海岸線亞像元定位技術(shù)研究進(jìn)展

陳飛宇，胡友彬，施恩

（國(guó)防科技大學(xué)氣象海洋學(xué)院，南京 211101）

0 引言

海岸線是海水與陸地相互交匯的部位，是海岸帶的重要標(biāo)志之一[1]。海岸線作為海岸帶測(cè)繪、自然災(zāi)害監(jiān)測(cè)以及環(huán)境要素動(dòng)態(tài)變化趨勢(shì)研究的一項(xiàng)基礎(chǔ)性工作，在海水漫灘運(yùn)動(dòng)監(jiān)測(cè)、潮灘地形推算、島礁檢測(cè)以及海岸泥沙沖淤分析等方面具有十分重要的研究意義和實(shí)用價(jià)值。

海岸線的位置受多種因素的影響：一方面，每天海水的潮漲潮落會(huì)導(dǎo)致海岸線的短期變化；另一方面，海平面及地殼的升降、海陸的分布變化等會(huì)導(dǎo)致海岸線發(fā)生長(zhǎng)期的變動(dòng)。海岸線的高度動(dòng)態(tài)性使其難以用靜態(tài)的數(shù)據(jù)準(zhǔn)確地予以表達(dá)[2]，因此常規(guī)的海岸調(diào)查存在著人力物力耗費(fèi)較大、數(shù)據(jù)獲取不方便、觀測(cè)周期長(zhǎng)等諸多局限性，難以滿足實(shí)時(shí)監(jiān)測(cè)、輔助決策的需要。20世紀(jì)90年代以來(lái)，隨著國(guó)際高新技術(shù)與信息技術(shù)的迅速發(fā)展，遙感技術(shù)以其觀測(cè)范圍廣、條件限制少、觀測(cè)頻度高、節(jié)省投資等諸多優(yōu)點(diǎn)，成為海岸線觀測(cè)的重要手段。

混合像元是指在傳感器的瞬時(shí)視場(chǎng)中包含多種地物類別的像元[3]（如圖1所示），是遙感影像所固有的特征[4]。遙感影像受空間分辨率的限制，其像元大多是混合像元，很少是由單一地物類型構(gòu)成的純像元。混合像元的存在對(duì)海岸線提取的精度有著重要的影響，邊緣檢測(cè)、遙感分類等經(jīng)典的海岸線提取方法將混合像元完全歸為某一種地物類型，會(huì)導(dǎo)致海岸線提取結(jié)果誤差較大、精度不高。如何對(duì)遙感影像中這種廣泛存在的混合像元問(wèn)題進(jìn)行處理已經(jīng)成為定量遙感分析中最為關(guān)鍵的問(wèn)題[5]。

1 海岸線的亞像元定位

圖2 海岸線亞像元定位流程圖

從遙感影像的數(shù)據(jù)源分析來(lái)看，低分辨率遙感影像覆蓋范圍大、獲取周期短、成本低、數(shù)量多，高分辨率遙感影像覆蓋范圍小、獲取周期長(zhǎng)、成本高、數(shù)量少。在實(shí)際應(yīng)用過(guò)程中，僅僅依靠高分辨率遙感影像，往往難以滿足對(duì)觀測(cè)范圍、時(shí)效性等方面的要求，還需要大量依靠中、低分辨率遙感影像進(jìn)行海岸線提取，彌補(bǔ)高分辨率圖像數(shù)據(jù)源的不足。具體來(lái)說(shuō)，利用中、低分辨率遙感影像進(jìn)行海岸線提取主要有以下四個(gè)方面的必要性：（1）中、低分辨率的遙感影像（如AVHRR數(shù)據(jù)、MODIS數(shù)據(jù)、SPOT數(shù)據(jù)、Landsat數(shù)據(jù)等）覆蓋范圍廣（例如，一幅SPOT HRG影像的覆蓋范圍是IKONOS影像的36倍），更適合大范圍的海岸線提取和監(jiān)測(cè)；（2）中、低分辨率遙感影像數(shù)據(jù)連續(xù)性強(qiáng)，空間分辨率較低的遙感影像通常時(shí)間分辨率較高[6]。例如，Landsat系列遙感影像能夠以30m的空間分辨率定位海岸線，但其重訪周期為16天，難以快速、準(zhǔn)確地監(jiān)測(cè)到海岸線的變化，而MODIS遙感影像覆蓋范圍大，每天1-2次的重訪周期，能夠?qū)崿F(xiàn)海岸線的連續(xù)觀測(cè)[7]；（3）中、低分辨率遙感影像成本較低，文獻(xiàn)[8]提到，即便是高分辨率遙感影像衍生出的初等圖像產(chǎn)品通常也要花費(fèi)$20/km2，處理程度更高的產(chǎn)品價(jià)格可能還要高出幾倍，而空間分辨率稍低的遙感影像，以SPOT HRG（分辨率為4-10m）為例，僅需$3-5/km2；（4）中、低分辨率遙感影像歷史資料豐富，便于進(jìn)行長(zhǎng)期的觀測(cè)、統(tǒng)計(jì)和分析。

在中、低分辨率的遙感影像中，存在著大量的混合像元，這些混合像元嚴(yán)重制約了海岸線的提取精度，亞像元定位是目前解決混合像元問(wèn)題的常用手段。亞像元定位技術(shù)以低分辨率的遙感影像為數(shù)據(jù)源，以獲取高分辨率的地物分類制圖為目的，采用亞像元定位原理，確定混合像元中不同地物類型的具體空間分布。因此，亞像元定位也可看作是一種在亞像元尺度上進(jìn)行硬分類的技術(shù)。

對(duì)海岸線進(jìn)行亞像元定位，主要分為三步（如圖2所示）：首先，通過(guò)海岸線提取方法或模型得到初始海岸線；其次，根據(jù)水、陸的空間位置關(guān)系，利用初始海岸線可初步確定需要進(jìn)行亞像元定位的混合像元集合；最后，利用亞像元定位方法或模型對(duì)混合像元集合中的混合像元進(jìn)行亞像元定位，最終得到海岸線的亞像元定位結(jié)果。對(duì)于初始海岸線的提取，可采用閾值分割、邊緣檢測(cè)等硬分類方法，簡(jiǎn)單易操作。根據(jù)水、陸的空間位置關(guān)系易知，需要處理的混合像元主要位于水陸交界附近，即初始海岸線的兩側(cè)。通過(guò)數(shù)學(xué)形態(tài)學(xué)中的腐蝕和膨脹操作，可進(jìn)一步得到以初始海岸線為中心向兩側(cè)延展一定寬度的帶狀區(qū)域，該帶狀區(qū)域中的像元即被認(rèn)為是需要處理的混合像元集合。最后，利用亞像元定位原理對(duì)該帶狀區(qū)域中的混合像元進(jìn)行亞像元定位，即可得到海岸線的亞像元定位結(jié)果圖。

如圖3所示，圖3(a)中的研究區(qū)域是一個(gè)小島，提取初始海岸線后，將得到的二值化圖像進(jìn)行膨脹和腐蝕，中間的帶狀區(qū)域（圖3(b)）即為需要進(jìn)行亞像元定位的混合像元的集合，再根據(jù)海陸之間的空間關(guān)系，易知混合像元帶狀區(qū)域往里的部分是純陸像元的集合，往外的部分是純水像元的集合。

2 海岸線亞像元定位方法分類

根據(jù)不同的分類標(biāo)準(zhǔn)，亞像元定位技術(shù)有不同的分類方法：

（1）根據(jù)輸入數(shù)據(jù)類型的不同，亞像元定位技術(shù)可分為以豐度圖像作為輸入數(shù)據(jù)的方法和以遙感影像作為輸入數(shù)據(jù)的方法兩類（如表1所示）。以豐度圖像作為輸入的方法可以看作是混合像元分解和軟分類技術(shù)的后處理過(guò)程[9]，是利用各地物類型的組分約束進(jìn)行亞像元定位的方法。相關(guān)算法包括像元交換算法、亞像元/像元吸引力模型、遺傳算法、基于SPM的Hopfield神經(jīng)網(wǎng)絡(luò)、線性優(yōu)化、基于SPM的插值方法和基于學(xué)習(xí)的SPM算法。這類方法過(guò)度依賴混合像元分解或軟分類的結(jié)果，豐度圖像的誤差不可避免地傳遞到亞像元定位結(jié)果中[10]。直接將遙感影像作為輸入數(shù)據(jù)的方法，是利用光譜約束進(jìn)行亞像元定位的方法。相關(guān)算法包括基于SPM的馬爾科夫隨機(jī)場(chǎng)法、基于SPM的線性分解模型和基于SPM的模糊C均值法。這類方法不受限于混合分解模型和軟分類結(jié)果的精度，應(yīng)用更為廣泛。

表1 不同輸入數(shù)據(jù)類型的對(duì)比

（2）根據(jù)空間模式信息分類，亞像元定位方法可分為兩類：一是僅考慮地物之間的空間相關(guān)性。由空間相關(guān)性原理可知，空間上接近的地物相較于空間距離較遠(yuǎn)的地物關(guān)聯(lián)程度更高，屬于同一種地物類型的可能性也更高。因此，即便不知道地物空間分布的任何具體信息，地物的分布也不是隨機(jī)的，而是存在著一定的空間相關(guān)性，將這種空間相關(guān)性最大化即可得到一種可能的地物空間分布。二是通過(guò)輔助數(shù)據(jù)獲取更小尺度上的先驗(yàn)空間分布信息。亞像元定位是一個(gè)欠定反演問(wèn)題，其約束條件遠(yuǎn)遠(yuǎn)少于求解參數(shù)，因此滿足約束條件的求解可能很多，定位結(jié)果不穩(wěn)定、不唯一，定位精度受到限制。利用輔助訓(xùn)練數(shù)據(jù)，能夠得到先驗(yàn)的空間模式信息，進(jìn)而引導(dǎo)各類地物按照先驗(yàn)的空間模式進(jìn)行分布，以此提高亞像元定位結(jié)果的準(zhǔn)確性。目前，常用的輔助數(shù)據(jù)包括全色波段圖像、高程數(shù)據(jù)、矢量邊界、高分辨率遙感影像和LIDAR數(shù)據(jù)等。

（3）根據(jù)地物尺寸與像元分辨率之間的大小關(guān)系，遙感影像分為H型（地物尺寸大于像元分辨率）和L型（地物尺寸小于像元分辨率）兩種（如表2所示）。在H型遙感影像中，混合像元大多出現(xiàn)在地物相交的邊界區(qū)域，這時(shí)地物空間分布特征一般可用空間相關(guān)性最大來(lái)描述。在L型遙感影像中，不同地物斑塊零散地分布于遙感影像的像元內(nèi)部，在得到混合像元分解結(jié)果后，如果仍然采用空間相關(guān)性最大作為亞像元定位的目標(biāo)，其結(jié)果必然使相同地物類型聚集在一起，不能準(zhǔn)確描述地物空間分布特征。在這種情況下，不能再利用空間相關(guān)性原理進(jìn)行亞像元定位，需要獲取更多的先驗(yàn)信息來(lái)確定像元中地物的空間分布，比如周長(zhǎng)、面積、距離、形狀等結(jié)構(gòu)參數(shù)，然后通過(guò)空間模式擬合的方法進(jìn)行亞像元定位。地統(tǒng)計(jì)學(xué)方法通過(guò)描述各種地物空間結(jié)構(gòu)來(lái)進(jìn)行亞像元定位，已經(jīng)得到了廣泛應(yīng)用，主要包括半變異函數(shù)模型、兩點(diǎn)直方圖法和隨機(jī)模擬方法等。

表2 依據(jù)地物尺寸與像元分辨率關(guān)系分類的亞像元定位方法比較

（4）根據(jù)求解過(guò)程分類，亞像元定位方法可分為直接求解和迭代求解兩種。直接求解在計(jì)算過(guò)程中不需要經(jīng)過(guò)多次迭代，而是直接確定每個(gè)亞像元的地物類別，主要算法包括線性規(guī)劃、吸引度排序以及Ge等人[11]提出的根據(jù)端元組分直接定位的方法。直接求解的方法不需要迭代計(jì)算，算法效率高，運(yùn)行速度快。與直接求解算法不同，迭代求解一般首先隨機(jī)初始化亞像元定位制圖，然后通過(guò)相應(yīng)的規(guī)則在一次次迭代過(guò)程中改變亞像元的地物類型，逐漸達(dá)到穩(wěn)定狀態(tài)，得到最終結(jié)果，相關(guān)算法主要包括遺傳算法、Hopfield神經(jīng)網(wǎng)絡(luò)、正則MAP模型等。除此以外，基于神經(jīng)網(wǎng)絡(luò)的亞像元定位模型，包括BP神經(jīng)網(wǎng)絡(luò)、模糊ARTMAP神經(jīng)網(wǎng)絡(luò)和神經(jīng)網(wǎng)絡(luò)/元胞自動(dòng)機(jī)模型，既包含迭代求解過(guò)程也包含直接求解過(guò)程。在訓(xùn)練階段，神經(jīng)網(wǎng)絡(luò)的權(quán)重參數(shù)通過(guò)不斷地迭代計(jì)算達(dá)到最優(yōu)；在應(yīng)用階段，將遙感影像帶入訓(xùn)練好的模型，直接求解即可得到亞像元定位結(jié)果。迭代求解的亞像元定位算法通過(guò)不斷的迭代運(yùn)算，多次優(yōu)化，通常能夠得到較好的解，但計(jì)算代價(jià)大，因此運(yùn)行速度偏慢。

除上述四種分類方法外，根據(jù)采用的遙感影像的數(shù)目，可分為單幅遙感影像的亞像元定位和多幅遙感影像的亞像元定位；根據(jù)SPM模型采用的分類方法，可分為監(jiān)督分類的SPM模型和非監(jiān)督分類的SPM模型；根據(jù)采用的分類方法的數(shù)量，可分為采用單一分類方法的亞像元定位和組合式（多類）分類方法的亞像元定位。

3 研究展望

亞像元定位技術(shù)從提出到現(xiàn)在已經(jīng)經(jīng)歷了近20年的發(fā)展，在國(guó)內(nèi)外學(xué)者的共同努力下，已經(jīng)取得了長(zhǎng)足的進(jìn)步，但目前提出的方法都不同程度的存在著一些問(wèn)題。從目前來(lái)看，針對(duì)海岸線的亞像元定位技術(shù)，未來(lái)進(jìn)一步的研究和發(fā)展方向主要有以下幾個(gè)方面：

（1）亞像元定位是一個(gè)欠定反演問(wèn)題，其約束條件遠(yuǎn)遠(yuǎn)少于求解參數(shù)，因此滿足約束條件的解可能很多，定位結(jié)果不穩(wěn)定、不唯一，定位精度受到限制。為提高模型求解結(jié)果的精度，需要獲取更多信息來(lái)描述混合像元內(nèi)部各地物類型的空間分布特征。因此，各種分辨率的遙感影像和各種類型的輔助數(shù)據(jù)將越來(lái)越多地應(yīng)用于海岸線的亞像元定位。

（2）研究表明，相同的中低分辨率遙感影像通過(guò)不同的亞像元定位算法可能產(chǎn)生不同的地類分布結(jié)果，并且各類算法均有其各自的優(yōu)缺點(diǎn)，在進(jìn)行亞像元定位之前確定哪種算法最優(yōu)十分困難[12]。因此，綜合利用多種算法，取長(zhǎng)補(bǔ)短，是一種可以嘗試的提高海岸線亞像元定位精度的方法。

（3）海岸線有不同于其他地物的特點(diǎn)（如呈線性、動(dòng)態(tài)變化頻繁等），如何盡可能多地利用海岸線自身特性，提高定位精度，降低求解難度，是研究重點(diǎn)和關(guān)鍵。

（4）由于亞像元定位是用低分辨率遙感影像得到高分辨率硬分類結(jié)果，具有跨尺度的特殊性，制圖結(jié)果不確定性的影響因素不同關(guān)于傳統(tǒng)分類，至今尚無(wú)公認(rèn)的精度評(píng)價(jià)方法[13]，如何合理、有效地評(píng)價(jià)海岸線亞像元定位結(jié)果也是未來(lái)研究的重點(diǎn)之一。

[1]趙建華.海岸帶管理與GIS技術(shù)應(yīng)用[J].海洋開(kāi)發(fā)與管理,2001,18(4):51-56.

[2]劉鵬.海岸線影像特征提取方法與實(shí)證研究[D].福建師范大學(xué),2008.

[3]Li X,Ling F,Du Y,et al.A Spatial-Temporal Hopfield Neural Network Approach for Super-Resolution Land Cover Mapping with Multi-Temporal Different Resolution Remotely Sensed Images[J].Isprs Journal of Photogrammetry&Remote Sensing,2014,93(7):76-87.

[4]凌峰,吳勝軍,肖飛,等.遙感影像亞像元定位研究綜述[J].中國(guó)圖象圖形學(xué)報(bào),2011,16(8):1335-1345.

[5]Campbell J B.Introduction to Remote Sensing,3rd Edition[J].Crc Press,2002.

[6]Huang C,Chen Y,Wu J.DEM-based Modification of Pixel-Swapping Algorithm for Enhancing Floodplain Inundation Mapping[J].International Journal of Remote Sensing,2014,35(1):365-381.

[7]Li W,Zhang X,Ling F,et al.Locally Adaptive Super-Resolution Waterline Mapping with MODIS Imagery[J].Remote Sensing Letters,2016(12).

[8]Toutin,T.2009.Fine Spatial Resolution Optical Sensors.In:Warner,T.A.,Nellis,M.D.,Foody,G.M.(Eds.),The SAGE Handbook of Remote Sensing.Sage,London,pp.139-150.

[9]Atkinson P M.Sub-pixel Target Mapping from Soft-Classified,Remotely Sensed Imagery[J].Photogrammetric Engineering&Remote Sensing,2005,71(7):839-846.

[10]Xiaodong Li,Feng Ling,Yun Du.Super-Resolution Mapping Based on the Supervised Fuzzy C-means Approach[J].Remote Sensing Letters,2012,3(6):501-510.

[11]Jin H,Mountrakis G,Li P.super-Resolution Mapping Method Using Local Indicator Variograms[J].International Journal of Remote Sensing,2012,33(24):7747-7773.

[12]Li X,Ling F,Foody G M,et al.Improving Super-Resolution Mapping Through Combining Multiple Super-Resolution Land-Cover Maps[J].International Journal of Remote Sensing,2016,37(10):2415-2432.

[13]K.C.Mertens Corresponding Author,L.P.C.Verbeke,E.I.Ducheyne,et al.Using Genetic Algorithms in Sub-Pixel Mapping[J].International Journal of Remote Sensing,2003,24(21):4241-4247.