深圳市海岸帶土地利用遙感監測方法探索

沈玉蓮，肖迪，費騰

(武漢大學信息學部資源與環境科學學院 武漢 430079)

?

深圳市海岸帶土地利用遙感監測方法探索

沈玉蓮，肖迪，費騰

(武漢大學信息學部資源與環境科學學院 武漢 430079)

隨著遙感對地觀測技術的發展，衛星遙感在海岸帶動態監測中占據愈來愈重要的地位，探索海岸帶遙感監測的最佳方法，對今后的海岸帶監測工作有重要的意義。文章從數據源、信息提取方法、監測頻率這3個維度出發，選擇深圳市兩個典型的海岸帶區域(人類活動頻繁區域和人類活動稀少區域)作為研究區，針對兩種海岸帶區域尋求其海岸帶土地利用遙感監測的最佳方法。研究結果表明：對于人類活動頻繁區域(深圳灣北岸)，數據源最好選擇高分辨率ZY-3衛星影像，土地利用信息提取方法選擇支持向量機分類，監測周期1～2年為最佳；對于人類活動稀少區域(大鵬灣東岸)，數據源則可以選擇分辨率較低的Landsat 8衛星影像，土地利用信息提取方法依然以支持向量機分類方法為最佳，監測周期則為5年。

海岸帶；土地利用；遙感；數據源；數據采集；信息提??；監測頻率

1 引言

海岸帶屬于人類活動頻繁區域，其岸線和沿岸土地變化劇烈，生態環境較為脆弱，因此研究沿岸土地利用變化對研究海岸帶生態變化機制具有重要意義[1]。遙感對地觀測具有快速、綜合、高頻和動態等突出優勢，因此利用遙感數據研究海岸帶動態變化是目前有效的研究手段[2]。

目前國內利用遙感研究海岸帶動態變化大致分為兩個方向。

一個方向是利用遙感手段對海岸帶變化進行監測和評價，即應用研究，如梁建、張杰等[3]利用遙感影像對連云港港口變化情況進行監測，研究重點在于港口圍填海結果與分析，但沒有具體闡述遙感信息的提取方法；王娟等[4]利用天津市5個不同時相的遙感影像對天津市濱海新區海岸帶進行變化監測，并分析其變化規律及變化原因，提取岸線和濕地的方法相對簡單，提取結果精度信息缺失；吳泉源、侯志華等[5]利用12個時相的遙感影像監測龍口市20年間海岸帶變化，研究重點是海岸線的變遷及其原因，提出數字圖像處理技術與目視解譯相結合的岸線提取方法，然而沒有與其他岸線提取方向進行對比分析。

另一個方向的研究則側重于在遙感影像中對海岸帶信息進行自動提取，如鞠明明、汪閩等[6]研究基于面向對象圖像分析技術的圍填海遙感監測，并通過實例驗證該方法的可行性，然而沒有將面向對象分析方法與其他方法相比，無法判斷該方法與其他方法在海岸帶信息提取中的優劣，僅是一種單一方法的探索；李秦等[7]提出一種用于提取海岸帶土地利用及其變化信息的方法，即最優分割尺度下的遙感多層次地物識別分類方法，并通過實驗證明該方法分類結果優于傳統的監督分類和單一分割尺度下的影像分類結果；江沖亞、李滿春等[8]提出一種新的海岸帶水體遙感信息全自動提取方法，即通過“像元-對象”及“全域-局部”的雙重尺度轉換方法，并設計實驗證明使用該方法提取的結果具有較好的連續性，且相對精度優于監督分類法和閥值分割法。

綜上所述，目前利用遙感技術對海岸帶岸線和土地利用變化多局限于嘗試單一數據源、使用單一信息提取方法進行監測。本文選用多種數據源(Landsat8、SPOT5、資源三號衛星影像)，在此基礎上采用不同的分類方法，探討選取合適的遙感數據源、合適的信息提取方法以及合適的監測頻率，以得到深圳市海岸帶監測的最佳方案。

2 實驗區概況

本研究選定兩個研究區作為海岸帶典型區域，其中研究區一(深圳灣北岸)位于深圳市發展最繁榮的地區之一，是人類活動最頻繁的地區之一，是人工海岸帶的代表；研究區二(大鵬灣東岸)植被覆蓋率高，是人類活動最稀少的地區之一，是自然海岸帶的代表。本研究基于這兩個典型區域探究深圳市海岸帶監測的最佳方案，由此可推廣到整個深圳市海岸帶監測。

研究區一位于深圳灣北岸(113°36′16″E—114°2′42″E，22°30′11″N—22°32′16″N)，屬于人類活動頻繁地區。深圳灣為珠江口伶仃洋東側中部的一個內寬外窄的半封閉型淺水海灣，海灣灣長17.5 km、平均寬度約7.5 km、平均水深2.9 m、最大水深不超過5 m。深圳灣區域屬南亞熱帶海洋性季風氣候，全年盛吹偏東風，由于岸線曲折以及兩岸丘陵和低山的屏障作用，該區域波浪作用小，潮流和徑流攜帶的泥沙含量少，灣內河床淤積緩慢，河床相對穩定，因此具有修建港口碼頭的自然條件。目前深圳灣北岸從東頭角至赤灣港沿岸建有一系列港口碼頭群，其中蛇口港群從咀頭山至赤灣航道基本沿各碼頭港池前緣開挖新的通道與伶仃洋東航道銜接，航道水深為9～15 m，而其他碼頭和深圳河內碼頭的船只進出伶仃洋航道基本使用深圳灣的天然槽道[9]。

研究區二位于大鵬灣東岸(114°28′19″E—114°35′16″E，22°26′47″N—22°32′36″N)，屬于南澳街道，人類活動較為稀少。由于充沛的雨量和良好的生態涵養，以及交通不便和經濟相對落后等原因，使大鵬灣開發利用步伐落后于深圳其他區域，因此大鵬半島成為深圳市僅存的大面積連片林地區，成為與西部水源保護區相對應的、名副其實的珍貴綠源，是深圳市面積最大、保存最完好的自然生態區域[10]。

3 研究方法

3.1 數據源

3.1.1 Landsat 8 OLI影像

Landsat 8 OLI影像的多光譜星下點空間分辨率為30 m，重返周期為16 d，共有8個波段，其中1～5波段為可見光波段，6～7波段為短紅外波段，8波段為全色波段。

本研究采用兩幅Landsat 8影像分別覆蓋兩個研究區，采用Landsat 8的2、3、4、8波段。覆蓋深圳灣的影像采集時間為2013年10月5日，軌道path/row為121/44，云量為0.07%；覆蓋大鵬灣的影像采集時間為2013年11月29日，軌道path/row為122/44，云量為3.46%。

3.1.2 資源三號影像

資源三號衛星(ZY-3)共裝載4臺相機：1臺優于2.5 m分辨率的全色CCD相機；兩臺優于4 m分辨率的全色相機，按照正視、前視、后視方式排列，進行立體成像；1臺優于10 m分辨率的多光譜相機，包括藍、綠、紅和近紅外4個波段，光譜范圍分別為0.45～0.52 μm、0.52～0.59 μm、0.63～0.69 μm、0.77～0.89 μm。

本研究采用的ZY-3共兩幅。1幅用于覆蓋深圳灣北岸，采集時間是2013年3月8日，軌道path/row為893/169，云量為2%；1幅用于覆蓋大鵬灣東岸，采集時間為2014年2月20日，軌道path/row為892/169，云量為0.6%。

3.1.3 SPOT 5影像

SPOT 5數據也是遙感動態監測中的一個重要的數據源。SPOT 5的全色數據的分辨率達到2.5 m。本文采用的SPOT 5衛星影像共有14幅，深圳灣和大鵬灣各7幅(其中6幅用于研究時間分辨率)。

3.2 影像預處理及采樣方法

對所有的遙感影像進行相同的影像預處理工作，包括影像校正、多波段組合、圖像融合、增強等。影像校正模型采用二次多項式模型，參考點采用實地采樣點(每個研究區12個)，檢查點也是實地采樣點(每個研究區8個)。

本研究采用的采樣方法是，首先軟件生成隨機點(SRS)，然后對這些點進行目視解譯，如存在可疑點(難以解譯的)則參考土地利用圖，如用土地利用圖仍不能解譯的，則對其進行實地調查。

3.3 待測試的分類方法

3.3.1 最大似然分類

最大似然法通過對感興趣區域的統計和計算，得到各個類別的均值和方差等參數，從而確定一個分類函數，然后將待分類圖像中的每一個像元代入各個類別的分類函數，將函數返回值最大(概率最大)的類別作為被掃描像元的歸屬類別，從而達到分類的效果。

本研究的軟件平臺是Erdas 9.2和ArcMap 9.3，Erdas用于分類，ArcMap用于分類結果統計，主要過程如下。

(1)確定分類體系：根據土地利用海岸帶調查技術規程和全國第二次土地調查土地利用現狀分類，并結合研究需求和實際土地利用特征，本研究的土地利用分類體系如表1所示，共計5個一級類、13個二級類。

表1 土地利用分類體系

續表

(2)建立分類模板：根據已有樣本選擇訓練區(如SPOT 5訓練區樣本數如表2所示)，從而建立一個分類模板。

表2 SPOT 5訓練區樣本(最大似然法)

(3)評價分類模板：用可能性矩陣工具(Contingency Matrix)評價分類模板，其中的非參數規則選擇特征空間(Feature Space)，如果誤差矩陣值大于等于85%，則可以進行監督分類，否則需要重新建立分類模板。

(4)初步分類圖：依據所建立的分類模板，在非參數規則為Feature Space、疊加規則為Parametric Rule、未分類規則為Parametric Rule、參數規則為Maximum Likelihood下，對影像進行監督分類。

(5)檢驗分類結果：利用精度評價中添加隨機點工具在初步分類圖上生成100個隨機點，并在精度評價對話框中顯示，然后根據2013年土地利用分類數據和187個實地調查數據輸入隨機點的實際類別值，最后生成分類評價報告。

(6)分類后處理：對分類結果進行聚類分析(聚類統計領域為8)、去除分析(最小像元為16)以及矢量化處理(軟件平臺為ArcMap)。

(7)分類特征統計(ArcMap)：對矢量化的結果進行各個類別的地類面積以及不同時相地類轉換進行統計。

3.3.2 SVM分類

支持向量機(Support Vector Machine，SVM)是基于研究小樣本情況下機器學習規律的統計學習理論的一種新的機器學習方法，它是建立在統計學習理論的VC維理論和結構風險最小原理基礎上，根據有限的樣本信息在模型的復雜性(即對特定訓練樣本的學習精度)和學習能力(即無錯誤地識別任意樣本的能力)之間尋求最佳折中，以求獲得最好的推廣能力。支持向量機將向量映射到一個更高維的空間里，在這個空間里建立有一個最大間隔超平面；在分開數據的超平面的兩邊建有兩個互相平行的超平面；建立方向合適的分隔超平面使兩個與之平行的超平面間的距離最大化；其假定為，平行超平面間的距離或差距越大，分類器的總誤差越小。

具體信息提取流程見圖1。

圖1 SVM分類流程

(1)遙感圖像預處理。

(2)SVM樣本訓練。利用徑向核函數把訓練樣本映射到高維空間，同時結合SVM訓練樣本設定相應的參數(如各類顏色)，在特征空間中確定最優分類面，得到各樣本的支持向量和VC可信度，并形成最終的判別函數。

(3)SVM分類。將影像的待分類像元通過核函數映射到高維特征空間，利用判別函數進行分類，通過輸入的參數和閥值進行判別(圖像分類參數選擇為RBF核函數，Gamma值為0.333，懲罰參數為100)，得出最終的分類結果，提取土地利用信息。

(4)精度檢驗。通過GPS實測數據(187個實測數據)以及2013年土地利用分類數據對分類精度進行評價。

(5)分類特征統計(ArcMap)。在ArcMap中運用矢量化工具將分類圖矢量化，并對矢量化的結果進行各個類別的地類面積以及不同時相地類轉換進行統計。

3.3.3 面向對象分類

面向對象的分類方法實際上是以像元為基本單元，利用其光譜(顏色)信息進行信息的提取與歸并。通過對影像的分割，使同質像元組成大小不同的對象。利用對象的空間特征和光譜特征進行分類，可以有效克服基于像元層次分類的不足。但該方法的不足是：分類結果對參數設置極其敏感，需要反復嘗試以尋求最佳分割和合并參數，對于數據量較大的影像而言時間代價很大。

利用eCongnition面向對象軟件對研究區域進行影像分割，提取土地利用信息。具體流程見圖2。

圖2 面向對象分類流程

(1)圖像預處理。

(2)多尺度分割。使用多精度圖像分割技術，對遙感圖像進行多精度分割獲得特征基元，并計算基元各種特征。

(3)影像分類。采用基于樣本的監督分類以及基于規則的專題地物分類技術，實現監測區域的多級專題地物分類；本研究針對海岸帶遙感監測的特點，設計兩級分類體系。一級分類以影像光譜為主導特征，采用監督分類區分水域及水利設施用地、建設用地、農用地、灘涂以及未利用地5個類別；二級體系則是在一級體系基礎上進一步細分，通過一級分類基元的光譜、形狀以及空間關系的多特征分析，建立區分規則實現。

(4)分類精度評價。對分類結果的評價采用野外實地勘察(187個實測點數據)和2013年土地利用分類數據相結合的方法進行，兩研究區分別隨機抽取100個樣本對象，進行誤差矩陣的計算和精度評價。

(5)土地利用特征統計。與前面SVM分類的特征統計相似。

3.4 監測頻率(時間分辨率)

由于地表過程變動直接影響使用遙感數據對現象的定性和定量的解釋，使用不同時間分辨率的遙感數據可能會得到不同的研究結果，因此有必要研究動態監測的時間分辨率。頻率是指研究區重采樣的時間間隔，判斷的標準是土地利用數據的變化率。

為探究合適的時間分辨率，本研究對深圳灣和大鵬灣兩個重點片區分別試用不同的數據源，應用最大似然監督分類的方法，計算 2006—2010年5年中兩個典型區每年的土地利用變化程度，參考變化的劇烈程度確定合適的遙感動態監測的時間分辨率。

為反映土地利用變化程度，這里引入土地利用變化幅度和動態度。土地利用變化幅度指土地利用類型在面積方面的變化幅度，其意義在于直觀地反映不同類型在總量上的變化和變化的類型差異[11]。在結合已有研究的基礎上[11-12]，采用變化面積的絕對值代替原有的變化面積，采用除以初期總面積代替除以初期某一類型的面積，修改后的土地利用變化幅度的數學表達式為：

(1)

式中：Sai為研究初期第i類土地利用類型的面積；Sbi為研究末期第i類土地利用類型的面積；R為該類土地利用類型的變化幅度。

土地利用動態度可定量描述區域土地利用變化的速度，對比較土地利用變化區域差異和預測未來土地利用變化趨勢都具有積極的作用。動態度指數綜合考慮研究時段內土地利用類型間的轉移，著眼于變化過程而非變化結果，其意義在于反映區域土地利用變化的劇烈程度[11]。本文為更好地反映區域在研究時段內土地利用變化的總體趨勢，探究適宜的監測頻率，在結合已有研究的基礎上[11，13]，選用時段變化率代替原有的算術平均年變化率，修改后的公式如下：

(2)

式中：LC為研究區域內土地利用的綜合變化率。

4 實驗結果及分析

4.1 影像數據的選擇

4.1.1 研究區一(深圳灣北岸)

對深圳灣北岸地區采用3種數據源、使用3種不同分類方法可得土地利用分類圖，對土地利用分類圖進行分類精度對比，從分類精度的角度評價采用哪種數據、使用哪種方法會達到最好的效果(表3)。

表3 不同數據提取方法與數據源精度對比(深圳灣) %

從表3可以看出，ZY-3影像的分類精度最高，使用SVM時精度達到86%；Landsat 8和SPOT 5在使用SVM分類時精度差別不大，但從視覺感受看，SPOT 5影像的分類結果過于細碎，效果不如Landsat 8影像分類。由于深圳灣地類細碎、空間異質性強、變程短，故對影像數據的空間分辨率有一定的要求。ZY-3的空間分辨率最高、輻射分辨率高、成像質量好，分類和提取的效果最好；空間分辨率較低的Landsat 8影像同樣能達到較好的效果。因此，在資金充足的情況下，選擇ZY-3影像進行深圳西部深圳灣地區的土地利用分類無疑是最佳的。

4.1.2 研究區二(大鵬灣東岸)

對大鵬灣東岸地區采用3種數據源、使用3種不同分類方法可得土地利用分類圖，對土地利用分類圖進行分類精度對比，從分類精度的角度評價采用哪種數據以及使用哪種方法會達到最好的效果(表4)。

表4 不同數據提取方法與數據源精度對比(大鵬灣東岸) %

從表4可以看出，使用3種數據源的分類效果差別不大。這是因為大鵬灣地區由于居民地等集聚在很小的區域中，使得大部分區域S、LC比較單一，對遙感影像數據的空間分辨率要求不高，ZY-3、SPOT 5、Landsat 8影像在該地區均有較好的效果。因此，在對精度要求不是極高的研究應用中，從經濟和效率的角度出發，選擇Landsat 8影像進行深圳東部大鵬灣地區的土地利用分類無疑是最佳的。

4.2 信息提取方法的選取

4.2.1 研究區一

對研究區一的信息提取方法的研究是基于其最適數據源ZY-3的。從表3可以看出，支持向量機的分類效果最好，精度達到85%以上；其次是最大似然監督分類，精度在80%以上；最差的是面向對象分類，精度小于75%。支持向量機分類法分類和提取專題信息的效果比較穩定，但分類和提取耗時長，對于ZY-3這樣的高分影像，支持向量機存在運行速度過慢、效率低下等缺陷；最大似然監督分類法在穩定性、準確性特別是速度方面都具有較大優勢，可以作為優先選擇的分類和提取專題信息的方法，但其分類精度略低于支持向量機；面向對象分類法由于不能很好地將零散分布的植被與周圍地物區分開，對這些對象分類精度較低，并且在山區還存在陰影干擾的問題，會將有或無陰影遮蓋的同類地物識別成不同類別，但對于坑塘等分布集中且與背景對比度高的地類來說，由于其與周圍地物邊界明顯、很難發生混淆，還是能夠較好地區分，總體來講，面向對象分類法出圖視覺效果優秀，但精度不如另兩種方法。因此，在使用最佳數據源ZY-3且不考慮時間成本的情況下，選擇支持向量機分類法為最佳。

4.2.2 研究區二

對研究區二的信息提取方法的研究以Landsat 8為數據源。從表4可以看出，最大似然法與支持向量機法分類精度相近，都在80%以上，但面向對象法的精度不高。最大似然分類法雖然在速度和準確性上比較平衡，但其對于海水養殖等用地類型的紋理識別表現并不好，并且對于沙灘和居民地這類光譜特性比較相近的地類區分效果欠佳；支持向量機分類速度雖然慢但分類精度較高，在不考慮時間成本的情況下，支持向量機分類法在此區域也是最佳選擇；面向對象分類法對于離散分布的細碎地物的分類面積總是比真實值偏小，對大鵬灣而言主要是裸地、居民地等用地類型，而對于水庫、坑塘等類型則3種方法分類效果都相對穩定?？傮w來說，支持向量機分類法略優于最大似然法，而后者又優于面向對象分類法，因此在人類活動稀少的海岸帶區域且不考慮時間成本的情況下，采用支持向量機分類法為最佳。

4.3 監測頻率

4.3.1 研究區一

2006-2010年，在深圳灣北岸典型區，由式(1)算出，所有土地利用類型的變化幅度都比較大，其中最大的是居民地、變化幅度都在20%以上，其次是裸地，變化最小的海水養殖的變化幅度也在5%左右。由式(2)算出，綜合土地利用動態度以大于10%的速度持續增加，土地利用變化速度也相應增加，土地利用變化劇烈。

因此，在以深圳灣北岸為研究區的人類活動頻繁的典型區，在進行土地利用變化監測、植被遙感提取或濕地遙感監測時，如時間分辨率選擇多年，即若干年進行一次回訪調查，容易造成更大誤差；如時間分辨率小于一年，即每年監測若干次，又容易受到季節和物候的干擾，將許多正常的物候變化判斷成土地利用的變化，造成誤判、影響精度。故本研究提出，在人類活動頻繁的海岸帶，遙感監測的時間分辨率以1年1次為佳。

4.3.2 研究區二

2006—2010年，在大鵬灣東岸典型區，由式(1)算出，土地利用類型變化最大的是裸地，變化幅度在11%～29%之間，基本不到深圳灣北岸裸地變化的1/2；其次是居民地；變化最小的是坑塘，變化幅度小于2.5%。由式(2)算出，每年的土地利用變化綜合動態度有增有減，但總的趨勢是越來越高，土地利用變化相對緩慢，到2010年綜合土地利用動態度達到50%以上。

因此，在以大鵬灣東岸為研究區的人類活動稀少的典型區，在進行土地利用變化監測、植被遙感提取或濕地遙感監測時，如時間分辨率為一年或每年多次，則容易造成人力和物力的浪費。故本研究提出，在人類活動不頻繁的海岸帶，遙感監測的時間分辨率以5年1次為佳。

5 結論

本研究實驗結果總結如表5所示?？傊?，最佳分類方法都是SVM分類，對于人類活動頻繁的海岸帶區域，需要更高分辨率的數據源和較快的數據更新時間，對于人類活動稀少的海岸帶區域，需要中等分辨率的數據源和較長的數據更新時間。

表5 最佳方案選擇

本研究選取兩個典型區作為研究區，分別研究其土地利用遙感監測的最佳方案，包括數據源、信息提取方法以及監測頻率，不僅為其他海岸帶土地利用遙感監測提供方案選擇，也提供合適的范式來確定海岸帶遙感監測最佳方案。此外，本研究是基于特定研究區、特定研究時間段和特定影像的，所得結論的普適性還需要更多的研究來佐證。

[1] 李秀梅，袁承志，李月洋.渤海灣海岸帶遙感監測及時空變化[J].國土資源遙感，2013，25(2)：156-163.

[2] 黃海軍，王珍巖，張忍順.航測、衛星遙感和研究海岸動態變化的誤差分析[J].海洋科學，2002，26(3)：8-10.

[3] 梁建，張杰，馬毅，等.2003-2009年連云港港口圍填遙感監測[C]//全國海岸帶和海涂開發與管理學術研討會.青島：中國海洋學會，山東(青島市)海岸工程學會，2010.

[4] 王娟，卞志國，崔先國，等.遙感技術在海岸帶監測中的應用：以天津濱海新區為例[J].山東科技大學學報：自然科學版，2010，29(3)：20-25.

[5] 吳泉源，侯志華，逢杰武，等.龍口市20年間海岸帶變化的遙感監測[J].地球信息科學，2007，9(2)：106-111.

[6] 鞠明明，汪閩，張東，等.基于面向對象圖像分析技術的圍填海用海工程遙感監測[J].海洋通報，2013，32(6)：678-684.

[7] 李秦，高錫章，張濤，等.最優分割尺度下的多層次遙感地物分類實驗分析[J].地球信息科學學報，2011，13(3)：409-416.

[8] 江沖亞，李滿春，劉永學.海岸帶水體遙感信息全自動提取方法[J].測繪學報，2011，40(3)：332-337.

[9] 王琳，陳上群.深圳灣自然條件特征及治理應注意的問題[J].人民珠江，2001，15(6)：4-7.

[10] 蒼恒瑾，周靜.深圳大鵬半島景觀生態格局特征變化分析[J].安徽農業科學，2009，37(18)：8765-8767，8775.

[11] 朱會義，李秀彬.關于區域土地利用變化指數模型方法的討論[J].地理學報，2003，58(5)：643-6501.

[12] 羅格平，周成虎，陳曦.干旱區綠洲土地利用/覆被變化過程[J].地理學報，2003，58(1)：63-72.

[13] 伍星，沈珍瑤，劉瑞民.長江上游土地利用/覆被變化及區域分異研究[J].應用基礎與工程科學學報，2008，16(6)：819-828.

On Monitoring the Land-Use of Coastal Zone in Shenzhen by Remote Sensing

SHEN Yulian，XIAO Di，FEI Teng

(School of Resource and Environmental Science，Wuhan University，Wuhan 430079，China)

With the development of remote sensing observation technology，satellite remote sensing has been playing an increasingly important role to monitor coastal zones.It is meaningful to explore and compare different methods to monitor coastal zones with different data sources for the future remote sensing coastal applications.Two typical coastal regions，one of which has frequent human activities and the other has less activities，were selected.Three different data sources，three information extraction methods were applied to seek for the optimal monitoring result with consideration of cost.The result indicated for the frequent human activities region (Shenzhen Bay North)，the optimal data source is ZY-3 satellite image，the optimal information extraction method is SVM.For less human actives region (Mirs Bay East Coastal)，Landsat8 is sufficient，and the optimal information extraction method is also SVM.This paper also gave advice on the monitoring frequency for different type of coastal regions.

Coastal Zone，Land-use，Remote sensing，Data sources，The method of data collection， Information extraction，Monitoring frequency

2015-11-09；

2016-04-08

林業公益性行業科研專項“濱海濕地生態系統服務功能與評估技術研究”(20140305).

沈玉蓮，碩士研究生，研究方向為遙感監測，電子信箱：mysylian@163.com

費騰，副教授，博士，研究方向為生態遙感，電子信箱：feiteng@whu.edu.cn

P74

A

1005-9857(2016)05-0024-08