深度学习与遥感技术融合的海岸侵蚀热点自动检测及其对拉巴斯海岸管理的优化

本研究针对墨西哥拉巴斯海岸线动态变化问题，整合遥感(RS)、地理信息系统(GIS)与机器学习(ML)技术，通过EPR、LRR和NSM算法量化727个断面历史数据，预测2045年岸线变化（最大侵蚀率5.23 m/年，淤积率10.25 m/年），锁定San Cristobal等侵蚀热点与Cabo San Lucas等淤积区，为海岸带韧性管理提供数据支撑。

　　

墨西哥拉巴斯海岸线正面临旅游业扩张与气候变化双重压力，岸线年均侵蚀速率达2.5米，传统监测方法难以应对复杂动态变化。由Princess Nourah bint Abdulrahman University领衔的国际团队在《Journal of South American Earth Sciences》发表研究，创新性融合Landsat卫星多时相影像（1985-2025）与随机森林(Random Forest)分类器，构建DSAS数字岸线分析系统，首次实现该区域高精度岸线演变预测。

研究采用三大核心技术：1) 基于USGS Earth Explorer平台的Landsat MSS/TM/OLI多光谱影像机器学习分类；2) 通过727个断面应用End Point Rate（端点速率法, EPR）、Linear Regression Rate（线性回归率, LRR）和Net Shoreline Movement（净岸线移动, NSM）量化变化趋势；3) EPR外推法预测2045年岸线位置。

【Shoreline extraction and temporal changes】章节显示：随机森林模型成功提取1985-2025年五期岸线，揭示Marina区域经历最剧烈侵蚀（-49.3 m退缩），而Chileno Bay Public Beach呈现220.87 m淤积扩张。Zones 3-4整体淤积，Zones 1-2则呈现侵蚀-淤积交错格局。

【Conclusion】部分指出：EPR预测显示2045年Marina侵蚀将加剧至5.23 m/年，Chileno Bay淤积速率达10.25 m/年。该研究突破在于：1) 建立适用于半干旱海岸的ML-GIS-RS融合框架；2) 发现旅游基建（如Grand Solmar酒店群）改变自然沉积通量；3) 首次量化港口疏浚对La Paz局部岸线的扰动效应。

讨论强调，该成果为墨西哥首个整合机器学习与多时相遥感的海岸预测模型，其"侵蚀热点自动识别算法"可推广至全球类似海岸带。作者建议后续研究纳入CMIP6海平面上升情景与沉积物运移模型，以应对气候变化加剧下的管理挑战。沙特Princess Nourah bint Abdulrahman University通过PNURSP2025R910项目支持了这项跨国合作，为发展中国家海岸韧性管理提供了技术范式。