摘要
利用遥感瞬时影像提取海岸带潮滩时，受潮汐影响导致空间分布提取准确性低。以削弱潮汐影响为目的，提出一种联合时序Sentinel-2影像与潮滩指数的海岸带潮滩提取方法。首先，基于Sentinel-2时间序列影像，利用分位数合成法生成高、低潮影像，分析不同地类在高、低潮影像上的光谱反射率特征，构建一种可排除潮汐瞬时干扰的近红外波段潮滩提取指数；将影像光谱与潮滩提取指数输入到机器学习算法中，实现潮滩的快速、高效提取。此外，研究讨论了潮滩指数的可分离性及方法的普适性。结果表明：构建的潮滩提取指数对潮滩具有较好的可分离性，潮滩提取总体精度为93.02%，Kappa系数为0.86，提出的方法对含有近红外波段的遥感影像均具有良好的适用性，能够实现自动、快速的潮滩提取，为海岸带资源的可持续管理和保护提供数据支持。
潮滩作为海陆之间的过渡地带，是滨海湿地不可或缺的重要组成部分。潮滩不仅在在海岸线保护、污染物净化、气候调节等方面发挥着至关重要的作
遥感技术因其具有实时、高效、覆盖范围广的优势，为获取海岸带潮滩信息提供了丰富的数据源。Google Earth Engine（GEE）作为一个拥有多种卫星影像和强大运算能力的云平台，为潮滩监测带来前所未有的机
本文以GEE云平台提供的时间序列Sentinel-2影像作为数据源，采用分位数合成法进行合成高、低潮影像，分析不同地类在高、低潮影像中的光谱反射率特征（尤其是近红外波段），构建一种排除潮汐瞬时干扰的近红外波段潮滩提取指数，并结合机器学习算法实现潮滩快速、高效、自动提取。本研究为潮滩的保护、管理提供科学支持，拓展了海岸带潮滩提取的新思路。
本文选取4种不同类型的潮滩作为研究区（如
图 1 研究区概况图： （a） 研究区a； （b） 研究区b； （c） 研究区c； （d） 研究区d
Fig. 1 Overview map of the study area： （a） study area a； （b） study area b； （c） study area c； （d） study area d
本文采用的遥感数据为哨兵二号（Sentinel-2A）影像，共13个波段，其中，B1、9、10波段的空间分辨率为60 m，B2-4、8波段的分辨率为10 m，B5-7、8A、11、12波段的分辨率为20 m。选取2023年全年云量低于20%且成像较好的影像，对影像进行预处理，包括除云、几何校正和辐射校正，并对所有波段进行重采样至10 m分辨率。
为了排除其他地类对潮滩提取的影响，本研究以中国海岸线图为底图，以海岸线为基线，生成海岸线缓冲区，缓冲区半径为1 km，这是目视依据潮滩分布边界范围确定的，用缓冲区裁剪哨兵二号影像，生成潮滩潜在区域范围图。
选取“珠海一号”（OHS）高光谱数据作为对比数据源，珠海一号数据共32个波段，波长范围400~1 000 nm，光谱分辨率2.5 nm，空间分辨率10 m，由于数据源有限，本研究分别获取2021年1月及2021年11月2景高、低潮影像。
本文基于GEE云平台，提出一种联合时序Sentinel-2影像与潮滩指数的海岸带潮滩提取方法。具体流程如下：①基于GEE云平台，根据缓冲区初步确定潮滩潜在区域，利用分位数合成法生成高、低潮影像；②分析不同地类在高、低潮影像上的光谱反射率，提取特征并构建可排除潮汐瞬时干扰的海岸带潮滩提取指数；③将已构建的潮滩提取指数作为特征，结合机器学习算法，提取海岸带潮滩信息；④本文方法适用性验证，具体包括潮滩提取指数的可分离性、不同遥感数据源的适应性、不同研究区的精度分析。具体技术路线如
图 2 本文方法流程及案例说明
Fig. 2 The methodology flow and case study
分位数合成法是通过对时间序列遥感影像中每个像素的分位数值进行选取和合成，生成具有特定分位数特征的新影像，这种方法可有效减少云层、阴影等暂时性干扰，并且缓解潮汐动态变化带来的不确定性，增强影像的稳定性和可解释
图 3 高、低潮分位数合成影像示意图（引自XIA et a
Fig. 3 Schematic of the synthesized high-tide and low-tide images）
根据实地野外调查及Google Earth提供的高分辨率影像，分别在4个研究区选择了样本点，样本点的类型和数量分别为：潮滩（237）、养殖池（89）、海水（82）、植被（74）、建筑物（82），根据样本点统计不同地类的光谱反射率，形成反射率曲线图（
图 4 高低潮影像上不同地类光谱反射率曲线图
Fig. 4 Spectral reflectance profiles of different land types on high-tide and low-tide images
归一化水体指数（normalized difference water index， NDWI）是一种用于增强水体与其他地表覆盖物之间差异的指数，能够有效地提取水体信息。NDWI能够清晰地区分水体和非水体，使得在高潮和低潮时期潮滩的覆盖状态变化更加明显。因此，本研究将NDWI作为潮滩提取指数的一个因子。对于蓝光（443 nm）、绿光（490 nm、560 nm）波段，潮滩与海水的光谱反射率相近，光谱可分离效果较差；对于红光波段（665 nm），在高潮时潮滩与海水的光谱反射率仍接近，不易分辨；对于在水蒸气（945 nm）和短波红外（1 610 nm、2 190 nm）波段，高潮时被淹没的潮滩与海水光谱反射率相似，这些波段难以有效识别潮滩。然而，在近红外波段（740 nm、783 nm、842 nm），高潮和低潮时的光谱反射率差异明显，鉴于此，本研究选择B8（842 nm）波段作为潮滩提取指数的另一个因子。
为了研究潮滩提取指数的可分离性，对4个研究区分别计算、和三种指数结果（
图 5 潮滩提取指数结果图
Fig. 5 Plot of tidal flats extraction index results
在目视分析基础上，定量统计了4个研究区指数计算值（
图 6 四个研究区潮滩指数统计结果： （a） 研究区a；（b） 研究区b；（c） 研究区c；（d） 研究区d
Fig. 6 Statistical results of tidal flat index in four study areas： （a） study area a； （b） study area b； （c） study area c； （d） study area d
对于研究区（a），采用最小距离法、极大似然法和支持向量机得到潮滩提取结果（如
图7 三种分类方法潮滩结果图：（a）最小距离法；（b）极大似然法；（c）支持向量机
Fig. 7 Tidal flat results of three classification methods： （a） minimum distance classification； （b） maximum likelihood classification； （c） support vector machine
| categories | Minimum Distance Classification | Maximum Likelihood Classification | Support Vector Machine | |||
|---|---|---|---|---|---|---|
| tidal flats | non-tidal flats | tidal flats | non-tidal flats | tidal flats | non-tidal flats | |
| tidal flats | 197 | 1 | 237 | 54 | 217 | 3 |
| non-tidal flats | 40 | 326 | 0 | 273 | 20 | 324 |
| Minimum Distance Classification | Overall precision | 92.73% | Kappa factor | 0.85 | ||
| Maximum Likelihood Classification | Overall precision | 90.43% | Kappa factor | 0.81 | ||
| Support Vector Machine | Overall precision | 95.92% | Kappa factor | 0.92 | ||
快速、准确的潮滩提取能够及时、高效地反映潮滩的消长与变迁，有助于相关部门进行科学决策和管理。本文方法简单易实现、自动化程度高，显著提高了数据处理的效率，尤其是在大规模潮滩监测研究中，具有较好优势。对于受潮汐周期性淹没的潮滩，本文方法可以较好地解决此类问题，提供更加准确和可靠的解译结果。
基于最大似然分类方法，分别采用Sentinel-2、珠海一号与Landsat影像提取海岸带潮滩，结果如
图 8 不同数据源潮滩提取结果：（a）珠海一号；（b）Landsat；（c）哨兵二号
Fig. 8 Tidal flat extraction results from different data sources： （a） Zhuhai-1； （b） Landsat； （c） Sentinel-2
三个数据源的潮滩面积分别为2 078.96 ha、2 210.89ha和2 496.43ha，总体分类精度分别为90.43%、95.8%和96.3%，Kappa系数分别为0.81、0.91和0.93。上述分析可见，本文方法适用于包含近红外波段（842 nm）各类遥感传感器提供的数据
| categories | Zhuhai-1 | Landsat | ||
|---|---|---|---|---|
| tidal flats | non-tidal flats | tidal flats | non-tidal flats | |
| tidal flats | 270 | 9 | 210 | 0 |
| non-tidal flats | 12 | 206 | 15 | 180 |
| OHS | Overall precision | 95.77% | Kappa factor | 0.91 |
| Landsat | Overall precision | 96.30% | Kappa factor | 0.93 |
为了减少潮汐动态变化对潮滩提取的影响，利用GEE平台提供的Sentinel-2数据，提出联合潮滩提取指数与机器学习的潮滩提取方法，实现了海岸带潮滩的准确、快速、自动提取。本研究构建的潮滩指数对于潮滩具有良好的可分离性，三种分类方法提取的潮滩总体分类精度均大于90%，Kappa系数均大于0.81，此外，验证了本文方法适用于不同的遥感数据源及不同类型潮滩区域。本文提出的方法为海岸带潮滩提取提出新的思路，为海岸带的科学管理与保护提供数据及方法支持。
References
Wu Zheng-Hu. Tidal flats area boundary extraction method based on multispectral images ［J］. Exploration Science and Technology， 2024， （02）： 11-15. [百度学术]
吴正虎. 基于多光谱影像的潮滩区域边界提取方法［J］. 勘察科学技术， 2024， （02）： 11-15. [百度学术]
Zhao C， Qin C. 10-m-resolution mangrove maps of China derived from multi-source and multi-temporal satellite observations ［J］. ISPRS Journal of Photogrammetry and Remote Sensing， 2020， 169： 389-405. [百度学术]
Dai Shuo， Xia Qing， Zhang Han， et al. Construction of a tidal flat extraction index using Sentinel-2 multispectral images ［J］. Spectroscopy and Spectral Analysis， 2023， 43（06）： 1888-1894. [百度学术]
代硕， 夏清， 张涵， 等. 利用Sentinel-2多光谱影像构建一种潮滩提取指数［J］. 光谱学与光谱分析， 2023， 43（06）： 1888-1894. [百度学术]
Li Yun-Xu， Wu Hai-Tao， Jiang Ming， et al. Information extraction of marsh wetland from multi-source remote sensing data and machine learning algorithm ［J］. Wetland Science and Management， 2024， 20（02）： 16-22. [百度学术]
李濡旭， 武海涛， 姜明， 等. 多源遥感数据与机器学习算法的沼泽湿地信息提取［J］. 湿地科学与管理， 2024， 20（02）： 16-22. [百度学术]
Long Jia-Jia， Zhong Shi-Quan， Chu Ai-Ping， et al. Spectral characterization of mangrove communities based on Gaofen-5 satellite data ［J］. Guangxi Science， 2023， 30（05）： 993-1000. [百度学术]
龙佳佳， 钟仕全， 初爱萍， 等. 基于高分五号卫星数据的红树林群落光谱特征分析［J］.广西科学， 2023， 30（05）： 993-1000. [百度学术]
Chen Hui-Xin， Chen Chao， Zhang Zi-Li， et al. An intertidal remote sensing information extraction method based on Google Earth Engine cloud platform ［J］. Remote Sensing of Natural Resources， 2022， 34（04）： 60-67. [百度学术]
陈慧欣， 陈超， 张自力， 等. 一种基于Google Earth Engine云平台的潮间带遥感信息提取方法［J］. 自然资源遥感， 2022， 34（04）： 60-67. [百度学术]
Cai Qiao-Yun， Shen Jian-Hua. Comparative study of land use classification methods based on fusion of multi-source remote sensing data sources ［J］. Standardization of Surveying and Mapping， 2023， 39（04）： 26-31. [百度学术]
蔡巧云， 沈建华. 基于多源遥感数据源融合的土地利用分类方法对比研究［J］. 测绘标准化， 2023， 39（04）： 26-31. [百度学术]
Jia M， Wang Z， Mao D， et al. Rapid， robust， and automated mapping of tidal flats in China using time series Sentinel-2 images and Google Earth Engine ［J］. Remote Sensing of Environment， 2021， 255： 112285. [百度学术]
Zhang Yuan-Yuan， Gao Zhi-Qiang， Liu Xiang-Yang， et al. Research on tidal flats area extraction method based on remotely sensed water margins ［J］. Marine Development and Management， 2018， 35（03）： 56-61. [百度学术]
张媛媛， 高志强， 刘向阳， 等. 基于遥感水边线的潮滩面积提取方法研究［J］. 海洋开发与管理， 2018， 35（03）： 56-61. [百度学术]
Zhang Bin， Han Zhen. Research on tidal flat boundary extraction based on SFF-W algorithm ［J］. Marine Surveying and Mapping， 2022， 42（01）： 55-59. [百度学术]
张斌， 韩震. 基于SFF-W算法的潮滩边界提取研究［J］. 海洋测绘， 2022， 42（01）： 55-59. [百度学术]
Johannes R， Ron H， Biorn W. Towards large-scale mapping of local climate zones using multitemporal Sentinel 2 data and convolutional neural networks ［J］. Remote Sensing of Environment， 2020， 237： 111472. [百度学术]
He T， Xia Q， Zhang H， et al. Development of a tidal flat recognition index based on multispectral images for mapping tidal flats ［J］. Ecological Indicators， 2023， 157： 11218. [百度学术]
Ma Ming， Gou Chang-Long. Several algorithms for minimum distance classification of remote sensing data ［J］. Surveying and Mapping Bulletin， 2017， （3）： 157-159. [百度学术]
马铭， 苟长龙. 遥感数据最小距离分类的几种算法［J］. 测绘通报， 2017， （3）： 157-159. [百度学术]
Gema C， Ewan T， Cindy C，et al. A cost-effective method to map mangrove forest extent， composition， and condition in small islands based on Sentinel-2 data： Implications for management ［J］ Ecological Indicators， 2024， 159： 111696. [百度学术]
Li Yan-Cheng， Fang Ting-Jian， Yu Er-Kang. Research on support vector machine method for short-term load forecasting ［J］. Chinese Journal of Electrical Engineering，2003， （06）： 55-59. [百度学术]
李元诚，方廷健，于尔铿. 短期负荷预测的支持向量机方法研究［J］.中国电机工程学报，2003， （06）： 55-59. [百度学术]
Ghosh S， Mishra D， Gitelson A. Long-term monitoring of biophysical characteristics of tidal wetlands in the northern Gulf of Mexico-A methodological approach using MODIS ［J］. Remote Sensing of Environment， 2019， 173： 39–58. [百度学术]
Dou Shi-Qing， Chen Zhi-Yu， Xu Yong， et al. Hyperspectral image classification based on multi-feature fusion and typical dimensionality reduction methods ［J］. Surveying and Mapping Bulletin， 2022， （4）： 32-36. [百度学术]
窦世卿， 陈治宇， 徐勇， 等. 基于多特征融合与典型降维方法的高光谱影像分类［J］. 测绘通报， 2022， （4）： 32-36. [百度学术]
Zhang Min， Wu Wen-Ting， Wang Xiao-Qin， et al. Inversion study on topographic information of tidal flats in the Yangtze River estuary based on tidal dynamic inundation process ［J］. Journal of Earth Information， 2022， 24（03）： 583-596. [百度学术]
章敏， 吴文挺， 汪小钦， 等. 基于潮汐动态淹没过程的长江口潮滩地形信息反演研究［J］. 地球信息科学学报， 2022， 24（03）： 583-596. [百度学术]
Dond L， Guo H， Zhang L， et al. Time-series snowmelt detection over the Antarctic using Sentinel-1 SAR images on Google Earth Engine ［J］. Remote Sensing of Environment， 2021， 256： 112318. [百度学术]
Pulvirenti L， Chini M， Pierdicca N， et al. Flood monitoring using multi-temporal COSMO-SkyMed data： Image segmentation and signature interpretation ［J］. Remote Sensing of Environment， 2011， 115（4）： 990-1002. [百度学术]
Hu C. Remote detection of marine debris using satellite observations in the visible and near infrared spectral range： Challenges and potentials ［J］. Remote Sensing of Environment， 2021， 259： 112414. [百度学术]