基于同质淹没频率的潮滩高程反演高效时序可迁移方法

《International Journal of Digital Earth》:An efficient and temporally-transferable method for tidal flat elevation inversion based on homogeneous inundation frequency

【字体: 大 中 小 】 时间:2026年06月15日 来源:International Journal of Digital Earth 4.9

编辑推荐:

  准确的长期潮滩高程制图对于理解海岸地貌动力学、评估灾害韧性及支持海岸管理至关重要。然而,以往方法通常依赖对每个时间快照分别建模,导致结果在时间上不一致。为克服这一局限,本研究提出了一种基于年际统计同质淹没频率的高效长期潮滩高程反演方法。研究人员开发了相位-潮位

  
准确的长期潮滩高程制图对于理解海岸地貌动力学、评估灾害韧性及支持海岸管理至关重要。然而,以往方法通常依赖对每个时间快照分别建模,导致结果在时间上不一致。为克服这一局限,本研究提出了一种基于年际统计同质淹没频率的高效长期潮滩高程反演方法。研究人员开发了相位-潮位加权反演算法(phase–tide–based weighted inversion algorithm)以校正采样导致的偏差,并生成统计同质的年度淹没频率(Annual Inundation Frequency, AIF)图,从而稳定AIF-高程关系,并实现给定区域内长期重建的时序可迁移反演模型。为进一步确保效率,研究集成了稳健的规则化水陆分割策略。该方法在中国五个代表性海岸区域(黄河三角洲、苏北海滩、长江口、三沙湾和廉州湾)进行了验证,所得综合均方根误差(Root Mean Square Error, RMSE)为0.20 m至0.63 m。值得注意的是,采用统一反演框架在多年间保持了高准确度,且无需逐年重新校准,证明了该方法强大的时间稳健性和计算效率。通过将潮滩反演从离散的逐年校准转向统计稳定且可迁移的建模,所提出的方法为长期海岸地形监测提供了可操作的可行方案。
潮滩作为周期性潮汐淹没与暴露的广阔沉积带,在碳汇、生物多样性维持、海岸灾害减缓及区域社会经济发展支持等方面发挥着关键作用。然而,潮滩具有高动态性和脆弱性特征,在气候变化加速与海岸开发强化的双重压力下,其沉积平衡、生态韧性及自然防护功能面临严峻挑战。尽管潮滩的重要性已得到广泛认知,但长期形态演化的定量理解仍受高程数据匮乏的制约。因此,获取长期连续的高程数据对于揭示多尺度地貌动力学、评估海岸韧性及支持生态保护与适应性管理策略至关重要。

卫星遥感已成为潮滩高程制图的主要手段,特别是针对无植被覆盖区域,这得益于其广泛的空间覆盖、一致的重访能力和成本效益。现有方法主要包括水边线法(waterline method)、淹没频率法(inundation frequency method)和光谱反演法(spectral inversion method)。水边线法从卫星影像中提取序列水边线作为高程等高线,再通过插值生成潮滩高程图;淹没频率法利用淹没频率与高程的统计关系,基于ICESat-2激光测高或现场测量建立转换模型;光谱方法则采用机器学习算法对光谱特征与高程关系进行建模。此外,新兴观测任务如地表水与海洋地形卫星(Surface Water and Ocean Topography, SWOT)也为大尺度潮滩地形监测提供了新数据源。相比之下,传统野外调查和无人平台(如无人机、自主水面航行器)虽能实现更高垂直精度,但受潮汐窗口有限、泥泞地形挑战及高运营成本等因素限制。

尽管这些方法在特定条件下表现有效,但在应用于长时间序列时普遍面临效率和时间连续性的局限。水边线法在水边线提取和质量控制过程中仍需大量人工干预,难以实现长时相数据集的大规模自动化处理。年际淹没频率偏差改变了不同年份的AIF-高程关系,需要分别进行模型校准,从而降低效率。此外,历史高程数据的稀缺性阻碍了逐年建模的可行性,限制了时间连续性。光谱方法同样受时段间数据异质性影响,难以建立时间上统一的制图模型。总体而言,现有方法通常依赖对每个时间快照独立建模,导致效率低下和时间覆盖不连续。同时,作为水边线提取和淹没频率反演前提的稳定水陆分割,其准确性直接影响潮滩高程制图的精度与效率,但近饱和地表含水率和高悬浮泥沙浓度降低了水陆光谱对比度,且长时相监测需要具有稳健性和可推广性的分割算法。

为应对现有卫星潮滩高程反演方法在长期一致性、可扩展性和计算效率方面的不足,本研究提出了一种利用长期光学卫星档案进行年度潮滩高程重建的方法。该方法的核心创新在于引入相位-潮位加权反演策略以校正淹没频率中的采样偏差,从而生成年际统计同质的AIF图。这种同质化稳定了不同年份间淹没频率与高程的概率关系,使得无需逐年重新校准即可开发时序可迁移的反演模型。此外,研究还融入了稳健的规则化水陆分割策略,以高效处理不同海岸环境条件下的大规模多时相影像。

研究选取中国沿岸五个代表性潮滩系统进行验证,涵盖河口湿地、半封闭海湾、开放海湾及独特辐射沙脊系统,包括黄河三角洲、苏北海滩、长江口、三沙湾和廉州湾。这些区域在地质环境和水动力条件上具有显著异质性,为评估方法在不同环境背景下的适用性和稳健性提供了天然实验场。

研究所用数据集包括Landsat系列卫星影像、TPXO9全球潮汐模型和ICESat-2激光测高数据。Landsat计划提供数十年历史影像,是本研究长期潮滩高程制图的关键数据源。研究使用Google Earth Engine(GEE)平台上的Landsat Collection 2 Level-2科学产品,经过云和云阴影掩膜处理后,保留2018年至2025年间研究区域内所有有效无云像元。TPXO9全球潮汐模型由俄勒冈州立大学开发,可提供分钟级时间分辨率的潮汐预测,该模型对主导M2分潮的模拟达到厘米级精度。基于此模型,研究生成了高频(每小时)潮位序列及与Landsat获取时间同步的潮位数据。ICESat-2的先进地形激光测高系统(Advanced Topographic Laser Altimeter System, ATLAS)提供沿轨间距约0.7 m的高精度高程测量,研究利用ATL03全球地理定位光子产品和ATL08陆地与植被高度产品提取潮滩高程观测值作为参考数据,并按30 m分辨率进行空间聚合以匹配Landsat影像空间分辨率。

研究方法框架包含三个主要组成部分。首先,通过构建针对性训练样本并整合随机森林(Random Forest)分类器与RuleCOSI+算法,开发适用于潮滩区域长时相影像的水陆分割规则集。RuleCOSI+是一种树集成后处理剪枝算法,通过规则提取、规则合并、规则简化和特征剪枝四个关键步骤,将随机森林"黑箱"分类器转化为可解释的"白箱"模型,在仅造成微小精度损失的前提下大幅降低模型复杂度。最终生成的规则集仅需五个特征(EVI、mNDWI_NDVI、NDVI、TCW和B3),规则数量从400条减少至5条,分类时间从0.525秒降至0.057秒。其次,采用相位-潮位加权反演算法生成统计同质的AIF图。该算法将潮位范围均等划分为10个区间(bins),对于每个有效观测,根据其同步潮位所在区间赋予权重,权重定义为高频率小时潮位序列中该区间出现概率与卫星获取同步潮位序列中该区间出现概率之比。基于该权重计算加权淹没频率,采用三年时间窗口获取中心年份的AIF。最后,利用单一年份AIF图与ICESat-2潮滩高程观测构建时间上统一的AIF-高程 mapping model,进而将该模型应用于转换各年份AIF图为相应年度高程图。

研究结果显示,水陆分割方面,规则集在不同潮位和悬浮泥沙条件下均能有效区分陆地与水体,准确勾绘潮滩边界并识别潮沟系统。黄河三角洲、苏北海滩、长江口、三沙湾和廉州湾的分割精度分别为95.0%、98.9%、99.5%、95.7%和97.3%,召回率分别为99.0%、99.7%、98.5%、96.9%和98.9%,F1分数分别为0.969、0.993、0.990、0.963和0.981。三沙湾表现相对最弱,主要因广泛养殖活动带来的复杂性;苏北海滩表现最佳,因训练样本集中于该区域。尽管训练样本全部来自苏北海滩,规则集在其他区域仍展现出强大的稳健性和可推广性。

AIF图及制图模型方面,各研究区2019-2024年AIF图显示,线性回归制图模型斜率范围从-0.1至-0.7,截距从0.91至3.63,反映了不同研究区潮汐制度的差异。模型R2值介于0.76至0.88之间,表现良好。研究采用线性模型以缓解数据分布不均带来的影响。

高程图及精度方面,构建的线性模型将2019-2024年AIF图转换为各研究区高程图。潮滩高程范围在不同区域间差异显著,从廉州湾约1.5 m到三沙湾5.5 m不等,主要由潮汐幅度控制。以2024年(模型训练年)数据评估,五研究区RMSE分别为0.19、0.40、0.29、0.40和0.15 m;2019-2024年完整时段对应RMSE分别为0.20、0.48、0.30、0.63和0.21 m。结果表明,单一年份数据训练的模型可有效推广至其他年份,同时保持高制图精度。该方法解决了以往需要每年构建单独模型的关键局限,显著提高了效率和时空连续性。

讨论部分,研究首先阐述了训练数据集的代表性。苏北海滩被选为训练数据集构建地点,因其悬浮颗粒物(Suspended Particulate Matter, SPM)浓度变化范围最广(0-1000 g/m3),几乎覆盖全浊度谱,且2017-2021年SPM分布与扩展时间序列(1986-2025)一致,确认了训练数据集的时间代表性。关于规则集的精度与效率,尽管模型复杂度大幅降低,性能损失却可忽略。随机森林的精度、召回率和F1分数分别为97.7%、97.4%和0.976,规则集相应为97.4%、98.3%和0.978。与传统算法相比,规则集在召回率和F1分数上表现最优,精度仅比最佳机器学习方法低0.3%。

关于AIF年际统计异质性,研究所提加权策略有效缓解了采样偏差,改善了年际同质性。传统方法得到的AIF呈现明显偏斜,反映年际间系统不一致性;而相位-潮位加权反演算法生成的AIF近似正态分布。通过设定假设高程并从潮汐数据模拟实际AIF值,验证了AIF-高程关系的时间稳定性。AIF图的统计同质性及AIF-高程关系的稳定性支撑了模型的时序可迁移性,实现了更一致的逐年高程重建。

方法的优势与局限方面,与水边线法相比,淹没频率逐像元反演产生更详细的高程表征,能更有效捕捉潮沟等小微地形特征。与传统淹没频率法相比,关键优势在于仅需单一年份的先验高程数据即可构建适用于整个时间序列的mapping model,消除了逐年建模需求,减少了对多年先验高程数据的依赖。结合历史Landsat档案,该方法可实现过去数十年潮滩地形的重建。方法的局限在于缺乏研究区的独立现场高程测量,无法进行直接验证。ICESat-2在相对平坦地形上的不确定度约为0.2 m,其不确定度传播可能导致对真实重建不确定度的部分低估。

研究结论部分:连续长期潮滩高程数据集的构建对于知情的海岸带管理至关重要。本研究开发了长期潮滩高程反演方法,实现了时间连续性、计算效率和广泛适用性。核心方法改进包含两个方面:第一,将RuleCOSI+算法与随机森林模型结合,推导适用于潮滩区域时相序列水陆分割的紧致规则集。与原始"黑箱"随机森林相比,所得规则集大幅降低模型复杂度、提高计算效率并保持高分割精度。第二,采用相位-潮位加权反演算法,有效消除了潮位分布差异导致的年际AIF偏差。该算法显著增强了AIF的年际统计同质性,使得构建时间上统一的AIF-高程mapping model成为可能。由此,反演不仅提高了建模效率,还减少了对先验数据集的依赖,从而增强了时间连续性。

该方法应用于中国五个代表性海岸区域,验证了反演的可靠性和稳健性。在黄河三角洲、苏北海滩、长江口、三沙湾和廉州湾,水陆分割精度均超95%,证明了规则集的时空稳健性。2019-2024年高程验证RMSE分别为0.20、0.48、0.30、0.63和0.21 m,证实了高程制图的高精度。逐年验证进一步确认,单一年份训练的模型可有效推广至其他年份而不损失精度。总体而言,所提出的反演方法为大尺度长期潮滩高程监测提供了可扩展且可操作的解决方案。所得长期高程数据集为追踪潮滩演化、评估人为影响和支持海岸管理提供了宝贵资源。未来工作将整合Sentinel-1影像等额外数据源以增加观测频率,期望实现季节尺度的潮滩地形监测,为更详细的潮滩形态动力学演化分析提供数据支持。未来还应纳入独立野外测量和不确定度传播分析,以建立更严格的长时相潮滩数字高程模型(Digital Elevation Model, DEM)重建验证框架。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号