选择不同潮滩类型的研究区共三个(图1), 研究区(a)位于广东省廉江市安铺港(21° 22'— 21° 29'N, 109° 48'— 109° 57'E), 潮滩为淤泥质潮滩, 潮汐类型为不规则全日潮, 属亚热带季风气候, 年降水量平均在1 600~1 650 mm; 研究区(b)位于福建省福安市溪尾镇(26° 48'— 26° 52'N, 119° 47'— 119° 51'E), 潮滩类型为淤泥质潮滩, 潮汐类型为规则半日潮, 属热带海洋性季风气候, 年降水量平均在1 500 mm; 研究区(c)位于山东省诸城市西古镇营村(35° 41'— 35° 47'N, 119° 52'— 119° 58'E), 潮滩为泥沙质潮滩, 潮汐类型为规则半日潮, 属温带季风气候, 年平均降水量在659~696 mm。

图1

Fig.1

	Figure Option ViewDownloadNew Window
	图1 研究区概况图 (a): 广东省廉江市; (b): 福建省福安市; (c): 山东省诸城市Fig.1 Study areas (a): Lianjiang City, Guangdong Province; (b): Fu'an City, Fujian Province; (c): Zhucheng City, Shandong Province

采用的遥感数据为哨兵二号(Sentinel-2A), Sentinel-2A搭载有多光谱成像仪(MSI), 拥有13个光谱波段, 条带宽度为290 km, B1、 9— 10波段空间分辨率为60 m, B2— 4、 8波段空间分辨率为10 m, B5— 7、 8A、 11— 12波段空间分辨率为20 m。 为了探讨潮汐淹没对潮滩提取的影响, 尽量选取同一研究区两幅获取时间相近, 并且卫星过境时潮汐水位分别接近高潮与低潮水位的两景影像。 潮汐水位查询从国家海洋科学数据中心平台上获取(http://mds.nmdis.org.cn/?cate_type=all)。 选取了2021年11月01日至2021年12月30日三个研究区对应的6景高、 低潮Sentinel-2多光谱影像。

首先将6景影像利用SNAP 进行预处理, 生成ENVI可读格式, 再导入到ENVI中对每幅影像进行几何校正、 大气校正, 所有波段重采样到10 m空间分辨率, 进行全波段合成。

根据实地调查及Google Earth提供的高分影像选取研究区样本点, 样本点类型主要有: 潮滩、 陆地植被、 池塘、 建筑物、 海水。 样本点数量分别为54、 59、 66、 44、 42。 分别统计三个研究区高、 低潮影像上五类地物的平均光谱反射率值(图2)。 由于组成潮滩的泥沙是由岩石经过长期风化、 搬运、 堆积、 海水浸渍而成, 其反射率光谱特征与岩石或土壤相似, 对于低潮未被海水淹没的潮滩, 其光谱反射率从可见光波段到近红外波段, 反射率是逐渐上升的, 但是潮滩不同于岩石或土壤, 潮滩受潮汐淹没的影响, 其含水量往往大于岩石或内陆土壤, 导致其反射率低、 反射率上升慢^{[16, 17]}。

图2

Fig.2

	Figure Option ViewDownloadNew Window
	图2 高、 低潮Sentinel-2影像上不同地类光谱反射率Fig.2 Spectral reflectance signatures of different land cover types from Sentinel-2 images at high and low tides

对于气溶胶蓝、 绿波段(443、 490、 560 nm)而言, 潮滩的光谱反射率值接近于海水, 可分离性较差; 对于红波段(665 nm), 高潮影像上潮滩的光谱反射率值接近于海水, 可分离性差; 对于水蒸气(945 nm)及短波红外波段(1 610、 2 190 nm), 高潮潮滩的光谱反射率值与海水的反射率值相近, 低潮潮滩的反射率值与池塘反射率值相近, 潮滩的光谱特征难以体现。 对于近红外波段(740、 783、 842 nm), 由于潮滩所处位置的特性, 高潮时, 部分浅滩被海水淹没, 其光谱主要体现的是海水光谱^[18], 低潮时, 其他地类的光谱反射率值并不受影响, 低潮影像上潮滩的近红外波段与高潮影像上的对应值具有明显的差异, 因此, 基于此差异构建潮滩提取指数。 为了简化潮滩提取指数的波段数, 选取植被红边波段(740 nm)及近红外波段(842 nm)作为潮滩特征波段, 对特征波段进行数学组合、 测试, 构建了三个潮滩提取指数(tidal flat extraction index, TFEI), 指数如式(1)— 式(3)所示

TFEI(L-H)=B8L-B8H(1)

TFEIH2=1B6H2(2)

TFEI=B8L-B8HB6H2(3)

其中: B8_L、 B8_H分别为低潮、 高潮Sentinel-2影像上B8波段的光谱反射率值; B6_H为高潮Sentinel-2影像上B6波段的光谱反射率值。

在此基础上, 统计了不同地类三个指数值(表1)。 由统计结果可见, 对于TFEI_(L-H)指数, 潮滩的数值为0.123, 其他地类的数值小于0.01, 虽然潮滩与其他地类的指数统计值有较大差异, 但是通过后续的指数计算图(图4)可见, 从整张影像的结果角度来看, 该指数的可分离性效果并不是最理想的; 对于TFE IH2指数, 潮滩与海水的统计值区分度不大; 对于TFEI指数, 潮滩的统计数值远远大于其他地类的统计数值, 说明可区分性较好。

表1

Table 1

表1(Table 1)

表1 不同波段组合对比结果 Table 1 Comparison of different band combinations 波段组合/地类 海水 陆地 植被 建筑物 池塘 潮滩 TFEI(L-H) -0.002 -0.006 -0.003 0.01 0.123 TFE IH2 4 253.308 16.843 32.161 410.884 3 086.420 TFEI -8.507 -0.101 -0.086 0.548 380.658

表1 不同波段组合对比结果 Table 1 Comparison of different band combinations

基于上述分析, 选取了植被红边波段(740 nm)与近红外波段(842 nm)构建潮滩提取指数(TFEI), 即式(3)

TFEI=B8L-B8HB6H2

为了进一步对比分析已构建潮滩提取指数的可分离性, 分别对三个研究区, 计算TFEI、 TFEI_(L-H)和TFE IH2三种不同指数的潮滩指数结果(图3)。 从定性角度分析, 虽然TFEI_(L-H)指数对潮滩提取有一定的分离效果, 但是偶有其他地类的指数计算值接近于潮滩的对应指数计算值, 即将其他地类误认为潮滩, 会影响后续的潮滩提取结果; TFE IH2指数中, 潮滩与海水的指数计算值接近, 两者混淆, 与其他地类的指数计算值差异较大, 该指数对潮滩没有可分离性; TFEI指数中潮滩比其他地类的指数计算值都偏大, 影像上显示为白色, 对比于其他地类, 具有明显的区分性。

图3

Fig.3

	Figure Option ViewDownloadNew Window
	图3 不同潮滩提取指数结果图 (a): 广东省廉江市; (b): 福建省福安市; (c): 山东省诸城市Fig.3 Different tidal flat recognition index images (a): Lianjiang City, Guangdong Province; (b): Fu'an City, Fujian Province; (c): Zhucheng City Shandong Province

在定性分析基础上, 进一步定量统计了三个研究区上述三种指数计算值, 并形成箱式图(图4)。 对于TFEI_(L-H)指数, 研究区(a)中潮滩的最小值与陆地植被及建筑物的最大值有重叠, 研究区(b)、 (c)中潮滩的最小值与陆地植被、 建筑物的最大值相近, TFEI_(L-H)指数虽然对潮滩有一定的分离效果, 但是可分离性不显著; 对于TFE IH2指数, 研究区(a— c)中潮滩指数计算值与海水、 池塘的指数计算值重叠, 说明无法将潮滩进行有效区分, 无可分离性, 这个统计结果与定性分析一致; 对于TFEI指数, 潮滩指数的计算值与其他地类的计算值无重叠, 相比于其他地类, 潮滩具有可分离性, 潮滩分离效果较好。

图4

Fig.4

	Figure Option ViewDownloadNew Window
	图4 不同潮滩指数统计结果 (a): 广东省廉江市; (b): 福建省福安市; (c): 山东省诸城市Fig.4 Statistical results of different tidal flat recognition indices (a): Lianjiang City, Guangdong Province; (b): Fu'an City, Fujian Province; (c): Zhucheng City Shandong Province

将潮滩指数应用到三种不同类型潮滩的研究区中(图3), 从目视解译上, 潮滩均能在遥感影像上突显出来(白色), 其他地类显示为黑或黑灰色, 黑白色差异明显, 从定量统计上, 潮滩的统计值与其他地类无重叠, 说明潮滩与其他地类的可分离性高, 因此, 该指数适用于不同种类的潮滩研究区。

针对研究区(a), 采用三种常用分类方法, 即最小距离法^[19]、 极大似然法^[20]、 支持向量机^[21], 将构建的潮滩提取指数作为输入量, 输入到上述三种分类方法中进行分类, 得到潮滩的分类结果图(图5), 在Google Earth高分影像及野外调查采集样本点共316个, 其中潮滩159个, 非潮滩157个(包括陆地植被、 池塘、 海水、 建筑物), 209个样本点用于训练, 107个样本点用于验证。 采用混淆矩阵对其进行精度评价, 精度评价指标包括总体分类精度、 用户精度、 制图精度、 Kappa系数(表2)。

图5

Fig.5

	Figure Option ViewDownloadNew Window
	图5 不同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.5 Tidal flat recognizing results by different classification methods (a): Minimum distance; (b): Maximum likelihood; (c): Support vector machine

表2

Table 2

表2(Table 2)

表2 研究区(a)三种分类方法精度评价表 Table 2 Accuracy evaluation of three classification methods in the study area (a) 类别 最小距离法 极大似然法 支持向量机 潮滩 非潮滩 潮滩 非潮滩 潮滩 非潮滩 潮滩 48 2 53 4 52 2 非潮滩 6 51 1 49 2 51 用户精度 96% 89% 93% 98% 96% 96% 制图精度 89% 96% 98% 92% 96% 96% 最小距离法 总体精度 93% Kappa系数 0.85 极大似然法 总体精度 95% Kappa系数 0.91 支持向量机 总体精度 96% Kappa系数 0.93

表2 研究区(a)三种分类方法精度评价表 Table 2 Accuracy evaluation of three classification methods in the study area (a)

由图5可见, 结合构建的潮滩提取指数, 三种分类方法提取潮滩均取得了很好的分类效果。 对三种分类方法提取的潮滩面积进行统计, 得出最小距离法、 极大似然法、 支持向量机潮滩提取面积分别为: 1 281.23、 2 039.18和1 552.66 ha。 最小距离法及支持向量机提取的潮滩斑块较琐碎, 一些零星分散或潮沟附近的潮滩均能有效被提取出来, 极大似然法提取的潮滩斑块较规整。 根据精度评价结果可知, 三种分类方法总体分类精度分别为93%、 95%、 96%, Kappa系数分别为0.85、 0.91、 0.93。 说明本工作构建的潮滩提取指数可适用于不同的分类方法, 并取得较好的潮滩提取结果。

选取“ 珠海一号” (OHS)高光谱数据作为对比数据源, 该数据由珠海欧比特宇航科技股份有限公司提供(https://www.obtdata.com/#/index), “ 珠海一号” 高光谱卫星于2018年12月7日开始提供数据服务, 其空间分辨率10 m, 波长范围400~1 000 nm, 光谱分辨率2.5 nm, 32个光谱波段重访周期为6天。 获取了2021年1月12号及2021年11月24号两景高、 低潮“ 珠海一号” 影像。

分别采用Sentinel-2与“ 珠海一号” 数据, 结合极大似然分类方法提取海岸带潮滩(图6), 对潮滩指数提取结果及潮滩解译结果对比发现: 两种数据源, 潮滩均能以高亮白色或白灰色显示出来, 其他地类显示为黑色, 灰度有明显的差异, 说明潮滩指数提取效果良好; 对于潮滩解译结果而言, Sentinel-2及“ 珠海一号” 两种数据源均能将潮滩有效提取出来, Sentinel-2数据的潮滩解译结果多为规整斑块, 珠海一号的潮滩解译以零散斑块为主, 这个结果主要取决于高、 低潮时成像瞬间不同数据源的数据质量, Sentinel-2与珠海一号提取的潮滩面积分别为2 039.18和2 378.48 ha。 此外, 基于同一套样本点对两种数据源解译的潮滩进行了精度评价(表3), 对于“ 珠海一号” 与Sentinel-2数据源解译潮滩总体精度分别为93%、 95%, Kappa系数分别为0.85、 0.91, 再结合上述分析可见: 本工作构建的潮滩指数适用于包含植被红边波段(740 nm)与近红外波段(842 nm)的不同类型遥感数据源。

图6

Fig.6

	Figure Option ViewDownloadNew Window
	图6 不同数据源潮滩提取结果图 (a), (c)为Sentinel-2数据; (b), (d)为“ 珠海一号” 数据Fig.6 Tidal flat recognition images (a), (c): Sentinel-2 data; (b), (d): OHS data

表3

Table 3

表3(Table 3)

表3 不同数据源潮滩识别精度评价 Table 3 Accuracy evaluation of tidal flat recognitions from different data sources 类别 Sentinel-2 珠海一号 潮滩 非潮滩 潮滩 非潮滩 潮滩 53 4 50 4 非潮滩 1 49 4 49 用户精度 93% 98% 93% 92% 制图精度 98% 92% 93% 92% Sentinel-2 总体精度 95% Kappa系数 0.91 珠海一号 总体精度 93% Kappa系数 0.85

表3 不同数据源潮滩识别精度评价 Table 3 Accuracy evaluation of tidal flat recognitions from different data sources