基于多端元解混模型的博斯騰湖區(qū)域植被和水域時空變化特征及趨勢分析

亞夏爾·艾斯克爾， 玉素甫江·如素力,2

（1.新疆師范大學(xué)地理科學(xué)與旅游學(xué)院，新疆 烏魯木齊 830054；2.新疆干旱區(qū)環(huán)境與資源重點實驗室，新疆 烏魯木齊 830054）

濕地作為天然物種的基因庫，在凈化水質(zhì)、調(diào)節(jié)流量、保留營養(yǎng)物質(zhì)、保持氣候穩(wěn)定、旅游休閑等生態(tài)功能和社會經(jīng)濟(jì)效益方面，起到至關(guān)重要的作用［1-2］。根據(jù)《國際濕地公約》的定義，濕地系指天然或人工、永久或暫時之死水或流水地、淡水、微咸水或堿水、沼澤、濕草地、泥炭地或水域，包括在低潮時不超過6 m深的水域。博斯騰湖位于新疆焉耆盆地，2017 年獲批國家濕地公園，目前是我國占地面積最大國家濕地公園。20 世紀(jì)60 年代到80 年代，博斯騰湖由淡水湖演變成微咸湖，湖水面積萎縮，湖周濕地大面積消亡。近20 a，當(dāng)?shù)卣e極推進(jìn)博斯騰湖流域生態(tài)環(huán)境綜合治理，濕地生態(tài)功能和水體修復(fù)得到明顯改善，而開展長時間、高精度的濕地變化觀測對于進(jìn)一步保護(hù)與恢復(fù)博斯騰湖濕地顯得尤為重要［3］。

采用遙感手段開展?jié)竦刈兓^測需要對濕地地物類型進(jìn)行精準(zhǔn)的識別。由于遙感影像空間分辨率的影響，單個像元中通常會存在多種地物類型，這種像元就被稱為“混合像元”［4］。而將混合像元無論歸為任何單一地物都是錯誤的，因為它不完全屬于某一種地物。混合像元的存在影響著遙感技術(shù)在地物分類上的精度［5-6］。濕地的生物多樣性比較復(fù)雜，景觀破碎化程度比較高，遙感影像中混合像元普遍存在，嚴(yán)重干擾了濕地地物分類的精度［7］。國內(nèi)外專家對遙感數(shù)據(jù)混合像元分解進(jìn)行了大量的研究，吳見等［8］針對干旱區(qū)中的農(nóng)牧交錯地帶，通過改進(jìn)線性光譜混合分解模型在提取出更精確的草原植被光譜信息的同時也減少了土壤端元對光譜模型的干擾，提高針對干旱區(qū)草甸類型的分類精度。李微等［9］將全約束最小二乘混合像元技術(shù)推廣到我國濱海濕地面向像元的分類研究中，為濱海濕地面向像元分類提供了理論支持。李哲等［10］將面向?qū)ο蠓椒ㄅc多端元解混模型相結(jié)合反演扎龍濕地植被覆蓋度并取得較好的效果。以上研究運(yùn)用混合像元分解方法提高了地物信息提取的精度，但是這些研究集中在濱海濕地、自然沼澤地區(qū)以及河流三角洲地區(qū)，對干旱區(qū)濕地，特別在博斯騰湖濕地的研究還非常少。新疆博斯騰湖濕地是中國最大的內(nèi)陸湖泊濕地，也是新疆重要的生態(tài)系統(tǒng)和水資源。針對該濕地的研究日益增多，曾光等［11］用多源遙感數(shù)據(jù)分析博斯騰湖濕地演化規(guī)律和發(fā)展趨勢，為制定合理、有效的濕地保護(hù)措施提供理論依據(jù)。王濤等［12］對博斯騰湖流域植被覆蓋的空間差異變化進(jìn)行研究，為評估未來流域水文水資源變化提供參考。但是大多數(shù)學(xué)者只在傳統(tǒng)的像元尺度上進(jìn)行分類，忽視了混合像元對地物提取精度的影響。

近幾十年來，新疆博斯騰湖濕地環(huán)湖區(qū)域社會經(jīng)濟(jì)發(fā)展相當(dāng)迅速，人口不斷增長，農(nóng)田面積持續(xù)增加［13］，濕地的植被、裸地和水體交叉分布，景觀破碎化程度增加，在一塊像元中摻雜了各種地物，導(dǎo)致混合像元現(xiàn)象比較嚴(yán)重。使用傳統(tǒng)的像元尺度分類算法來解譯，很難有效解決濕地地物交錯混合的問題。多端元混合像元分解（Multiple endmember spectral mixture analysis，MESMA）模型［14］是在線性光譜混合（Linear spectral mixture analysis，LSMA）模型基礎(chǔ)上改進(jìn)而來的混合像元分解方法。MESMA模型在建立地物端元光譜庫的基礎(chǔ)上，針對每一種地物采用多種端元光譜組合進(jìn)行分解，提取出像元中每種地物所占的百分比，可以有效改善椒鹽現(xiàn)象［15-17］。

本文針對博斯騰湖濕地目前的特點，以Landsat TM/ETM+/OLI 影像為數(shù)據(jù)源，通過MESMA 模型獲取博斯騰湖濕地典型地物類型的豐度值，構(gòu)建以植被、水體、裸地為組分的解混模型，反演博斯騰湖濕地地物分類結(jié)果，并通過在研究區(qū)實地拍攝的無人機(jī)影像分類結(jié)果進(jìn)行精度評價，實現(xiàn)博斯騰湖濕地亞像元級別信息提取，動態(tài)監(jiān)測博斯騰湖濕地的演變過程，明晰時空變化變化規(guī)律。其目的是探究一種提高干旱區(qū)濕地典型地物類型信息提取的方法，同時為博斯騰濕地監(jiān)測與保護(hù)提供有效的理論依據(jù)和數(shù)據(jù)支持。

1 研究區(qū)概況

新疆博斯騰湖位于新疆焉耆盆地最低洼處，地勢西北高東南低，是開都河的尾閭，也是孔雀河的發(fā)源地（圖1）。博斯騰湖濕地植被類型以蘆葦（Phragmites australis）為主，長苞香蒲（Typha angustata）、和狹葉香蒲（Typha angustifolia）為輔，形成我國第四大蘆葦濕地區(qū)［18］。研究區(qū)氣候干旱少雨，蒸發(fā)強(qiáng)烈，屬溫帶大陸性荒漠氣候，夏季干旱炎熱，冬季寒冷少雪，年降水量為68.2 mm，年蒸發(fā)量為2200 mm。本文以博斯騰湖大湖區(qū)、小湖區(qū)主要水源寶浪蘇木分水樞紐站（開都河第3分水站）為基準(zhǔn)（海拔高度約1050 m），確定研究區(qū)邊界［19］，并將博斯騰湖以開都河?xùn)|、西支流中間線和S205公路為界區(qū)分大、小湖區(qū)。博斯騰湖總面積為2450.65 km2，其中大湖區(qū)面積為1777.43 km2，小湖區(qū)為673.22 km2。

圖1 研究區(qū)與無人機(jī)航拍區(qū)示意圖Fig.1 Schematic diagram of the study area and aerial drone photography area

2 數(shù)據(jù)與方法

2.1 數(shù)據(jù)來源

Landsat 系列數(shù)據(jù)：選用Landsat TM/ETM+/OLI系列數(shù)據(jù)Collection2-Level 2-Tier1地表反射率產(chǎn)品，該產(chǎn)品不僅具有較好的幾何和輻射定標(biāo)精度，而且各傳感器圖像之間也有超高的一致性?？紤]博斯騰湖濕地植被物候特征，選擇每年7—8月成像的云覆蓋度＜20%的數(shù)據(jù)，2000—2022年共有1748景（其中，OLI為469景，ETM+為747景，TM為532景）。

無人機(jī)航拍數(shù)據(jù)：2022 年8 月3 日隨團(tuán)隊前往研究區(qū)實地拍攝，天空晴朗可見度較高。使用大疆精靈4Pro無人機(jī)作業(yè)，設(shè)定飛行高度為100 m，速度9.7 m·s-1，拍攝角度90°，航向重疊度80%，旁向重疊度70%，拍攝面積為41400 m2，影像空間分辨率為2.73 cm［20］。飛行任務(wù)完成后，通過Argisoft Photoscan軟件合成處理航拍圖像，獲得區(qū)域RGB影像和數(shù)字高程（Digital elevation model，DEM）［21］。

2.2 研究方法

MESMA 是一種混合像元分解方法，通過提取混合像元中各類地物的豐度值提高地物分類的精度。具體步驟為：首先對2000—2022 年23 幅合成TM、ETM+、OLI 多光譜影像進(jìn)行預(yù)處理，然后根據(jù)計算出的歸一化植被指數(shù)創(chuàng)建隨機(jī)采樣點，通過所提取的植被、裸地、水體隨機(jī)采樣點多值提取至點選取各波段中的值，在R 語言中利用MESMA 模型將各端元波譜值信息與Landsat影像疊加計算，分解混合像元得到植被、水體、裸地3 種組分的豐度值，提取出典型地物信息。接著，根據(jù)像素豐度提取出3種地物的面積。同時對更高空間分辨率的無人機(jī)航拍影像進(jìn)行面向?qū)ο蠓诸?，?jīng)重采樣及像元配準(zhǔn)得到與MESMA 模型對應(yīng)像元的地物面積占比，將其假定為真實的像元豐度值以作參考。計算出像元分解得到的植被和水體豐度值與真實面積占比之間的擬合度，驗證混合像元模型的適用性。最后，根據(jù)提取后的影像進(jìn)行一元線性回歸趨勢分析，得出博斯騰湖濕地典型地物變化趨勢。

2.2.1 多端元混合像元分解（MESMA）模型MESMA模型選用最小二乘法誤差最小的端元組合提取出像元中不同端元所占的百分比。本研究選擇了植被-水體-裸地3種端元組合?；旌舷裨纸夤卜譃閮刹剑?2-23］，即端元確定與提取、混合像元解混。

（1）端元光譜確定與提取。端元選取就是將混合像元中所包含的地物類型和數(shù)目設(shè)定為特征組分，端元選取直接影響混合像元分解中組分?jǐn)?shù)據(jù)的準(zhǔn)確度［24］。MESMA 模型應(yīng)用到Landsat 影像時，根據(jù)研究區(qū)地物的類別，選擇3 個端元組分較為合理。根據(jù)博斯騰湖濕地遙感數(shù)據(jù)植被歸一化指數(shù)（NDVI）結(jié)果，按照三分模型建模原則，采取多值提取至點方法創(chuàng)建隨機(jī)采樣點，分別從植被、水體、裸土3種地物類型的樣本點，數(shù)量分別為植被端元100個、水體端元100個、裸土端元50個，總計250個。

式中：RNIR和RRED分別為Landsat 影像的近紅外與紅光波段的反射率。

（2）混合像元分解?；旌舷裨纸馐且罁?jù)提取出的混合像元的光譜特征，解析出混合像元中每個端元所占的百分比，即端元豐度。MESMA 模型通過選取多個端元波譜對像元中每種地物進(jìn)行混合像元分解。最廣泛的方法是由Roberts 等［25］提出的MESMA 模型。解混模型的擬合優(yōu)度通常采用均方根誤差（RMSE）來評價［26］，公式為：

式中：S為遙感影像波段數(shù)；λ為波段；ελ為λ的殘差。

2.2.2 一元線性回歸趨勢分析本文運(yùn)用一元線性回歸趨勢分析法從時間和空間上分析植被覆蓋度的變化趨勢，此方法根據(jù)像元分解后的植被像元豐度值得出的植被覆蓋度隨時間變化相結(jié)合得出整個區(qū)域的變化趨勢［27］，公式為：

式中：slope為多年覆被覆蓋度線性擬合斜率；n為監(jiān)測年數(shù)；fvci為第i年植被覆蓋度。

線性擬合斜率可以反映出博斯騰湖濕地植被2000—2022 年的覆蓋度變化趨勢及變化程度。斜率為正，表示覆蓋度增加，斜率為負(fù)則表示減少；斜率數(shù)值越大，表示變化程度越顯著，越小則表示變化程度越小。根據(jù)斜率數(shù)值將趨勢變化特征劃分為：顯著減少（-0.040～-0.003），輕微減少（-0.003～0.005），無變化（0.005～0.014），輕微增加（0.014～0.024），顯著增加（0.024～0.055）5個等級。

2.2.3 面向?qū)ο蠓诸惙椒o人機(jī)影像采用面向?qū)ο蟮姆诸惙椒ㄔ跐竦胤诸愔杏兄鴱V泛應(yīng)用［28］，因此在本研究區(qū)通過eCognition 軟件進(jìn)行無人機(jī)影像分類是可行的。首先，將可見光影像和DEM圖像進(jìn)行特征融合，再運(yùn)用eCognition 將影像分割后，選擇參與分類的特征樣本，最后根據(jù)它們在特征空間中的距離和設(shè)定的分類規(guī)則進(jìn)行監(jiān)督分類。

2.2.4 精度評價

（1）無人機(jī)影像精度評價。在采用無人機(jī)分類結(jié)果對混合像元分解模型進(jìn)行精度驗證之前，需對無人機(jī)面向?qū)ο蠓诸惤Y(jié)果進(jìn)行精度評價。主要評定指標(biāo)有制圖精度（PA，%）、用戶精度（UA，%）、總體精度（OA，%）、Kappa系數(shù)，公式分別為［29］：

式中：Pii為i行i列上每一類中正確分類樣本數(shù)量的值；Pi+為某一類驗證樣本的總數(shù)；P+i為某一類型驗證樣本總數(shù)；n為類型數(shù)量；N為驗證樣本之和。

（2）混合像元分解精度評價。將無人機(jī)分類結(jié)果進(jìn)行重采樣與2022 年7—8 月的Landsat 影像匹配［30］，得到對應(yīng)Landsat 像元的植被、水體面積比例，并以此對混合像元分解模型得到的植被和水體精度進(jìn)行精度驗證［31］。

3 結(jié)果與分析

3.1 MESMA精度

3.1.1 無人機(jī)分類精度對無人機(jī)影像進(jìn)行分類后，定量評價濕地地物信息提取的精度。根據(jù)影像目視解譯選取206 個隨機(jī)樣本點，結(jié)合分類結(jié)果對比分析完成精度評價（表1）。Kappa系數(shù)為0.95，總體精度（OA）達(dá)到97.09%，可以證明無人機(jī)影像用來驗證Landsat混合像元分解精度是可靠的。

表1 無人機(jī)圖像面向?qū)ο蠓诸惥仍u價Tab.1 Accuracy evaluation of UAV image object-oriented classification

3.1.2 混合像元分解精度根據(jù)MESMA 模型生成的植被、水體、裸地組分豐度，組分豐度值的范圍在0～1之間（圖2），豐度值越高表示此像元中該地物所占的面積越大。通過與真彩色影像（圖2a）進(jìn)行對比，植被（圖2b）、裸地（圖2c）和水體（圖2d）的地物類型劃分更為明顯，且能反映出研究區(qū)實際地物分布，如圖2位置①中的植被、位置②中的裸地和位置③中的水體等。

利用高精度的無人機(jī)分類結(jié)果進(jìn)行重采樣，對應(yīng)MESMA 模型分解后地物類型，以此為依據(jù)對MESMA 模型得到的地物豐度提取效果作精度評價。由圖3可知，MESMA模型的分類結(jié)果與無人機(jī)分類結(jié)果擬合度比較高。其中，MESMA 模型分解出的水體像元與無人機(jī)分類結(jié)果之間的擬合優(yōu)度為0.84，植被像元與無人機(jī)分類結(jié)果的擬合優(yōu)度為0.75。綜上分析可知，采用MESMA模型精度滿足要求，能較為準(zhǔn)確地分類出研究區(qū)不同地物的分布情況，是一種較為理想的地物分類方法。

圖3 無人機(jī)影像地物面積占比與MESMA地物像元豐度擬合優(yōu)度（R2）Fig.3 R2 of percentage of feature area by UAV and MESMA fraction

3.2 博斯騰湖濕地典型地物時空變化特征

2000—2022 年博斯騰湖濕地植被面積從453.58 km2增加到990.23 km2，水域面積從1607.2 km2減少到1011.44 km2，裸地面積從389.87 km2增加到448.99 km2（圖4）。不同時段濕地覆被面積變化特征不盡相同，以2012 年為界面積變化分為3 個階段。第一階段為2000—2011 年，博斯騰湖濕地植被面積總體上呈顯著增加趨勢，從453.58 km2增加到854.12 km2，共增加400.54 km2；水域面積持續(xù)減少，從1607.20 km2減 少 到1113.14 km2，共 減 少494.06 km2。植被在大湖區(qū)西北部濱湖濕地、小湖區(qū)北部增加幅度較大，水域面積則以大湖區(qū)濕地西北部湖濱濕地區(qū)、博斯騰湖南部邊緣狹長水帶以及東部邊緣縮減程度較大（圖5）。第二階段為2011—2012 年，濕地植被面積驟降，從854.12 km2減少到489.93 km2；水域面積則劇增，從1113.14 km2增加到1419.86 km2。植被在大湖區(qū)西北部濱湖濕地、以及整個小湖區(qū)減少幅度較大，該區(qū)域水域面積則相應(yīng)大幅增加（圖5）。第三階段為2012—2022 年，博斯騰湖濕地植被面積呈顯著增加趨勢，從489.93 km2增加到990.23 km2，共增加500.3 km2；水域面積持續(xù)減少，從1419.86 km2減少到1011.44 km2，共減少408.42 km2。植被在大湖區(qū)西北部濱湖濕地、小湖北部增加幅度較大，水域面積縮減較大區(qū)域主要位于大湖區(qū)西北部湖濱濕地、博斯騰湖南部以及東部，但是在大湖北部呈增加趨勢（圖5）。截止2022年博斯騰湖濕地植被面積共增加536.65 km2（183.14%），水域面積共減少595.76 km2（37.07%），裸地面積共增加99.12 km2（25.42%）。

圖4 2000—2022年博斯騰湖濕地典型地物變化Fig.4 Changes of typical features in Bosten Lake Wetland from 2000 to 2022

3.3 博斯騰湖濕地植被豐度變化趨勢

對博斯騰湖濕地植被豐度進(jìn)行趨勢變化分析（圖6）發(fā)現(xiàn)，博斯騰湖濕地植被顯著減少（-0.040～-0.003）的區(qū)域面積占比為5.1%，包括小湖區(qū)和黃水溝入水口的蘆葦覆蓋區(qū)域；輕微減少（-0.003～0.005）的區(qū)域面積占比為29.5%，包括大湖區(qū)北岸濱湖濕地和東岸；輕微增加（0.014～0.024）、顯著增加（0.024～0.055）的區(qū)域面積占比分別為23.4%、7.2%，包括博斯騰湖濕地西北部和小湖區(qū)北部區(qū)域；基本無變化區(qū)域面積占比為34.8%，主要為農(nóng)田以及大湖區(qū)南部沙漠地帶。

4 討論

濕地是陸地生態(tài)系統(tǒng)的重要組成部分，也是氣候變化的評價指標(biāo)，科學(xué)精準(zhǔn)地獲取水體、植被信息，掌握濕地變化規(guī)律特征，對于開展?jié)竦厣鷳B(tài)環(huán)境保護(hù)等方面有重要的意義。本文基于MESMA模型探究博斯騰湖濕地典型地物的提取精度，分析了3 種典型地物的時空變化特征，結(jié)果顯示：2000—2022 年博斯騰湖濕地中水體時空變化趨勢呈現(xiàn)擴(kuò)張-退縮-擴(kuò)張的增減交替變化特征，博斯騰湖濕地植被與裸地面積變化呈反比增減趨勢。

本文針對傳統(tǒng)分類方法忽略混合像元而導(dǎo)致的分類精度低的問題，在植被指數(shù)的基礎(chǔ)上，引入MESMA模型，基于植被-水體-裸地三分模型，通過提取的像元豐度值，解決中等空間分辨率遙感影像在地物分類過程中遇到混合像元的問題。經(jīng)過與實地拍攝的無人機(jī)影像分類結(jié)果進(jìn)行像元疊置計算出水體像元擬合度為0.84，植被像元擬合程度為0.75。MESMA 模型對不同的類型像元采用不同的端元組合模型，提高了地物分類的精度，研究結(jié)果具有一定的參考價值。但是基于3種地物提取的混合像元中的地物豐度，無法做到地物邊界的精確分割。運(yùn)用大量實測數(shù)據(jù)獲取動態(tài)水體及信息，能提高分類的準(zhǔn)確性。

植被面積整體增加區(qū)域在研究區(qū)西北黃水溝濱湖濕地和小湖區(qū)北部區(qū)域，呈減少趨勢的地區(qū)主要為大小湖相鄰接區(qū)域、小湖濕地中部和西北濱湖濕地艾比拉葦區(qū)南部入水口區(qū)域。首先，當(dāng)?shù)卣囊幌盗猩鷳B(tài)修復(fù)工程促進(jìn)了博斯騰湖濕地的恢復(fù)。2001年，國家計委批準(zhǔn)實施博斯騰湖水環(huán)境保護(hù)域治理工程，2009 年實施的“干旱半干旱地區(qū)湖泊水環(huán)境綜合治理與生態(tài)修復(fù)技術(shù)研究及工程示范工程”，博斯騰湖為試驗示范區(qū)；2011年博斯騰湖被列入國家首批8 個“生態(tài)環(huán)境保護(hù)試點”湖泊，根據(jù)博斯騰湖生態(tài)安全現(xiàn)狀及發(fā)展趨勢，通過多層次、多途徑調(diào)整流域產(chǎn)業(yè)結(jié)構(gòu)，采取工程及非工程措施降低流域污染負(fù)荷，修復(fù)湖濱濕地，有效遏制湖泊咸化趨勢，博斯騰湖濱湖濕地尤其是黃水溝濱湖濕地得到一定程度的恢復(fù)。同時也可以看出，近湖區(qū)域的蘆葦濕地與水域面積的變化呈現(xiàn)相反的變化態(tài)勢，蘆葦生長在淺水水域，水位過高會制約蘆葦?shù)纳L，這與陳昂［31］、買爾哈巴·買買提汗［32］得出的結(jié)論相似。同樣，除了積極作用，人類活動和氣候變化疊加對于博斯騰湖濕地水域和植被的負(fù)面影響不容忽視，博斯騰湖大湖水域面積因為1999年的特大洪水，在2000 年面積達(dá)到最高值，2003—2012 年塔里木河流域生態(tài)輸水工程增加了博斯騰湖的出湖水量，區(qū)域降水減少導(dǎo)致干旱頻率疊加，加之流域農(nóng)業(yè)灌溉面積不斷增加，之后湖水面積呈減少趨勢，主要體現(xiàn)在大湖沿岸［33］。2015年之后入湖徑流量增加的同時人為對出湖水量的進(jìn)行控制，水域面積得以快速回升［34］。不容忽視的是，博斯騰湖濕地區(qū)植被長勢衰退的區(qū)域主要在小湖區(qū)，重點區(qū)域為大小湖隔堤以西以及中部區(qū)域，其主要原因可能是2003 年前后博斯騰湖大小湖隔堤和放水閘的興建以及向塔里木河輸水，使得小湖區(qū)水量減少，進(jìn)而引起小湖區(qū)葦?shù)亻L勢衰退。總之，氣候變化疊加人類活動共同影響了博斯騰湖濕地水域與濕地的變化，其影響既有正面，亦有負(fù)面，針對不同時期博斯騰湖濕地的空間分布特征及影響主導(dǎo)因素，采取針對性的有效措施顯得尤為重要。

5 結(jié)論

（1）MESMA 模型針對不同的像元采用不同的端元模型，對遙感影像中的混合像元分解，提高了地物分類的精度。經(jīng)過與無人機(jī)面向?qū)ο蠓诸惤Y(jié)果（總體精度97.09%、Kappa 系數(shù)0.95）進(jìn)行地物占比擬合度計算，與植被像元R2為0.75，與水體像元R2為0.84，表明Landsat 系列影像通過MESMA 模型反演方法適用于分布面積零散的干旱區(qū)濕地，提高了地物分類的精度。

（2）2000—2022年博斯騰湖濕地植被面積增加536.65 km2（183.14%），主要體現(xiàn)在大湖濕地西北、小湖區(qū)北部區(qū)域；水域面積共減少595.76 km2（37.07%），在大湖區(qū)西北湖濱地帶、博斯騰湖南岸以及東岸縮減程度較大，但是在大湖北部呈增加趨勢；裸地面積共增加99.12 km2（25.42%），主要體現(xiàn)在博斯騰湖大湖北岸區(qū)域。

（3）博斯騰湖濕地植被30.6%的區(qū)域呈增加趨勢，主要包括濕地西北部和小湖區(qū)北部區(qū)域，34.6%的區(qū)域呈減少趨勢，主要包括小湖區(qū)、大湖北岸黃水溝入湖口和東岸帶區(qū)域。