都是短暫的，因此不可預測。受條件的限制，解譯上述裂流時不作區分，統一解譯為大類裂流。根據各種裂流占總裂流的比例計算百分比，圖7 為繪制的14 個海灘的裂流類型結構圖，下面對結構圖進行分析。

圖7 14 個海灘的裂流類型結構Fig.7 Rip current type structure of 14 beaches

沖流帶裂流被認為是危害程度最低的裂流類型。從結構圖可以看出，沖流帶裂流頻率最高的前3 個海灘分別是：小梅沙、月亮灣和大梅沙，均超過了80%，其中小梅沙海灘完全由沖流帶裂流組成，大梅沙海灘有少部分由水動力控制的裂流，月亮灣有比例很低的溝槽裂流。大梅沙、小梅沙海灘的裂流主要由沖流帶裂流組成，從裂流結構上很容易判斷其裂流危險性較低。東海島無沖流帶裂流。

水動力控制的裂流具有不可預測性，而且持續時間相對較短，一般為3～5 min，裂流的離岸強度相比于溝槽裂流較弱，但危險性依然很高。青澳灣、平海西和東海島的水動力控制的裂流的組成比例最高，其他海灘除了小梅沙、大角灣和月亮灣均有這種裂流類型，而且比例低于溝槽裂流。

溝槽裂流與中等海灘狀態相關聯[33]，是記錄最多、理解最透徹的裂流類型[34]，結構圖也反映出這一點。除大梅沙、小梅沙外，其他海灘均出現了溝槽裂流，并且是主要的結構類型。溝槽-瞬變裂流、聚焦型-溝槽裂流和邊界-溝槽裂流形成時也受到溝槽的影響，加上這些裂流后由溝槽影響的裂流比重將進一步擴大。

聚焦型-溝槽裂流一般出現在雙沙壩系統的海灘上，波浪折射并且穿過外沙壩導致波浪破碎后，內沙壩深度的沿岸變化進一步引起破波高沿岸變化，驅動了這種裂流的產生。青澳灣和東海島的聚焦型-溝槽裂流的組成比例較高，說明相對來說這兩個海灘容易出現雙沙壩系統。

邊界控制的裂流如偏斜裂流和陰影區裂流的比例很小。一方面是由于邊界裂流只在剛性邊界產生，產生所需條件相對苛刻；另一方面是因為人工建筑少和大多數海灘的岬角弧形過大，不易產生。平海東海灘長14.4 km，包括3 個岬角距離很小的海灣海灘，因此在平海東海灘會產生邊界控制的裂流和岬灣單元裂流，特別是岬灣單元裂流，只出現在海灣海灘中。另外，廣澳灣、大角灣也有一定比例的偏斜裂流和陰影區裂流。

其他裂流類型由于比例過小或特征不夠典型而不作具體分析。通過上述分析可知，裂流的類型結構與海灘的狀態密切相關，受溝槽影響的裂流與水動力控制的裂流是海灘上最容易出現的裂流類型。

4.3 海灣形狀與裂流

研究的14 個海灘中有11 個位于受岬角控制的海灣中，其中十里銀灘、水東灣和東海島是無岬角控制的弧形海灘。兩端岬角之間的距離為海灣長度；海灘最凹處至海灣長度線上的垂直距離為海灣凹入度，使用Google Earth 測量工具測量海灘長度以及海灣長度和海灣凹入度。

從圖8 的變化趨勢看，年平均裂流數隨著海灘長度而變化，但在水東灣和東海島處有較大偏差。廣澳灣于2013 年開始修建防坡堤，改變了該海灣自然岬角對海灘的控制，因此對廣澳灣的海灣長度修正為防坡堤兩端的距離，海灣長度也相應改變。排除非岬角海灣后發現，年平均裂流數與海灣長度變化趨勢的符合程度更高（圖9）。

圖8 14 個海灘的海灘長度和年平均裂流數Fig.8 Beach length and annual mean number of rip currents of the 14 beaches

圖9 岬角海灣的海灣長度和年平均裂流數Fig.9 Bay length and annual mean number of rip currents of the headland bay

圖10 顯示，海灘出現沖流帶裂流的比例與海灣凹入度存在一定的負相關性，而溝槽裂流則剛好相反。不過也有例外，如海灣凹入度小的青澳灣的沖流帶裂流比例也很低。水動力控制的裂流和凹入度在青澳灣、廣澳灣、海門灣、紅海灣東、平海東、平海西、西涌海灘的變化趨勢相同，在大小梅沙、大角灣和月亮灣無明顯關系。

圖10 岬角海灣的裂流類型比例和海灣凹入度Fig.10 Rip current types propotion and bay concave degree of the headland bay

上述統計規律顯示，海灣長度越長的海灘出現的裂流數量越多，海灣凹入度可以影響裂流的組成比例，海灣凹入度越長的海灣，溝槽裂流所占的比例越高。不過考慮研究條件的限制，這種裂流與海灣長度和凹入度的關系還有待進一步的研究。

5 結論和展望

隨著海灘逐漸成為許多人出游熱門目的地，海灘事故的發生率也逐漸增加。作為“海灘第一殺手”[35-37]的裂流成為眾多學者關注和研究的對象。裂流的產生原因和分類也一直是眾多學者研究的重要課題。各種裂流的離岸強度有所區別，對裂流進行分類可以幫助理解海灘裂流的類型結構，與裂流風險性評價模型互為補充。不同的裂流類型會產生不同的視覺特征，例如溝槽裂流，與兩側的淺沙壩相比，中間波浪破碎相對較少，在視覺上呈現為一個更暗、更平靜的水域，缺乏經驗的游客通常會誤以為這片較平靜的水域是最安全的游泳場所[38]。提高公眾對各類裂流的認識，有助于降低海灘事故的傷亡概率。

本文選取了廣東省14 個海灘作為研究對象，根據Castelle 提出的裂流分類理論在Google Earth 上選取特征影像，提出了針對影像的裂流解譯標準，隨后對各個海灘的歷史影像進行解譯分類，獲得了裂流分類數據。裂流逐月分類結果符合裂流風險性評價模型，從裂流的逐月分布來看，在裂流風險等級為高的月份中，海灘裂流的組成結構較為單一，混合型裂流少，水深控制的裂流比例大于其他裂流類型；當裂流風險等級降為中時，水動力控制的裂流和混合型裂流的組成比例增加，水深控制的裂流的比例相應減少；在裂流風險等級為低的月份出現的裂流很少，甚至無裂流發生。裂流的類型結構與海灘的狀態密切相關，受溝槽影響的裂流和水動力控制的裂流是海灘上主要的裂流類型。通過統計還發現海灣形狀與裂流產生具有一定的規律：海灣長度和海灣凹入度分別會影響裂流出現的數量和不同類型裂流的組成比例。

在使用Google Earth 進行研究時遇到了一些限制因素，如：（1）海灘的影像不完整，有些海灘往往是由多景影像拼接而成的；（2）影像的時間不連續，甚至某些月份的影像缺失，以致于每個海灘的歷史影像數量不一致；（3）影像質量優劣不一導致識別困難。針對第一點和第三點，本文在解譯和統計時提出了一些相應的解決辦法：對于海灘影像的不完整，使用有效影像數計算平均裂流數量；解譯剪切不穩定裂流和瞬變裂流時不作區分，歸類為大類。另外，由于解譯裂流受到解譯者主觀判斷的影響較大，以后可以通過現場觀測的方式訓練解譯者的識別能力，并提出一套基于現場觀測的裂流解譯標準來提高裂流解譯的精確性。

對數據進行分析后發現，裂流逐月分類結果與有效影像數量有直接的關系，有效影像數最多的廣澳灣的裂流逐月分類結果與裂流風險評價模型吻合相對較好。裂流在破波帶產生，受破波帶狀態和寬度的限制，裂流的識別對影像的時間和空間分辨率要求很高。目前，常用的高分辨率衛星有美國的Worldview、法國的SPOT 等。我國也在2016 年發射了高分三號衛星，其空間分辨率能達到1 m。如果增加統計影像的數量，可以提高分類結果與裂流風險性評價模型的吻合程度。裂流的分類對海灘研究具有重要的意義，在后期的工作中進一步提高影像數量和解譯精度，將獲得更為精確的分類效果。

近年來，圖像分類與目標檢測技術成為計算機領域研究的熱點。已經有學者將卷積神經網絡技術應用在溝槽裂流的識別上，識別結果比人類識別結果精度更高[14]。不同類型的裂流具有不同特征，使用圖像識別技術對各類裂流進行分類也是未來的研究方向之一。