基于無人機遙感的海岸線生態(tài)監(jiān)測方法研究

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(tài)系統(tǒng)與陸地生態(tài)系統(tǒng)的重要界面，承載著豐富的生態(tài)功能與環(huán)境信息。作為典型的生態(tài)過渡帶，海岸帶區(qū)域集中了灘涂、濕地、紅樹林、鹽沼、砂質(zhì)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(tài)屏障構(gòu)建和氣候調(diào)節(jié)等生態(tài)過程的重要場所。隨著人類活動強度加劇，海岸侵蝕和生態(tài)退化等問題日益突出，海岸線及其鄰近生態(tài)系統(tǒng)面臨著結(jié)構(gòu)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(tài)監(jiān)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(shù)據(jù)，通過空中三角加密、數(shù)字高程模型（DigitalElevationModel，DEM）與數(shù)字正射影像圖（DigitalOrthophotoMap，DOM)制作，通過對海岸生態(tài)監(jiān)測的遙感數(shù)據(jù)進行處理，實現(xiàn)對岸線區(qū)域地貌、植被、水體等生態(tài)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(jù)外業(yè)實測的控制點，結(jié)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(tài)監(jiān)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(qū)域網(wǎng)優(yōu)化，最小化誤差函數(shù)：

其中， x_ij 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(shù)， X_j 為空間點坐標， P_i 為相機參數(shù)。對于存在大面積落水區(qū)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(wěn)定控制網(wǎng)，減少影像誤差對后續(xù)生態(tài)分析的干擾。

DEM的制作以數(shù)字線劃地圖（DigitalLineGraphic，DLG)數(shù)據(jù)為基礎(chǔ)，通過剔除建筑物、注記等非生態(tài)相關(guān)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(tài)系統(tǒng)結(jié)構(gòu)具有指示意義的數(shù)據(jù)。在CAD平臺篩選后，導人DEMMaker模塊構(gòu)建曲面數(shù)據(jù)結(jié)構(gòu)（TriangulatedIrregularNetwork，TIN），并生成規(guī)則格網(wǎng)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(tài)演變研究，為海岸帶植被生長條件、洪水風險區(qū)和水陸轉(zhuǎn)換界面的判斷提供基礎(chǔ)支撐。

DOM制作環(huán)節(jié)則進一步增強了生態(tài)空間分辨能力。該環(huán)節(jié)通過像素工廠系統(tǒng)，恢復空三模型并自動生成數(shù)字表面模型（DigitalSurfaceModel，DSM），經(jīng)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(tài)地貌的模型，并借助高質(zhì)量DEM進行正射校正，保證了影像的幾何一致性。經(jīng)鑲嵌線優(yōu)化拼接與勻色處理得到的DOM成果數(shù)據(jù)為后續(xù)生態(tài)斑塊識別、岸線退縮測量、紅樹林分布監(jiān)測等提供了高精度的可視化基礎(chǔ)。

2 海岸線生態(tài)提取

生態(tài)視角下，海岸線并非單純的水陸邊界，而是海洋與陸地生態(tài)系統(tǒng)交匯、互作的重要帶狀空間，具備復雜的生物多樣性和生態(tài)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(jié)構(gòu)、紋理等均勻的圖像對象。并構(gòu)建多層次的圖像對象層次網(wǎng)絡(luò)，通過圖像生

成海岸帶典型的生態(tài)梯度，包括潮間帶、濱海植被帶與人工岸線等關(guān)鍵生態(tài)單元，這些特征區(qū)域在分割結(jié)果中具備不同的紋理和光譜響應[5]

在人工標記基礎(chǔ)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(shù)， I₁，I₂ 為光譜網(wǎng)格區(qū)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(qū)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(qū)分出生態(tài)敏感帶狀結(jié)構(gòu)，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(gòu)建影像數(shù)據(jù)與生態(tài)語義之間的關(guān)聯(lián)機制。

為定量判定圖像對象之間的生態(tài)相似性，本文采用巴氏系數(shù)進行計算：

其中， B(c，d) 表示圖像對象 α_c 與 d 之間的巴氏系數(shù)，用于衡量2個直方圖之間的相似性， H_r^c，H_r^d 表示對象 Ψ_c，d 在第 k 個箱格上的歸一化直方圖頻率[6]]系數(shù)越高，說明2個區(qū)域?qū)ο蟮纳鷳B(tài)屬性越相近，適合在生態(tài)功能區(qū)中進行合并或歸類。隨后引入極值優(yōu)化的合并策略，對區(qū)域?qū)ο?P 與 Q 基于邊界異質(zhì)性最小化準則進行合并：

其中， U(m，n) 表示2個節(jié)點間的生態(tài)差異性度量， W 為連接邊集合。迭代過程中，僅當2個區(qū)域在生態(tài)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(tài)功能分界[7]

最后，依據(jù)如下分類判定規(guī)則完成水陸分界： （204

通過迭代歸類，將生態(tài)上相似的區(qū)域逐步歸并，最終在水陸交界處形成連續(xù)、生態(tài)特征明確的海岸線提取結(jié)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(qū)域生態(tài)結(jié)構(gòu)的信息，對后續(xù)的岸帶保護、濕地恢復和海洋生態(tài)紅線劃定具有重要支撐作用。

在初步完成水陸生態(tài)邊界識別的基礎(chǔ)上，為進一步精細化表達岸線區(qū)域的生態(tài)異質(zhì)性與連續(xù)性，本文引入多特征加圖模型以構(gòu)建海岸帶的生態(tài)功能區(qū)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(quán)函數(shù)對圖像對象賦權(quán)，計算生態(tài)距離權(quán)重矩陣：

D_ij=α?d_spec(i，j)+β?d_tex(i，j)+γ?d_shape(i，j)+

其中， D_ij 為圖像對象 χ_i 與 j 的綜合生態(tài)距離；d_spec，d_tex，d_shape，d_spatial 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(quán)系數(shù)。該模型使得海岸帶不同生態(tài)單元之間的邊界更具語義分化能力。

為保障生態(tài)功能連續(xù)性及空間完整性，本文引入?yún)^(qū)域連接度指標進行空間約束校正。區(qū)域連接度定義如下：

其中， E_c 表示功能區(qū)內(nèi)所有對象間存在連通關(guān)系的邊數(shù)， N_c 為當前功能區(qū)內(nèi)對象數(shù)。該指標用于判定某區(qū)域是否形成了生態(tài)上的空間連通體，避免孤

立生態(tài)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(tài)邊界保持率評價提取結(jié)果的邊界保持能力：

其中， L_ec 表示提取結(jié)果中生態(tài)邊界線段的總長度， L_gt 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(tài)邊界的保持程度。

考慮到不同類型海岸線在結(jié)構(gòu)與生態(tài)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(gòu)建基于語義嵌入的判別函數(shù)：

f(x)=argmax_k(w_k^???(x)+b_k)

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， w_k，b_k 分別為第 k 類岸線的權(quán)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(xiàn)結(jié)構(gòu)岸線與生態(tài)岸線的識別區(qū)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(tài)監(jiān)測方法，本文選取某典型海岸區(qū)域作為實驗區(qū)，開展實地遙感數(shù)據(jù)采集與處理分析工作。實驗地點位于東南沿海一帶，該區(qū)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(tài)監(jiān)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(tǒng)與地面CORS實時差分系統(tǒng)，確保飛行路徑精準性和圖像定位精度。在航線設(shè)計方面，根據(jù)實驗區(qū)地形特征與覆蓋范圍，通過航線規(guī)劃軟件設(shè)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(xù)性與完整性。本次實驗共規(guī)劃3條主航線，飛行高度設(shè)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(jù)圖2可知，無人機按預設(shè)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(jiān)控，確保數(shù)據(jù)采集的安全性與有效性。完成影像采集后，使用專業(yè)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(jié)合植被指數(shù)分析與紋理識別，對實驗區(qū)內(nèi)不同類型的岸線進行分類識別與生態(tài)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(jié)果進行分析，通過與實測岸線位置數(shù)據(jù)對比，對無人機遙感提取結(jié)果進行精度驗證與誤差評估，得到的實驗結(jié)果如圖4所示。

圖4無人機遙感提取結(jié)果

根據(jù)圖4可知，基于無人機遙感的海岸線生態(tài)監(jiān)測方法對海岸線的提取結(jié)果整體精度較高，大部分樣本點的偏差值控制在 ±2m 以內(nèi)，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(qū)段地形相對平緩、水陸邊界清晰的區(qū)域，無人機遙感技術(shù)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(qū)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(tài)監(jiān)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(qū)域，其提取效果更為穩(wěn)定可靠。盡管在部分復雜地形區(qū)域存在偏差，但整體偏差范圍均符合海岸線生態(tài)監(jiān)測的精度要求，為后續(xù)生態(tài)變化分析提供了科學的數(shù)據(jù)基礎(chǔ)。

4結(jié)語

本文圍繞基于無人機遙感的海岸線生態(tài)監(jiān)測方法展開研究，系統(tǒng)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(tài)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(shù)分析以及極值優(yōu)化的區(qū)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(yōu)、作業(yè)靈活等顯著優(yōu)勢，能夠在復雜地形與生態(tài)敏感區(qū)實現(xiàn)高效、動態(tài)的海岸線生態(tài)監(jiān)測。未來可結(jié)合多源遙感數(shù)據(jù)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(tài)監(jiān)測的時序分析、類型識別和退化預警等功能，為海岸帶生態(tài)保護與可持續(xù)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?qū)ο蟮臒o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(shù)據(jù)的海岸線變化監(jiān)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(tài)修復項目監(jiān)測方法研究[J].現(xiàn)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