海岸侵蚀(coast erosion, marine erosion), 是指海岸带地区因泥沙亏失等原因, 在海洋动力作用下, 导致海岸线向陆地一侧迁移或潮间带滩涂和潮下带底床下蚀的海岸变化过程^[1]。在当今全球海平面上升的背景下, 海岸侵蚀灾害已经对海岸带的生境造成严重威胁。目前, 我国海岸整体上已由淤积为主转化为以侵蚀占优势, 这种趋势将持续相当长时间, 且难以逆转, 盲目施治未必合理。当务之急是顺应自然, 摸清规律, 作好实时监测和预报预警, 把损失降低, 并根据需要和可能对一些侵蚀加以人工干预或治理。故而, 对海岸侵蚀的动态监测逐渐发展为海洋资源管理和海洋研究的重点。随着遥感技术的发展, 其大范围、周期短、多时相的特点, 可以满足海岸侵蚀动态监测的要求, 因此, 基于遥感解译的岸线提取、岸线类型识别, 以及基于解译结果的侵蚀评估都为研究海岸侵蚀机理、实现海岸侵蚀动态评估提供了数据和技术支持。

海陆分界线缺乏标志, 辨识难度大, 其遥感图像的解译难度主要体现在:首先, 样本数据具有复杂的维度和庞大的数量, 导致传统统计模式方法进行分类识别时, 无法达到预期效果; 其次, 对于复杂的图像分类和识别任务, 线性方法往往不能很好地描述图像中的特征信息, 如图像检测中目标的尺寸缩放、旋转、亮度等。针对海岸线遥感分类中面临的两个问题, 多核学习(multi-kernel learning, MKL)技术可以提供较好的解决方案。该技术以支持向量机为基础, 在理论上基本不涉及大数定律等统计原理, 其最终的决策函数决定于少量的支持向量, 大量的冗余样本被剔除在外。而对于线性不可分样本, 核函数提供了非线性映射函数, 可以由核函数来完成样本映射和内积计算^[2]。

与此同时, 在海岸侵蚀评估方法中, 需要各类评估指标, 其数值精度要求较高, 而此前主要采取的人工目视解译等传统方式, 在精度和效率上都无法满足要求。采取多核学习技术, 则可以通过利用核函数, 设计分类识别算法, 满足海岸遥感监测图像解译在精度和效率上的要求。

研究人员在不同区域进行海岸侵蚀评估, 往往根据数据的可用性和分析技术的适用性, 选择不同的指标和方法。评估指标的选取原则包括:系统性、客观性、可操作性和主导性^[3]。本文的研究区域为秦皇岛黄金海岸中的大蒲河-滦河岸段, 此处岸段自然岸线主要为砂质岸线, 人工岸线主要为港口、码头, 陆海界限较为明显, 海岸侵蚀主要体现为岸线位置的逐年蚀退, 而多核学习图像解译技术则可以支撑该指标所需各项参数的准确度。

本文基于海岸线遥感提取的可操作性和侵蚀评价指标选取的代表性, 拟采用多核学习图像解译技术进行高效准确识别并提取2014-2018年目标岸段瞬时水边线, 表征岸线位置变化, 量化评估目标岸段存在的侵蚀风险程度。

1 数据与方法 1.1 研究数据

研究数据采用的是高分一号(GF-1)卫星全色/多光谱相机2014年的2景多光谱图像, 以及高分二号(GF-2)卫星全色/多光谱相机2015-2018年每年的3景多光谱图像, 共计14景遥感图像。在对比之下, GF-2卫星多光谱数据比GF-1卫星多光谱数据空间分辨率更高, 因此本文大部分使用的是GF-2卫星数据。2015及2018年遥感图像示例见图 1。

1.2 多核学习分类技术 1.2.1 多核学习分类器

多核学习由各个基核函数构成, 它们如独立的“传感器”, 从不同方面感知数据信息, 然后通过多个基核的凸线性组合来融合信息, 并用组合的新核替换原始单核, 从而提高了核机器的性能^[4]。组合不同的基核可用式(1)表示:

$ K({x_i}, {x_j}) = \sum\limits_{m = 1}^M {{d_m}{K_m}({x_i}, {x_j})} \;\;{d_m} \ge 0, \;{\rm{ }}\sum\limits_{m = 1}^M {{d_m} = } 1, $

(1)

同时对目标解译的结果以及多核的组合进行优化是多核学习的基本目标, 例如在对偶优化问题中, 将多核代入支持向量机(support vector machine, SVM), 多核学习分类的统一理论框架为:

$ \max \left\{ {L({\alpha _i}, {\alpha _j}) = \sum\limits_{i = 1}^N {{\alpha _i}} - \frac{1}{2}\sum\limits_{i = 1}^N {\sum\limits_{j = 1}^N {{\alpha _i}{\alpha _j}{y_i}{y_j}\sum\limits_{m = 1}^M {{d_m}{K_m}({x_i}, {x_j})} } } } \right\}, $

(2)

求解上述公式得到判别函数:

$ {\hat y_j} = f({x_j}) = {\mathop{\rm sgn}} \left( {\sum\limits_{i = 1}^N {{\alpha _i}{y_i}} \sum\limits_{m = 1}^M {{d_m}} {K_m}({x_i}, {x_j}) + b} \right). $

(3)

1.2.2 判别式多核学习分类方法

本文在地物分类方面, 采用了判别式多核学习(DMKL)的方法, 这种方法是通过最大化再生核空间的可分性, 从预定义的基本内核中寻求最佳内核组合, 以获得最佳投影方向, 从而最大限度地减少类内离散度并扩大类间离散度, 达到最佳可分性^[5]。算法步骤如下:

1) 初始化核尺度值的范围;

2) M个样本的尺度在上述范围内, 或者输入M个带有合适尺度的不同的特征;

3) 计算基本的核矩阵(在上一步骤条件下);

4) 计算投影方向;

5) 利用投影方向, 将所有基核投影为一个组合核;

6) 基于一个标准SVM, 利用组合核计算分类问题。

该种基于多核机器学习的方法与其他MKL方法相比所需的计算时间更短, 确定的支持向量的数量也小, 可以在多/高光谱分类上实现最佳的性能和计算效率^[6]。

1.3 海岸侵蚀风险评估方法

本文提出的海岸侵蚀风险评估方法具体原理是, 根据各段瞬时水边线蚀退宽度计算各自占据所属海滩宽度的比例, 并进行侵蚀风险等级的统计评估。

1) 海滩侵蚀宽度模数

海滩侵蚀宽度模数是岸线蚀退宽度与海滩宽度的比值, 也是表示砂质岸线海岸侵蚀的有效参数之一^[7]。计算公式为:

$ W = {C_{\rm{E}}}/C, $

(4)

式中, 由于本文采用瞬时水边线表示岸线, W为海滩侵蚀宽度模数, W∈[0, 100%]; C_E为水边线蚀退宽度, 单位为m; C为海滩宽度, 单位为m。

2) 海岸侵蚀风险等级

海岸侵蚀风险等级采用海滩侵蚀宽度模数表达, 在本文中, 通过对水边线蚀退宽度的统计, 评估海岸存在的侵蚀风险, 如表 1所示。

3) 海岸侵蚀风险评分

根据数理统计原理, 将不同侵蚀风险级别按照区间节点值进行评分, 按所占岸段长度比例进行加权, 得出岸段整体分数, 根据所属区间范围, 确定侵蚀风险级别, 不同风险级别分值如下:轻侵蚀: (0+2)/ 2=1;中侵蚀: (2+5)/2=3.5;强侵蚀: (5+10)/2=7.5;严重侵蚀:视各段水边线最大蚀退占比而定。

2 实验区域概述

辽东湾西海岸、辽西、冀东一带的海岸是基岩和砂质平直岸, 其中在北戴河以北为基岩岬角海湾海岸; 北戴河以南到滦河河口为砂质堆积夷平岸。这段海岸发育有大面积的沙丘, 故常称沙丘海岸。

北戴河至滦河口海岸长约40 km, 呈NNE-SSW向伸展, 主要分布于秦皇岛市昌黎县境内, 在抚宁县也有少量分布。沿岸分布数列沙丘, 沙丘带宽1~ 1.5 km, 高约20~30 m, 以风积、冲积细砂、砂性土为主, 有着低下的抗海水侵蚀能力, 一旦岸线受到侵蚀, 后退趋势较明显^[8]。根据其岸段的侵淤程度和变化速率, 本文选择最具代表性的大蒲河-滦河岸段进行研究:

该岸段岸线总长19.1 km, 长期处于严重侵蚀状态。1954-1993年39年间岸线平均蚀退200 m左右, 平均蚀退速率为–5.14 m/a。1987年以来海岸平均蚀退50.5 m, 蚀退速率达–8.4 m/a。2000-2008年平均蚀退速率为–2.97 m/a^[9]。

3 实验结果

基于多核学习的岸线提取技术与海岸侵蚀风险评估方法, 结合应用于大蒲河-滦河岸段2014-2018年GF-1和GF-2卫星遥感影像, 获取了水边线逐年变化情况数据, 完成了对海岸侵蚀风险等级的评估。

3.1 水边线位置提取

对水边线位置的提取, 通过前文所述多核学习地物分类识别技术来完成, 2014-2018年典型岸段水边线逐年变化情况如图 2所示, 由图可知, 对于水边线位置变化明显的岸段, 以及水边线位置变化轻微的岸段, 本文的方法都可以完成准确识别。

3.2 岸线类型识别

目标岸段包含的岸线类型主要有砂质岸线和人工岸线两种, 选取两处典型岸线分类识别结果示例见图 3、图 4。

3.3 海岸侵蚀风险评估

为了对每一段岸线进行定量化评估, 本文按照河口位置将目标岸段分为两部分进行分段评估, 将具有相似地理特性的岸段使用多核学习算法进行地物分类, 然后将逐年结果进行叠加, 得出水边线蚀退宽度结果图及海岸侵蚀风险评估情况如图 5-图 8所示。

1) 大蒲河-新开口

大蒲河-新开口此段水边线最大蚀退程度为33.3%, 根据海岸侵蚀风险评分原则, 得出分值为1×0.24+ 3.5×0+7.5×0.01+[(10+33.3)/2]×0.75=16.55, 判定此岸段存在严重侵蚀风险。

2) 新开口-滦河

新开口-滦河此段水边线最大蚀退程度为16.65%, 根据海岸侵蚀风险评分原则, 得出分值为1×0.25+ 3.5×0.01+7.5×0.06+[(10+16.65)/2]×0.68=9.796, 判定此岸段存在强侵蚀风险。

4 侵蚀原因分析

沿岸泥沙的亏损和海岸动力的强化是海岸侵蚀的直接原因, 而人为的影响以及自然的变化乃是更深层次的根本原因^[10]。以监测区域所属的秦皇岛黄金海岸而论, 人工构筑物阻断泥沙流, 导致滦河向海输沙减少; 人工从海滩取沙, 破坏了岸滩平衡剖面; 由全球性海面上升所导致的风暴潮加剧; 滨海林带不断被大规模破坏等等, 是其海岸侵蚀的主要成因。

5 总结与展望

本文采用基于多核学习遥感解译的岸线提取技术, 获取了相比于以往人工目视解译更加精准细致的指标参数, 从而可以支撑本文所提出的海岸侵蚀风险评估方法, 对目标岸段侵蚀风险进行了科学合理的统计与评估。本文将以上方法应用于秦皇岛大蒲河-滦河口岸段2014-2018年遥感图像, 分段得出了该岸段所处的侵蚀风险级别, 并分析了侵蚀的机理, 得到了良好的应用效果。此方法可以推广至相同侵蚀类型的其他岸段进行评估管理, 对大范围岸段的图像分类识别及陆海边界提取有很大的意义, 但在特定地物类型复杂的重点岸段, 分类精度尚有不足, 还需辅以人工解译手段进行修正, 且未结合潮位和DEM数据对岸线进行潮位校正, 仅依据遥感图像的瞬时水边线进行海岸定量化侵蚀风险评估, 今后拟在提取算法中加入潮汐校正, 进一步优化多核学习岸线提取方法, 进行严格意义上的岸线高精度提取和侵蚀程度评估。