基于GEE的杭州灣慈溪段潮灘提取及時空變化分析

鄭修誠， 周斌， 雷惠， 黃祺宇， 葉浩林

(1.杭州師范大學遙感與地球科學研究院，杭州 311121； 2.浙江省城市濕地與區域變化研究重點實驗室，杭州 311121； 3.杭州師范大學信息科學與技術學院，杭州 311121)

0 引言

潮灘是指淤泥質海岸潮間帶淺灘[1]，處在海陸交匯的敏感地帶，是沿海城市發展的重要物質基礎和后備資源，也是沿海地區生態安全體系不可或缺的一部分，因此研究潮灘的發展和變化具有重要的意義[2]。由于潮灘范圍廣，變化快，并且在潮灘區域行動極為不便，部分區域難以到達，使用傳統的實地勘測法調查潮灘具有明顯的復雜性，勘測效率低下，難以實現動態監測，而遙感技術則因其具有大范圍、高分辨率、多光譜和多時序等優勢，非常適用于潮灘的動態監測。

目前基于遙感技術的潮灘提取方法主要有“八分算潮法”[3]和“相似三角形原理”[4]等。張春桂[3]采用“八分算潮法”來確定高、低潮時，選用過境時間與這些時刻最為接近的MODIS數據，實現了福建省海岸帶潮灘的提取，但MODIS數據空間分辨率偏低且該方法只是一種潮時的近似估算方法，存在一定的誤差； 王小龍等[4]采用“相似三角形原理”，結合海島多年的潮汐數據，利用高分辨率遙感數據計算了東沙島潮灘和濕地的范圍，該方法將潮灘地形剖面視作一個直角三角形，是一種理想的估算方法，王小丹等[5]研究曹妃甸地區潮灘演變時使用的“相同潮位對比法”以及王靖雯等[6]和韓倩倩等[7]研究中使用的“潮位校正法”也都以此方法為基礎。總體來看，當前常見的潮灘遙感提取方法往往通過估算來確定潮灘的邊界，難以保證較高的提取精度。而張媛媛等[8]采用窮舉法，應用多時相環境衛星數據作為數據源提取序列水邊線，通過面向對象分類，實現了江蘇省如東縣潮灘的提取，該方法擺脫了對高、低潮線的“估算”，使用若干條水邊線擬合高、低潮線，具備較高的精度。

近年來，隨著Google Earth Engine(GEE)平臺的誕生和廣泛應用，窮舉法所面臨的數據量大、依賴人工等問題迎刃而解，本研究基于GEE平臺，選用時序覆蓋較廣的Landsat系列影像數據，目視解譯人工海岸線作為平均高潮線，利用水邊線擬合平均低潮線，實現了對杭州灣潮灘變化最為顯著的慈溪段潮灘區域的提取，并分析了其變化情況，為該地區潮灘濕地的保護提供技術參考。

1 研究區概況與數據源

1.1 研究區概況

以杭州灣南岸的慈溪市為研究區(圖1)，其隸屬于浙江省寧波市，東接鎮海區，西連余姚市，地勢南高北低，面向杭州灣呈現丘陵、平原、灘涂3級階梯狀。由于杭州灣獨特的空間形態，大量的泥沙在杭州灣南岸北凸弧段淤積，形成了典型的平原型潮灘，為慈溪市填海造陸提供了得天獨厚的自然條件，使其成為浙江省土地后備資源最富足的地區之一。

圖1 研究區地理位置

慈溪市也具有悠久的填海造陸歷史，從明末至20世紀末，慈溪市海岸線外移的速度為28 m·a-1[9]。20世紀90年代以后，圍涂筑塘技術趨于成熟，施工設備和施工工藝逐步先進，圍塘砌筑標準級別提高，單塊圍涂規模不斷擴大[10]。

1.2 數據源

GEE是由Google提供的基于云計算的全球尺度地理空間分析平臺，其存儲的大量公開的地理空間數據集能夠省去影像下載的時間，而其強大的計算力則能批量處理較大規模的數據，為較大時空尺度的研究提供便捷。出于對數據可獲得性和逐年監測的需求，本研究選用30 m空間分辨率的Landsat系列數據作為遙感影像數據源，所有數據均來自于Earth Engine Data Catalog。本研究對數據源進行了2輪篩選。首先篩選覆蓋完整研究區(條帶號118/39)的1990—2021年間云量低于20%的影像，累計得到142景影像； 再對這些影像逐景目視篩選，確保潮灘區域無明顯厚云覆蓋，并盡量保證1 a內有2景間隔90 d以上的影像，最終得到77景符合條件的影像(圖2)。

(a) 年際分布(b) 月際分布

行政區矢量邊界數據獲取自中國科學院資源環境科學與數據中心(https: //www.resdc.cn/)。

研究區潮汐預報數據獲取自國家海洋科學數據中心(http: //mds.nmdis.org.cn/)。

2 研究方法

本文研究的潮灘范圍是介于平均大潮高潮線和平均大潮低潮線之間的潮侵地帶，結合前人的相關研究[8,11]，平均大潮低潮線可以認為是水邊線集中距離陸地最遠的外界線，這通常不是集中的某一條線，而是多條線段的組合； 而海岸線則可以被認為是多年平均大潮高潮位形成的痕跡線[12-14]。平均高、低潮線合圍形成的區域就是本文的潮灘區域。結合現有數據，本文擬提取1990—2021年間5～6 a時間間隔的6期潮灘區域。

2.1 瞬時水邊線提取

瞬時水邊線的提取本質上是對數字圖像中的陸地區域和水體區域進行分割，2類區域的分界線就是瞬時水邊線。本研究主要使用基于水體指數的閾值分割法提取水邊線，其中閾值的選取起著至關重要的作用[15]。通常經過水體指數計算得到的灰度圖像直方圖會出現“雙峰”特性[16]，選取谷底所對應的灰度值作為閾值能夠有效地對灰度圖像進行分割。再對閾值分割后的二值圖像矢量化。技術路線如圖 3所示。

圖3 潮灘提取技術路線

2.1.1 自動水體提取指數AWEI

2014年，Feyisa等[17]提出了一種基于TM多波段的自動水體提取指數(automated water extraction index, AWEI)，并且證實了該指數相較于常用的改進的歸一化差異水體指數(modified normalized difference water index，MNDWI)[18]具有更高的精度。AWEI通過給TM影像不同波段賦予相應的系數并進行加減計算實現水體像元和非水體像元之間最大程度的分割，該指數由2個獨立的方程組成，公式分別為：

AWEIsh=ρBLUE+2.5ρGREEN-
1.5(ρNIR+ρSWIR1)-0.25ρSWIR2，

(1)

AWEInsh=4(ρGREEN-ρSWIR1)-
(0.25ρNIR+2.75ρSWIR2)，

(2)

式中:ρBLUE，ρGREEN，ρNIR，ρSWIR1和ρSWIR2分別代表Landsat影像藍光、綠光、近紅外、短波紅外1和短波紅外2波段的反射率值;AWEIsh是為研究場景下有明顯陰影存在的情況設計，AWEIsh能夠有效去除陰影像元[19]；AWEInsh則是為研究場景下陰影問題并不明顯的情況設計[20],AWEInsh能夠有效地去除易與水體混淆的黑色建筑地表。本研究聚焦的潮灘區域沒有明顯的陰影干擾，因此選用AWEInsh進行水邊線提取。經過實驗，AWEInsh同樣適用于Landsat8 OLI數據[19]。

2.1.2 大津算法提取閾值

大津算法(OSTU)[21]是日本學者大津于1979年提出的一種確定圖像二值化分割閾值的算法，從原理上講，用該方法提取的閾值對圖像進行二值化分割后，前景與背景圖像的類間方差最大，因此該方法又被稱為最大類間方差法。通過在GEE平臺中編寫代碼，可以自動獲取經過水體指數計算的每景灰度圖像的閾值，并對其進行二值化分割。

2.2 平均低潮線提取

受潮汐作用、泥沙淤積等因素的影響，瞬時水邊線之間會出現交叉現象，并且隨著泥沙的不斷淤積、地形不斷改變，時間間隔越長、水邊線數量越多，交叉現象就越復雜[8]，通過目視解譯的方法從水邊線集中提取平均低潮線就需要耗費大量的時間，并且受人為干擾較大，因此本研究使用基于ArcGIS軟件開發的數字岸線分析系統(digital shoreline analysis system, DSAS)[22]，通過提取離陸地最遠的潮位點，擬合一條平均低潮線。

DSAS模塊通過對一條Baseline作若干條間隔相同、長度固定并與水邊線集充分相交的垂線，記錄垂線與水邊線集的所有交點數據，這些交點包含了其所在垂線編號、至Baseline距離以及空間坐標等信息。經過多次測試，結合研究區實際情況，選定垂線間隔為500 m，垂線長度為18 000 m，最后通過Python編程對交點數據進行分析，篩選出同一垂線編號中距離Baseline最遠的潮位點，將以上潮位點按其屬性中的垂線編號依次相連，擬合生成的折線即認為是平均低潮線(圖 4)。共生成1995年、2000年、2005年、2010年、2015年和2021年6期平均低潮線。

(a) DSAS模塊提取低潮點(b) 低潮線生成

2.3 平均高潮線提取

慈溪市有悠久的圍海筑堤歷史，域內以人工海岸線為主，因此本研究對平均高潮線的提取實質上是對人工海岸線的提取。人工海岸線在遙感影像中紋理清晰、辨識度高，因此本文采用目視解譯法直接提取。結合研究區Landsat影像和Google Earth歷史影像，遵循海岸線判別依據[23]，在ArcGIS 10.2軟件中繪制與平均低潮線對應的6期海岸線，作為本研究所需的平均高潮線。

2.4 潮灘區域提取及精度評價

潮灘提取實質上是將研究區內地物分為潮灘和其他地物2類，而精度評價是檢驗分類結果與地表真實信息吻合程度的過程，以此來評價分類結果可信度。誤差矩陣又稱混淆矩陣，廣泛應用于遙感土地利用分類精度評價，能簡單地對分類精度信息進行概括[24]。

本研究通過構建緩沖區、創建隨機采樣點，統計每個采樣點在提取結果和影像數據中分別是否屬于潮灘，并構建統計結果的混淆矩陣從而對潮灘提取的精度進行評價。為使采樣點分布合理、覆蓋均勻，以提取的潮灘結果為中心作半徑5 km的緩沖區，作為提取結果精度評價的區域(圖5)。每期緩沖區內使用Create Random Point工具隨機生成240個點作為采樣點，每個采樣點的間距不小于100 m。借助研

圖5 緩沖區和采樣點構建

究區低潮期遙感影像以及Google Earth歷史影像，目視解譯將采樣點分為潮灘和其他2類，最后構建混淆矩陣評價潮灘提取精度。

2.5 平均高、低潮線遷移速率計算

對于2.2節中的任一垂線段i，計算其與某2期高(低)潮線的交點間的距離di，作為該時期內在該垂線段上的潮線位移距離。任意2期高(低)潮線的平均遷移速率V的計算公式為：

(3)

式中：n為生成垂線段總數；Δt為2期高(低)潮線間的年份差值。

3 結果與分析

3.1 潮灘提取結果及精度評價

3.1.1 潮灘提取結果

圖6反映了1990—2021年間6期潮灘的空間位置，底圖為1990年Google Earth歷史影像，可見潮灘區域呈現明顯向北發展的態勢。依次統計各期潮灘的面積(圖7)，通過圖 7可知，研究區內潮灘的面積大部分時間維持在20 000～24 000 hm2區間，在2000—2005年間陡然減少至10 344 hm2，隨后又恢復到20 000 hm2以上。

(a) 1995年(b) 2000年(c) 2005年

(d) 2010年(e) 2015年(f) 2021年

圖7 潮灘面積統計

3.1.2 精度評價

根據目視分類結果，構建分類結果混淆矩陣(表1)，并統計各期潮灘精度(表2)。總體精度表示所有正確分類的土地覆蓋類別的檢驗點數所占總抽取的檢核點數的百分比； 用戶精度表示分類結果中樣本點的類別與地面實際類別相同的條件概率﹔生產者精度表示地面獲得的實際資料參考點類別與分類結果中對應點類別相一致的條件概率； Kappa系數是1960年由Cohen首先提出的一種應用于遙感影像分類結果評價的一致性檢驗方法﹐一般而言，Kappa值介于0～1之間，Kappa值越大表示分類精度越高(表2)。

表1 潮灘提取精度評價混淆矩陣(2021年)

表2 潮灘提取精度評價結果匯總

由表2可見本研究提取的6期潮灘總體精度都在90%以上，并且Kappa系數所反映的分類精度都達到了最佳[25]，表明本研究方法能有效地提取潮灘區域。

3.2 潮灘時空變化分析

3.2.1 潮灘地理中心空間變化

逐一計算6期潮灘區域的地理中心，并統計潮灘中心點位移情況，具體如圖 8和表3所示。

圖8 潮灘地理中心時空變化

表3 潮灘地理中心遷移情況

從中心遷移軌跡(圖8)來看，潮灘區域地理中心經歷了“西北-東北-西北-東南-西北”的復雜遷移過程，但總體呈現由東南向西北遷移的趨勢，累計遷移距離為28 083 m，總遷移距離為8 127 m。從各個遷移方向上看，西移發生在1995—2000年、2005—2010年和2015—2010年，西移距離分別為701 m,8 893 m和171 m，速度分別為140.2 m·a-1,1 778.6 m·a-1和34.2 m·a-1； 東移發生在2000—2005年和2010—2015年，距離分別為1 614 m和4 926 m，速度分別為322.8 m·a-1和821 m·a-1； 南移只發生在2010—2015年，距離為1 150 m，速度為230 m·a-1，這主要是由于2010—2015年間研究區西側海岸線外移潮灘減少，而東南側潮灘增加明顯，導致潮灘地理中心向東南方向遷移； 北移連續發生在1995—2010年和2015—2021年，距離分別為7 370 m和1 240 m，速度分別為491.3 m·a-1和206.7 m·a-1。

總體上，地理中心向西遷移了3 225 m，速度為124 m·a-1； 向北遷移了7 460 m，速度為286.9 m·a-1，南北方向遷移的跨度距離大于東西方向的遷移跨度表明潮灘南北方向變化大于東西方向變化。從各個遷移階段看，2005—2010年在東西和南北方向上的遷移距離均為最大，說明這5 a間潮灘發生了最為明顯的變化。

3.2.2 高、低潮線空間變化

表4顯示，除2000—2005年低潮線向內退縮外，其余時段高、低潮線均以不同速率外擴。高潮線外擴最快的時段是2000—2005年，達到233.87 m·a-1； 最慢的時段是2015—2021年，僅為23.65 m·a-1； 低潮線外擴最快的時段是2005—2010年，達到461.52 m·a-1。

表4 高(低)潮線遷移速率

3.2.3 潮灘面積及空間變化原因分析

研究發現，30余年間，杭州灣南岸慈溪段潮灘基本保持北移的態勢，但是潮灘面積基本維持在相對穩定的水平，僅在2000—2005年間出現驟減，對比圖6和表4可知，此時段內海岸線發生了明顯外移，但潮灘北界相較于2000年并未明顯外移，西側潮灘還出現了消退的情況，以上因素綜合導致了2005年的潮灘面積大幅減少。張華國等[23]研究了1986年以來杭州灣圍墾淤漲狀況，發現2000年以后每年圍墾面積增長的區域數量急劇上升，并推測在2001—2003年間有一輪較大規模的圍墾工程。2001年，慈溪市作出了開發建設杭州灣新區的戰略決策[26]； 2003年，杭州灣跨海大橋開始奠基建設，大橋又恰好位于潮灘消退明顯的西側。這一系列涉及該區域的重大事件，可能是造成慈溪市2000—2005年海岸線劇烈外移、潮灘顯著減少的原因。

而此后的5 a間，潮灘則以461.52 m·a-1的速率快速淤漲，因此，海岸線的劇烈外移可能會在未來一定時期內推動潮灘的淤漲。孫超等[27]研究江蘇中部沿海鹽沼演變與圍墾的關系時也認為“圍墾活動能夠改變原潮灘的沉積環境”，推動鹽沼擴張。

另外，2010—2021年間潮灘面積保持在較穩定的水平，2015—2021年潮灘地理中心和高、低潮線遷移也較小，可見近10 a，尤其是2015年之后針對潮灘的開發利用強度大幅減弱。近年來，國家為了應對海洋生態環境日益嚴峻的形勢和海洋開發秩序混亂等問題，相繼出臺政策管控圍填海活動。2018年，國務院發布了《國務院關于加強濱海濕地保護嚴格管控圍填海的通知》[28]，嚴格限制了“向海索地”。因此，在未來一定時期內，研究區內潮灘在空間形態和空間位置上很可能以穩定的速度緩慢發展。

4 討論

在本研究中，影像成像時的瞬時潮位會對潮灘提取的精度產生直接影響。潮灘提取精度主要取決于低潮線提取的精度，這就需要研究所使用的影像拍攝時間處于該海域的低潮期，因此需要對影像和其拍攝時間的潮位進行星地數據匹配。潘存鴻等[29-30]在研究杭州灣潮汐特征的研究時介紹了杭州灣沿岸潮位站分布： 杭州灣北岸設有澉浦、乍浦、金山嘴和蘆潮港4個長期潮位站，杭州灣南岸僅有鎮海口1個長期潮位站。這些潮位站均未在研究區范圍內，其提供的潮汐實測數據不能客觀地反映研究區潮汐特征。而國家海洋信息中心的全球潮汐預報服務平臺(http: //global-tide.nmdis.org.cn/)提供了1980—2022年全球485個主要港口的潮汐預報數據，其中“海黃山”站點(121.50°E, 30.21°N)處于研究區核心地帶，可以作為相對客觀的潮位參考數據。本研究統計了所使用的每景影像拍攝時間對應的預報潮高，并對多年潮汐數據做了簡單分析，發現該站點的低潮潮高通常在80～120 cm之間，經統計，共有14景影像成像時的預報潮位低于120 cm，并在本研究設定的6個時段內都有分布，因此本研究提取的潮灘具有一定的可信度。

然而，本研究主要基于“云量”因素篩選影像，最終完成潮灘的提取，是存在一定隨機性的。即便低云量的數據量非常豐富，但影像拍攝時間未在低潮期，提取出的水邊線也無法認為是低潮線。因此，可以在篩選影像前進行星地數據的匹配，并以此作為影像篩選的依據，例如Landsat系列衛星在本研究區的過境時間約為北京時間上午10: 00前后，僅需要統計低潮潮時在上午10: 00左右的日期，再與衛星過境日期進行匹配，便可高效篩選目標影像，并大幅降低低潮線提取的不確定性。

當然，這一定程度上還依賴于遙感衛星的重訪周期。若非Landsat系列數據在時間尺度上覆蓋了此前的幾十年，其16 d的重訪周期會成為星地數據匹配的消極因素。近年來，隨著國產衛星遙感數據(如高分、資源、環境等系列數據)獲取愈發便捷和Sentinel系列數據可免費獲取，大大彌補了原本匱乏的數據源。盡管不同數據間由于傳感器設計不同，幾何位置和波段設置上存在差異，多源數據交叉使用時，數據匹配存在一定困難，但遙感技術在潮灘監測領域的應用仍具備非常光明的前景。

5 結論

本研究結合GEE遙感云計算平臺和GIS技術，選用1990—2021年間共77景Landsat衛星影像，通過提取水邊線和海岸線，實現了對杭州灣南岸慈溪段的潮灘提取和面積估算，并對潮灘區域的變化情況展開了分析，為慈溪潮灘濕地的管理與保護提供了技術參考。取得的主要結論如下：

1)本研究使用Landsat衛星影像作為數據源，在保證影像質量的同時滿足了較長時序監測的需要； 使用閾值分割法提取了影像的瞬時水邊線； 通過DSAS以及Python語言編程將研究對象從線要素轉變為點要素，再由經過篩選的點要素擬合出研究所需的平均低潮線； 基于潮灘的定義，將平均低潮線與海岸線合圍，提取出了1995年、2000年、2005年、2010年、2015年和2021年6期潮灘區域，并且達到了較高的精度，說明該方法適用于本研究。

2)本研究大部分影像數據處理工作在GEE遙感云計算平臺完成，自動化程度高，對數據量較大的時序監測研究非常友好； DSAS模塊通過對研究對象要素的轉變，較為科學客觀地實現了低潮線的提取； 在海岸線信息比較明晰的(基巖、人工海岸)區域，可以比較便捷地提取出潮灘區域，具備一定的推廣性。

3)本研究發現杭州灣南岸慈溪段潮灘面積基本維持在20 000～24 000 hm2區間，2000—2005年間陡然減少至10 344 hm2，2010年又恢復至原先水平； 潮灘空間變化趨勢是由南向北遷移，遷移速度為286.9 m·a-1，其中2005—2010年潮灘的空間變化最為明顯。

4)本研究認為沿海圍墾和潮灘淤漲共同影響了潮灘面積和空間的變化，大范圍的沿海圍墾可能在未來一定時期內促進潮灘的淤漲，而這一切最主要的驅動力是地方政策，隨著針對圍填海活動的嚴控政策相繼出臺，潮灘將保持穩定的發展態勢。

當然，基于“云量”因素篩選影像具有一定的隨機性。在后續的研究中將結合潮汐預報數據，進行星地數據匹配，從而實現精準、高效的影像篩選，并嘗試引入更高時空分辨率的多源數據，實現更高精度的潮灘提取和監測。