自助下单地址（拼多多砍价，ks/qq/dy赞等业务）：点我进入

点击上方“流中的海洋生物”订阅

岛屿是祖国领土不可分割的一部分。 由于地理上的特殊性，岛屿具有极其重要的政治、军事、经济和生态意义。 其海岸线长度和陆地面积的变化，直接关系到周边海域的生态状况和国家权益。 岸线勘测，实时掌握岸线类型、位置变化。 同时，许多岛屿地势陡峭，毒虫横行。 特殊的地理环境给登船人员带来了安全隐患和工作困难。 海岸线的勘测需要遥感手段的介入； 这反过来又对传统遥感方法的类型识别和位置提取精度提出了更高的要求。

传统的多光谱遥感受干扰条件较多，主要用于获取岛屿的整体影像。 不同岛屿海岸线所覆盖的复杂物体类型难以准确识别。 高光谱遥感主要针对光谱信息，抗干扰能力强，与多光谱遥感相比，具有更高的10nm级别的光谱分辨率，遥感每个像素可以获得数百或数千个波段数据，并能提供近乎连续的地物光谱曲线，从而更完整地反演岛屿海岸线的细节特征。 与卫星遥感相比，无人机低空遥感技术不受重访周期限制，更加灵活。 其超低空飞行模式可避开大气云层的影响，可快速获取小比例尺高分辨率遥感影像。 , 是岛屿海岸线精细化检测的有效技术手段。 如果辅之以海岸线实地调查活动进行验证，则可以更大程度地提高准确性。

因此，本文利用无人机高光谱遥感技术采集岛屿海岸线光谱信息，并结合野外调查获取的海岸线解译标记位置和地物光谱信息，提出一种岛屿海岸线类型识别和位置提取方法。 用于精确提取岛屿的海岸线。

一、实验数据介绍

⒈实验区

与大陆海岸线相比，岛屿海岸线在具体类型上大致相同。 然而，我国大部分岛屿面积较小，海岸线较为曲折破碎。 在形成和发展过程中，它们受地貌特征、海浪潮汐、海平面变化等因素的影响更为显着。

本文试验区选择的岛屿为基岩岛，位于长岛南五岛地区，地理坐标为37°55′48″N，120°40′15″E。 根据长岛南五岛海岸独特的物质构成，结合遥感影像呈现的肌理、空间形态、色彩等不同特征，该区海岸线可分为四种类型光纤光谱仪区别，如表1. 本文选择的岛屿包括上述四种类型。

表1 长岛南部五岛海岸线分类

针对不同类型海岛海岸线所覆盖的复杂类型地物，高光谱遥感技术的优势在于它不仅可以同时表征地物的光谱信息和空间信息，还可以对地物的细节进行描述。首次以极高的精度测量地面物体。 光谱特征[5]可以有效解决海岛海岸线缺乏识别、地形复杂、识别困难的问题，特别是对于面积小、海岸线曲折的海岛。 可以根据海滩等不同地物的光谱特征差异，识别出不同类型的海岸线，并准确有效地提取其位置。

2.数据来源

(1) 地面光谱数据

本文地面光谱采集仪选用美国StellarNet公司生产的Blue-Wave微型光纤光谱仪，光谱范围为200-1150nm，光谱分辨率为3.0nm。 选择10:00-14:00天气晴朗、无云无风的时间段进行地面光谱测量，每类地表物体采集不少于10条光谱数据，测量期间随时进行白板校正收集过程减少收集时间。 最后利用光谱仪内置的软件对前期数据进行处理，得到地物的光谱反射率数据。

(2) 机载高光谱图像数据

本文采用DJI M600Pro无人机搭载智科远达公司的ZK-VNIR-FPG480轻小型高光谱成像仪进行高空数据采集。 高光谱图像的光谱范围为400-1000nm，光谱分辨率为2.8nm，空间分辨率为13cm。 最终得到了226个光谱波段的机载高光谱图像数据。

由于得到的高光谱数据通常是像素量化值（DN），没有实际物理意义，需要通过公式（1）将其转化为具有一定物理意义的光谱反射率值，再进行后续处理和应用，如式（1）所示：

Rtarget＝（Dtarget－Ddark）/(Dwhite－Ddark)×Rwhite⑴

其中，Rtarget为图像的反射率值，Dtarget为图像的DN值，Ddark和Dwhite分别为相机自身暗电流和标定白板的DN值，Rwhite为反射率值校准白板。

2.岛屿海岸线精确提取方法

岛屿海岸线精确提取方法的流程如图1所示。

1.支持向量机

支持向量机（Support Vector Machine，SVM）以核函数理论为指导，是一种基于统计学习理论的机器学习技术。 它将原始非线性数据映射到高维特征空间，寻找最优超平面使类内距离最小，类间距离最大化，从而实现对原始数据的最优分类。 由于该算法在高维数据处理中具有突出的分类性能和泛化能力，因此被广泛应用于高光谱领域。

图1 岛屿海岸线精确提取方法流程图

SVM分类方法的基本思想是求解分类超平面，目的是正确划分训练数据集，同时保证几何区间最大。 以线性可分二元分类问题为例，令xi∈Rd为样本数据，yi∈﹛﹢1,-1﹜为对应类别标签，i=1,2,...,n，一般形式线性判别函数为g(x)=<w, x>+b，对应的分类面为<w, x>+b=0。 其中x为d维特征向量，w为权重向量，可表示为w=w1,w2,...,wd]T，b为常数，称为阈值权重。

为了得到最大的几何区间A，需要得到w的最小值，于是寻找最优分类面的问题转化为式（2）：

A=min1/2‖w‖2⑵

式⑵需满足式⑶：

yi(+b)－1≥0, i=1, 2,..., n⑶

在处理非线性问题时，SVM通过引入非线性映射，将原始空间中不能线性分离的数据点映射到变换后的空间中可线性分离的点。 在这种情况下，上式中的xi需要用φ(xi)代替，内积<xi,xj>用公式(4)代替：

K(i,j)=K(xi,xj)=﹤φ(xi),φ(xj)﹥⑷

式中，K为核函数算子，是对变换空间的内积运算，K为样本集在核函数算子作用下得到的核函数矩阵，两者通常记为简称核函数。

2. 地面训练样本采集

岛上地形复杂，地物种类高度混合。 为避免出现同物异谱、同谱异物的现象，在野外调查过程中，采集了不同类型海岸线典型海岸线所覆盖的物体的光谱信息作为训练样本。 用于光谱特征分析的辅助无人机高光谱遥感。

由于地面光谱仪采集数据的光谱范围和光谱分辨率与机载高光谱图像提取像素的光谱范围和光谱分辨率不一致，需要按照机载高光谱图像。 采样保持训练样本中光谱范围和光谱分辨率的一致性，这一步可以通过ENVI软件中的光谱重采样工具进行。 重采样的地面光谱数据和提取的机载高光谱图像像素光谱数据（如图2所示）共同构成训练样本，支持SVM分类器的后续训练。

图2 地面重采样光谱与机载遥感光谱对比（以基岩为例）

▌岸线类型识别

不同类型的海岛海岸线有不同的解释标志，这也决定了不同的海岸线定义方式。 因此，要准确提取海岸线位置，首先需要准确识别海岛海岸线类型。

采用SVM方法的海岸线分类算法可归纳如下： (1) 以地面采集的光谱数据和无人机的高光谱数据同时作为训练样本，几种典型无人机的光谱数据训练集建造海岸线类型； (2) 在分类器中将训练样本导入SVM Train，通过优化目标函数找到最优的SVM分类模型； (3)利用上面得到的SVM分类模型对整张高光谱图像中的地物进行预测光纤光谱仪区别，得到相应的分类结果。

通过上述解译算法，可以对海岛海岸线进行分段和详细的光谱反射率分析，比目视解译更准确、更高效地识别不同类型的海岸线及其所包含的特征类型，确保下一条海岸线的位置精确萃取。

⒋ 海岸线位置提取

我国国家标准《海洋学术语海洋地质》（GB/T18190-2000）中对海岸线的定义是“海岸线是陆地与海洋的分界线，在我国是指陆地与海洋在某处的分界线”。多年的高潮位。” 现有的一些研究主要是基于卫星遥感影像，利用遥感技术自动提取大潮时的瞬时水边，并将其视为海岸线，但这会带来几米甚至几十米的误差； 为了提取更准确的海岸线位置，现在大部分的方法是进行潮汐校正，参考成像时的潮汐规律提取海岸线，但是对于很多岛屿来说，并没有相应的潮汐站和相关的潮汐数据.

在野外调查中，本文利用无人机灵活的特点，在当日涨潮时进行低空遥感探测。 岩石峭壁、人工护岸等海陆界标，以及干湿分界线——即当天涨潮时干滩与潮滩之间留下的湿迹，建立地面影像无人机遥感控制点，建立遥感解译标志，准确界定岛屿海岸线。

三、实验验证结果分析

⒈岸线类型识别结果

本文采用基于图像光谱特征的SVM分类方法实现海岸线类型识别。 研究区主要有四种典型岸线类型。 有差异，可根据差异划分地物类型。

(1) 基岩岸线

基岩海岸线由海岸之上的岩石组成，其结构与岩石相似。 裸露的岩石呈灰白色，与海水相比具有较高的光谱反射率。

⑵人工海岸线

人工岸线由人工建筑物组成，包括不同类型的潮堤、防波堤和养殖区。 它们通常表现出高光谱反射率，并且通常在光谱图像上具有高亮度。

(3) 粉质海岸线

通常地表特征有两种：干涸的干滩和含水量高的潮滩，两者的最高分界线是粉质岸线的位置。 由于干滩和潮滩的含水量不同，光谱反射率也会有差异。

⑷碎石海岸线

沙质岸线一般是平直的，受大潮运动的影响，植物残体常堆积在沙质岸线的滩脊上，具有明显的植被光谱特征，是判断沙质岸线的重要解译标志。

不同类型地物的光谱反射率曲线如图 3所示。

图3 基岩、粉质、砾石和人工岸线物体的光谱反射率曲线

2. 海岸线位置提取结果

通过上述高光谱分类方法，得到不同岸线的分类结果，并结合野外勘测和标记位置解译，准确提取岸线位置。

(1) 基岩海岸线位置提取

通过使用高光谱图像分类获得海水和基岩等不同类别。 对于基岩海岸线，海岸线的位置在海水与基岩的交界处，分类结果解释的基岩海岸线位置如图4中红线所示。

a：分类结果； b：原始遥感影像

图 4 基岩海岸线位置提取

⑵人工海岸线位置提取

利用高光谱图像分类，得到海水、人工开发、干滩、潮滩、植被、裸地等不同类别。 对于人工岸线，岸线的位置在海水与人工开发利用区的交界处。 通过解释分类结果得到的人工海岸线的位置如图5中的红线所示。

a：分类结果； b：原始遥感影像

图5 人工海岸线位置提取

(3) 粉质岸线位置提取

利用高光谱图像分类，得到海水、干滩、潮滩、植被等不同类别。 对于粉质岸线，岸线位置在干滩和潮滩的交界处，通过分类结果得到的两者的分界线，即沙质岸线的位置用红色表示图 6 中的线。

a：分类结果； b：原始遥感影像

图6 粉质岸线位置提取

⑷ 砾石岸线位置提取

利用高光谱图像分类，得到海水、干滩、潮滩、植物堆积等不同类别。 对于砾石岸线，岸线位于滩脊植物碎屑堆积处，通过分类结果得到的滩脊植物堆积线，即砾石岸线的位置如图7中红线所示。

a：分类结果； b：原始遥感影像

图 7 砾石岸线位置提取

▌结果准确性验证

为了分析上述海岸线位置提取结果的准确性，选取光谱数据分析处理领域常用的总体分类精度和Kappa系数两个指标进行评价，并将精度与分类进行比较结果仅使用RGB图像，如表2所示。

表2 岸线分类结果精度对比

从表2的结果对比可以看出，本文得到的基于机载高光谱图像的海岸线提取结果具有较高的整体分类精度和Kappa系数，证明了本文提出的方法的优势和可行性在精确提取海岛海岸线方面。 选取一个具有代表性的人工岸段，列出岸线分类结果的精度对比如图 8所示。

a：原始遥感影像； b：高光谱图像的海岸线分类； c：RGB图像的海岸线分类

图8 典型海岸线段岸线分类结果精度对比

从图8列出的结果对比可以看出，与高光谱图像分类相比，RGB图像分类噪声点较多，地理分布相邻且光谱差异轻微的物体被归类为不同地物，没有考虑然而，岸边一条明显带状植被堆积的分类尚未完成，这与总体分类精度和Kappa系数（所选人工岸段高光谱图像总体分类精度）的对比结果一致图中为95.9561%，Kappa系数为0.9512，RGB图像整体分类准确率为75.6788%，Kappa系数为0.7029）。

四、总结与展望

本文提出的岛屿海岸线精确提取方法是基于无人机高光谱与地面采集光谱的联合解译方法，根据不同类型岛屿海岸线的定义标准，对地物进行分类识别和提取。海岸线位置是分段进行的。 经过对选定岛屿的现场验证，该方法可以准确识别各种物体类型和地理位置。 与传统遥感方法相比，提高了海岸线分类识别和位置提取的准确性。 今后应进一步结合相关潮位数据，确定更准确的平均大潮高潮线。

该方法可推广到其他基岩岛屿，进一步应用于岛屿的生态评价。 未来的应用前景可能包括：（1）通过分类分割准确确定岸线位置，可结合长期、多时相观测，统计比较岛屿岸线位置逐月逐年变化，评价岛屿海岸线侵蚀风险； (2) 通过对海岛不同类型岸线长度的统计，可以计算出海岛自然岸线保有率的变化趋势。 分析评估人类开发活动对海岛生态的干扰程度，确定有针对性的海岛保护与修复措施； (3) 通过不同时间点岛屿水线的精确提取，可以准确识别潮间带宽度的变化，作为衡量岛屿生态的尺度。 另一个重要的评价基础数据。

1个

结尾

1个

[作者简介] 文/徐东，杨敏，苗玉红，严进，孙淼，国家海洋局北海海洋技术支撑中心，中国科学院西安光学精密机械研究所科学、国家海洋信息中心、国家海洋局数字海洋科学与技术重点实验室。 第一作者徐东，1987年出生，男，山东青岛人，工程师，硕士，主要研究方向为海洋遥感、海洋生态评价； 通讯作者 杨敏，高级工程师。 本文为基金项目，国家海洋局数字海洋科学与技术重点实验室2018年开放基金（20181120B1413）。 文章来自《海洋科学》（2020年第12期），参考文献省略，仅供学习交流之用。 版权归作者及出版社所有。 另请注意，转载由“生活在溪流”微信公众平台编辑整理。