《Applied Ocean Research》：Super-resolution generative adversarial network for Landsat shoreline extraction: Training strategy effects on spectral consistency and accuracy
编辑推荐：
• 超分辨率生成对抗网络（SRGAN）框架提高了卫星衍生岸线（SDS）精度。
• 评估了使用Landsat-8/9和Sentinel-2影像的两种训练策略。
• 辐射一致性（而非信噪比）决定了提取精度。
• 合成策略在两个站点将岸线误差降低了28%–54%。
• 超分辨率生成对抗网络（SRGAN）框架提高了卫星衍生岸线（SDS）精度。
• 评估了使用Landsat-8/9和Sentinel-2影像的两种训练策略。
• 辐射一致性（而非信噪比）决定了提取精度。
• 合成策略在两个站点将岸线误差降低了28%–54%。
• 与全色锐化不同，超分辨率无需全色波段即可增强Landsat影像。
沙滩是高度动态的环境，提供天然防浪功能，并支撑沿海发展、旅游和生态栖息地。然而，气候变化驱动的海平面上升、沉积物供应变化以及日益增加的人类干预（如海岸结构物和养滩工程）破坏了自然平衡，导致长期海岸侵蚀，亟需连续且空间广泛的岸线监测。卫星衍生岸线（Satellite-Derived Shoreline, SDS）分析已成为大时空尺度岸线变化监测的常用手段，其中Landsat计划自1980年代以来提供了宝贵的长期影像档案。然而，Landsat影像30 m/pixel的空间分辨率限制了岸线提取精度。已有改进方法包括光谱指数（如归一化差分水体指数NDWI、改进归一化差分水体指数MNDWI）、自动阈值分割和亚像素等值线算法，但均受制于原始影像分辨率。全色锐化可利用Landsat-8/9的15 m全色波段，但早期Landsat任务缺乏该波段。近年来，基于深度学习的超分辨率技术能重构高分辨率影像，但将其用于SDS提取尚未被系统评估。为此，研究人员在韩国江原道东海岸开展了本研究，采用超分辨率生成对抗网络（Super-Resolution Generative Adversarial Network, SRGAN）增强Landsat-8/9影像，并系统评估其对岸线提取精度的影响。该研究发表在《Applied Ocean Research》。
研究人员以Sentinel-2影像（10 m）作为高分辨率参考，训练SRGAN模型，将Landsat-8/9影像从30 m增强至10 m。设计了两种训练策略：跨传感器策略（策略1）使用同日期的Landsat-8/9与Sentinel-2影像对；合成策略（策略2）仅使用Sentinel-2影像，将其降采样生成低分辨率输入。提取的岸线在江原道东海岸两个验证点（GW25永玉海滩、GW38元平海滩）与无人机（Unmanned Aerial Vehicle, UAV）参考岸线对比评估。结果表明，合成策略产生的岸线更平滑、精度更高，而跨传感器策略尽管峰值信噪比（Peak Signal-to-Noise Ratio, PSNR）更高，但引入高频辐射噪声，导致岸线锯齿状并出现偏移。超分辨率将总体平均绝对误差（Mean Absolute Error, MAE）和均方根误差（Root Mean Square Error, RMSE）分别降低约41%；在GW25，由于校正了光学浅水导致的向海系统性偏差，误差减少约54%；在GW38，主要改善了对像素离散化的抑制和岸线曲率表征，误差减少约28%–30%。该研究的重要性在于，无需全色波段即可实现Landsat影像的空间增强，为缺乏全色波段的早期Landsat任务提供了潜在途径。
关键技术方法方面，研究使用了SRGAN（生成器和判别器对抗训练，感知损失由VGG-19特征空间内容损失与对抗损失组成）。影像预处理包括归一化、异常值掩膜和基于相位互相关的AROSICS分层配准（以厘米级实时动态（Real-Time Kinematic, RTK）UAV正射影像为绝对参考）。两种训练策略：策略1采用1127对同日Landsat-8/9（降采样至40 m）与Sentinel-2（10 m）影像对，按沿岸单元（littoral cell）7:3划分并增强；策略2采用14,508幅Sentinel-2影像，降采样至40 m生成低分辨率输入，原10 m作为高分辨率参考。岸线提取使用CoastSat（预训练神经网络分类+MNDWI阈值+行进正方形亚像素等值线）。验证数据为GW25和GW38的UAV（Phantom 4 RTK）参考岸线，选择与Landsat时差≤6天且最大有效波高<1 m的配对（GW25共9对，GW38共13对）。
**超分辨率性能**：通过视觉比较和PSNR、结构相似性指数（Structural Similarity Index, SSIM）评估。策略1的PSNR更高，但产生高频变异和伪影，导致MNDWI岸线锯齿、噪声并偏向陆侧；策略2输出空间更连贯、光谱一致，岸线更清晰连续。因此选择策略2用于后续精度评估。
**超分辨率对岸线位置精度的影响**：将原生30 m影像、双三次插值、新边缘导向插值（NEDI）和SRGAN增强影像用相同CoastSat流程提取岸线，与UAV参考比较。几乎所有日期SRGAN的中位误差和分布范围最小，插值方法未改善甚至恶化。合并两站点，MAE从12.70 m降至7.48 m，RMSE从15.26 m降至9.03 m，改进显著（Wilcoxon符号秩检验，Holm校正p≈2×10
-256，Cohen's d=0.70）。按站点：GW25的MAE和RMSE减少约54%，主要校正了+13.19 m的向海偏差；GW38减少约28%和30%，主要改善曲率表征。沿纵向误差图显示GW25系统偏差被修正，GW38两侧偏差均被拉回。
讨论指出，训练策略的影响表明光谱一致性比像素级重建保真度更关键；常规图像质量指标如PSNR不足以评估下游应用效果。超分辨率通过重建更锐利、光谱更一致的水陆过渡带来精度提升。但剩余误差仍约9 m，与文献中SDS典型精度一致，说明空间分辨率只是影响因素之一。与全色锐化相比，SRGAN无需全色波段，且不引入全色与多光谱波段间光谱不匹配导致的失真；全色锐化未产生系统性改善，甚至增大了偏差。局限性包括：模型仅在微潮、低浊度区域训练，迁移到其他环境需要独立验证；UAV参考岸线（湿干边界）与卫星瞬时水线定义不同；CoastSat依赖水陆光谱分离。未来工作包括跨传感器域适应、替代超分辨率架构、与潮汐归一化结合等。
研究结论：在这项研究中，研究人员调查了基于SRGAN的超分辨率提高Landsat影像SDS位置精度的潜力，考察了超分辨率训练策略如何影响超分辨影像质量及其对岸线提取性能的影响。Landsat-8/9影像从30 m增强至10 m，并在韩国江原道东海岸GW25和GW38与UAV参考岸线进行了评估。两种SRGAN训练策略的比较表明，超分辨影像的光谱一致性是可靠岸线提取的关键因素，与像素级重建保真度无关。跨传感器训练取得更高的PSNR，但引入高频辐射变化，导致像素分类不稳定和锯齿状噪声岸线；而合成降采样策略产生光谱一致的输出，尽管PSNR较低，但支持更连续、可靠的岸线划定。这些发现表明，常规图像质量指标如PSNR可能不足以单独评估下游遥感应用中的超分辨率模型，模型选择应考虑应用特定指标。超分辨率增强提高了岸线位置精度，使合并MAE和RMSE均降低约41%。在GW25，改进主要来自校正与光学浅水相关的大向海偏差；在GW38，主要来自缓解像素离散化效应和改进岸线曲率表征。值得注意的是，这些增益无需全色数据即可实现；虽然本研究限于Landsat-8/9，但该方法原则上可扩展到早期Landsat任务，需专门重训和独立验证。然而，总体岸线误差仍约9 m，与文献中SDS典型精度一致，表明空间分辨率是控制岸线提取性能的因素之一。湿沙范围、近岸水体反射等环境因素可能继续影响水陆光谱区分。此外，合成训练输入与实际Landsat-8/9影像之间的域差距可能限制实际可达到的空间增强程度，且光谱分类和基于指数的提取对清晰水陆分离的依赖仍是残余误差来源。本研究证明，当增强输出的光谱一致性得以保持时，基于SRGAN的超分辨率可显著提高Landsat影像的SDS精度，为监测提供了一种传统全色锐化的实用替代方案。
