《Frontiers in Marine Science》：Coast-O-Matic: an automated shoreline detection method using PlanetScope satellite imagery
编辑推荐：
多光谱卫星影像通过将陆海界面按已知水位离散化，可支持海岸侵蚀与淤积估算及常规滨面（Surf Zone）调查。PlanetScope的每日重访提供了近连续的海岸线观测，较传统定制任务提高了时间分辨率。许多现有方法通过对单一光谱指数阈值（通常为归一化水体指数NDW
多光谱卫星影像通过将陆海界面按已知水位离散化，可支持海岸侵蚀与淤积估算及常规滨面（Surf Zone）调查。PlanetScope的每日重访提供了近连续的海岸线观测，较传统定制任务提高了时间分辨率。许多现有方法通过对单一光谱指数阈值（通常为归一化水体指数NDWI）进行二值化并提取等值轮廓来勾绘海岸线。研究人员提出了一种全概率替代方法：训练多层感知机（Multilayer Perceptron, MLP）集成模型逐像素预测"水体"与"陆地"的概率，再以等概率（Isoprobability）轮廓提取海岸线，从而消除全局阈值需求，并能适应传感器响应空间差异、光照条件（如阴影）及局部地貌特征。该方法应用于英国Seaford地区PlanetScope影像，以瞬时水位参考的高程等高线验证，在云量<50%的影像中均方根误差（Root-Mean-Square Error, RMSE）≈7 m。结果表明，概率逐像素分类结合高重访频率PlanetScope数据获取，可实现适用于高频海岸监测的稳健海岸线检测。
论文解读：Coast-O-Matic——基于PlanetScope影像与概率机器学习的高频海岸线自动检测方法
《Frontiers in Marine Science》刊载的此研究针对传统卫星遥感海岸线（Shoreline）检测依赖固定光谱指数阈值、难以适应异质海岸环境的问题，提出并验证了名为Coast-O-Matic的全概率机器学习检测流程，实现了对PlanetScope每日重访影像的自动化、高精度海岸线提取。
一、研究背景与问题提出
全球约14亿人居住在距海岸25 km内，1亿人生活在海拔1 m以下区域，海平面上升与风暴潮使海岸退缩风险加剧，准确海岸变化预测依赖高质量地形历史数据。传统野外测量时空覆盖不足；主动遥感（如Sentinel-1 SAR）重访周期长且无法穿透水体解析低潮线以下形态；被动多光谱公开卫星（Landsat 16天重访、Sentinel-2 ~5天重访）时间分辨率限制了对短周期海岸过程捕捉。PlanetScope星座具~3.7 m空间分辨率与日重访优势，但其仅4波段（红、绿、蓝、近红外Near-Infrared, NIR）、辐射定标不确定度约5%–6%、几何定位误差可达19 m、缺短波红外波段致云/影检测困难，且传统NDWI或AWEI（Automated Water Extraction Index）单阈值法在英伦海岸阴影、卵石滩、城市背景下易误分。因此需发展可适应局部光谱—光照变异、免人工调参的自动化方法。
二、关键技术方法概述
研究人员选取英国南部三处反射型海岸（Seaford、Chesil Beach、Start Bay）2016–2024年云量<50%的PlanetScope analytic_udm2产品（Top of Atmosphere, TOA辐射值）共190次调查含8072幅影像作训练与验证集，澳大利亚Narrabeen Beach作独立验证。预处理步骤为：(1)按元数据将TOA辐射亮度转为TOA反射率；(2)以AROSICS包配准至ESRI Vantor Vivid基准底图（CE90≤5 m）消除几何偏移。训练样本将水体细分为正常水、浑浊水（Turbid Water）、白浪水（Whitewater）及浅水（Shallow Water），陆地分为沙滩、植被、建成区，并按UDM标记晴、阴影、霾、云及模型再训练识别的低反射"暗类（Dark Class）"。输入特征为原始四波段、三个差值指数（IRmR、IRmG、IRmB）、归一化指数（如NDWI = (Green?NIR)/(Green+NIR)，即IRmGnorm）及其在3×3与5×5滑动窗口的标准差，共18维。分类器为三个独立MLP（Multi-Layer Perceptron）分支集成：Branch 1为二分类（陆/海）MLP（单隐层2神经元，tanh+softmax）；Branch 2与Branch 3为七分类MLP（单隐层12神经元，logistic激活）分别引入3×3与5×5窗口标准差特征，七类输出经次级MLP映射回陆—海概率。最终取三分支输出均值生成概率图，以P(land)=P(sea)=0.5等概率轮廓（Isoprobability Contour）用marching squares提取亚像素海岸线。后处理剔除UDM标记的云覆盖段、短片段，依IRmB指数11×11窗口标准差滤除建成区内假阳性，保留由海向陆首条边界。精度验证以英国Channel Coastal Observatory现场断面测量±1月窗口匹配，潮汐站校正水位后双调和样条插值获参考高程等高线，沿50 m间隔垂线计算水平偏差RMSE；Narrabeen参照CoastSat流程用原位调查验证。
三、研究结果
3.1 UK quantitative performance（英国站点定量精度）
Seaford（1065景）Coast-O-Matic RMSE=9.59 m，STD=9.46 m，CoastSat因UTM分带边界无法运行；Start Bay（877景）Coast-O-Matic RMSE=4.80 m、STD=4.70 m，优于CoastSat之RMSE=7.42 m、STD=7.36 m；Chesil（1054景）Coast-O-Matic RMSE=8.96 m、STD=10.92 m，亦优于CoastSat之RMSE=11.46 m、STD=11.34 m。Coast-O-Matic单景内标准差（Intra-Image Mean STD）显著更低（Start Bay 5.96 m vs 9.12 m；Chesil 10.90 m vs 24.77 m），表明其对云影伪迹抑制更好且提取线更平滑一致。有效日期检出数Coast-O-Matic均高于或持平CoastSat，证明更高鲁棒性，仅极晨低太阳高度"暗影像"因对比度不足被排除。
3.2 Narrabeen quantitative performance（纳拉宾海滩独立验证）
手动滤除明显异常后Coast-O-Matic RMSE=6.1 m（均值?3.3 m，STD=5.2 m，90百分位=10.2 m），CoastSat RMSE=7.4 m。未人工过滤时CoastSat自动RMSE恶化至37.9 m（受云边误检影响），而Coast-O-Matic自动RMSE=8.7 m，证实概率框架在无人监督下稳定性优势。
3.3 Constraints and biases（局限与偏差）
浅水类及5×5标准差引入理论上海岸线微向陆偏移（介于瞬时水边线与湿沙上限间），但三分支集成有效锚定防止显著漂移。宽度<5像元（约20 m）的窄滩可能因窗口混入植被/建筑致方差异常引轻微陆向误判，宽缓海岸无此问题。晨昏极低照度影像仍难处理。
3.4 Qualitative results（定性结果）
法国Truc-Vert海滩韵律凹坑与裂流槽、英国Cumbria Drigg海岸砾石裸露区均被正确描绘，说明概率模型能利用光谱纹理区分非均质地表，优于单指数阈值。
四、讨论与结论总结
传统基于单一光谱指数阈值的海陆二值化海岸线提取在噪声与异质地表已达精度瓶颈。研究人员提出的Coast-O-Matic以全概率像素分类取代固定阈值，海岸线位置由等概率（P=0.5）等值线定义，使精度取决于分类模型性能并支持亚像素提取。MLP集成兼顾大尺度海陆分离稳健性与近岸纹理敏感特征，自动异常过滤减少对后期统计裁剪依赖。同一训练模型跨英国卵石滩、澳洲砂滩及法国/英国复杂地貌无需站点重调参，具良好泛化能力。结论如下：(1)在含≤50%云覆盖PlanetScope影像数据集上海岸线检测精度优于3像元（≈<11 m，典型站点≈7 m级）；(2)方法适用于异质海岸且无需站点特化调参；(3)自适应掩膜在后期处理前自动筛除异常海岸线段，降低离群值影响；(4)运算效率更高——全流程处理耗时7小时（CoastSat需13小时），存储与硬件要求低。该框架可随像素分类技术进步进一步优化，为高频、大范围业务化海岸监测提供可扩展方案。
