迈向全球沙质海岸线评估：在多个地点系统地提取和验证基于光学卫星的海岸指标

《Remote Sensing of Environment》：Towards a global assessment of sandy shorelines: Systematic extraction and validation of optical satellite-derived coastal indicators at various sites

海岸带监测的卫星水线提取方法及误差影响因素分析。摘要：基于Sentinel-2和Landsat光学影像，开发了可定制化卫星水线（SDW）提取工具箱，系统评估了5种光谱指数与4种阈值分割方法的性能差异。研究发现：SDW精度受潮汐范围和岸线坡度显著影响，微潮汐区域SDW误差通常小于15米，而高潮汐区域可达40米；SCoWI-LM组合最优，NDWI方法表现最差；通过建立潮汐范围与误差的回归模型，首次提出量化误差的倒坡度关系式。

　　卫星遥感技术为监测海岸线动态提供了前所未有的机会，特别是在大范围的空间和时间尺度上。随着计算工具的进步和公开卫星影像的广泛获取，使用用户定义参数（如波段组合、分割算法和预处理步骤）来高效提取这些指标已经成为可能。这一技术的广泛应用和数据的丰富性表明，全球尺度的海岸线监测正在变得越来越可行。然而，开发从大陆到全球的海岸线变化数据集的努力仍然有限，部分原因是环境条件的差异和缺乏标准化算法。此外，卫星观测误差与环境条件之间的定量关系尚未被深入研究。目前，许多卫星衍生的水线（SDW）提取方法仅进行了相互比较，而未充分评估其性能差异。

本研究在前人工作的基础上，开发了一个可定制的开放访问的SDW提取Python工具包。我们评估了不同波段组合和分割方法对Sentinel-2和Landsat光学影像中水线和海岸线位置准确度的影响，总共比较了20种SDW提取方法。通过在八个沙滩型海岸线站点上使用现场测量的沙滩高程剖面和FES2022潮汐模型输出，我们突显了SDW在微潮汐环境和中潮汐到巨潮汐环境之间系统性差异。我们发现，微潮汐站点的SDW/SDS准确度受波段组合选择的影响较小，而中潮汐到巨潮汐站点的准确度则主要受阈值选择的影响。我们还验证了相关的卫星衍生指标，如长期趋势、年际变化和季节性循环，以及沙滩坡度。总体而言，这些指标在前几位SDW方法中得到了较好的捕捉，长期趋势、年际变化和季节性循环振幅的误差分别约为0.8米/年、2米和2.5米。

在SDW时间序列中，信号与噪声比低的问题也得到了关注，强调了通过时间聚合来量化和减少噪声的必要性。我们提出了经验公式，将误差与沙滩坡度的倒数和潮汐范围相关联，即潮汐范围除以沙滩坡度。这些结果为在缺乏验证数据的站点上首次估计卫星衍生海岸线位置的准确度提供了关键框架，同时也为大规模、自动化的海岸线监测方法论挑战提供了深刻的见解，强调了Sentinel-2和Landsat衍生观测的优势和局限性，超越了单纯的海岸监测领域。

本研究基于八个多样化且有良好监测记录的海岸线站点，探讨了SDW算法在不同环境条件下的性能差异。这些站点的特性包括不同的波浪动力学、潮汐制度和沉积物组成，为评估卫星衍生海岸线提取算法在不同环境条件下的表现提供了全面的框架。我们还引入了新的操作工具，以最小化误差，特别是在没有人工选择的情况下，对SDW算法进行噪声过滤和错误处理。通过使用这些工具，我们生成了可靠的SDW时间序列和相关指标，如潮间带沙滩坡度、长期趋势、季节性循环和年际变化。

我们发现，在微潮汐和中潮汐站点上，大多数方法表现一致，Pearson相关系数普遍高于0.7，中心化RMSE低于15米。然而，在巨潮汐站点上，算法性能差异较大，最高相关系数达到0.9，最低则低于0.3。中心化RMSE在不同站点间变化显著，从Slapton Sands的不足10米到Perranporth的40米。这表明，虽然某些基于NDWI和SCoWI的方法在这些站点上表现优异，但没有一种方法能在所有站点上持续领先。这进一步表明，SDW算法的性能在很大程度上依赖于具体站点的条件。

我们的研究还揭示了SDW时间序列误差与环境因素之间的定量关系。在八个站点中，我们发现误差与潮汐范围和沙滩坡度的倒数之间存在线性关系，这为全球范围内的SDW时间序列误差估算提供了经验依据。这种关系表明，误差随潮汐范围的增加而增加，且在沙滩坡度较缓的区域更为显著。这有助于开发适用于不同环境的SDW方法，特别是在缺乏现场数据的区域。

此外，我们还探讨了在不同时间尺度上对海岸线位置变化的评估，包括季节性、年际变化和长期趋势。通过分析SDW时间序列，我们发现，即使在误差较高的巨潮汐站点上，通过时间聚合和空间平均，可以有效减少噪声，从而提高这些指标的准确性。例如，长期趋势的cRMSE在大部分站点上低于1米/年，季节性循环的振幅误差在2.5米以下，年际变化的误差在3米左右。这些结果表明，通过聚合大量噪声数据，可以提取出具有意义的海岸线变化综合指标。

我们的研究还强调了在大规模自动化海岸线监测中，选择合适的处理链的重要性。尽管一些站点的SDW提取方法表现优异，但许多站点的误差仍然较高，特别是在巨潮汐环境中。这表明，需要进一步优化分割算法和阈值选择，以提高SDW提取的准确性和稳定性。此外，由于卫星遥感数据的获取和处理通常依赖于云计算平台，如Google Earth Engine（GEE），因此需要在这些平台上开发更高效的处理方法，以支持大规模的海岸线监测。

本研究的结果不仅为SDW方法的改进提供了依据，还为全球海岸线监测的标准化和可扩展性奠定了基础。通过使用统一的处理框架和可互换的参数设置，我们能够更有效地评估不同SDW方法的性能，并选择最适合特定监测目标的方法。这将有助于在不同地理和环境条件下，提高海岸线监测的准确性和可靠性，从而支持更精确的海岸线变化分析。

最后，我们讨论了当前SDW/SDS提取方法的局限性，并提出了未来研究的方向。包括进一步优化自动化分割和噪声过滤技术，以减少人工干预；结合合成孔径雷达（SAR）等互补技术，以克服光学遥感的局限性；以及利用云计算平台提高处理效率，支持全球范围的海岸线监测。通过这些努力，我们期望能够实现更精确、可靠的全球海岸线监测，为海岸管理、气候变化适应和风险评估提供重要的数据支持。