最優尺度和隨機森林算法下盤錦海岸帶遙感監測

付杰，宋倫，2，雷利元，李玉龍，于喆

(1.遼寧省海洋水產科學研究院，遼寧 大連 116023；2.遼寧省海洋環境監測總站，遼寧 大連 116020)

0 引言

海岸帶是位于陸地與海洋過渡區域的狹長帶狀區域，既包含受陸地影響的海洋，也包含受海洋影響的陸地，可從狹義和廣義兩個角度解釋。狹義的海岸帶是指海洋向陸地的過渡地帶，廣義的是指以海岸線為基準向海陸兩個方向輻射的廣闊地帶。充分利用現代先進成熟的航空攝影測量、高分辨率衛星遙感、無人機正射影像獲取等遙感和地理信息手段快速獲取海岸帶信息，實現海岸帶典型目標地物的人機交互式提取，并對其變化情況進行統計、分析和評價，對于研究海岸帶生態系統結構功能、促進海岸帶經濟社會生態的協調發展具有十分重要的現實作用。

國內外諸多學者從海岸帶地理空間位置角度分別對近岸陸域、潮間帶灘涂、近岸海域、海岸線開展了大量的變化監測研究工作。美國國家航空航天局(National Aeronautics and Space Administration，NASA)的Hilbert[1]使用三個時相的Landsat數據，采用監督和非監督分類法對墨西哥北部海岸帶進行了近岸陸地土地利用變化監測分析；Thu等[2]利用地形圖和SPOT影像監測了越南Tra Vinh省潮間帶上對蝦養殖圈和紅樹林的分布及面積變化情況，并分析了養殖業迅速發展對海岸帶生態造成的影像；Teodoro等[3]對葡萄牙近岸海域的總懸浮物質濃度進行了量化分析，利用TERRA/ASTER的多波段遙感數據和實測數據進行相關性分析；Tigny等[4]利用1977—2000年的衛星數據分析了意大利塞丁尼亞西海岸海岸線的變遷情況，預測了未來岸線演化趨勢。國內歐維新等[5]分析了鹽城海岸帶土地利用及其變化對土壤環境、水環境以及生物多樣性的生態效應；韓倩倩等[6]利用覆蓋全國濱海的Landsat TM/OLI衛星影像，目視解譯1995年和2015年潮間帶開發的土地利用類型；王林等[7]通過2012—2014年間江蘇近岸海域實測遙感反射率、懸浮泥沙濃度及“環境一號”衛星CCD數據，建立了該近岸海域懸浮泥沙遙感反演模型；孫孟昊等[8]通過潮汐校正模型對修正歸一化水體指數提取的青島長時間序列海岸線進行了潮位校正。但上述海岸帶提取方法尚處在人工目視解譯和基于光譜自動分類階段，單純采用光譜特征而忽略其紋理特征、幾何特征導致分類精度不高，造成“椒鹽”及錯分現象。本研究采用面向對象的多尺度分割(multiresolution segmentation，MS)技術，通過局部方差變化率峰值定義海岸帶面向對象的最優分割尺度，使用隨機森林分類器提取盤錦市1990、2002、2013、2018年四個時相的海岸帶土地利用類型，借助數字岸線分析(digital shoreline analysis system，DSAS)工具結合GIS空間分析技術系統研究28年來盤錦岸線時空變遷情況和岸帶土地利用動態演化特征，為盤錦市全面轉型、向海發展提供有效的決策支持。

1 研究區概況及數據源

1.1 研究區概況

盤錦地處遼寧省遼西中部，遼河三角洲中心地帶，位于40°39′N～41°27′N、121°25′E～122°31′E之間，下轄興隆臺區、雙臺子區、遼東灣新區、遼河口生態經濟區、盤山縣和大洼縣。海岸帶上蘊藏著豐富的漁業資源、濕地資源、旅游資源、油氣資源和港口資源。天然海岸類型為淤泥質海岸，后經港口和新城建設，多為人工港口海岸和圍填海岸類型。盤錦作為我國老牌的石油、石化工業基地，現正處于“向海發展、全面轉型、建設濱海新盤錦”的關鍵時期，東部在遼東灣新區建設前曾有過上萬畝的養殖圈，由于港城建設需求，如今都已退出。西部沿海正在開展“退養還灘”濕地修復工作，以期達到新形勢下保護濕地資源環境，恢復灘涂濕地自然生態和改善灘涂濕地生態環境的目的。選用1990、2002、2013、2018年四期影像依據：1990—2002年期間，盤錦大規模興起圍海養殖熱潮，主要發生在海岸帶的淤泥質灘涂和淺水海域，2002—2013年又掀起港口圍海造地與臨港工業城鎮建設熱潮，目的是向海拓展生產和生活空間，2018年國家實施最嚴格的填海管控措施，除國家重大戰略外，政府不再受理新增圍填海項目審批，盤錦大規模造地活動結束。四期影像能夠鮮明呈現出人類活動對海岸帶留下的“烙印”。

根據盤錦海岸帶的開發強度，本研究將盤錦海岸帶劃分為四個重點研究區域，包括遼河口、臨港工業區、盤錦港區和遼濱主城區。其中遼河口區內有遼寧遼河口國家級自然保護區；臨港工業區以海洋裝備制造、石油精細化工、綜合工業和科技產業四大支柱產業為主體；盤錦港區是以發展大型臨港產業為依托，重點發展油品、液體散貨、糧食、集裝箱等貨物運輸；遼濱主城區是市政府、新區管委會和大學城文體中心所在地。研究范圍參照《遼寧海岸帶保護和利用規劃》(遼政發〔2013〕28號)規劃文本內容：海岸帶范圍包括海岸線向陸域延伸10 km、向海域延伸約22 km，本研究中盤錦海岸帶范圍是提取1990年盤錦海岸線向陸域作10 km的緩沖區外邊線、盤錦市海洋功能區劃中海域外邊界線和盤錦市陸域行政區界線“三線”所圍成的區域(圖1)。全文針對該區域，建立了岸線與土地類別遙感影像解譯標志。

圖1 盤錦海岸帶研究區范圍

1.2 數據源及預處理

本研究選用1990—2018年間的Landsat遙感影像作為數據源。年份對應傳感器類型分別為：1990年TM影像、2002年ETM+影像、2013年OLI影像和2018年OLI影像(表1)。四期的影像數據主要用來進行面向對象海岸線提取、岸線年變化速率研究、海岸面積變化監測和面向對象土地利用類型的變化監測。本研究還搜集了1∶5萬地形圖，比例尺精度為5 m，主要用于TM、ETM+和OLI影像的幾何精校正和岸線精度評價，購置高分一號影像用于面向對象地物類別分類精度驗證參考。

表1 遙感數據及所處的潮位信息

首先，進行輻射定標、FLAASH大氣校正和幾何配準，配準誤差在一個像素之內，將不同傳感器的多光譜和與之對應的全色波段進行波段融合；其次，進行最優分割尺度獲取，計算影像多尺度分割后局部方差變化率，繪制變化率曲線，曲線峰值確定最優分割尺度；然后，采用隨機森林分類器提取四個時相土地利用類型，獲取海陸分界線，利用潮位改正的原理[9]，結合當地驗潮站，對淤泥質岸段進行潮位改正，完成最終海岸線的提取；最后，分類后處理，分析盤錦海岸段土地類別時空演變特征和驅動力。

2 研究方法

2.1 海岸線提取與變化檢測

圖像分割是面向對象分類技術最為基礎和重要的問題，尺度直接決定著分類后的精度。通過識別像元的相似度，合并相鄰的像元為一個對象，其目的是找到一個尺度，確保合并后的對象之間異質性最大、對象內部同質性最大[10]。

執行多尺度分割前提是確定影像分割的形狀和緊致度參數，即最佳同質性組合參數。本研究采用固定單一參數法，先將分割尺度假定為100，來尋找同質性參數組合。實驗設計如下：排除最值情況，將形狀參數設為(0.4，0.5，0.6，0.7，0.8)，緊致度因子設為(0.3，0.4，0.5，0.6，0.7，0.8)時，參數配對30組，用四期影像分別參與30組分割實驗。在影像中均勻布設“純凈”地物樣本，統計不同組合參數下分割后地物過擬合和欠分割樣本數，計算多邊形與實際地物重疊度(重疊面積占實際地物面積比例)，對分割過于破碎、分割不足、邊界重疊度低的組合參數進行排除，直至得到四期影像最佳同質性組合參數：①Wshape=0.8，Wcompact=0.6，1990年；②Wshape=0.4，Wcompact=0.5，2002年；③Wshape=0.8，Wcompact=0.8，2013年；④Wshape=0.8，Wcompact=0.5，2018年。

圖2 不同分割尺度下的圖層局部方差變化率曲線

本研究選出較為明顯的三處局部方差變化率峰值，作為對應的最佳尺度。①組對應最佳尺度為35、50、118；②組對應尺度為49、85、91；③組對應尺度為34、56、114；④組對應尺度為39、69、104。分割結果顯示，當尺度參數小于90時，所得地物對象較為破碎。鑒于水域、沼澤和農田屬于區域內主要分布地物，應采用較大尺度分割，避免內部單元分割過于破碎。最終確定四期影像提取地物的最佳分割尺度為118、91、114和104(圖3)。

圖3 研究區最優分割尺度

通過上述方法采用隨機森林分類結果提取水陸分界線，即衛星過頂時的瞬時水邊線。然而盤錦地勢平緩，除人工岸線受潮汐影響較小外，淤泥質岸線的微小水位差距會對海岸線造成較大的偏差，文獻[8]給出了水邊線經過潮位改正得到最終海岸線方法的詳細介紹。本研究利用基于ArcGIS平臺開發的DSAS功能模塊，計算四期海岸線的距離變化量和年變化速率[12]，其中，累積變化量(shoreline change envelope，SCE)反映每個斷面上最遠基線和最近基線的岸線間距離，凈變化量(net shoreline movement，NSM)計算每個斷面上最老和最年輕的岸線間距離，端點變化率(end point rate，EPR)是用海岸線移動距離除以最遠和最近年份海岸線之間經過的時間，線性回歸率(linear regression rate，LRR)是根據最小二乘法擬合多時相海岸線的變化速率。設置回歸線的目的是使殘差平方和(由每個斷面相交點與回歸線的偏移距離平方和與殘差平方和決定)最小化。

2.2 海岸帶地物提取與變化檢測

海岸帶遙感動態監測就是從不同時相的遙感影像中，定量地分析和確定海岸帶地類變化的特征與過程。它涉及到變化的類別、分布范圍與變化量，即需要確定變化前后的地物類別、界線及增減數量，能提供地物的空間分布及其變化的定性和定量信息。本研究采用隨機森林(random forest，RF)分類器對海岸帶地類分類后進行比較達到動態監測的目的。核心思想是以多棵決策樹為基礎的集成分類器，通過采取多個不同的訓練樣本子集來加大分類模型之間的相異性，從而提高該模型的泛化能力以及預測能力[13-16]。分類后，結合高精度高分一號融合后影像為基準進行驗證分類后實際類別，得到分類后的Kappa系數和總體精度，采用聚類技術，對分類圖像進一步完善。技術流程如圖4所示。

圖4 技術流程

3 數據結果處理與分析

3.1 海岸線數據處理與分析

岸線監測分析中，首先要確定基線，基線個數視海岸的形態、結構、功能而定，基線可以向陸或向海一側，前提是不同時期岸線在基線同一側。確定基線目的是：從基線向岸線一側作長度為搜索半徑斷面線，確保斷面線與各時期岸線相交，通過交點至基線的距離結合岸線日期來獲得岸線變化時空特征。本研究統一標尺長度為15 m，地理坐標系采用CGCS2000坐標系，投影采用3度分帶高斯克呂格坐標系，帶號41 N，潮位校正采用當地平均大潮高潮線。最終盤錦各時相海岸線的提取結果[17-22]如圖5所示。遼河口向海側布設基線兩段，向陸側布設三段，橫斷面搜索半徑為3～12 km。遼東灣新區(包含臨港工業區、盤錦港區和遼濱主城區)向海向陸各設置基線一段，橫斷面搜索半徑為1.5～12 km，斷面線的空間間隔為100 m。基線布設和斷面線生成結果如圖6所示。

圖5 1990—2018盤錦海岸線提取結果

圖6 基線布設和斷面線生成

28年來，自然岸線減少28.44 km，人工岸線增加143.31 km(含人工島)。遼河口岸線增長速度為2.85 km/年，年平均變化率為52 m/年，年變遷最大距離為10 314 m，位于三角洲水庫管理所南側向海側。臨港工業區岸線增長速度為0.78 km/年，年平均變化率為248 m/年，年變遷最大距離為9 607 m，位于臨港西大堤向海外緣線處。盤錦港區岸線增長速度為0.39 km/年，年平均變化率為264 m/年，年變遷最大距離為9 795 m，位于榮興港區一突堤碼頭向海外緣線處。遼濱主城區岸線增長速度為1.09 km/年，年平均變化率為86 m/年，年變遷最大距離為 8 180 m，位于人工島斜坡護岸處。1990—2002年，自然岸線改變主要滿足農漁業和鹽田工業的發展。2002—2013年，隨著遼東灣新區沿海大規模填海造地工程的拉開序幕，區域內的養殖和鹽業逐漸退出。2013—2018年，盤錦海岸帶活動呈現開發與保護并舉格局，遼河口自然岸線較2002年恢復7.63 km，岸線附近集中連片分布的養殖圍堰通過“退養還灘”的生態整治修復措施恢復灘涂濕地原貌。遼東灣新區造地工程結束，養殖和鹽田圍堰消失，工業岸線、港口岸線和城鎮建設岸線分別為35.78、14.89、50.94 km，新區最終輪廓線形成。

3.2 海岸帶土地利用的時空變化

前期多尺度分割結果產生的對象斑塊是地物分類的基礎。為便于對比研究，將盤錦海岸帶劃分為六個土地利用類別：城鄉建設用地、農田、灘涂及開墾未利用地、鹽田養殖圍堰、水域和蘆葦沼澤地。在不同類別對象斑塊上選擇一定數量樣本，按照特征貢獻率大小，選擇適當數量的光譜、紋理以及幾何特征對樣本對象進行訓練[23]。在隨機森林分類器中，由于研究區內的水域、蘆葦沼澤地和農田占比較高，光譜與周圍地物差異明顯且同一類別紋理較為均勻，因此樣本光譜、幾何和指數等特征貢獻率要高于其他特征。例如，本研究2002年ETM+影像樣本訓練九個特征貢獻率大小依次是：亮度(brightness)為0.87、緊致度(compactness)為0.76、歸一化建筑指數(NDBI)為0.76、中紅外第二波段像元亮度均值(mean SWIR2)為0.73、密度(density)為0.72、中紅外第一波段像元亮度均值(mean SWIR1)為0.70、所有波段亮度最大差分(max.diff.)為0.68、藍色波段亮度平均值(mean B)為0.66、歸一化植被指數(NDVI)為0.66。

隨機森林重要參數參考文獻[24]。實驗結果表明，當決策樹的數量為100時，就可以獲得很高分類精度，隨著樹的數量大幅度增加，分類錯誤率均保持在1%以內，袋外誤差收斂一個極限值。本研究進一步證實，以2002年影像417個訓練樣本為例，當決策樹數量大于150時，RF袋外數據總體精度(overall accuracy，OA)達到93.52%以上，隨著樹數量增加，OOB總體精度逐漸收斂一個極限值94.72%。顧海燕等[25]實驗得出，在特征數量保持常量5時，隨著樹的數量的增加，誤差變小，當樹的數量為200時，誤差達到最小，大于200時，誤差差別很小，趨于穩定，計算時間隨著樹的數量增加而增加。考慮到運算效率與分類精度平衡，本研究實驗設計如下：決策樹設置范圍為(150，200，250)，特征數分別為7、8、9時，參數配對9組，通過樣本精度驗證來尋找參數最佳組合。最終將隨機森林中決策樹的數量定為200，特征數量按照特征貢獻率大小，選取前9個特征作為樣本特征。分類結果如圖7所示。

圖7 分類結果

研究區內海岸線向海的自然灘涂、河流的河心灘和蛤蜊崗灘涂受潮汐作用明顯，不同時期影像分類后面積波動較大，本研究僅考慮岸線向陸土地利用類別。結果表明，1990—2002年間，圍海養殖、圍海曬鹽、開墾農田和漁港碼頭建設等人類活動大量占用潮間帶和陸地濕地資源，海岸線向海推進面積為98.08 km2，其中鹽田養殖圍堰面積增加68.87 km2，農田面積增加77.38 km2，蘆葦沼澤減少了35.13 km2。2008年，隨著盤錦船舶工業基地海山引堤項目完工，盤錦港多用途碼頭后方堆場建設打響了港口大規模圍填海造地工程的“第一槍”，2002—2013年，岸線繼續向海推進67.88 km2，不包含三個人工島形成的15.85 km2，這一時期人類活動占用了大片的自然灘涂、鹽田坑塘養殖池及宜港資源。灘涂及開墾未利用地增加67.88 km2，其中大部分屬于填海新形成未利用地，鹽田養殖圍堰面積減少22.54 km2。2013—2018年，在新一輪的發展中，盤錦市沿岸經濟產業結構發生了改變，港口、臨港工業、沿海城鎮建設等新興產業正逐步替代傳統養殖產業，遼東灣新區的發展已初具規模，遼河口東部傳統養殖區已逐步退出，近岸產業由漁業養殖向城鎮建設方向發展。這一時期岸線向海推進面積15.64 km2，鹽田養殖圍堰面積減少15.38 km2，城鄉建設用地面積增加46.87 km2，“造地”運動基本結束。

對分類結果進行變化對比發現，1990—2018年，遼河口陸域面積增速為3.57 km2/a，變化劇烈，有農田增加76.50 km2和灘涂濕地減少65.34 km2；臨港工業區陸域面積增速為1.57 km2/a，填海新增工業建設用地25.93 km2、新增開墾未利用地15.74 km2和填海形成積水面積2.05 km2，填海土地利用率為59.08%；盤錦港區陸域面積增速為0.95 km2/a，填海新增港口建設用地13.78 km2、新增開墾未利用6.11 km2和填海形成積水面積6.58 km2，填海土地利用率為51.96%；遼濱主城區陸域面積增速為0.97 km2/年，填海新增城鎮建設用地9.47 km2、新增開墾未利用15.15 km2和填海形成水域面積2.30 km2(含積水與過水通道)，填海土地利用率為34.85%。

3.3 精度驗證

本研究采用緩沖區分析法進行岸線精度驗證。方法如下[26]：對已有2002年岸線建立以一個像素為半徑的緩沖區，計算提取同期岸線在緩沖區內的長度，記為匹配長度TL，其他為不匹配長度FL；再建立提取岸線的緩沖區，同樣計算參考岸線落入緩沖區內的長度TN和不匹配長度FN。通過以上數據可以得到定量評價岸線提取的三個指標：準確度指標A、完整度指標I和總體指標F。

參考高分一號影像，采用分層抽樣的原則抽取一部分作為訓練樣本，剩下一部分建立驗證樣本，例如本研究2002年ETM+影像驗證樣本需結合地物類別的復雜程度，均勻布設整個研究區內，驗證樣本數量包含：城鄉建設用地55個、農田31個、灘涂及開墾未利用地51個、鹽田養殖圍堰58個、水域35個和蘆葦沼澤地46個，見圖8(a)。利用混淆矩陣對分類結果進行評價，通過計算每一種類別的樣本總數、錯分及漏分的樣本數量確定分類結果的準確性和可靠性。本研究通過分類結果的混淆矩陣提取兩類指標進行精度評價：總體精度和Kappa系數。如圖8(b)所示，傳統光譜分類結果“椒鹽效應”明顯，農田易錯分到蘆葦沼澤地類，水域跟鹽田養殖圍堰易混淆，總體精度為73.12%，Kappa系數為0.695 3，精度均低于本研究分類結果。

圖8 驗證樣本和傳統光譜分類結果

表2 2002年岸線精度驗證計算結果

表3 分類精度驗證計算結果

2018年分類精度低于其他年份的原因是填海過程吹填未達設計標高，導致盤錦港和人工島內有大量積水存在，逐漸形成的人工灘涂與自然灘涂在光譜和紋理特征上類似，選取樣本難以區分灘涂與填海未利用地。在同樣決策樹數量和樣本特征數情況下，2002年分類用時卻最短，表明隨機森林圖像分類參數選擇和運算效率的平衡仍是難點，后續研究可以在這個問題上進行擴展，進一步提升隨機森林分類精度。

4 結束語

海岸帶的遙感監測是遙感領域一個重要的研究方向，準確的海岸帶地類分類對摸清國家海域資源狀況及海域使用情況具有極其重要的意義。本研究通過局部方差變化率峰值定義對象提取的最優分割尺度，通過最優分割尺度、最佳特征空間、最適隨機森林模型決策樹的棵數，得到最優隨機森林分類模型算法，并采用該模型對盤錦市1990、2002、2013、2018年四個時相海岸帶土地利用類別進行分類，有效提高海岸帶遙感監測的精度。進而使用分類后結果對四個重點研究區進行海岸線變遷和土地利用的演變驅動力分析，總結盤錦海岸帶28年間巨大變化的主因是資源枯竭型城市向海發展、全面轉型、以港強市的政策導向作用。

隨機森林分類算法具備復雜地物分類的能力，對于噪聲和存在缺損值的數據具有良好的魯棒性，兼具較快的學習速度，對多維特征空間數據重要性進行度量，依據特征貢獻率進行最優特征篩選從而達到對高維特征空間進行降維的目的，相較當前流行的分類算法具有較高的準確性和穩健性。本研究仍存在一定的局限：多尺度分割是面向對象影像分類的基礎，本研究的局部方差變化率僅是最優尺度獲取中的一個解決方案，如何高效智能選擇最優分割尺度并保證尺度運算效率與分類精度達到理想平衡是個難題；隨機森林圖像分類決策樹數量、特征數量和運算效率的平衡問題[27]。后續研究可以在這些難題上進行擴展，進一步提升隨機森林分類方法的適應性。