基于多光谱数据的黄河三角洲岸线自动提取

乔学瑾，王庆*，战超，王昕，王红艳，杜国云，李雪艳

(1. 鲁东大学 海岸研究所，山东 烟台 264025)



基于多光谱数据的黄河三角洲岸线自动提取

乔学瑾1，王庆1*，战超1，王昕1，王红艳1，杜国云1，李雪艳1

(1. 鲁东大学 海岸研究所，山东 烟台 264025)

摘要：基于多光谱数据对海岸线自动提取的问题研究已久。针对国内外岸线提取方法较为单一的现状，提出兼顾光谱特征与空间关系的海岸线自动提取方法：将2014年黄河三角洲Landsat8-OLI影像与实测地物反射率光谱对比，选择敏感波段建立提取模型，之后对研究岸段进行分类并自动提取，同时基于908专项山东省修测海岸线标准的目视解译方法对实验部分的海岸线进行提取，最后通过ROC曲线原则对提取结果分别进行0.5与1像元精度评价，实验证明该方法在1个像元精度(提取置信度均高于90%)范围内能快速、准确地提取黄河三角洲复杂地貌类型地区的海岸线，所得到的矢量岸线可直接用于地理信息系统(GIS)分析。

关键词：海岸线；自适应阈值；自动提取；精度评价

1引言

海岸线两侧地表光谱特征因地貌类型及土地利用类型不同而存在明显差异[1]，利用多光谱数据对海岸线自动提取并监测其演化，已经成为研究海岸带时空演变的一种重要手段。当前，常用的遥感影像岸线自动提取方法大致分为两类：(1)利用海岸线的空间关系，通过形态学法或算子法先对影像进行边缘检测，在优化检测结果后获取海岸线。例如，魏东岚和曹晓晨[2]及盛佳等[3]利用Canny算子提取了海岸线。Rigos等[4]基于切比雪夫多项式和径向基函数神经网络(RBF)相结合的算法，提取了葡萄牙法鲁海岸的岸线。Yousef等[5—6]通过遗传算法和交互信息对激光雷达DEM数据与航拍影像数据进行融合，然后以支持向量机提取器基于融合后的数据进行海岸线提取。(2)基于岸线两侧光谱特性，通过分类对影像进行分割，随后对水陆分类结果优化处理，最终将分割线作为海岸线。例如，Liu等[7]基于密度分割与GIS边缘追踪自主开发了岸线提取算法与程序，利用加尔维斯顿湾雷达数据和安提瓜岛快鸟影像进行岸线提取。Feng等[8—10]在Liu等[7]研究基础上，以CA模型(细胞自动机模型)对上海及其3个次区域的多幅遥感影像进行水陆分割与边缘提取，得到1979—2008年海岸线并分析其时空变化。Masria等[11]针对阿斯旺水坝建立后导致海岸侵蚀问题，通过阈值分割提取埃及罗塞塔海角的海岸线。Gonçalves等[12]和Zhu等[13]运用修复归一化水体指数(MNDWI)和聚类分析相结合的方法提取海岸线，前者用于提取瞬时高潮线与瞬时低潮线，后者通过样本自动选择和支持向量机海岸线自动提取模型对ETM+数据进行验证。

上述第一种方法只考虑水陆边界的空间关系，提取的岸线存在不连续和虚假岸线的现象，而且提取的结果多为水边线，非多年大潮平均高潮线(即海岸线)。第二种方法虽能够获得连续海岸线，但由于仅利用影像光谱特征，对诸如枝杈状潮沟发育的宽平滩涂海岸、入海河口等地形、覆被存在较大空间差异的复杂岸段，容易出现错分岸线两侧地物、岸线在河口处连接错误等现象，其结果是导致岸线提取准确性低。为弥补并改进以上两种方法中仅单独研究中影像光谱特征和空间关系带来的不足，本文通过实测地物光谱并将其与影像中较高层次的光谱信息对比，综合运用海岸线两侧光谱特性差异和空间关系不同，优化岸线提取、提高准确率与定位精度，进而提出一种基于多光谱数据对环境复杂岸线的自动提取方法。

2数据和方法

2.1研究区域与数据源

黄河三角洲位于渤海湾南部和莱州湾西部，是由古代、近代和现代三角洲组成的亚三角洲联合体，本文研究区域为1855年黄河袭夺大清河流入渤海后形成的现代三角洲，以宁海为顶点，北起套尔河口，南至淄脉河口，地势自西南至东北呈扇形微倾斜[14]。该三角洲为陆相淤积性弱潮三角洲，滩涂宽广平坦且发育演化迅速，在入海河流和海洋双重动力作用下，岸线变化速率和方向与一般海岸差异明显。

2013年9月13日至2014年7月19日，采用AvaField-3自动光谱测量仪(光谱范围为300～2 500 nm，包含Landsat8-OLI影像光谱范围)，对黄河三角洲淤泥质潮滩进行了表层反射率光谱的采集。因样品采集区域范围大，受光谱采集最佳时间、采样区天气条件、涨落潮时间等因素限制，所以本文采样时间跨度较长达近1年。潮滩表层光谱采集均选择于低潮位时进行，同一点测量10次后取结果平均值作为实测值，采样线布设遵循垂直相交于海岸线原则，部分因自然条件限制而无法到达的位置，采用斜交于岸线的方式布设样线，所有样线上各样点大致按等间距原则布设。对任一样点，以梅花型布点法在15 m×15 m的单元格中分别采集两对角线交点与各对角线四等分点的光谱，取五点平均值为该样点光谱反射率。最终共采集到178组潮滩表层反射率光谱数据，所有样品采集点布置情况见图1。考虑到光谱采集时间跨度，选择黄河三角洲2014年5月1日Landsant8-OLI影像，作为与实测光谱进行对比和岸线自动提取所用的影像数据。3种不同海岸线类型的实验区中，A区(37°40′16″～37°46′42″N，119°00′59″～119°08′56″E)位于黄河入海口南部，几乎不受人工直接干预，岸线外侧为粉砂淤泥质潮间滩涂，滩面平缓淤长，岸线内侧生长芦苇、碱蓬、苔草等耐盐植被；B区(37°31′04″～37°37′40″N，118°52′45″～119°00′41″E)南、北部分分别为永丰河和小岛河入海口处，该区域存在大面积虾池、盐田，人工建筑物向海一侧有分布不均匀的潮滩，堤脚附近部分区域生长稀疏耐盐植被；C区(37°53′07″～37°59′42″N，118°58′52″～119°06′33″E)因岸线严重侵蚀而以人工建造的防护堤为主，陆地部分为裸地和虾池、盐田，其近海侧在一般低潮期无潮滩出露。

2.2研究方法

考虑到海岸线两侧最大的地貌及土地覆被差异为陆地、潮滩及水体，根据三者在遥感影像中分别具有不同的光谱特征和空间关系，设计岸线自动提取流程如图2所示。

2.2.1数据预处理

遥感影像预处理：对覆盖黄河三角洲地区的2014年5月1日Landsat8-OLI遥感影像进行辐射定标、大气校正处理；参照已精校正的1999年TM影像，选取30个分布均匀的地面控制点进行几何精校正，保证校正精度在0.5个像元内；校正后进行Pan融合、影像裁剪与镶嵌等处理。最后，在处理结果中裁剪出代表3种不同岸线类型的800×800大小的海岸线提取实验区域。

实测光谱预处理：AvaField-3自动光谱测量仪采集数据时已去除暗电流、校准通道增益和订正波长，但各波段间的能量响应存在一定差异，且野外样品采集为非理想状态，所以获取的光谱曲线有噪点。本文采用移动平均法对所获反射率光谱曲线平滑处理来去除噪声。所谓移动平均法，就是在反射率光谱曲线上，取上一个测样点前后一定范围内测样点的平均值，作为该样点的值。假如给定了n个测样点的序列i=1，2，3，…，n，那么i点平滑后的值就是i点在内的2n+1个点的平均值：

(1)

2.2.2光谱分析

按照Landsat8-OLI影像数据的波段划分，对实测反射率光谱数据进行重采样。其中，遥感影像与实测光谱均选取其所设波段中心波长对应的反射率，作为遥感数据源和实测光谱曲线的光谱特征因子。在此基础上，基于SPSS19.0软件的统计分析功能，将178个样本点的各波段反射率实测值与相应处理后的遥感影像各波段反射率进行相关性分析，得出实测值与影像1～7波段的相关系数。随后，利用光谱实测反射率与影像各波段反射率的关系，构建多种回归模型，并依据F值检验显著性，各波段反射率实测值与相应处理后的遥感影像各波段反射率的相关系数分别为0.347、0.364、0.637、0.510、0.589、0.742、0.611(置信水平为99%)。查表得相应α=0.01的相关系数临界值为0.192 61，可见1～7波段反射率均与实测值显著相关。之后利用光谱实测反射率与影像各波段反射率的关系，构建多种回归模型，并依据F值检验显著性(表1)，筛选出拟合度高的波段。

图1　黄河三角洲和不同类型海岸线区位图Fig.1　Location map of the Yellow River Delta and different types of coastline

2.2.3岸线分类

本文所指海岸线，均为多年大潮平均高潮线。由于图像全局二值化时单一设定某一全局阈值T会导致图像细节表达存在缺陷，降低岸线提取精度。为克服该缺陷，本文引入局部自适应二值化，同时结合海岸地貌和岸线遥感提取，将海岸线分为自然岸线和人工岸线两类。其中，自然岸线为基本没有受到人工直接干预而保持原始状态的岸线，岸线外侧为粉砂淤泥质潮间滩涂，滩面坡度平缓，宽度可达数千米及更广(图1中A)。因最近数十年来的大量人工开发，受人为影响较小的自然岸线仅存于河口地区，本文所提取的自然岸线均与芦苇、碱蓬、苔草等植被向海侧边缘线重合。这些黄河三角洲典型植被与未被植被覆盖的光滩之间的差异，即使冬季枯萎后，在7、5、4波段融合后的遥感影像上仍清晰可见，因而可作为自然岸线提取的标志。人工岸线为由永久性人工建筑物组成的岸线，如防波堤、防潮堤、护坡、挡浪墙、码头、防潮闸、道路等挡水(潮)建筑物[15]。因建筑物向海侧的地貌、景观类型及光谱信息不同，人工岸线分为完全开发人工岸线和未完全开发人工岸线：未完全开发人工岸线向海一侧仍有宽窄不等的潮滩发育，潮滩宽度可达数千米，其靠近堤脚附近有时发育稀疏耐盐植被(图1中B)；完全开发人工岸线的人工海岸建筑物近海侧常年被海水淹没，一般低潮状态下不会有潮滩出露(图1中C)。

表1　影像各波段反射率与实测光谱的相关性和多种回归模型的F值

图2　海岸线自动提取流程图Fig.2　The flowchart of automatic coastline extraction in this paper

2.2.4提取过程

本文通过反映光谱特性的阈值分割，体现空间关系的一种融合区域生长法的自适应Canny边缘提取法[16]和膨胀腐蚀运算[17]，实现海岸线自动提取并优化提取结果。

(1)分割模型建立

在Matlab建立一个三维到一维的空间映射，通过RGB2Gray函数把裁剪后的RGB影像转换为灰度图。基于光谱反射率的相关系数、F值、遥感影像光谱特性和OIF值，筛选出最佳波段建立模型。为增强影像信息、减少数据冗余，通常选择信息量大、相关性小和目标地物类型在所选波段组合中辨识度高的波段，而Hamedianfar和Shafri[18]的最佳指数公式(Optimum Index Factor，OIF)恰好符合该选择准则：

(2)

式中，n为波段数；Si是第i波段的标准差，其数值与影像反差与信息量呈正相关；Rij为第i波段和第j波段的相关系数，其数值与数据冗余量呈正相关。

OIF将实测光谱各波段标准差与不同波段之间相关系数有效结合，其数值与影像的信息量呈正相关，根据其大小可选出最优波段组合。经平滑处理和重采样后的实测光谱各波段标准差和不同波段之间相关系数显示，band7标准差最大且与其余波段的相关系数最小(表2，3)。实测光谱中1、2、3、4、5、6、7波段之间共有35种3波段组合，依据公式(2)、表2和表3计算可得各波段组合的OIF因子(表4)。其中，band7参与的波段组合的OIF值均较其他组合高，最高的为7-5-4波段组合，即band7、band5和band4波段组合最重要。

表2　实测光谱各波段反射率统计

表3　实测光谱波段相关性分析

表4　波段组合OIF指数及排序

续表4

对于OLI影像而言，红外波段附近水体反射最弱、土壤反射最强。由于平均大潮高潮时淹没部分与未淹没部分的物质成分、含水量及植被不同，导致岸线两侧反射率不同，进而在遥感影像上表达出不同的灰阶和色彩。其中，band1、band2线性模型的F值偏小，其相关系数超过0.98，且band2所反映地物特征有限，故去除band1和band2。Band3和band6线性模型的F值最大，岸线两侧不同植被覆盖信息可通过第3波段所表达；band6、band7对裸土表面湿度非常灵敏，可反映岸线两侧含水率不同；在局部对比度限定条件下，MNDWI[19](modified normalized difference water index)对岸线两侧光谱特性表达具有代表性[20—21]，故用band3和band6建立归一化线性模型。Band4和band5对陆地区域地物的反应和表达较强，反映陆域植被最佳并减少大气中烟雾影响。所以，本文选取波段7、5和4用于阈值界定，所建分割模型如下：

(3)

式中，band7、6、5、4和3分别对应影像中7、6、5、4和3波段像元值，T7，T5，T4分别为与相应波段对应的分割阈值，在试验中由相应的波段统计直方图自适应获取，Tw和Dw分别为对应的分割阈值和标准差，由波段统计直方图自适应获取。基于Matlab2012b进行计算，所得Value为1的区域为陆地，为0的区域为滩涂或海域，其间边界即为海岸线。

(2)剔除异质、边缘提取和优化

在遥感影像局部空间中，陆地和潮滩上的养殖池或小水体等对比度小的地物易错分为水体，而水体中的礁石或小岛等对比度大的地物易错分为陆地。基于影像局部空间关系，即以区域生长算法对种子点(某像元)的8邻域连通面积进行计算，域面积大于设定的填充阈值，则为同质区域相同地物；相反，小于设定值的为相反地物类型，剔除并填充该异质区域。结合区域生长算法[22]对分割模型计算获得的二值影像进行自适应Canny边缘提取，计算某像元8邻阈在x、y方向上一阶偏导有限差分:

x方向偏导数：

y方向偏导数：

梯度幅值为：

(4)

梯度方向：

(5)

盐田、虾池引海入田的潮沟在影像中的光谱信息与自然岸线相同，对融合区域生长算法的自适应Canny计算结果进行膨胀腐蚀运算和开运算处理，使盐田、虾池与潮沟融合为一体，将减少岸线像元对比度的点扩散所造成的像元错误分类的影响，进一步减少岸线在入海河口的错误连接，更加准确定位岸线位置。最后，对二值影像矢量化，形成矢量海岸线最终结果。

3结果与分析

3.1精度评价

为验证自动提取岸线的精确度，除了目视对比[23]外，还需对提取结果进行精度评价。以往研究对于提取结果精度评价，除实地测量外[24—25]，多为提取海岸线与参考海岸线相互叠加，单一而定性估计计算提取结果。Cao和Li[26]对提取水体面积的评价和吴小娟等[27]将参考海岸线与提取岸线的长度误差作为评价标准，Bagli和Soille[28]通过performance index指数评价岸线提取结果。本文基于海岸线空间关系，引入一种符合海岸线特性且与线性目标相匹配的精度评价方法，即ROC[29]曲线(receiver operating characteristic curve)线匹配原则。方法如下：

将目视解译提取的海岸线定义为参考岸线，建立缓冲半径为0.5或1个像素单位的参考岸线缓冲区，如果自动提取岸线落入缓冲区中，认为自动提取岸线与参考岸线相匹配，将其总长度记为TP1(true positive)，反之则为不匹配，并记其总长度为FP(false positive)；同样地，建立自动提取海岸线的缓冲区，如果参考岸线落入缓冲区，认为其同提取岸线相匹，记其总长度为TP2，否则将其定义为参考岸线同提取结果不匹配，并记其总长度为FN(false negative)。以上精度评价实验过程均基于Matlab语言实现。如图3所示。

图3　基于ROC曲线匹配原则的精度评价示意图Fig.3　Using the principle of ROC curve matching to evaluate the accuracy of the extraction result

基于以上ROC线匹配分析，可定义以下参数：

(6)

(7)

(8)

式中，参数Complete表示海岸线提取结果完整度；Correct表示提取结果正确度；Quality通过正确度与完整度综合评价岸线提取质量。

3.2目视解译标准

为尽可能降低误差，本文海岸线目视解译提取执行以下标准：自然岸线向陆一侧一般植被生长茂盛，向海一侧植被较为稀疏或为没有植被的裸露潮滩，其上多有树枝状潮沟发育。大潮涨潮时淹没粉砂淤泥质潮滩，使得淹没范围内高潮线处植被稀疏，在影像中植被茂盛与稀疏程度明显差异处即为海岸线位置[30]。对于河口部分，大型河口港湾保留其自然形态，将入海口第一座桥梁或大坝定义为海岸线所在位置；小河口的河道急剧缩窄和两岬曲率最大处定义为岸线所在位置。对完全开发人工海岸线，防波堤等海岸构筑物与海水的交界处就是海岸线[31]，但构成人工海岸的防波堤宽度很小，在分辨率15 m的图像中无法显示为一个像元单位，故将其从海岸线的目视解译与自动提取过程中剔除[32]。对于未完全开发人工岸线，淤泥质滩涂向陆一侧修筑了大量的虾池、盐田等，并在虾池、盐田的近海一侧均修筑了防浪堤，以防止大潮高潮时海水灌入，而这些经济区域与淤泥质潮滩的分界线就是海岸线。

为使目视解译结果更加精确，基于本文提出的目视解译方法，参照908专项山东省修测海岸线执行标准进行目视解译提取。908专项山东省修测海岸线是现场测量结合遥感提取的方式获取的，通过遥感影像与山东省修测岸线叠加对比，发现本文提出目视解译对海岸线位置的确定符合国家908专项山东省修测岸线标准，可以准确提取海岸线[15]。最后，为减少目视解译中人为因素的干扰，综合3位解译人员目视解译结果，同时在解译过程中和解译结束后通过精确到亚米级的手持GPS进行野外定位取证，以此对室内解译岸线进行修正。

3.3提取结果与精度评价结果

利用上述阈值分割模型，对3类海岸线基于Landsat8-OLI数据(图4a、5a、6a)分别计算MNDWI值(图4b、5b、6b)、进行灰度图转化(图4c、5c、6c)，得到初始分割影像二值结果。将完全开发和未完全开发人工岸线的陆地或潮滩区域的异质斑块阈值设定为0.01，水体区域的异质斑块阈值设定为0.001，自然岸线的陆地或潮滩区域的异质斑块阈值设定为0.02，水体区域的异质斑块阈值设定为0.002。其后，依次对3类分割结果进行融合区域生长法的自适应Canny边缘提取。然后，通过迭代计算得到3种类型海岸线的空间位置、方向和强度最清晰点即阈值最优点。其中，自然岸线分割阈值为0.599，未完全开发人工岸线分割阈值为0.596，完全开发人工岸线分割阈值为0.945，进而实现图像分割阈值自动化确定，使结果更有效。最终，以标记算法对优化岸线进行外边界追踪，得到最终的矢量海岸线。

因完全开发人工岸线易于分辨与提取，本文只针对自然岸线和未完全开发岸线进行修订(如图4、5框内)。自然岸线位置1和3部分岸线位置为植被两侧覆被类型与茂密程度不同处；位置2、4、5部分岸线为公路和人工土坝堤脚。未完全开发人工岸线位置1是永丰河入海口处，实测岸线订正到河流入海口处向上游延伸的第一座坝体或闭合建筑，与自动提取的海岸线相比，距入海河口较近；位置2是小岛河入海口处，其南、北两侧虾池、盐田都有引海入池的潮沟，应将潮沟缺口处用直线连接闭合，以此订正海岸线。

图4　自然岸线提取过程与提取结果Fig.4　The extraction processes and results of natural coastline

图5　未完全开发人工岸线提取过程与提取结果Fig.5　The extraction processes and results of semi-artificial coastline

图6　完全开发人工岸线提取过程与提取结果Fig.6　The extraction processes and results of fully developed artificial coastline

图7　自然、未完全开发和人工岸线提取结果精度评价分析Fig.7　Evaluating and analysis of the extraction accuracy of natural coastline，semi-artificial coastline and artificial coastline

3种类型的岸线提取结果如下(图4d、5d、6d)：(1)自然岸线自动提取长度为1 769像素，目视解译的参考岸线长度1 820像素，长度误差-2.80%。当岸线提取几何定位精度在0.5像元单位时(图4e)，TP1、TP2、FP和FN分别为1 568、1 628、201和192，通过计算可得到相应的完整度、正确度和质量分别为89.45%、88.64%和80.26%。当缓冲半径为1像元时(图4f)，TP1、TP2、FP和FN分别为1 676、1 731、93和89，相应的完整度、正确度和质量分别为95.11%、94.74%和90.44%。

(2)未完全开发人工岸线自动提取长度为1 265像素，目视解译参考长度为1 299像素，长度误差-2.62%。当岸线提取的几何定位精度为0.5像元时(图5e)，TP1、TP2、FP和FN分别为1 179、1 222、86和77，通过计算可得到相应的完整度、正确度和质量分别为94.07%、93.20%和88.05%。当缓冲半径为1像元时(图5f)，TP1、TP2、FP和FN分别为1 205、1 233、60和66，相应的完整度、正确度和质量分别为95.25%、94.92%和90.63%。

(3)人工岸线自动提取长度为991像素，目视解译参考长度为1 012像素，长度误差为-2.08%。当岸线提取的几何定位精度在0.5像元单位时(图6e)，TP1、TP2、FP和FN分别为936、962、55和50，通过计算可得到相应的完整度、正确度和质量分别为95.06%、94.45%和90.03%。当缓冲半径为1像元(图6f)时，TP1、TP2、FP和FN分别为945、977、46和35，相应的完整度、正确度和质量分别为96.54%、95.50%和92.34%。

分析对比可知，兼具光谱特性和空间关系的海岸线提取结果的长度误差分别为：自然岸线-2.80%，未完全开发人工岸线-2.62%，完全开发人工岸线-2.08%，海岸线提取长度精确度均相当高。当提取岸线的几何定位精度为0.5个像元时，3种类型实验对象提取的完整度分别为89.45%、94.07%和95.06%，正确度分别为88.64%、93.20%和94.45%，提取质量分别为80.26%、88.05%、90.03%。当几何定位精度变为1个像元时，3类实验提取结果完整度、正确度和质量均高于90%(图7)。

4讨论与结论

4.1讨论

黄河为世界上含沙量位居第一的大河，黄河三角洲海岸线的演变速率已远大于地形图与航片的更新速率，导致与其相关的研究精度受到限制，从而遥感数据成为长时间尺度与多频率研究间隔下监测岸线变迁的重要数据源。本文将实测光谱和遥感影像相结合来研究岸线自动提取，基于Landsat8-OLI影像在修复归一化水体指数(band6和band3组合)中引入短波红外波段，增加了band7、band5和band4三个波段。所建立的提取模型涵盖可见光、近红外和短波红外3个波段组，通过波段组合和波段范围限定建立模型，在降低波段间冗余的前提下充分利用影像信息。由于多年大潮平均高潮位两侧含盐量的不同，导致植被覆盖度和生长状况不同，band7波段可表达出强烈的植被信息，参与模型构建能突出其变化，而且已有许多土壤盐分光谱特征的相关研究表明，band7波段与土壤盐分有较好的相关性，可作为盐分含量变化的特征波段，进而反映出岸线两侧植被光谱信息不同，最终确定岸线所在位置。总体看来，利用这种方法自动提取岸线具有较高的准确度、完整度及提取质量，但是也还有许多问题需要进一步完善。

首先，野外潮滩光谱采集存在一定主观性，而且光谱采集时间跨度较大。采样断面以及同一断面上的相邻样点的间隔并非严格相等，在影像中一个像素单位是15 m×15 m单元格内所有地物光谱的均值，而实测光谱只采集15 m×15 m单元格内5个点的光谱信息，样点数量与类型能否完全反映黄河三角洲地物光谱特征有待于验证。

其次，影像融合以后分辨率为15 m，但与航片和实测地形图相比，其分辨率仍较低，导致岸线在自动提取时存在误差。本文采用大潮平均高潮线法对遥感影响中的海岸线进行目视解译提取，且通过野外GPS进行定位来校正室内解译结果，虽然降低了解译难度和增加解译精度，但是大潮平均高潮线的位置及其附近地形、物质组成、土壤含水量、含盐量和植被空间差异等随海岸坡度、季节、潮周期、波浪高度和强度等持续变化，某一次即时的现场潮滩光谱采集和遥感成像无法反映这些变化。

第三，在海岸线自动提取模型构建中算子法和形态学已应用较多，Canny算子较Roberts、Sobel和LOG等典型微分算子有具有大信噪比、检测精度高的特点。传统Canny算子边缘检测时将非边缘点误判为边缘点的概率低，但遥感影像局部灰度变化最大像素并非一定为边缘点，本文结合区域生长法的自适应Canny以局部灰度平均变化最大的像素为边缘，边缘信息丰富，噪声点基本消失。与传统Canny算子相比，该自适应Canny计算某一个像元点8邻域x、y方向上一阶偏导有限差分，改进了以往双阈值求取采用同阈值的问题，既精确边缘定位又抑制噪声。除计算机图形图像分析参与模型构建，还用到实测光谱与遥感影像的特征选取关系模型、影像各波段间的数学关系模型。但潮滩坡度、表层地物含水量等影响光谱反射率的因素，未参与耦合模型的构建，后续研究中应加以考虑。

4.2结论

本文综合运用陆地、滩涂以及海域的光谱特性和海岸线的空间位置关系，通过黄河三角洲地区实测地物光谱与遥感影像光谱反射率的对比分析，选择敏感波段建立自动提取模型，对不同类型海岸线进行初步提取，随后利用融合区域生长算法的自适应Canny边缘提取算法和膨胀腐蚀算法，优化海岸线提取结果、提高提取准确率与定位精度，提取过程与结果对黄河三角洲海岸线自动提取具有重要意义；另外，对Canny算子的改进研究，不但剔除异质斑块和精确空间定位，也为今后的遥感影像处理和图像处理提供了更精确的科学方法；最后基于野外踏勘GPS实测数据与908专项目视解译标准，对目视解译的参考岸线进行修正，以空间方位关系为基础将参考岸线与自动提取的海岸线进行线匹配，引用ROC曲线原则对3类实验区提取结果进行0.5与1像素值几何定位精度评价，结果发现长度误差虽小，但几何定位精度变化，对实验结果影响较大(在几何定位精度为1像素值时，自然岸线和未完全开发人工岸线表现更为明显)。经对比发现，实验A、B和C3类情况提取完整度、正确度和质量在相同几何定位精度单位下呈逐渐上升趋势；当提取岸线平面轮廓形态变得曲折复杂时，提取结果精度相对较低；相反岸线平滑、简单，提取结果精度高(图7)。由此推断，本文提出的研究方法在实际使用中误差为0.5～1个像元之间，可用于对岸线快速初步精确定位中，且人工岸线与未完全开发人工岸线部分在不同情况下可完全替代目视解译结果，使实验结论科学有效。

在自动化和提取精度方面，本研究最终获得较好的实验结果，但部分提取过程及定位精度有待改进。由于不同类型海岸带包含不同地理空间信息，且不同卫星搭载不同分辨率传感器，均需对遥感影像和波段模型进行筛选对比。其次对于河流入海口处岸线的精确定位提取还存在不足，同时，文中所提到的方法在不同区域鲁棒性还有待验证。最后，虽然通过野外提取结果来校正目视解译结果，但目视解译过程的部分误差不可避免。

参考文献：

[1]张成扬， 赵智杰. 近10年黄河三角洲土地利用/覆盖时空变化特征与驱动因素定量分析[J]. 北京大学学报(自然科学版)， 2015， 51(1): 151-158.

Zhang Chengyang， Zhao Zhijie. Temporal and spatial change of land use/cover and quantitative analysis on the driving forces in the Yellow River Delta[J]. Acta Scientiarum Naturalium Universitatis Pekinensis， 2015， 51(1): 151-158．

[2]魏东岚， 曹晓晨. Matlab平台下遥感影像的北方岸线提取研究——以大连长兴岛为例[J]. 测绘通报， 2015(5): 80-83.

Wei Donglan， Cao Xiaochen. Using satellite remote sensing image data to research the north coastline extraction based on matlab—A case study of Changxing Island， Dalian City[J]. Bulletin of Surveying and Mapping， 2015(5): 80-83．

[3]盛佳， 洪中华， 张云， 等. 基于TerraSAR-X影像的格陵兰岛海岸水边线提取[J]. 极地研究， 2014， 26(4): 418-424.

Sheng Jia， Hong Zhonghua， Zhang Yun， et al. Extraction of the Greenland coastline based on TerraSAR-X imagery[J]. Chinese Journal of Polar Research， 2014， 26(4): 418-424．

[4]Rigos A， Andreadis O P， Andreas M， et al. Shoreline Extraction from Coastal Images Using Chebyshev Polynomials and RBF Neural Networks[M]// Artificial Intelligence Applications and Innovations. Berlin Heidelberg：Springer， 2014：593-603.

[5]Yousef A， Iftekharuddin K. Shoreline extraction from the fusion of LiDAR DEM data and aerial images using mutual information and genetic algrithms[C]. Neural Networks (IJCNN)， 2014 International Joint Conference on IEEE， 2014：1007-1014．

[6]Yousef A， Iftekharuddin K M， Mohammad A K. Shoreline extraction from light detection and ranging digital elevation model data and aerial images[J]. Optical Engineering， 2014， 53(1):259-269.

[7]Liu H， Wang L， Sherman D J， et al. Algorithmic foundation and software tools for extracting shoreline features from remote sensing imagery and LiDAR data[J]. Journal of Geographic Information System， 2011， 3(2):99-119．

[8]Feng Y， Liu Y， Liu D. Shoreline mapping with cellular automata and the shoreline progradation analysis in Shanghai， China from 1979 to 2008[J]. Arabian Journal of Geosciences， 2015， 8(7):4337-4351．

[9]冯永玖， 袁佳宇， 宋丽君， 等. 杭州湾海岸线信息的遥感提取及其变迁分析[J]. 遥感技术与应用， 2015， 2(2): 345-352.

Feng Yongjiu， Yuan Jiayu， Song Lijun， et al. Coastline mapping and change detection along Hangzhou Bay using remotely sensed imagery[J]. Remote Sensing Technology and Application， 2015， 2(2): 345-352．

[10]Feng Y， Liu Y. A cellular automata model based on nonlinear kernel principal component analysis for urban growth simulation[J]. Environment & Planning B Planning & Design， 2013， 40(1):116-134．

[11]Masria A， Nadaoka K， Negm A， et al. Detection of shoreline and land cover changes around Rosetta Promontory， Egypt， based on remote sensing analysis[J]. Land， 2015， 4(1):216-230．

[12]Gonçalves G R， Duro N， Sousa E， et al. Automatic extraction of tide-coordinated shoreline using open source software and landsat imagery[C]//ISPRS-International Archives of the Photogrammetry， Remote Sensing and Spatial Information Sciences， 2015：953-957.

[13]Zhu C， Zhang X， Luo J， et al. Automatic extraction of coastline by remote sensing technology based on SVM and auto-selection of training samples[J]. Remote Sensing for Land & Resources， 2013， 25(2):69-74．

[14]关元秀， 刘高焕， 王劲峰. 基于GIS的黄河三角洲盐碱地改良分区[J]. 地理学报， 2001， 56(2): 198-205.

Guan Yuanxiu， Liu Gaohuan， Wang Jinfeng. Regionalization of salt-affected land for ameliorationin the Yellow River Delta based on GIS[J]. Acta Geographica Sinica， 2001， 56(2): 198-205．

[15]国家海洋局908专项办公室.我国近海海洋综合调查与评价专项海岸线修测技术规程[M]. 北京: 海洋出版社， 2007.

Special Office of the China National Marine Bureau， 908. China’s offshore marine integrated investigation and evaluation of specific coastline revision technology procedures[M]. Beijing: China Ocean Press， 2007．

[16]孙效功， 赵海虹， 崔承琦. 黄河三角洲潮滩潮沟体系的分维特征[J]. 海洋与湖沼， 2001， 32(1): 74-80.

Sun Xiaogong， Zhao Haihong， Cui Chengqi. The fractal characteristics of tidal flat and tidal creek system in the Yellow River Delta[J]. Oceanologia et Limnologia Sinica， 2001， 32(1): 74-80．

[17]郭永飞，韩震.基于SPOT遥感影像的九段沙潮沟信息提取及分维研究[J]. 海洋与湖沼，2013，44(6):1436-1441.

Guo Yongfei， Han Zhen. Information extraction and fractal dimensions based on SPOT remote sensing image for tidal channels in Jiuduansha shoal[J]. Oceanologia et Limnologia Sinica， 2013，44(6):1436-1441．

[18]Hamedianfar A， Shafri H Z M. Development of fuzzy rule-based parameters for urban object-oriented classification using very high resolution imagery[J]. Geocarto International， 2013， 29(3):1-25．

[19]徐涵秋. 利用改进的归一化差异水体指数(MNDWI)提取水体信息的研究[J].遥感学报， 2005， 9(5): 589-595.

Xu Hanqiu. A Study on information extraction of water body with the modified normalized difference water index(MNDWI)[J]. Journal of Remote Sensing， 2005， 9(5): 589-595．

[20]Ryu Joo-Hyung， Won Joong-Sun ， Min Kyung Duck. Waterline extraction from Landsat TM data in a tidal flat[J]. Remote Sensing of Environment， 2002， 83(3):442-456．

[21]沈芳，郜昂，吴建平，等. 淤泥质潮滩水边线提取的遥感研究及DEM构建——以长江口九段沙为例[J]. 测绘学报，2008(1):102-107.

Shen Fang， Gao Ang， Wu Jianping， et al. A remotely sensed approach on waterline extraction of silty tidal flat for DEM construction，a case study in Jiuduansha Shoal of Yangtze river[J]. Acta Geodaetica et Catograghica sinica， 2008(1):102-107．

[22]雄卡. 图像处理、分析与机器视觉[M]. 北京：清华大学出版社， 2011．

Sonka. Image Processing, Analysis, and Machine Vision[M]. Beijing: Tsinghua University Press, 2011.

[23]沈琦， 汪承义， 赵斌. 几何活动轮廓模型用于高分辨率遥感影像海岸线自动提取[J]. 复旦学报:自然科学版， 2012， 51(1):77-82.

Shen Qi， Wang Chengyi， Zhao Bin. Automatic waterline extraction in VHR imagery using Geometric Active Contour model[J]. Journal of Fudan University(Natural Science)， 2012， 51(1):77-82．

[24]刘善伟， 张杰， 马毅，等. 遥感与DEM相结合的海岸线高精度提取方法[J]. 遥感技术与应用， 2011， 26(5):613-618.

Liu Shanwei， Zhang Jie， Ma Yi， et al. Coastline extraction method based on remote sensing and DEM[J]. Remote Sensing Technology and Application， 2011， 26(5):613-618.

[25]张霞， 庄智， 张旭凯，等. 秦皇岛市海岸线遥感提取及变化监测[J]. 遥感技术与应用， 2014， 29(4):625-630.

Zhang Xia， Zhuang Zhi， Zhang Xukai， et al. Coastline extraction and change monitoring by remote sensing technology in Qinghuangdao city[J]. Remote Sensing Technology and Application， 2014， 29(4):625-630．

[26]Cao Ronglong， Li Cunjun. Extracting Miyun Reservoir’s water area and monitoring its change based on a revised normalized different water index[J]. Science of Surveying and Mapping， 2008， 33(2):158-160．

[27]吴小娟， 肖晨超， 崔振营，等. “高分二号”卫星数据面向对象的海岸线提取法[J]. 航天返回与遥感， 2015， 36(4):84-92.

Wu Xiaojuan， Xiao Chenchao， Cui Zhenying， et al. Coastline extraction based on object-oriented method using GF-2 satellite data[J]. Spacecraft Recovery & Remote Sensing， 2015， 36(4):84-92.

[28]Bagli S， Soille P. Automatic delineation of shoreline and lake boundaries from Landsat satellite images[C]//Proceedings of Initial ECO-IMAGING GI and GIS for Integrated Coastal Management， 2004．

[29]Zou K， O’Malley A L. Receiver-operating characteristic analysis for evaluating diagnostic tests and predictive models[J]. Circulation， 2007， 115(5):654-657．

[30]孙伟富， 马毅， 张杰， 等.不同类型海岸线遥感解译标志建立和提取方法研究[J]. 测绘通报， 2011(3):41-44.

Sun Weifu， Ma Yi， Zhang Jie， et al. Study of remote sensing interpretation keys and extraction technique of different tyoes of shoreline[J]. Bulletin of Surveying and Mapping， 2011(3):41-44.

[31]高义， 王辉， 苏奋振， 等. 中国大陆海岸线近30a的时空变化分析[J]. 海洋学报， 2013， 35(6):31-42.

Gao Yi， Wang Hui， Su Fenzhen， et al. Spatial and temporal of continental coastline of China in recent three decades[J]. Haiyang Xuebao， 2013， 35(6):31-42.

[32]马小峰， 赵冬至， 邢小罡， 等. 海岸线卫星遥感提取方法研究[J]. 海洋环境科学， 2007， 26(2):185-189.

Ma Xiaofeng， Zhao Dongzhi， Xing Xiaogang， et al. Means of withdrawing coastline by remote sensing[J]. Marine Environmental Science， 2007， 26(2):185-189.

Study on automatic extraction of coastline in the Yellow River Delta based on multi-spectral data

Qiao Xuejin1， Wang Qing1， Zhan Chao1， Wang Xin1， Wang Hongyan1， Du Guoyun1， Li Xueyan1

(1.CoastInstituteofLudongUniversity，Yantai264025，China)

Abstract:The automatic extraction of coastline based on multi-spectral data has been an important question which has received attention for a long time. In this paper， aiming at the situation of the coastline extraction with a relatively single method based on either the spectral characteristic or the spatial relation， the authors present an automatic extraction method which concludes both spectral characteristics and spatial relations. Firstly， through comparing the measured spectrums with the Landsat8-OLI image of 2014 and choosing sensitive bands to build extraction model， we classified and extracted the coastline of the Yellow River Delta. Secondly， through using the method of visual interpretation， we extracted the coastline of experimental coastal section based on the coastline revision of Shandong Province in the 908 special project. Thirdly， through using the ROC (Receiver Operating Characteristic) curve， we evaluated the accuracy of the extraction result by 0.5 pixels and 1 pixel individually. Finally， the experimental result of vector-based coastline was directly applied in the subsequent GIS analysis. On the whole， through this new method， we can extract the coastline of Yellow River Delta quickly with an accuracy of one pixel and an extraction confidence level of higher than 90%．

Key words:coastline; adaptive threshold; automatic extraction; evaluation

收稿日期：2015-11-29；

修订日期：2016-02-25。

基金项目：国家自然科学基金项目(41271016，41471005)。

作者简介：乔学瑾(1989—)，男，山西省大同市人，从事河口海岸地表过程研究。E-mail：qiaoxuejin@sina.com *通信作者：王庆(1968—)，男，山东省临沂市人，教授，河口海岸学专业。E-mail：schingwang@126.com

中图分类号:P715.7

文献标志码：A

文章编号：0253-4193(2016)07-0059-13

乔学瑾，王庆，战超， 等. 基于多光谱数据的黄河三角洲岸线自动提取[J]. 海洋学报， 2016， 38(7):59-71， doi:10.3969/j.issn.0253-4193.2016.07.006

Qiao Xuejin， Wang Qing， Zhan Chao， et al.Study on automatic extraction of coastline in the Yellow River Delta based on multi-spectral data[J]. Haiyang Xuebao， 2016， 38(7):59-71，doi:10.3969/j.issn.0253-4193.2016.07.006