基于無人機遙感的海岸線生態監測方法研究
2025-09-30 00:00:00廖桂秋
無線互聯科技 2025年15期
中圖分類號：P231 文獻標志碼：A
0 引言
海岸線不僅是陸地與海洋之間的地理分界，更是連接海洋生態系統與陸地生態系統的重要界面，承載著豐富的生態功能與環境信息。作為典型的生態過渡帶，海岸帶區域集中了灘涂、濕地、紅樹林、鹽沼、砂質灘面等多種自然地貌與生物棲息地，是生物多樣性維持、生態屏障構建和氣候調節等生態過程的重要場所。隨著人類活動強度加劇，海岸侵蝕和生態退化等問題日益突出，海岸線及其鄰近生態系統面臨著結構破碎化、生境喪失和功能弱化的風險[1-3]
1基于無人機遙感的海岸線生態監測影像處理
本文基于多旋翼無人機獲取的高分辨率影像數據，通過空中三角加密、數字高程模型（DigitalElevationModel，DEM）與數字正射影像圖（DigitalOrthophotoMap，DOM)制作，通過對海岸生態監測的遙感數據進行處理，實現對岸線區域地貌、植被、水體等生態要素的精細識別與量化分析。
在空中三角測量階段，該階段依據外業實測的控制點，結合高重疊度航帶影像，采用Inpho軟件進行空中三角加密。為確保生態監測中對海岸帶微地形、濕地植被等細粒度要素的定位精度，控制誤差傳播通過光束法平差進行區域網優化，最小化誤差函數：
其中， xij 為第 i 張影像中第 j 個點的實際像素位置， π(???) 表示投影函數， Xj 為空間點坐標， Pi 為相機參數。對于存在大面積落水區的海岸段，通過在水域邊界處添加間隔 1～1.5cm 的人工連接點，可有效穩定控制網，減少影像誤差對后續生態分析的干擾。
DEM的制作以數字線劃地圖（DigitalLineGraphic，DLG)數據為基礎，通過剔除建筑物、注記等非生態相關的二維圖層，保留地貌要素如灘涂、陡坎、河道、鹽沼邊界等對生態系統結構具有指示意義的數據。在CAD平臺篩選后，導人DEMMaker模塊構建曲面數據結構（TriangulatedIrregularNetwork，TIN），并生成規則格網點[4]。立體檢校后得到的DEM不僅用于表征岸線地形變化，還可用于潮灘高程建模和濕地動態演變研究，為海岸帶植被生長條件、洪水風險區和水陸轉換界面的判斷提供基礎支撐。
DOM制作環節則進一步增強了生態空間分辨能力。該環節通過像素工廠系統，恢復空三模型并自動生成數字表面模型（DigitalSurfaceModel，DSM），經人工編輯剔除人工建筑、保留自然山體與水體后，形成更貼近真實生態地貌的模型，并借助高質量DEM進行正射校正，保證了影像的幾何一致性。經鑲嵌線優化拼接與勻色處理得到的DOM成果數據為后續生態斑塊識別、岸線退縮測量、紅樹林分布監測等提供了高精度的可視化基礎。
2 海岸線生態提取
生態視角下，海岸線并非單純的水陸邊界，而是海洋與陸地生態系統交匯、互作的重要帶狀空間，具備復雜的生物多樣性和生態功能。
本文采用多尺度分割算法對無人機DOM遙感影像進行初步處理，劃分出結構、紋理等均勻的圖像對象。并構建多層次的圖像對象層次網絡，通過圖像生
成海岸帶典型的生態梯度，包括潮間帶、濱海植被帶與人工岸線等關鍵生態單元，這些特征區域在分割結果中具備不同的紋理和光譜響應[5]
在人工標記基礎上，本文引入光譜直方圖來表征對象特征。將每個像元的光譜向量1映射至 r 個箱格
中，得到圖像對象 V 的直方圖表示形式：
其中， δ 為狄拉克函數， I1，I2 為光譜網格區間， L 表示像元坐標。直方圖如圖1所示。
圖1圖像對象特征
圖1中的主要峰值集中在低波段和中等波段區域，對應紅樹林或水草在近紅外波段的高反射特性。本文通過分布特征分析，從影像中有效區分出生態敏感帶狀結構，提高目標識別精度并將像元映射至光譜直方圖，增強圖像對象的表征能力，構建影像數據與生態語義之間的關聯機制。
為定量判定圖像對象之間的生態相似性，本文采用巴氏系數進行計算：
其中， B(c，d) 表示圖像對象 αc 與 d 之間的巴氏系數，用于衡量2個直方圖之間的相似性， Hrc，Hrd 表示對象 Ψc，d 在第 k 個箱格上的歸一化直方圖頻率[6]]系數越高，說明2個區域對象的生態屬性越相近，適合在生態功能區中進行合并或歸類。隨后引入極值優化的合并策略，對區域對象 P 與 Q 基于邊界異質性最小化準則進行合并：
其中， U(m，n) 表示2個節點間的生態差異性度量， W 為連接邊集合。迭代過程中，僅當2個區域在生態特征上具有顯著相似性時，合并才被允許，形成高保真度的水陸與生態功能分界[7]
最后，依據如下分類判定規則完成水陸分界：
（204
通過迭代歸類，將生態上相似的區域逐步歸并，最終在水陸交界處形成連續、生態特征明確的海岸線提取結果[8]。這種方法不僅提高了海岸線識別的精度，更保留了岸線區域生態結構的信息，對后續的岸帶保護、濕地恢復和海洋生態紅線劃定具有重要支撐作用。
在初步完成水陸生態邊界識別的基礎上，為進一步精細化表達岸線區域的生態異質性與連續性，本文引入多特征加圖模型以構建海岸帶的生態功能區劃圖譜。綜合考慮光譜、紋理、形狀與空間鄰接等多元特征，利用特征加權函數對圖像對象賦權，計算生態距離權重矩陣：
Dij=α?dspec(i，j)+β?dtex(i，j)+γ?dshape(i，j)+
其中， Dij 為圖像對象 χi 與 j 的綜合生態距離；dspec，dtex，dshape，dspatial 分別表示光譜、紋理、形狀和空間鄰接的差異度量； α，β，γ，δ 為對應特征的加權系數。該模型使得海岸帶不同生態單元之間的邊界更具語義分化能力。
為保障生態功能連續性及空間完整性，本文引入區域連接度指標進行空間約束校正。區域連接度定義如下：
其中， Ec 表示功能區內所有對象間存在連通關系的邊數， Nc 為當前功能區內對象數。該指標用于判定某區域是否形成了生態上的空間連通體，避免孤
立生態斑塊的誤判與誤歸類。
在多特征聚類與空間約束下，進一步引入生態邊界保持率評價提取結果的邊界保持能力：
其中， Lec 表示提取結果中生態邊界線段的總長度， Lgt 為專家人工解譯的邊界總長度。EEPR指標用于量化提取海岸線對實際生態邊界的保持程度。
考慮到不同類型海岸線在結構與生態屬性上的差異，本文對海岸線類型進行語義融合，主要包括自然岸線(如潮灘、紅樹林)與人工岸線(如防波堤、碼頭)2類。為此，構建基于語義嵌入的判別函數：
f(x)=argmaxk(wk???(x)+bk)
其中， x 表示圖像對象， ?(x) 為其多維特征向量的語義嵌入表示， wk，bk 分別為第 k 類岸線的權重向量與偏置項。通過訓練支持向量機（SupportVectorMachine，SVM）或基于深度學習的多層感知機（MultilayerPerceptron，MLP)進行岸線語義分類，實現結構岸線與生態岸線的識別區分。
3 實驗研究
為了驗證本文提出的基于無人機遙感的海岸線生態監測方法，本文選取某典型海岸區域作為實驗區，開展實地遙感數據采集與處理分析工作。實驗地點位于東南沿海一帶，該區域具備典型的海岸線地貌特征，包括沙灘、濕地、灘涂以及部分人工岸線，適合進行多類型海岸生態監測研究。實驗期間天氣晴朗，能見度良好，風速較低，具備良好的飛行與圖像采集條件。
實驗所使用的飛行平臺為搭載高分辨率可見光相機的多旋翼無人機，配備GNSS/IMU組合導航系統與地面CORS實時差分系統，確保飛行路徑精準性和圖像定位精度。在航線設計方面，根據實驗區地形特征與覆蓋范圍，通過航線規劃軟件設定合理的飛行高度、航向重疊度與旁向重疊度，確保采集圖像具備連續性與完整性。本次實驗共規劃3條主航線，飛行高度設定為 120m ，航向重疊度 80% ，旁向重疊度 70% 。
無人機飛行路線和控制點布局如圖2所示。
根據圖2可知，無人機按預設航線進行飛行并采集高分辨率影像，整個飛行過程由地面站實時監控，確保數據采集的安全性與有效性。完成影像采集后，使用專業遙感影像處理軟件進行圖像拼接、正射校正和地理配準。隨后，基于圖像處理算法開展海岸線提取工作，結合植被指數分析與紋理識別，對實驗區內不同類型的岸線進行分類識別與生態特征分析。
得到的無人機航攝的3段海岸線位置分布如圖3所示。
圖2無人機飛行路線和控制點布局
圖3無人機航攝的3段海岸線位置分布
進一步對圖的結果進行分析，通過與實測岸線位置數據對比，對無人機遙感提取結果進行精度驗證與誤差評估，得到的實驗結果如圖4所示。
圖4無人機遙感提取結果
根據圖4可知，基于無人機遙感的海岸線生態監測方法對海岸線的提取結果整體精度較高，大部分樣本點的偏差值控制在 ±2m 以內，尤其在樣本點3至樣本點12之間，誤差值集中在 1m 左右，表明在該區段地形相對平緩、水陸邊界清晰的區域，無人機遙感技術具有良好的識別和定位能力。但是在樣本點16和樣本點19處偏差值略大，分別達到 2.8m 和3.1m ，主要原因在于該區域岸線被植被或巖石覆蓋，導致邊界模糊，從而影響遙感影像的岸線識別精度。
綜合來看，基于無人機遙感的海岸線生態監測方法在實際應用中具備較高的空間精度與可操作性。在地形起伏變化較小、水陸邊界清晰的區域，其提取效果更為穩定可靠。盡管在部分復雜地形區域存在偏差，但整體偏差范圍均符合海岸線生態監測的精度要求，為后續生態變化分析提供了科學的數據基礎。
4結語
本文圍繞基于無人機遙感的海岸線生態監測方法展開研究，系統探討了海岸線提取的圖像處理流程、對象相似度判別算法及生態邊界識別機制。通過引入多尺度圖像分割、光譜直方圖匹配與巴氏系數分析以及極值優化的區域合并策略，提升了海岸線識別的精度和魯棒性。
研究表明，無人機遙感具有獲取頻率高、空間分辨率優、作業靈活等顯著優勢，能夠在復雜地形與生態敏感區實現高效、動態的海岸線生態監測。未來可結合多源遙感數據與深度學習方法，進一步增強海岸線提取的自動化和智能化水平，拓展生態監測的時序分析、類型識別和退化預警等功能，為海岸帶生態保護與可持續利用提供更加科學、精準的決策支持。
法[J].測繪與空間地理信息，2022（10)：143-146.[2]麻德明，劉焱雄，金永德，等.面向對象的無人機遙感影像海岸線提取方法研究[J].海洋科學，2020(10):46-51.
[3]趙蓉蓉，張浩寬，尹慧珊，等.基于多源數據的海岸線變化監測研究：以寧波市大陸海岸線為例[J].海洋通報，2023(3)：334-342.
[4]陳江滟，殷利華.應對海洋災害的NbS活體海岸線全生命周期管理研究與實踐述評[J].中國園林，2023(5):139-144.
[5]李曉詩，秦玉剛，王洛飛.潮間帶無人機航測研究與應用[J].海洋測繪2023(5)：52-55.
[6]楊靜，陳忠彪，何宜軍，等.基于無人機光學圖像的海流觀測方法研究［J].海洋科學，2023（11）：79-96.
[7]周治剛，鄭玉萍，梁浩然，等.基于無人機遙感的廣東省海洋生態修復項目監測方法研究[J].現代信息科技，2024（21）：163-168.
(編輯戴啟潤)
參考文獻
[1]汪堯峰.基于無人機遙感的海岸線提取與測量方
Research on coastal ecological monitoring method based on UAV remote sensing
LIAO Guiqiu (Guangxi Zhuang Autonomous Region Marine Environment Monitoring Center Station， Beihai 536Ooo， China)
Abstract:In response to the insuffcient image resolution and low accuracyofcurrent coastal ecological monitoring methods，this paper proposed a high-precisionand low-cost coastal ecological monitoring method based on unmanned aerial vehicleremote sensing technology.This method uses drones to obtain high-resolution remote sensing images，and combines multi-scale image segmentation algorithms tostructurallyprocess the images.It constructsa spectral histogram andintroduces the Babbittcoeficient to quantitatively evaluate the similarity betweenimageobjects， achieving accuraterecognition of water land boundaries.It adopts an extreme value optimization object merging strategy，combined withasmallamount of manual annotation，to achieve efcient extractionand dynamic tracking of coastlines.The experimental results show that thismethodhasstrong adaptabilityand ecological recognition ability undercomplex terrinand multiple typesof shoreline conditions，providing technical supportandtheoretical basis for coastal ecosystem monitoring， management and protection.
Key words: drone； coastal monitoring; ecological monitoring; monitoring methods
