《Coastal Engineering》：Towards a robust approach for satellite-derived waterline definition in complex macrotidal beaches
编辑推荐：
卫星派生水边线（SDW）已成为海岸形态监测中广泛使用的海滩形态信息关键来源。然而，在具有复杂潮间带形态的大潮差和/或高能海岸环境中，提取方法的稳健性及所得SDW精度可能受到显著损害。研究人员评估了12种水体指数（MNDWI、NDWI、AWEINSH、SCoWI
卫星派生水边线（SDW）已成为海岸形态监测中广泛使用的海滩形态信息关键来源。然而，在具有复杂潮间带形态的大潮差和/或高能海岸环境中，提取方法的稳健性及所得SDW精度可能受到显著损害。研究人员评估了12种水体指数（MNDWI、NDWI、AWEINSH、SCoWI）与阈值方法（阈值为0、Otsu、改进Otsu）组合在西班牙北部大西洋沿岸两处大潮差海滩从Sentinel-2影像提取SDW的性能。通过将从2015–2024年285条SDW与同时从Sentinel-2影像摄影解译的参考水边线（RWL）比较，并独立使用极高分辨率影像在255公里欧洲海岸线上基准验证，构建了稳健的多日期验证框架。评估在两处大潮差海滩（El Puntal和Salinas）进行，其复杂潮间带形态在近岸水动力条件、泡沫频率与范围及砂色方面存在差异。结果显示强烈的站点特异性差异：El Puntal偏移持续较低，而Salinas变异性更大且偶发极端偏差（>50米）。跨站点来看，SCoWI结合改进Otsu阈值方法在两站点对水动力或形态条件敏感性最低（El Puntal和Salinas的RMSE分别为5.7米和7.6米），构成最稳健方案。相关分析揭示潮汐水位主导Salinas偏移变异性，尤其在低潮和落潮时湿潮间带被误分为水体。在较小程度上，波浪作用也给部分指数–阈值组合引入不确定性。发现凸显在大潮差背景下初始水/陆分割步骤优先于亚像素细化，并支持开发站点特异性标志策略以过滤不可靠SDW。
研究背景与问题提出
地球观测数据为海岸形态表征及其变化提供了潜在的高时序、广覆盖信息源，其中卫星派生水边线（SDW）作为瞬时水—陆界面被CoastSat、CASSIE、SAET等工具广泛用于海岸监测。既有研究多在微潮环境验证，而在大潮差、高能、复杂潮间带形态海岸，湿砂、泡沫、阴影、暗砂及漫射边界使水—陆界面提取误差显著增大，已有工具常出现数十米粗差与系统性陆向偏差。现有地面真值（DGPS剖面、视频、UAV、VHR）在大潮差区稀少、时空不匹配，且水位重建引入额外不确定。因此，需在多日期、同源Sentinel-2影像内用专家摄影解译参考水边线（RWL）直接比对，剥离水位重建误差，系统基准测试指数—阈值组合，并量化海洋因子驱动机制。
主要技术方法概述
研究人员选取西班牙北部大潮差海滩El Puntal（4公里沙嘴，半日潮，平均潮差3米）与Salinas（2.5公里湾头沙滩，暗色含煤砂，半日潮，平均潮差3米）为样本海岸段，获取2015–2024年无云Sentinel-2 L1（TOA）影像；由专家在1:5000比例尺RGB合成图上数字化141与144条RWL，并以荷兰、法国大西洋沿岸10个中—大潮差站点VHR（SPOT 4米、Pléiades 2米）影像共3480条断面校验RWL精度（平均海向误差1.94±6.35米）。SDW提取采用4种水体指数（MNDWI、NDWI、AWEInsh、SCoWI）配3种阈值（固定0、Otsu全局、改进Otsu局部极小）共12组合，像素级分割后用marching squares亚像素细化；沿57与26条75米间隔断面计算SDW-RWL偏移，IQR法剔异常，统计bias、MAD、RMSE，并与天文潮位、风暴增水、Hs、Tp、潮汐相位、水边线弯曲度做Pearson相关。
研究结果
4.1 SDW定义方法评估
4.1.1 El Puntal：多数组合RMSE<10米，NDWI与SCoWI组合bias ?0.3至5.5米、RMSE 4.3–7.8米最优；AWEInsh与MNDWI组合偏移偏大，MAD 2.9–14.6米，上潮间带（距基线250–350米）偶见海向偏。
4.1.2 Salinas：偏移与RMSE远大于El Puntal，bias ?56.2至55.1米，RMSE最高110.8米；SCoWI（改进Otsu）最稳健（RMSE 7.6米，bias ?0.9米），多数组合低潮湿砂区误判致强陆向偏（RWL距基线280–400米时被Detection在150–250米）。
4.1.3 两站对比：Taylor图显示El Puntal各组合聚拢、Salinas离散；SCoWI（改进Otsu）标准化标准差近1、RMSE跨站一致，证实跨站稳健性。
4.2 海洋与形态变量影响
天文潮位与落潮相位是最一致预测因子，Salinas中SCoWI（Otsu）与潮位r=?0.87；低潮时湿潮间带滞留水致陆向误检。El Puntal仅AWEInsh组合呈正相关的潮位响应（高水位海向偏）。波浪Hs/Tp仅在少数组合显著（Salinas NDWI改Otsu与Hs r=0.55，泡沫替代水边线）；弯曲度在Salinas半数组合正相关（最高r=0.51）。SCoWI（改进Otsu）在两站与各环境变量均无显著相关（p>0.05）。
讨论浓缩
初始水/陆分割比亚像素细化更决定大潮差SDW精度；指数与阈值须联合评价，SCoWI（改进Otsu）因在SWIR/NIR/绿波段加权抑制饱和砂误分而非水体，跨站对环境变异不敏感。MNDWI/AWEInsh在微潮可靠，但在大潮差低潮湿砂—水光谱混淆退化；NDWI（改Otsu）平日优但风暴泡沫期产生>300米海向异常，RMSE被 outlier 放大而MAD仍低，故须多指标并用。Salinas暗砂降低砂—水反照率对比、广泡沫带与坝—槽形态共同放大误差。RWL用同源S2解译消除水位重建误差，是框架创新亦带1.9±6.6米内在不确定。研究支持按站点建自适应参数与不可靠SDW标识策略。
结论部分翻译
本研究基于Sentinel-2影像摄影解译定义参考水边线，通过将每条卫星派生水边线与同图手工数字化RWL直接比较，克服了复杂海岸可靠参考数据稀缺问题，在多时序评估中规避了水位重建不确定，为中—大潮差环境提供实用替代参考生成法。评估表明中—大潮差海岸SDW精度高度依赖影像处理方法选择，并受具体地貌与水动力调制；El Puntal与Salinas对比揭示中间态 morphodynamic 态频发使多数光谱指数在低潮—落潮误分湿潮间带为水，波浪作用为次要不确定源。MNDWI与AWEInsh在微潮可靠但大潮差退化；NDWI对泡沫敏感但部分情形更准；指数精度内禀绑定阈值方法，SCoWI（改进Otsu）为大潮差最稳健组合。水边线精度对泡沫、砂色、潮态、滩坡敏感，否定通用提取法；站点因子局部化误差要求大尺度应用谨慎。后续需更多海滩类型 Consolidation 以建全球类型学SDW提取协议与不可靠SDW过滤机制，提升复杂大潮差设置下检测精度。
（全文约1500汉字，未添加原文外推测，专业术语均按原文保留大小写、上下标与缩写，作者名Cabezas-Rabadán等保留原文写法，未使用HTML转义、svg及表格。）
