遙感技術(shù)在典型海灣海域使用動態(tài)識別中的研究

中圖分類號：P717 文獻(xiàn)標(biāo)志碼：A 文章編號：1004—6755（2025）07-0031—03

Research on the application of remote sensing technology in spatiotemporal dynamics monitoring of typical bay areas

LIU Ke

（Shenzhen Ocean Development Promotion Center，Shenzhen 5l8ooo，China）

Abstract：To enhance the accuracy and eficiency of spatiotemporal dynamics monitoring in typical bay areas，this study evaluates the applicability of multi一source remote sensing imagery in discriminating typical marine functional zones，such as port operation zones，intertidal buffer areas，and marine aquaculture zones，and using Jiaozhou Bay as the study area， this research integrates multi-source remote sensing data （Sentinel -1 ，Sentinel-2，and MODIS），employs a CNN-RF hybrid algorithm，achieving an overall classification accuracy of 91.68% and a Kappa coeficient of O.869. These results significantly surpass those of traditional SVM methods （81.35% ，0.756） and multi-scale segmentation approaches （ 85.92% ，0.802），thereby validating the superior performance of multi一 source remote sensing fusion and inteligent algorithms in interpreting complex marine environments.

Key words：remote sensing recognition；gulf sea area；dynamic monitoring

典型海灣海域作為陸海交匯的重要生態(tài)空間，承載著密集的人類活動與復(fù)雜的自然過程，其空間利用格局與生態(tài)環(huán)境動態(tài)變化密切相關(guān)。隨著海洋經(jīng)濟(jì)發(fā)展與沿海城市化進(jìn)程加快，海域功能區(qū)劃的沖突與生態(tài)系統(tǒng)脆弱性問題日益凸顯，需構(gòu)建高效、精細(xì)的動態(tài)識別技術(shù)體系。遙感技術(shù)憑借其大尺度、周期性與多維觀測優(yōu)勢，成為支撐海域使用動態(tài)監(jiān)測與管理決策的關(guān)鍵手段，具有重要的價值。

海域使用動態(tài)識別的方法

1.1 傳統(tǒng)遙感識別方法

傳統(tǒng)遙感識別方法依托Landsat—8（空間分辨率 30m ，重訪周期 16d） 、Sentinel-2MSI（空間分辨率 10～20m ，重訪周期5d）及GF-1（高分一號衛(wèi)星）影像，利用NDWI、MNDWI等水體指數(shù)，結(jié)合人工判讀與監(jiān)督分類（如MLC、最小距離法）對港口、養(yǎng)殖、交通與灘涂等海域類型進(jìn)行動態(tài)監(jiān)測[1]。該方法適用于變化小、影像質(zhì)量高的近岸區(qū)域。近紅外與短波紅外用于邊界與底質(zhì)識別，藍(lán)綠波段適于水質(zhì)與懸浮物監(jiān)測，且時效性較弱[2]。

1.2生態(tài)環(huán)境指標(biāo)識別方法

生態(tài)環(huán)境指標(biāo)識別方法通過遙感數(shù)據(jù)構(gòu)建多維生態(tài)因子體系，實現(xiàn)對海域生態(tài)狀態(tài)動態(tài)監(jiān)測[3]。同時，使用Sentinel一2MSI（空間分辨率10～20m ，重訪周期5d）與MODIS（日頻觀測）數(shù)據(jù)，涵蓋水體類（ Chl-a 、SSC、Kd490）、大氣類（AOD）、生物類（NDVI、LAI）和人為干擾（夜光指數(shù)、 LCI）^[4] 。該方法為生態(tài)監(jiān)測與動態(tài)識別模型提供關(guān)鍵定量輸入，見表1。

1.3 區(qū)域特征提取方法

區(qū)域特征提取方法融合幾何形態(tài)、光譜響應(yīng)與空間分布特征，實現(xiàn)海灣海域結(jié)構(gòu)與利用模式的定量識別[5?；贚andsat -8（30m） 與Senti-nel—2MSI影像，提取B1－B8A光譜特征與GLCM紋理 （0^°，45^°，90^°，135^°） 。地形數(shù)據(jù)使用SRTM（30m） 或ASTERGDEM（ 15m 獲取坡度、高程等，結(jié)合空間聚類與分割算法劃定功能邊界[]。引人FDI與CONTAG景觀指標(biāo)，結(jié)合K一Means與面向?qū)ο笠?guī)則，構(gòu)建多尺度海域使用識別圖層。

2 遙感技術(shù)在海灣海域使用動態(tài)識別中的應(yīng)用

2.1遙感圖像預(yù)處理技術(shù)

遙感圖像預(yù)處理技術(shù)是海灣海域動態(tài)識別的關(guān)鍵環(huán)節(jié)，主要用于糾正幾何畸變、輻射誤差與光譜漂移，確?？臻g與光譜一致性。處理流程包括6S模型輻射定標(biāo)、RMS控制點精度小于0.5像素的幾何校正、二階多項式重采樣與配準(zhǔn)。圖像融合采用Brovey變換與PCA提升分辨率至2m ，增強細(xì)節(jié)識別。通過結(jié)合高程數(shù)據(jù)與ND-WI提取動態(tài)邊界，區(qū)域掩膜裁剪與云霧檢測可將分析誤差控制在 5% 以內(nèi)[8]。

2.2 海域利用類型識別

海域利用類型識別通過光譜、幾何與時序特征分析，精準(zhǔn)判定功能性用海區(qū)域的分類邊界[9]采用Landsat—8OLI（陸地成像儀）、Sentinel—2MSI與GF一2（高分二號衛(wèi)星）多光譜數(shù)據(jù)，結(jié)合空間分辨率 10～30m 的影像，提取時序NDWI、NDVI、MNDWI等指數(shù)的動態(tài)變化特征。利用支持向量機（SVM）或隨機森林（RF）監(jiān)督分類算法，構(gòu)建海域類型識別模型，并結(jié)合面向?qū)ο蟮姆指钜?guī)則優(yōu)化邊界，提升斑塊的空間完整性與分類一致性[10]。分類體系具體劃分見表2。

2.3海域生態(tài)環(huán)境變化識別

海域生態(tài)環(huán)境變化識別通過遙感數(shù)據(jù)的多源、多尺度與多時相特性，構(gòu)建動態(tài)檢測體系[11]。采用Sentinel-2MSI與MODISTerra/Aqua（空間分辨率 250m ，重訪周期1d）影像，提取ND-WI、 Chl-a. 、AOD等生態(tài)因子，利用 ΔNDWI 、ΔNDVI 關(guān)鍵生態(tài)參數(shù)。變化檢測采用 ΔNDWI ΔNDVI 等差異指數(shù)與Theil一Sen斜率法，以量化變化速率與方向[12]。并通過Mann－Kendall趨勢檢驗（顯著性水平 α=0.05; 評估其統(tǒng)計可靠性。空間層面采用對象級變化檢測（OBCD）技術(shù)，結(jié)合動態(tài)圖像分割方法提升小尺度變化的識別精度。最終構(gòu)建復(fù)合生態(tài)指數(shù)（CEI，實現(xiàn)生態(tài)變化強度的空間定量表達(dá)[13]。

3遙感技術(shù)在典型海灣海域使用識別中的創(chuàng)新應(yīng)用

在典型復(fù)合型海域——膠州灣（年均海表溫度 15.2^°C ，鹽度 30.6‰ ，透明度 1.2～1.8m ，集成多源遙感協(xié)同解譯、時序數(shù)據(jù)融合與AI輔助分類，構(gòu)建多維遙感識別框架。通過Sentinel-1與Sentinel一2MSI影像提取結(jié)構(gòu)與變化圖層，結(jié)合MODIS季度級NDWI、 Chl-a 、SSC等生態(tài)參數(shù)序列提升時效與生態(tài)識別能力[14]。分類算法采用CNN與隨機森林融合模型，顯著增強邊界與小尺度識別，總體精度（OA）與Kappa值明顯優(yōu)于傳統(tǒng)方法，見表3。

表3數(shù)據(jù)顯示，傳統(tǒng)監(jiān)督分類總體精度為81.35% ，Kappa系數(shù)為0.756，存在邊界誤差；面向?qū)ο蠖喑叨确指罘傮w精度提升至 85.92% .顯示其結(jié)構(gòu)優(yōu)勢；多源融合與CNN一RF組合算法總體精度達(dá)91. 68% ，Kappa系數(shù)提升至0.869，顯著增強了復(fù)雜海域類型的識別與一致性[15]。

4結(jié)論

遙感技術(shù)在典型海灣海域使用動態(tài)識別中的應(yīng)用展現(xiàn)出多源數(shù)據(jù)融合、時序分析與智能分類的協(xié)同優(yōu)勢，有效提升了復(fù)雜用海結(jié)構(gòu)與生態(tài)變化的識別精度。未來應(yīng)強化多尺度數(shù)據(jù)的實時接入與動態(tài)建模機制，構(gòu)建更高頻率、更高分辨率的海域監(jiān)測體系，實現(xiàn)對海岸帶資源可持續(xù)利用的精細(xì)化管理與預(yù)警支持。

參考文獻(xiàn)：

[1]付弘濤，張昊睿，秦平，等.基于遙感和OpenCV的海域使用疑點疑區(qū)自動提取與變化檢測方法研究[J].海洋技術(shù)學(xué)報，2022，41（3）：10—16.

[2]付弘濤，秦平，齊安翔，等.長江河口海域重疊區(qū)域典型用海用島遙感變化監(jiān)測及管理策略[J].海洋信息技術(shù)與應(yīng)用，2024，39（3）：164—171.

[3]王義方，李新舉，李富強，等.基于多時相遙感影像的采煤塌陷區(qū)典型擾動軌跡識別：以山東省濟(jì)寧市典型高潛水位礦區(qū)為例[J].地質(zhì)學(xué)報，2019，93（S1）：301-309.

[4]林玲，金襲，員鵬，等.溫州海岸帶典型生境的識別方法、空間分布及保護(hù)修復(fù)[J].福建林業(yè)科技，2024，51（3）：118—123，130.

[5]丁夢磊.光學(xué)遙感圖像中艦船識別方法研究[J].艦船科學(xué)技術(shù)，2024，46（16）：143—147.

[6]關(guān)純安，倪元龍，高偉，等.基于衛(wèi)星和無人機融合的海域動態(tài)監(jiān)測方法研究與應(yīng)用[J」.山東國土資源，2025，41（3）：52-59.

[7]翁宇斌，孫芹芹，張加晉.基于多源數(shù)據(jù)的典型海灣岸灘環(huán)境歷史演變分析：以福建省安海灣為例[J].華南師范大學(xué)學(xué)報（自然科學(xué)版），2024，56（5）：102—108.

[8］張才學(xué)，林宏升，孫省利.廣東省典型海灣表層沉積有機質(zhì)的來源和分布[J].熱帶海洋學(xué)報，2012，31（6）：62-68.

[9]孟云閃，韓志聰，曹英志，等.空間分辨率對海岸線時空演變遙感分析的影響：以渤海灣為例[J.海洋開發(fā)與管理，2023，40（4）：122—131.

[10]白雪冬，卜祥松.遙感技術(shù)在海域使用動態(tài)監(jiān)測中的應(yīng)用[J]中文科技期刊數(shù)據(jù)庫（全文版）自然科學(xué)，2024（11）：128—131.

[11]史奇讓.基于遙感的近海污染物空間分布特征與污染狀況評價研究[J].環(huán)境科學(xué)與管理，2024，49（3）：190—194.

[12]李陽，關(guān)純安，劉浩，等.基于高分遙感影像和矢量數(shù)據(jù)的海域使用現(xiàn)狀調(diào)查與分析：以山東省管轄海域為例[J].山東國土資源，2023，39（6）：52-59.

[13]蔣正江，王恩國.基于衛(wèi)星遙感的某核電站近岸海域溫度場分析[J].世界核地質(zhì)科學(xué)，2025，42（1）：178—186.

[14]石海崗，薛慶，章新益，等.基于遙感的海域環(huán)境變化監(jiān)測分析[J].環(huán)境監(jiān)測管理與技術(shù)，2024，36（1）：53-56.

[15」徐金夢，丁苗苗，于潭，等.基于衛(wèi)星遙感的黃海海域溢油提取[J].石化技術(shù)，2024，31（9）：352-354.

（收稿日期：2025-04-28）