EN中文

自然资源遥感 >

2025 , Vol. 37 >Issue 4: 77 - 87

DOI: https://doi.org/10.6046/zrzyyg.2024002

技术应用

2020—2023年全国大陆地区沿海区域变化图斑高频次时空演变分析

  • 李威 , 1, 2 ,
  • 赵彬如 1 ,
  • 梁建峰 , 1 ,
  • 周鹏 2 ,
  • 张峰 1
展开
  • 1.国家海洋信息中心,天津 300012
  • 2.中国石油大学(华东)海洋空间与信息学院,青岛 266580
梁建峰(1983-),男,硕士,正高级工程师,研究方向为海洋遥感、海洋信息。Email: 。

李 威(2000-),男,硕士研究生,研究方向为海洋遥感、智能信息处理。Email: 。

Copy editor: 张仙

收稿日期: 2024-01-02

  修回日期: 2024-08-09

  网络出版日期: 2026-06-03

基金资助

国家自然科学基金青年基金项目“面向海山底栖生境图的多波束地形因子精确提取方法研究”(42206200)

国家海洋信息中心科技攻关创新基金项目(2301GJZD01)

收起

Analysis of high-frequency spatiotemporal evolution of patches reflecting 2020—2023 changes in coastal areas of the Chinese mainland

  • LI Wei , 1, 2 ,
  • ZHAO Binru 1 ,
  • LIANG Jianfeng , 1 ,
  • ZHOU Peng 2 ,
  • ZHANG Feng 1
Expand
  • 1. National Marine Data and Information Service, Tianjin 300012, China
  • 2. College of Oceanography and Space Informatics, China University of Petroleum, Qingdao 266580, China

Received date: 2024-01-02

  Revised date: 2024-08-09

  Online published: 2026-06-03

Fold

摘要

我国大陆地区的沿海区域变化图斑分析往往存在影像分辨率低、时间间隔久、区域范围小等问题。为获取高频次、准确的全国沿海区域变化信息,辅助我国海洋资源动态监管和沿海区域相关保护政策的执行,该文利用15 d一个周期的国产高分辨率遥感数据,采用迭代加权多元变化检测算法(iteratively reweighted multivariate alteration detection,IR-MAD)结合目视解译的方法,提取全国大陆地区11个沿海省市2020—2023年的沿海区域变化图斑,并对其进行时空特征分析、景观格局分析和空间相关性分析研究。结果表明: 我国大陆地区沿海区域变化图斑存在明显的定向变化,各研究区的围海到填海的变化图斑面积均为最高值,并且除海南省以外该类型的变化图斑面积均大于1 000 km2; 各类变化图斑占比逐渐趋于均衡,在2022年冬季,填海变化图斑的占比首次低于50%; 各类变化图斑的聚集度都处于逐渐增加的趋势,未来变化图斑分布将较为集中,各区域的变化图斑质心均发生了方向各异的迁移,且变化图斑在20 km之内存在显著的空间相关性。

关键词： 沿海区域; 高频次; 高分辨率; 变化图斑; 时空演变分析

本文引用格式

李威 , 赵彬如 , 梁建峰 , 周鹏 , 张峰 . 2020—2023年全国大陆地区沿海区域变化图斑高频次时空演变分析[J]. 自然资源遥感, 2025 , 37(4) : 77 -87 . DOI: 10.6046/zrzyyg.2024002

Abstract

The analysis of patches showing changes in coastal areas of the Chinese mainland tends to encounter challenges such as low image resolution, long time intervals, and limited spatial coverage. This study aims to obtain high-frequency, accurate information on changes in coastal areas nationwide. This will facilitate the dynamic monitoring of marine resources and the implementation of relevant protection policies for coastal areas in China. To this end, using domestic high-resolution remote sensing data of 15 days (i.e., one cycle), as well as the iteratively reweighted multivariate alteration detection (IR-MAD) algorithm combined with visual interpretation, this study extracted patches reflecting 2020—2023 changes along the coasts of 11 provinces and cities in the Chinese mainland. Accordingly, this study analyzed their spatiotemporal characteristics, landscape patterns, and spatial correlation. The results indicate distinct directional changes in the patches. The patches reflecting changes from sea enclosure to reclamation exhibited the largest areas across various investigated areas. Except for Hainan Province, the area of this type of patches exceeded 1 000 km2. The proportions of patches reflecting different types of changes gradually tended to be balanced. In the winter of 2022, the proportion of patches showing changes in the reclamation dropped below 50% for the first time. The aggregation degree of patches reflecting various types of changes showed increasing trends, suggesting that patches reflecting various changes will become more concentrated in the future. The centroids of these patches of various regions shifted in varying directions, and these patches exhibited significant spatial correlation within a 20 km range.

Key words： coastal area; high-frequency; high-resolution; patch reflecting changes; spatiotemporal evolution analysis

0 引言

随着我国大陆地区沿海区域人口的快速增长和社会经济的迅猛发展,人们为了获得更多可供利用的土地资源对沿海区域进行了大规模围海、填海等工程化活动[1]。长期以来的大规模人类活动导致沿海区域面积及空间结构变化显著[2]、土地利用变化加快[3]、滨海湿地大面积减少[4]、建设用地持续增加[5],给沿海区域的生态系统造成极大的影响[6-7]。近年来国家层面实施的围填海管控政策[8]和措施已在沿海区域保护方面初见成效[9]。为了进一步加强对沿海区域人类改造活动的控制,有必要定量化、空间化地监测沿海区域土地利用的时空变化特征[10],辅助沿海区域相关保护政策执行。
目前,国内外学者利用如阈值法[11]、多元变化检测[12-13]、图像差分[14]、主成分分析和深度学习[15-16]等遥感变化监测方法,针对沿海地区变化图斑进行提取[17],并对提取的沿海区域变化图斑时空特征[18-20]的分析方法展开了诸多研究。温礼等[21]利用归一化差异水体指数(normalized difference water index,NDWI)自动提取围填海变化图斑,构建2009年和2011年2个时期的NDWI指数将天津市滨海新区大部分囤填海区域准确探测出来; 于枫世等[22]提出了基于U-Net网络的多约束变体结构的围填海检测识别技术框架,利用2016年和2020年2期Google Earth影像提取了天津市滨海新区变化图斑; 王娟等[11]利用光谱、纹理等特征构建差异影像,分别使用随机森林与极端梯度提升进行沿海区域变化图斑检测; 付杰等[15]针对海岸带遥感监测中存在的精度不高的问题,提出了面向对象的多尺度分割技术。综合来看,目前对沿海区域变化图斑分析大多使用的是中低分辨率的遥感影像,仅限于对小范围区域的研究,变化图斑提取时间间隔久、频次低,缺乏针对全国整体沿海区域、高频次、精细化的变化图斑提取和分析研究。
本文依托国产遥感影像数据,采用迭代加权多元变化检测算法(iteratively reweighted multivariate alteration detection,IR-MAD)结合目视解译的方法,以15 d一个周期的频率对我国约36万km2的沿海区域进行变化图斑提取及分类,同时进行变化图斑的时空特征分析,选取和构建景观格局指数对变化图斑进行景观格局演变特征分析,并分析变化图斑空间相关性,探索我国沿海区域变化的时空规律和景观格局现状,便于调节我国沿海区域经济发展和生态环境保护之间的关系,为我国海洋监管工作提供技术支撑和为我国沿海区域的环境保护工作提供基础保障。

1 研究区概况及数据源

1.1 研究区概况

我国大陆海岸线长约1.8万km,岛屿海岸线长约1.4万km,横跨22个纬度带。为分析近年来我国大陆地区沿海区域变化情况,本研究选择11个沿海省市约36万km2沿海区域,将其划分为9个研究区进行变化图斑分析。其中将天津市、河北省2个地区合并为津冀地区,将上海市、江苏省2个地区合并为苏沪地区,研究区如图1所示。
图1 研究区域图(审图号: GS京(2025)0941号)

Fig.1 Map of the study area

1.2 数据源及其预处理

研究数据源包括GF-1,GF-2,GF-6,ZY-3高分辨率遥感数据,时间跨度为2019年10月—2023年9月,同时收集其他传感器的遥感数据辅助研究。对数据进行大气校正、几何配准、调色、去云及阴影等预处理。数据源参数如表1所示。
表1 数据源卫星参数

Tab.1 Data source satellite parameters

参数 GF-1 GF-2 GF-6 ZY-3
光谱范
围/μm		 全色 0.45~0.90 0.45~0.90 0.45~0.90 0.45~0.80
多光谱 0.45~0.52 0.45~0.52 0.45~0.52 0.45~0.52
0.52~0.59 0.52~0.59 0.52~0.59 0.52~0.59
0.63~0.69 0.63~0.69 0.63~0.69 0.63~0.69
0.77~0.89 0.77~0.89 0.77~0.89 0.77~0.89
空间分辨
率/m		 全色 2 0.8 2 2.1
多光谱 8 3.2 8 5.8
重访周期/d 4 5 2 5
幅宽/km 60 45 90 50

2 研究方法

2.1 变化空间约束与变化图斑提取

2.1.1 基于水涯线的变化区域空间约束

我国实施的海岸带调查项目通常界定的调查界限为: 自海岸线起,向内陆方向扩展大约10 km的距离; 而向海洋一侧,则涵盖至水深达到10~15 m的等深线区域; 在河口地区,则是向陆延至潮区界,向海延至深水线或淡水舌。对以往收集到的海岸带变化图斑分布分析发现,海岸带变化多发生于水涯线附近,本研究重点关注近海区域变化情况,侧重于对海洋资源动态监管,因此本研究规定的海岸带范围为: 自瞬时水涯线向陆地延伸2 km,向海延伸3 km。根据水体反射特性,首先采用NDWI进行水陆分离,公式为:
N D W I = ( G - N I R ) / ( G + N I R )
式中 G 和 N I R分别为影像绿光波段和近红外波段反射率。
然后对NDWI采用自然间断点分级法得到分界阈值T1,与经验阈值T2求取平均值,作为最终的水陆分界阈值,经验阈值经多幅影像采样计算与研究者资料总结得到,不同类型地类对应的NDWI值如表2所示。
表2 不同类型地类NDWI经验值

Tab.2 NDWI empirical values for different types

类型 取值范围
干旱、非水性表面 -1≤NDWI<-0.3
中度干旱区、水面 -0.3≤NDWI< 0
洪水 0≤NDWI<0.2
水体 -0.3<NDWI≤1
最后对分离出的水体区域标记连通域,剔除小面积连通域,保持水涯线细节的同时减少噪声干扰,基于水涯线向陆向海外扩建立缓冲区裁剪影像,减少陆地和海上变化的干扰。

2.1.2 变化图斑提取与分类

沿海区域的变化受自然过程和人为活动影响,变化类型复杂,形状不规则,监测频率要求高。IR-MAD算法是在平均绝对差算法(mean absolute differences,MAD)的基础上,结合期望最大化算法(expectation maximization,EM)提出的处理效率和检测精度都更高的变化检测方法,可以突出发生显著变化的像素,抑制背景噪声和微小变化的影响,可以有效用于具有复杂背景的海岸带变化监测中。IR-MAD算法的核心是基于多元统计分析的典型相关分析变换和EM算法,算法原理为设2幅影像分别为X=[X1,X2,…,Xp]T与Y=[Y1,Y2,…,Yp]T,对2幅影像进行MAD变换:
X Y → a p T X - b p T Y ︙ a 1 T X - b 1 T Y → U p - V p ︙ U 1 - V 1 → M A D p ︙ M A D 1
式中: a和b为一组线性变换系数; p为波段数; U和V为变量矩阵经过标准化后的方向向量; MADp为每个波段的地物变化强度。
根据中心极限定理,MAD变量趋近于混合高斯模型,则可以计算差异影像的卡方距离,位置为j的像元经过MAD变化后得到的新变量Tj满足自由度为S的卡方分布,即
T j = ∑ i = 1 p M A D i j σ i 2 ∈ χ 2 ( S )
式中: σ i为 M A D i的标准差; i为影像的波段索引。每个像元的初始权值设为1,每次迭代计算每个像元属于某个类型(变化类、未变化类)的概率,利用上一轮的迭代计算出的概率作为新权值 w j,通过计算,没有发生变化的像元具有较大的权重。经过若干次迭代后,每个像元的权重会逐渐趋于稳定直到不变为止,与此同时迭代计算也将停止。采用自然间断点分级法得到权重图像阈值,提取变化区域,并对提取的变化区域进行连通域标记,通过面积约束剔除小斑块噪声。
变化图斑提取采用IR-MAD结合目视解译的方法,首先计算NDWI获取影像瞬时水涯线,利用水涯线构建缓冲区裁剪影像,剔除内陆和远海区域,提高变化检测效率; 采用IR-MAD算法得到卡方图,卡方图上值越大,表示该区域发生变化的可能性越大; 接着利用最大类间方差法计算阈值对卡方图进行分割,初步得到变化图斑; 最后对提取的变化图斑进行目视筛选,边界修正,得到最终的变化图斑。
依据《海域使用管理法》《海域使用分类》(HY/T 123—2009)等文件,结合历史地形图和海图等数据,利用变化图斑在光谱与空间信息上的差异,深入分析其图谱特性,将变化图斑细分为未利用地、围海造地、填海造地、构筑物、其他人工变化及自然生态变迁等类型。建立起变化图斑使用类型的解译标志如表3所示。
表3 变化图斑类型划分及解译标志

Tab.3 Change mapping type classification and deciphering flags

2.2 变化图斑时空规律分析

为分析沿海变化图斑的时空特征、景观格局和空间相关性,采用质心转移轨迹、景观格局指数和全局莫兰指数对沿海区域进行定量化、空间化的分析。

2.2.1 时空特征分析方法

变化图斑质心迁移揭示沿海区域热点变化分布。均匀面积变化不引质心偏移,非均匀变化则致质心显著偏移。沿海区域动态变化可通过质心转移轨迹展现,质心的计算公式为:
X i = ∑ i = 1 n ( S t i X i ) ∑ i = 1 n C t i Y i = ∑ i = 1 n ( S t i Y i ) ∑ i = 1 n C t i
式中: Xi和Yi为第i个变化图斑的重心坐标; Sti为第i个变化图斑的面积; n为变化图斑的总数目。

2.2.2 景观格局分析方法

变化图斑的景观格局分析从类型水平分析选取最大斑块指数(largest patch index,LPI)、聚合度(aggregation index, AI)和开发强度指数(development intensity index, DII)3个指数,其中LPI度量研究区域变化图斑的优势斑块类型; AI反映研究区域变化图斑的聚集指标,考察每种变化图斑类型间的连接性; DII反映人类干预下各个时期及不同变化图斑类型间的开发强度。景观水平分析选取香农多样性指数(Shannon’s diversity index, SHDI)、香浓均匀度(Shannon’s evenness index, SHEI)和蔓延度指数(contagion index, CONTAG)3个指数,SHDI反映图斑类型的多样性和复杂性; SHEI比较不同图斑类型的在面积或数量上的均匀程度; CONTAG反映景观中不同变化斑块类型的团聚程度和延展趋势。相应公式分别为:
L P I = S m a x A × 100
A I = g i i m a x → g i i × 100
D I I i = ∑ j = 1 n S i j ∑ j = 1 n L j × 100
S H D I = - ∑ i = 1 m ( P i × l n P i )
S H E I = S H D I l n m
C O N T A G = 1 + ∑ i = 1 m ∑ k = 1 m ( P i ) g i k ∑ k = 1 m g i k l n ( P i ) g i k ∑ k = 1 m g i k 2 l n m × 100
式中: Smax为某一种变化图斑斑块类型中最大斑块的面积,km2; A为研究区域的总面积,km2; gii为同类变化图斑的相似邻接斑块公共边界长度,km; Sij为i类到j类变化图斑的面积,km2; n为变化图斑的总数目; Lj为j类图斑的该年份的海岸线长度,km; m为景观中变化图斑的类型总数; Pi为i类型变化图斑所占面积百分比; gik为i类型变化图斑和k类型变化图斑毗邻的数目。

2.2.3 空间相关性分析方法

沿海区域变化图斑之间存在紧密的空间相关性,使用全局莫兰指数(global Moran’s I)描述所有变化图斑在整个区域上与周围变化图斑之间的平均关联程度。计算公式为:
I = n ∑ i = 1 n ∑ j = 1 n w i j × ∑ i = 1 n ∑ j = 1 n w i j ( y i - y - ) ( y j - y - ) ∑ i = 1 n ( y i - y - ) 2
式中: n为变化图斑总个数; yi和yj分别为第i个变化图斑和第j个变化图斑属性值; y -为所有变化图斑属性值的均值; wij为空间权重值。

3 实验结果与分析

3.1 变化图斑提取与分类

3.1.1 基于水涯线的变化区域空间约束

首先对影像进行配准,以前期影像为基准影像,采用特征点匹配法对前后期影像进行相对配准,确保前后时期的影像在空间上地物位置尽量一致,减少因为影像位置偏差导致的伪变化; 然后计算重叠区,对重叠区影像分别计算NDWI并进行水体提取,采用自然间断点分级法计算分界阈值,得到的最终阈值见表4。
表4 实验数据阈值

Tab.4 Experimental data thresholds

影像日期 自然间断点
分级法阈值		 经验阈值 最终阈值
2020-10-27 0.202 416 0.2 0.201 208
2020-11-13 0.294 445 0.2 0.247 223
利用阈值对图像进行二值化,标记连通域剔除小面积区域后获取水体部分,去除内陆水体,提取水体边界线后沿线向陆向海外扩构建缓冲区,裁剪影像。空间约束过程见图2(本研究面向的是高频次监测,缓冲区差异小,因此图片只展示一期影像空间约束后效果)。从图2中可以看出,水体边界与陆地边界分离完整,裁剪后影像沿海地物包含完整。
图2 空间约束过程

Fig.2 Spatial constraint processes

3.1.2 变化图斑提取与分类

图3为变化图斑提取流程示例,使用IR-MAD算法生成卡方图以检测变化区域,通过Otsu阈值分割初步提取变化图斑,将提取的所有沿海区域变化图斑按照解译标志进行目视分类,并对分类的精度进行验证,以谷歌高清影像、海域使用确权数据、地形图和海岸带专项调查图件为验证基础数据,每期分别随机选择300个验证点,涵盖5 种利用类型,进行精度验证,精度指标为验证点的围填海定义类型与该点实际利用类型相符的个数占验证点总斑块数的百分比。统计每一期解译精度,如果解译精度高于90%,则认为该期类型分类满足本研究需要,否则对该期数据重新进行目视修正,直至精度高于90%为止,最终得到的解译精度范围在91%~95%之间,满足对变化图斑分析需要。
图3 变化图斑提取流程示例

Fig.3 Example of change patch extraction workflow

采用IR-MAD结合目视解译的方法以15 d为1个周期的频率对我国约36万km2的沿海区域进行变化图斑提取及分类,整个沿海研究区域的变化图斑如图4所示。
图4 变化图斑提取结果(审图号: GS京(2025)0941号)

Fig.4 Results of the extraction of change patches

整个沿海区域变化图斑总计41 622块,面积总和为56 314.865 km2,其中包括未利用变化图斑4块,面积共2.747 km2; 围海变化图斑271块,面积共1 109.603 km2; 填海变化图斑19 524块,面积共35 443.199 km2; 构筑物变化图斑19 861块,面积共11 226.882 km2; 自然生态变化图斑145块,面积共245.962 km2; 其他变化图斑1 817块,面积共8 286.469 km2。

3.2 变化图斑时空规律分析

由于未利用类型的变化图斑类型占比极少,无法进行常规分析,本文将其归类为其他变化,分析2020—2023年共41 622个围海等5类变化图斑。

3.2.1 变化图斑的时空特征分析

按照不同区域和类型对图斑面积进行统计分析得到的结果如图5所示。从变化总面积上可以看出,山东省4 a间的沿海区域变化图斑面积最大,占比27.5%; 其次是苏沪地区,占比16.1%; 最少是海南省,仅占比1.4%,相较于最多的省份变化面积占比少26.1百分点。从变化类型上看,大部分省份中填海类型占比最大,其次是构筑物类型,最少的自然生态变化类型。山东省拥有广阔的海洋资源,海岸线占全国1/6,伴随海洋经济规模的扩张,对海洋资源和空间的需求激增,因而沿海变化图斑数量与面积均显著。经济发展与人口增长是推动沿海区域变化图斑扩张的关键因素,社会经济快速发展与人口迁移加剧了土地与空间资源的需求,促使填海工程大规模进行,成为沿海变化的主要形式。
图5 变化图斑类型面积分布(审图号: GS京(2025)0941号)

Fig.5 Distribution of the area of change patches

研究区变化图斑类型占比如图6所示。4 a间我国填海类型的变化图斑在沿海区域变化图斑类型中占比最高,其次是构筑物类型和其他变化类型的变化图斑,最少的为围海类型和自然生态变化类型的变化图斑。从类型占比上看,填海类型占比呈波动性下降趋势,在2020春季年占比最高,为86.09%,在2022年冬季占比达到最低,为44.46%。构筑物类型的围填海在2021年秋季和2022年春季出现了2个较高值,占比最高为35.71%,其他变化类型的变化图斑为整体上升的趋势,2022年冬季年占比达到最高,为41.80%,其他2种类型占比较少且变化不明显。沿海区域围海和填海类型的变化通常会破坏海洋生态环境和生物多样性,从而引发沿海区域环境问题,随着围填海行为法律法规的制定和执行以及人们对环境保护意识的增加,沿海区域填海类型的变化逐年减少。此外,我国沿海区域变化趋于多样化,优势变化图斑类型占比降低,多种变化图斑类型相互均衡。
图6 变化图斑面积占比图

Fig.6 Percentage of area by change patch type

2020—2023年间土地利用变化呈现出显著的特点。主要变化类型集中在围海到填海的转换上,这一类型的图斑面积在所有研究区中均占据主导地位,且除海南省外,其他地区的此类变化面积均超过1 000 km2。此外,未利用土地向填海、构筑物及其他类型的转换也较为显著,而其余类型的图斑转换面积相对较小。为了满足土地需求,沿海地区普遍采取了围海养殖和填海造陆等措施。围海养殖不仅扩大了水产养殖规模,还间接促进了围海区域的土地开发。而填海造陆则直接将海域转变为陆地,用于城市扩张、工业建设等。大量未利用土地,如滩涂、荒地等被转化为填海、构筑物等类型,提高了土地利用效率。这种转换不仅缓解了土地资源的紧张状况,还促进了沿海地区的经济发展。
在9个研究区中,山东省的土地利用变化尤为显著。其未利用到构筑物、未利用到其他变化、围海到填海等类型的图斑面积均超过1 000 km2,表明山东省在土地开发和利用方面具有较高的活跃度和效率。相比其他地区,海南省的土地利用变化面积较小,这可能与海南省独特的地理位置、生态环境以及经济发展模式有关。尽管如此,海南省在未利用到填海等类型的转换上仍有一定规模,显示出其土地资源的有限性和开发潜力。具体沿海区域变化图斑土地利用转移情况如表5所示。
表5 各地区变化图斑土地利用转移面积

Tab.5 Land use transition areas of changed patches in different regions(km2)

变化图斑转换类型 辽宁省 津冀地区 山东省 苏沪地区 浙江省 福建省 广东省 广西壮族自治区 海南省
未利用-围海 45.563 6.625 466.123 6.818 326.119 4.732 185.261 15.990 8.918
未利用-填海 717.986 53.325 181.044 138.660 335.543 656.009 379.416 241.736 135.487
未利用-构筑物 426.002 824.917 1 884.672 474.307 851.167 758.629 993.499 529.517 129.003
未利用-其他变化 633.681 40.071 1 509.616 45.870 38.317 103.296 111.409 27.319 66.556
未利用-自然生态变化 5.779 0.413 9.445 37.310 15.069 162.547 0.259 3.702 6.510
围海-填海 3 055.425 2 424.417 8 295.326 6 515.486 3 965.218 2 872.597 3 570.030 1 501.415 358.201
围海-构筑物 729.380 288.740 575.847 472.987 677.733 397.950 211.111 54.658 40.354
围海-其他变化 127.838 1 225.246 2 298.705 1 230.013 85.949 191.845 248.491 151.440 26.957
围海-自然生态变化 0.093 0.062 0.599 7.369 — — — — —
填海-构筑物 13.101 0.650 7.258 29.115 5.471 0.676 0.326 1.703 —
填海-其他变化 0.907 — — — 0.641 14.588 31.722 — 0.936
填海-自然生态变化 — — — — — 1.489 — — —
构筑物-其他变化 — — — — 0.251 — 13.287 — —
研究区域的变化图斑质心转移如图7所示。图中黑色圆点代表各研究区每年的质心位置,箭头指示其移动方向。辽宁、津冀、浙江、广西4地区质心相对集中,而山东、苏沪、福建、广东、海南5地区则表现出明显的质心移动。具体而言,辽宁、津冀、浙江、广西质心亦各有其集中区域。这些地区可能受益于长期稳定的政策环境和规划指导,使得海岸带开发和利用活动在既定框架内进行,减少了无序扩张和频繁变动的可能性。相反,山东、苏沪、福建、广东、海南的质心则在不同年份间发生显著位移,呈现出复杂的移动轨迹,如山东质心在3 a内多次改变方向,苏沪、福建质心则分别经历了先东南后西北和先西南后东北的转移,广东质心持续向西南转移,海南质心则经历了东南、北、东北方向的连续变动,表明这些区域的海岸带变化更为动态和复杂。这些地区经济快速增长,带动了大规模的沿海基础设施建设和产业发展,沿海地区的人口增长和城市化进程加速了土地资源的开发和利用,推动了新的居住、商业和工业区的建设,进而改变了海岸带的空间布局。这些变化不仅反映了中国沿海地区的发展态势和生态环境变化,也为未来的海岸带管理和保护提供了重要参考和依据。
图7 变化图斑空间质心转移图

Fig.7 Spatial center-of-mass transfer map of change patches

3.2.2 变化图斑的景观格局分析

1)数据表明,填海类型图斑的LPI最高,这反映了沿海区域经济快速增长对海洋资源及空间需求的激增,使得填海活动成为主导变化类型。从表6中AI可以看出5种类型图斑初期聚集分布程度较弱,但随着沿海区域开发的持续进行,其AI指数逐渐上升,体现了空间整合趋势。从表中DII可以看出受国家政策法规对围填海项目的严格限制及疫情冲击的双重影响,我国沿海地区的经济发展受到制约,导致各类型变化图斑的开发强度普遍处于较低水平。但在2022年疫情缓解后,沿海区域各类型变化图斑开发强度总和又呈现了增加的趋势。
表6 类型水平景观格局指数

Tab.6 Type level landscape pattern indexes

景观指数 年份 围海 填海 构筑物 其他
变化		 自然生
态变化
LPI 2020年 0.983 7 4.274 1 0.486 2 0.260 1 —
2021年 0.094 2 3.984 9 1.198 2 0.848 1 0.094 2
2022年 0.228 7 3.304 0 1.558 8 2.295 8 0.330 4
2023年 0.807 1 2.402 4 0.503 3 2.165 0 0.019 0
AI 2020年 47.308 3 51.565 2 16.026 3 32.190 0 —
2021年 23.214 3 48.692 0 26.871 2 54.411 8 28.358 2
2022年 37.000 0 52.010 5 25.221 5 70.824 4 56.903 8
2023年 58.463 7 57.765 8 28.721 3 59.702 4 0
DII 2020年 2.978 5 59.165 5 7.999 2 4.548 6 —
2021年 0.198 0 44.674 1 14.408 1 1.603 2 3.160 3
2022年 1.287 2 56.646 1 23.045 0 16.125 2 9.782 3
2023年 1.700 1 39.468 4 16.660 1 23.774 2 0.569 3
2)从表7可以看出2020—2023年间,研究区存在SHDI和SHEI整体上升、CONTAG下降的趋势。表明在4 a间我国沿海区域变化趋于多样化,不存在一种优势景观类型的变化图斑,多种景观类型相互均衡,我国沿海区域变化趋向于一个均衡可持续性的状态。
表7 景观水平景观格局指数

Tab.7 Landscape level landscape pattern indexes

年份 SHDI SHEI CONTAG
2020年 0.727 6 0.524 8 67.013 0
2021年 0.718 2 0.446 2 71.151 4
2022年 1.053 3 0.587 9 64.620 8
2023年 1.096 1 0.681 1 61.421 0

3.2.3 变化图斑的空间相关性分析

全局莫兰指数分析如图8所示。在2020—2023年间,当变化图斑间的距离保持在20 km以内时,全局莫兰指数普遍呈现正值,表明存在显著的空间正相关性,即相似类型的变化图斑在空间上相互促进、高度集聚。其中,辽宁省表现出最强的空间集聚效应,其全局莫兰指数持续高企,反映了该区域变化图斑的紧密关联。相比之下,山东省沿海区域虽也展现出空间相关性,但其全局莫兰指数相对较低,这是由于山东省广袤的海岸线导致变化图斑分布较为分散。进一步分析揭示,我国沿海区域因开发活动的连续性和基于既有开发基础的扩展模式,变化图斑在小范围内高度集中,并展现出强烈的正空间相关性。
图8 全局莫兰指数分析图

Fig.8 Global Moran’s index analysis chart

4 结论与展望

本文对2020—2023年间我国大陆地区近岸海域和无居民海岛约36万km2区域的变化图斑影像数据进行了整体性、高频次的分析,得到结论如下:
1)从变化图斑时空特征分析上看,4 a间山东省为变化图斑面积最大区域,填海类型初期主导但占比逐年下降,趋向多类型均衡。填海增长主要来自围海,构筑物增加则源自未利用地与围海。质心迁移方面,辽宁、津冀、浙江、广西等地变化较小,而山东、苏沪、福建、广东、海南等地显著。
2)从变化图斑景观格局上看,填海类型分布分散,构筑物随机,围海等类型相对集中。各类图斑聚集度递增,预示未来可能集中分布。开发强度受疫情影响总体偏低,但变化图斑多样化趋势明显,反映沿海区域向可持续发展方向迈进。
3)从变化图斑在空间关系上看,在20 km范围内,研究区变化图斑展现显著空间交互,同类型图斑间存在正向促进效应。
本文研究仅对我国大陆地区沿海区域变化的时空特征及景观格局做了分析,在此基础上预测未来沿海区域变化的时空特征和沿海区域变化对未来环境的影响将成为下一步研究重点。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
李秀梅, 袁承志, 李月洋. 渤海湾海岸带遥感监测及时空变化[J]. 国土资源遥感, 2013, 25(2):156-163.doi:10.6046/gtzyyg.2013.02.26.

Li X M, Yuan C Z, Li Y Y. Remote sensing monitoring and spatial-temporal variation of Bohai Bay coastal zone[J]. Remote Sensing for Land and Resources, 2013, 25(2):156-163.doi:10.6046/gtzyyg.2013.02.26.

[2]
魏帆, 韩广轩, 张金萍, 等. 1985—2015年围填海活动影响下的环渤海滨海湿地演变特征[J]. 生态学杂志, 2018, 37(5):1527-1537.

Wei F, Han G X, Zhang J P, et al. Evolution of coastal wetlands under the influence of sea reclamation in Bohai Rim during 1985-2015.[J]. Ecological Processes, 2018, 37(5):1527-153.

[3]
何苏玲, 贺增红, 潘继亚, 等. 基于多模型的县域土地利用/土地覆盖模拟[J]. 自然资源遥感, 2023, 35(4):201-213.doi:10.6046/zrzyyg.2022274.

He S L, He Z H, Pan J Y, et al. County-scale land use/land cover simulation based on multiple models[J]. Remote Sensing for Natural Resources, 2023, 35(4):201-213.doi:10.6046/zrzyyg.2022274.

[4]
寇财垚, 满卫东, 张永彬, 等. 围填海背景下唐山市滨海湿地景观格局演变研究[J]. 湿地科学, 2023, 21(4):533-540

Kou C Y, Man W D, Zhang Y B, et al. Landscape pattern evolution of coastal wetlands in Tangshan City under the background of reclamation[J]. Wetland Science, 2023, 21(4):533-540.

[5]
武艺杰, 孔雪松. 江苏省“生态-农业-建设”用地空间格局模拟及发展模式选择[J]. 自然资源遥感, 2022, 34(1):238-248.doi:10.6046/zrzyyg.2021102.

Wu Y J, Kong X S. Simulation and development mode suggestions of the spatial pattern of “ecology-agriculture-construction” land in Jiangsu Province[J]. Remote Sensing for Natural Resources, 2022, 34(1):238-248.doi:10.6046/zrzyyg.2021102.

[6]
崔保山, 谢湉, 王青, 等. 大规模围填海对滨海湿地的影响与对策[J]. 中国科学院院刊, 2017, 32(4):418-425.

Cui B S, Xie T, Wang Q, et al. Impact of large-scale reclamation on coastal wetlands and implications for ecological restoration,compensation,and sustainable exploitation framework[J]. Bulletin of Chinese Academy of Sciences, 2017, 32(4):418-425.

[7]
苏涛, 牛超, 詹诚, 等. 广西围填海进程及其对近海生态和生物资源的影响分析[J]. 广西科学院学报, 2018, 34(3):228-234.

Su T, Niu C, Zhan C, et al. Study on the process of the coastal reclamation and its impact on coastal ecological and marine biological resources in Guangxi Zhuang Autonomous Region[J]. Journal of Guangxi Academy of Sciences, 2018, 34(3):228-234.

[8]
陈克亮, 吴侃侃, 黄海萍, 等. 我国海洋生态修复政策现状、问题及建议[J]. 应用海洋学学报, 2021, 40(1):170-178.

Cheng K L, Wu K K, Huang H P, et al. Marine ecological restoration policies in China:Status,problems and suggestions[J]. Journal of Applied Oceanography, 2021, 40(1):170-178.

[9]
徐鹤, 张玉新, 侯西勇, 等. 2010—2020年中国沿海主要海湾形态变化特征[J]. 自然资源学报, 2022, 37(4):1010-1024.

DOI

Xu H, Zhang Y X, Hou X Y, et al. Morphological changes of major gulfs along the coast of China from 2010 to 2020[J]. Journal of Natural Resources, 2022, 37(4):1010-1024.

[10]
王琎, 吴志峰, 李少英, 等. 珠江口湾区海岸线及沿岸土地利用变化遥感监测与分析[J]. 地理科学, 2016, 36(12):1903-1911.

DOI

Wang J, Wu Z F, Li S Y, et al. Coastline and land use change detection and analysis with remote sensing in the Pearl River Estuary Gulf[J]. Scientia Geographica Sinica, 2016, 36(12):1903-1911.

DOI

[11]
王娟, 赵吉祥, 单春芝, 等. 基于集成学习的海岸带变化检测方法研究[J]. 海洋开发与管理, 2021, 38(7):48-54.

Wang J, Zhao J X, Shan C Z, et al. Research on coastal zone change detection method based on ensemble learning[J]. Ocean Development and Management, 2021, 38(7):48-54.

[12]
Nielsen A A, Hecheltjen A, Thonfeld F, et al. Automatic change detection in RapidEye data using the combined MAD and kernel MAF methods[C]// IEEE International Geoscience and Remote Sensing Symposium,IGARSS 2010.

[13]
Moghimi A, Ebadi H, Sadeghi V. Changes monitoring in multitemporal satellite images using iteratively reweighted multivariate alte-ration detection (IR-MAD) algorithm and support vector machine (SVM) classification[J]. Engineering Journal of Geospatial Information Technology, 2018, 6(2):64-77.

[14]
Wu C, Du B, Zhang L. Slow feature analysis for change detection in multispectral Imagery[J]. IEEE Transactions on Geoscience and Remote Sensing, 2014, 52(5):2858-2874.

[15]
付杰, 宋伦, 雷利元, 等. 最优尺度和随机森林算法下盘锦海岸带遥感监测[J]. 遥感信息, 2022, 37(2):7-15.

Fu J, Song L, Lei L Y, et al. Remote sensing monitoring of Panjin coastal zone based on optimal scale and random forest algorithm[J]. Remote Sensing Information, 2022, 37(2):7-15.

[16]
Chen H, Shi Z. A Spatial-temporal attention-based method and a new dataset for remote sensing image change detection[J]. Remote Sensing, 2020, 12(10):1662.

[17]
侯英卓, 纪灵, 邢前国, 等. 卫星遥感辅助的大型海藻养殖动态对比监测——以威海市为例[J]. 自然资源遥感, 2023, 35(2):34-41.doi:10.6046/zrzyyg.2022296.

Hou Y Z, Ji L, Xing Q G, et al. Satellite remote sensing-assisted comparative monitoring of dynamic characteristics of macroalgae aquaculture in Weihai City,Shandong Province,China[J]. Remote Sensing for Natural Resources, 2023, 35(2):34-41.doi:10.6046/zrzyyg.2022296.

[18]
易凤佳, 李仁东, 常变蓉, 等. 长株潭地区建设用地扩张遥感时空特征分析[J]. 国土资源遥感, 2015, 27(2):160-166.doi:10.6046/gtzyyg.2015.02.25.

Yi F J, Li R D, Chang B R, et al. Spatial-temporal features of construction land expansion in Changzhutan (Changsha-Zhuzhou-Xiangtan) area based on remote sensing[J]. Remote Sensing for Land and Resources, 2015, 27(2):160-166.doi:10.6046/gtzyyg.2015.02.25.

[19]
匡文慧, 张树文, 杜国明, 等. 2015—2020年中国土地利用变化遥感制图及时空特征分析[J]. 地理学报, 2022, 77(5):1056-1071.

DOI

Kuang W H, Zhang S W, Du G M, et al. Remotely sensed mapping and analysis of spatio-temporal patterns of land use change across China in 2015—2020[J]. Acta Geographica Sinica, 2022, 77(5):1056-1071.

[20]
应超, 高扬, 田鹏, 等. 陆海统筹视角下温州市海岸带国土空间开发利用时空变化特征研究[J]. 海洋通报, 2023, 42(2):202-215.

Ying C, Gao Y, Tian P, Spatial-temporal variation characteristics of territorial space development and utilization in Wenzhou coastal zone from the perspective of land-sea integration[J]. Marine Science Bulletin, 2023, 42(2):202-215.

[21]
温礼, 吴海平, 姜方方, 等. 高分遥感影像的围填海变化图斑自动提取方法[J]. 测绘科学, 2015, 40(6):42-45,76.

Wen B, Wu H P, Jiang F F, et al. Approach for assimilating land use spatial data at various times[J]. Science of Surveying and Mapping. 2015, 40(6):42-45,76.

[22]
于枫世, 隋毅, 王常颖, 等. 基于深度学习的高分辨率卫星遥感影像围填海检测识别[J]. 遥感技术与应用, 2022, 37(4):789-799.

DOI

Yu F S, Sui Y, Wang C Y, et al. Reclamation detection and recognition of high resolution satellite remote sensing image based on deep learning[J], Remote Sensing Technology and Application, 2022, 37(4):789-799.

Options
文章导航

/

〈 〉