EN中文

Remote Sensing for Natural Resources >

2025 , Vol. 37 >Issue 5: 53 - 61

DOI: https://doi.org/10.6046/zrzyyg.2024198

A precise coastline extraction method using surface moisture content and long-time-series remote sensing imagery

  • GONG Shaojun , 1 ,
  • CHEN Chao , 2 ,
  • FAN Jing 3
Expand
  • 1. College of Marine Science and Technology，Zhejiang Ocean University，Zhoushan 316022，China
  • 2. School of Geography Science and Geomatics Engineering，Suzhou University of Science and Technology，Suzhou 215009，China
  • 3. Zaozhuang Network Security Guarantee Center，Zaozhuang 277899，China

Received date: 2024-06-12

  Revised date: 2024-08-04

  Online published: 2026-06-03

Fold

Abstract

Coastlines serve as one of the most essential basic geographic elements. However，conventional methods generally face challenges in the accurate detection of their location，due to instantaneous remote sensing imaging and dynamic tidal phenomena. In response to this，this study developed a novel coastline extraction model that incorporates information on surface moisture content derived from long-time-series satellite remote sensing imagery. First，all available remote sensing images covering the study area during the target period were acquired to construct a high-quality remote sensing image stack. Second，the wetness components indicative of the surface moisture content were obtained using the tasseled cap transformation （TCT），from which a wetness index stack was constructed. Then，the wetness components were subjected to maximum value synthesis using the maximum spectral index composite （MSIC） algorithm，generating a maximum water surface composite image. Finally，the composite image was segmented using the OTSU algorithm to extract accurate coastline information. Validation experiments were conducted on Zhoushan Island using the Google Earth Engine （GEE） cloud computing platform and remote sensing imagery from the operational land imager （OLI） onboard the Landsat 8 satellite. The results indicate that the proposed model can precisely locate different types of coastlines with high spatial accuracy. Compared to visual interpretation，the model exhibited a mean deviation and a root mean square error （RMSE） of 3.42 m and 6.79 m，respectively，with 99.42% of validation points falling within one pixel width. This study provides an effective technical framework for high-accuracy coastline extraction，holding great significance for scientific management and sustainable development of coastal resources.

Key words： coastline; wetness component; tasseled cap transformation （TCT）; long-time-series remote sensing imagery; precise localization

Cite this article

GONG Shaojun , CHEN Chao , FAN Jing . A precise coastline extraction method using surface moisture content and long-time-series remote sensing imagery[J]. Remote Sensing for Natural Resources, 2025 , 37(5) : 53 -61 . DOI: 10.6046/zrzyyg.2024198

0 引言

海岸线是海洋和陆地之间的分界线，其空间位置的变化反映了人类开发利用和保护岸线之间的动态过程，是重要的地理指标[1-4]。海岸线的定义在海洋学、自然地理学和海上交通导航中有所不同，但通常与潮位的变化密切相关。在中国的海域管理中，海岸线被界定为多年平均大潮高潮位时的海陆分界线[5]。海岸线是大自然与人类社会的联系纽带，承载着多个关键区域的功能，对于潮间带功能维持、环境保护以及滨海生态系统平衡等具有重要的指示作用[6]。由于全球气候变化和高强度人类活动的共同影响，全球超过一半的海滩受到侵蚀，导致了沙滩后退、港湾河口淤积、沿岸土地盐渍化、地面沉降等一系列问题[7-11]。这些变化不仅深刻影响着地表形态，还对沿海地区的社会经济发展产生重大影响[12]。因此，对海岸线进行持续监测和科学管理至关重要。
实地测量法和摄影测量法是传统的海岸线测绘方法，该方法借助测距仪器、全球定位系统（global positioning system，GPS）、航空或卫星图像等，通过标定和测量海岸线特征点来精确测定海岸线的地理位置[13]。尽管这种方法具有较高的精度，但受到天气和地理条件限制，存在效率低下、人工成本高、工作周期长等问题[14]，难以满足大范围和动态性的海岸线调查需求。
相比之下，遥感技术能够通过获取大范围、长时序的面状信息来提供调查所需的数据[15]，不受天气和地理条件的限制[16-17]，具有更高的效率和较低的人工成本[18]，因此已成为海岸线调查中不可或缺的重要手段[19-20]。当前海岸线遥感信息提取方法主要包括以下几类：基于阈值分割的方法、基于图像分类的方法、基于活动轮廓模型的方法、基于区域生长的方法和基于深度学习的方法等。基于阈值分割的方法是根据遥感图像的灰度、颜色、纹理、几何等特征，利用阈值分割算法提取具有一致性或相似性特征的同质区域来实现对海岸线的识别。该方法操作简单，但容易受到光谱相似地物的影响[21-22]。基于图像分类的方法是根据图像特征的相似性和差异性，利用图像分类技术（基于像素的分类和面向对象的分类）为目标分配不同的标签，并将海陆区域的边界视为海岸线[23]。该方法能够充分利用研究区的先验知识，保证了信息提取精度，但往往需要预先训练模型，不适用于复杂地理环境下海岸线的提取。基于活动轮廓模型的方法将图像中目标的边界（如海岸线）视为一条轮廓线，利用变分法和偏微分方程模型定义能量函数，使轮廓线在能量函数递减的引导下逐渐逼近实际目标边界[4,13]。该方法能自主地收敛于能量极小值状态，适用于提取和追踪特定区域内目标，但对初始位置敏感，且模型的非凸性导致收敛到局部极值点，影响了海岸线定位精度。基于区域生长的方法利用同一物体区域内灰度值的相似性，以一个种子点为起始点，将灰度值相近的像素单位合并，实现对陆地和海洋区域的分割[24]。该方法的生长规则选择困难，在图像局部方差比较大的情况下效果往往不佳。近年来，基于深度学习的方法被应用于海岸线提取，有效地解决了复杂场景和非线性拟合问题，在大规模数据集上表现良好，但不同的场景往往需要不同的训练样本来支撑[25-26]。
目前存在多种海岸线遥感信息提取方法，并在特定领域或条件下取得了成功。然而，现有方法主要以瞬时性遥感图像为数据源，受周期性潮汐影响，难以准确定位平均大潮高潮位时的水陆边界线。为了解决这一问题，本研究分析了遥感成像瞬时性和潮水涨落动态性之间的关系，发展一种新型海岸线遥感精准定位模型，该模型充分考虑地物含水量，利用长时序卫星遥感图像实现海岸线的精确提取。这项研究能够解决海岸线遥感信息提取中的时空矛盾问题，为海岸带资源的科学管理提供技术支持。

1 研究区概况及数据源

1.1 研究区概况

舟山群岛地处浙江省东北部，东临东海，西临杭州湾，北接上海市，背靠经济发达的长三角经济带，三江（长江、钱塘江、甬江）涌汇和冷暖流（台湾暖流、日本寒流、黄海冷流）混合，形成了独特的地理条件[27-28]。本研究选择舟山群岛面积最大、人口聚集程度最高的岛屿——舟山本岛作为研究区（图1）。受全球尺度环境过程、海岸带环境过程以及人类活动过程的综合作用，舟山本岛海岸线的属性、位置亟需明确。
图1 研究区遥感图像

Fig.1 Image of the study area

1.2 数据源

本研究所用数据为Landsat8大气层顶反射率（top of atmosphere reflectance，TOA）数据集。Landsat8是美国陆地卫星系列之一，携带2个传感器，分别是陆地成像仪（operational land imager，OLI）和热红外传感器（thermal infrared sensor，TIRS）[29]。Landsat8共有11个波段，波段1—7和波段9为多光谱波段，空间分辨率为30 m，波段8为全色波段，空间分辨率为15 m，波段10和11为热红外波段，空间分辨率为100 m[30]。Landsat8发射于2013年2月11日，每16 d可以实现一次全球覆盖。本研究基于谷歌地球引擎（Google Earth Engine，GEE）获取遥感数据并进行相关处理。

2 研究方法

本研究结合缨帽变换和最大光谱指数合成（maximum spectral index composite，MSIC）算法，发展了一种考虑地物含水量的海岸线精确定位模型，旨在突显水体信息和其他地物在遥感图像上的差异性，并基于长时序卫星遥感图像准确定位海岸线。本文技术路线如图2所示。
图2 研究路线图

Fig.2 Flowchart of the study

2.1 高质量时序遥感影像堆栈构建

利用GEE云平台，筛选研究期间覆盖研究区的遥感影像，共计48景。设定云量阈值，利用质量波段QA和CFMASK函数去除云和阴影影响[31-33]，得到16景覆盖研究区的遥感影像，构建高质量影像堆栈。为了便于对比，查询海事服务网（https://www.cnss.com.cn/），统计了研究区典型验潮站（沈家门、岱山）在遥感成像日期所观测到的高潮、低潮时刻。本研究中使用的遥感影像数据信息和对应验潮信息如表1所示。
表1 所用遥感影像及潮汐信息表

Tab.1 Remote sensing images and tidal information

序号 成像日期 行 列 云量/% 潮汐信息（北京时间） 序号 成像日期 行 列 云量/% 潮汐信息（北京时间）
验潮站 高潮时刻 低潮时刻 验潮站 高潮时刻 低潮时刻
1 2022-01-03 117 39 1.05 沈家门 09：56 03：26 9 2022-03-24 117 40 13.50 岱山 13：54 08：54
2 2022-01-03 117 40 3.25 沈家门 09：56 03：26 10 2022-04-09 117 40 8.55 岱山 15：04 10：17
3 2022-01-19 117 40 0.35 沈家门 10：40 04：20 11 2022-05-02 118 39 11.24 岱山 11：12 05：46
4 2022-02-27 118 39 0.08 沈家门 07：03 14：43 12 2022-08-22 118 39 9.55 岱山 06：28 12：32
5 2022-03-08 117 39 0.05 沈家门 06：40 12：17 13 2022-10-02 117 39 2.63 岱山 14：52 08：16
6 2022-03-08 117 40 0.07 沈家门 06：40 12：17 14 2022-10-02 117 40 3.88 岱山 14：52 08：16
7 2022-03-15 118 39 0.15 沈家门 08：11 14：50 15 2022-11-10 118 39 11.81 岱山 11：30 05：21
8 2022-03-24 117 39 0.03 沈家门 12：42 07：24 16 2022-11-26 118 39 6.21 岱山 12：08 05：44

2.2 基于缨帽变换的湿度指数堆栈生成

缨帽变换是Kauth等[34]于1976年提出的一种特殊线性变换。该方法通过使用固定的变换矩阵系数将原始光谱波段转换为新的波段，这些波段对土壤、植被和含水量等地表特征具有特定的指向性。缨帽变换在多个领域中得到了广泛应用，包括火灾可能性预测[35]、地表水提取[36-37]等，其计算公式为：
Y=CX ，
式中：X和Y为缨帽变换前和变换后的像元向量；C为变换矩阵系数。
通过缨帽变换可以得到与波段数相同的分量，其中，第1分量为亮度指数，表征地物表面的总反射程度；第2分量为绿度指数，表征地表的植被覆盖程度，通常用于监测植被的分布和健康状况；第3分量为湿度指数，表征地表的含水量，通常用于监测和识别水体、湿地区域以及土壤湿度变化；其余分量为黄度指数以及可能存在的噪声。根据缨帽变换湿度指数的表征，地表物体含水量越多，对应的像元湿度指数就越大，反之湿度指数就越小。
本研究使用的Landsat8缨帽变换系数如表2所示[38]，表中TCT4—TCT6为缨帽变换第4—6分量。
表2 Landsat8卫星反射率的缨帽变换系数

Tab.2 Tasseled cap transformation coefficients for Landsat8 satellite reflectance

缨帽变换后分量 波段
蓝光 绿光 红光 近红外 短波红外1 短波红外2
亮度指数 -0.236 3 -0.283 6 -0.425 7 0.809 7 0.004 3 -0.164 0
绿度指数 0.130 1 0.229 0 0.349 2 0.179 5 -0.627 0 -0.620 0
湿度指数 -0.823 9 0.084 9 0.439 6 -0.058 0 0.201 3 -0.277 0
TCT4 -0.329 4 0.055 7 0.105 6 0.185 5 -0.434 9 0.808 5
TCT5 0.107 9 -0.902 3 0.411 9 0.057 5 -0.025 9 0.025 2
TCT6 0.344 3 0.405 7 0.466 7 0.534 7 0.393 0 0.241 2
本研究中，对高质量密集时序遥感影像堆栈进行缨帽变换，从而获得亮度指数、绿度指数和湿度指数，并基于湿度指数构建湿度指数堆栈。

2.3 考虑地物含水量的海岸线粗定位

1）基于MSIC算法的最大水面生成。MSIC算法是一种基于时间序列的影像集合的方法。该算法选用一个光谱指数作为逐像素排序函数，利用所选光谱指数在整个影像集合中的最大值来替代图像中每个像素的数值，进而生成一个新的最大值波段信息[39]。MSIC的公式为：
Im=max（F1，F2，…，Fn） ，
式中：Im为MSIC算法合成图像；F1，F2，…，Fn为不同时相输入遥感影像的光谱指数。
在本研究中，利用MSIC算法对湿度指数堆栈进行操作，生成湿度最大值合成影像。
2）基于OTSU算法的海岸线粗提取。OTSU算法又称最大类间方差法，是一种非参数方法，在计算机视觉和图像处理领域中得到了广泛应用。该方法自动选取灰度直方图中的最佳阈值，将影像分为前景和背景2部分[40]，从而实现影像的二值分类。OTSU算法的计算公式为：
g=ω0×ω1×（μ0-μ1）2 ，
式中：g为分割阈值T时的前景图像和背景图像的类间方差；ω0为前景图像的像素数目占图像总像素的比例；μ0为前景图像的平均灰度值；ω1为背景图像的像素数目占图像总像素的比例；μ1为背景图像的平均灰度值。
通过OTSU算法得到阈值T，此时前景图像和背景图像的类间方差最大。利用阈值T对遥感图像进行分割，公式为：
Iwater= $\left\{\begin{array}{l}1,　{I}_{wetness}\ge T\\ 0,　{I}_{wetness}T\end{array}\right.$，
式中：Iwater为分割后图像；Iwetness为湿度指数。
本研究中，获取湿度最大值合成影像之后，利用OTSU算法对湿度最大值合成影像进行最佳阈值分割，以实现对水体和陆地的准确分割，从而获得海岸线遥感信息粗定位结果。

2.4 海岸线遥感信息精定位

水体信息不仅包含了海洋，还包含了坑塘、湖泊和河流等含水量较高的区域，影响海岸线定位的准确性。因此，必须去除坑塘、湖泊和河流等小面积水域的影响。
本研究利用面向对象的思想去除坑塘、湖泊、河流等内陆水体信息的干扰。首先，根据研究区特点，设定内陆水体的最小尺寸；其次，将设定的最小尺寸除以遥感影像单个像素所对应的地面实际面积，得到像素阈值，以确保在不同空间分辨率图像上计算的一致性；然后，对水体像素进行八邻域连接，使相邻的水体像素连接成更大的水体区域，以识别连续的水体区域；最后，删除所有小于像素阈值的对象，得到最终的水体区域边界，达到去除坑塘、湖泊、河流等小面积水域影响的目的。

2.5 精度评价

精度评价在研究和实践中至关重要，不仅能评价结果优劣，更是调整参数、优化模型的重要依据。本研究采用均方根误差（root mean square error，RMSE）对方法和结果进行评价。RMSE是预测值与真实值之间的偏差，并且对数据中的异常值较为敏感。计算公式为：
RMSE= $\sqrt{\frac{1}{N}\sum _{i=1}^{N}（{Y}_{i}-{X}_{i}{）}^{2}}$，
式中：N为样本数量；Yi为预测值；Xi为真实值。

3 研究结果与分析

本研究基于GEE云平台，获取覆盖研究区的长时序Landsat8卫星遥感影像，利用考虑地物含水量的海岸线精准定位模型进行海岸线遥感信息提取，结果如图3所示。图3（a）为基于MSIC算法生成的湿度最大值合成影像，通过图3（a）可以看出，海洋、湖泊、河流等高含水量地物呈现亮色调，而建成区、道路等低含水量地物呈现暗色调。基于OTSU算法对湿度最大值合成影像进行操作，得到分割阈值为0.076 1，分割结果如图3（b）所示。通过图3（b）可以看出，水体（海洋、湖泊、河流）和陆地得到了较好地区分，水陆边界清晰。根据研究区及遥感影像特点，设置最小尺寸为66个像素，对阈值分割结果进行小面积水域去除，得到结果如图3（c）所示。通过图3（c）可以看出，在保留海洋和陆地边界线的同时，坑塘、湖泊、河流等小面积水域被去除，得到的海陆边线位置较为准确。
图3 海岸线提取结果

Fig.3 Result of coastline extraction

为了客观评价本文方法的有效性和所提取结果的准确性，对接近高潮时刻的遥感影像进行目视解释，作为真实海岸线数据。将本文方法所得结果、归一化水体指数（normalized difference water index，NDWI）法和改进的NDWI（modified NDWI，MNDWI）法所得结果与目视解译结果进行对比（图4）。通过图4可以看出，与目视解译结果相比，本文方法所提取的海岸线位置准确，边界清晰。
图4 不同方法提取结果

Fig.4 Coastline extraction of different methods

为了进一步验证本文方法的可行性和准确性，选择淤泥质岸线、基岩岸线、人工岸线3个典型区域进行不同类型海岸线遥感信息提取比较，如图5所示。通过图5可以看出，本文方法所得结果和目视解译结果比较契合，基岩岸线和人工岸线的定位效果要优淤泥质海岸。在淤泥质岸线区域，本文方法比传统的NDWI法和MNDWI法更有优势，提取效果更好，定位更为准确。而在基岩岸线和人工岸线区域，本文方法、NDWI法和MNDWI法提取的海岸线与目视解译结果相比几乎没有明显差异，表现出较好的稳定性。
图5 不同类型海岸线提取效果对比

Fig.5 Comparison of coastline with different types

对不同方法所得结果的海岸线长度和所围面积进行统计并与目视解译结果进行对比，结果如表3所示。
表3 海岸线长度及所围面积比较

Tab.3 Comparisons in area and length of the coastline

方法 面积/km2 长度/km 面积误差/% 长度误差/%
目视解译 514.43 146.84 — —
本文方法 513.68 150.51 -0.14 2.50
NDWI法 516.19 152.40 0.34 3.79
MNDWI法 516.18 152.76 0.34 4.04
从表3可知，目视解译结果的面积和长度分别为514.43 km2 和146.84 km。NDWI法所得到的面积和长度分别为516.19 km2 和152.40 km，误差分别为0.34%和3.79%。MNDWI法所得到的面积和长度分别为516.18 km2 和152.76 km，误差分别为0.34%和4.04%。本文方法所得到的面积和长度分别为513.68 km2 和150.51 km，误差分别为-0.14%和2.50%。本文方法所得结果的长度和所围面积误差均小于NDWI法和 MNDWI法，表现出比NDWI法和MNDWI法更优越的性能。
在位置精度评价方面，以目视解译结果为基准，在本文方法、NDWI法和MNDWI法所提取的海岸线上选择相同地理位置的点（1 200个），统计到目视解译结果的最小距离，评价结果如图6所示。通过图6可知，本文方法所选取的点距离参考海岸线均小于90 m，而NDWI法和MNDWI均小于300 m。本文方法、NDWI法和MNDWI法在[0，30） m范围内分别有1 193，1 006和1 010个点，占样本点总数的99.42%，83.83%和84.17%，说明本文方法所得结果比NDWI法和MNDWI法所得结果误差更小且稳定性更强。
图6 不同距离点数分布图

Fig.6 Distribution map of points at different distances

计算所有选取点距离参考数据的误差平均值和RMSE，计算结果如表4所示。
表4 距离平均值和RMSE

Tab.4 Average and root mean square error

方法 选取点数/个 距离平均值/m RMSE/m
本文方法 1 200 3.42 6.79
NDWI法 1 200 18.40 30.50
MNDWI法 1 200 18.03 30.12
从表4可知，NDWI法的平均值和RMSE分别是18.40 m和30.50 m，MNDWI法的平均值和RMSE分别是18.03 m和30.12 m。本文方法计算得到的平均值和RMSE分别是3.42 m和6.79 m，平均值和RMSE均小于NDWI法和MNDWI法。因此，使用本方法提取海岸线的效果要优于MDWI法和MNDIW法，位置精度更高，定位更为准确。

4 结论与展望

针对瞬时性遥感图像难以准确探测海岸线空间位置的问题，本文发展了一种考虑地物含水量的海岸线精准定位模型，利用缨帽变换获取湿度指数以准确探测海岸线空间位置，并以舟山本岛为研究区开展了验证实验。结果表明，该方法具有较好的适用性，能够准确提取不同类型的海岸线，所围面积误差和长度误差分别为-0.14%和2.50%。该方法所得结果空间位置准确，与参考数据的距离平均值和RMSE分别为3.42 m和6.79 m，99.42%的验证点位置误差在1像元宽度范围内，优于传统方法所得结果。本研究能够为海岸线遥感信息准确提取提供技术支撑，对海岸带资源科学管理和可持续发展具有重要意义。
本研究虽然基于长时序卫星遥感影像实现了海岸线精准定位，但舟山本岛以基岩岸线为主，在淤泥质海岸、砂质海岸等更复杂地理环境下的应用效果仍需进一步探讨。未来需要关注以下问题：①将该方法应用于更大空间尺度、更长时间序列的海岸线遥感信息提取中，以验证方法的可靠性和适用性；②分析不同类型海岸线在遥感图像上的表现特征，开展海岸线类别属性识别研究；③结合区域经济发展、气候气象、地形地貌、自然灾害等数据，开展海岸线时空演变归因分析。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
Boak E H, Turner I L. Shoreline definition and detection:A review[J]. Journal of Coastal Research, 2005, 214:688-703.

[2]
Kuleli T, Guneroglu A, Karsli F, et al. Automatic detection of shoreline change on coastal Ramsar wetlands of Turkey[J]. Ocean Engineering, 2011, 38(10):1141-1149.

[3]
侯西勇, 刘静, 宋洋, 等. 中国大陆海岸线开发利用的生态环境影响与政策建议[J]. 中国科学院院刊, 2016, 31(10):1143-1150.

Hou X Y, Liu J, Song Y, et al. Environmental-ecological effect of development and utilization of China’s coastline and policy recommendations[J]. Bulletin of Chinese Academy of Sciences, 2016, 31(10):1143-1150.

[4]
Sun W, Chen C, Liu W, et al. Coastline extraction using remote sensing:A review[J]. GIScience & Remote Sensing, 2023, 60(1):2243671.

[5]
刘宝银, 苏奋振. 中国海岸带与海岛遥感调查:原则方法系统[M]. 北京: 海洋出版社, 2005.

Liu B Y, Su F Z. Remote sensing survey of coastal zones and islands in China:Principles and methods system[M]. Beijing: Ocean Press, 2005.

[6]
朱琳, 黄玉玲, 杨刚, 等. 基于GEE的杭州湾海岸线遥感提取与时空演变分析[J]. 自然资源遥感, 2023, 35(2):50-60.doi:10.6046/zrzyyg.2022214.

Zhu L, Huang Y L, Yang G, et al. Information extraction and spatio-temporal evolution analysis of the coastline in Hangzhou Bay based on Google Earth Engine and remote sensing technology[J]. Remote Sensing for Natural Resources, 2023, 35(2):50-60.doi:10.6046/zrzyyg.2022214.

[7]
Aiello A, Canora F, Pasquariello G, et al. Shoreline variations and coastal dynamics:A space-time data analysis of the jonian littoral,Italy[J]. Estuarine,Coastal and Shelf Science, 2013, 129:124-135.

[8]
Dar I A, Dar M A. Prediction of shoreline recession using geospatial technology:A case study of Chennai coast,Tamil Nadu,India[J]. Journal of Coastal Research, 2009, 256:1276-1286.

[9]
Romine B M, Fletcher C H. A summary of historical shoreline changes on beaches of Kauai,Oahu,and Maui,Hawaii[J]. Journal of Coastal Research, 2013, 288:605-614.

[10]
Krien Y, Dudon B, Roger J, et al. Assessing storm surge hazard and impact of sea level rise in the Lesser Antilles case study of Martinique[J]. Natural Hazards and Earth System Sciences, 2017, 17(9):1559-1571.

[11]
Sun C, Li J, Liu Y, et al. Plant species classification in salt marshes using phenological parameters derived from Sentinel-2 pixel-differential time-series[J]. Remote Sensing of Environment, 2021, 256:112320.

[12]
Hou X, Wu T, Hou W, et al. Characteristics of coastline changes in mainland China since the early 1940s[J]. Science China Earth Sciences, 2016, 59(9):1791-1802.

[13]
吴一全, 刘忠林. 遥感影像的海岸线自动提取方法研究进展[J]. 遥感学报, 2019, 23(4):582-602.

Wu Y Q, Liu Z L. Research progress on methods of automatic coastline extraction based on remote sensing images[J]. Journal of Remote Sensing, 2019, 23(4):582-602.

[14]
傅姣琪, 陈超, 郭碧云. 缨帽变换的遥感图像水边线信息提取方法[J]. 测绘科学, 2019, 44(5):177-183.

Fu J Q, Chen C, Guo B Y. A method of extracting shoreline information from remote sensing image based on tasseled cap transformation[J]. Science of Surveying and Mapping, 2019, 44(5):177-183.

[15]
李清泉, 卢艺, 胡水波, 等. 海岸带地理环境遥感监测综述[J]. 遥感学报, 2016, 20(5):1216-1229.

Li Q Q, Lu Y, Hu S B, et al. Review of remotely sensed geo-environmental monitoring of coastal zones[J]. Journal of Remote Sensing, 2016, 20(5):1216-1229.

[16]
Sagar S, Roberts D, Bala B, et al. Extracting the intertidal extent and topography of the Australian coastline from a 28 year time series of Landsat observations[J]. Remote Sensing of Environment, 2017, 195:153-169.

[17]
Chen C, Fu J, Zhang S, et al. Coastline information extraction based on the tasseled cap transformation of Landsat-8 OLI images[J]. Estuarine,Coastal and Shelf Science, 2019, 217:281-291.

[18]
Bishop-Taylor R, Nanson R, Sagar S, et al. Mapping Australia’s dynamic coastline at mean sea level using three decades of Landsat imagery[J]. Remote Sensing of Environment, 2021, 267:112734.

[19]
Xu N, Gong P. Significant coastline changes in China during 1991—2015 tracked by Landsat data[J]. Science Bulletin, 2018, 63(14):883-886.

[20]
Cao W, Zhou Y, Li R, et al. Mapping changes in coastlines and tidal flats in developing islands using the full time series of Landsat images[J]. Remote Sensing of Environment, 2020, 239:111665.

[21]
Liu C, Xiao Y, Yang J. A coastline detection method in polarimetric SAR images mixing the region-based and edge-based active contour models[J]. IEEE Transactions on Geoscience and Remote Sensing, 2017, 55(7):3735-3747.

[22]
Li J, Ye M, Pu R, et al. Spatiotemporal change patterns of coastlines in Zhejiang Province,China,over the last twenty-five years[J]. Sustainability, 2018, 10(2):477.

[23]
陈云浩, 冯通, 史培军, 等. 基于面向对象和规则的遥感影像分类研究[J]. 武汉大学学报(信息科学版), 2006, 31(4):316-320.

Chen Y H, Feng T, Shi P J, et al. Classification of remot sensing image based on object oriented and class rules[J]. Geomatics and Information Science of Wuhan University, 2006, 31(4):316-320.

[24]
詹雅婷, 朱利, 孙永华, 等. 海岸线遥感光谱角度—距离相似度生长模型自动化提取[J]. 遥感学报, 2017, 21(3):458-469.

Zhan Y T, Zhu L, Sun Y H, et al. Automatic extraction of coastline via spectral angle-distance similarity growth model[J]. Journal of Remote Sensing, 2017, 21(3):458-469.

[25]
Dang K B, Dang V B, Ngo V L, et al. Application of deep learning models to detect coastlines and shorelines[J]. Journal of Environmental Management, 2022, 320:115732.

[26]
Sun S, Mu L, Feng R, et al. Quadtree decomposition-based Deep learning method for multiscale coastline extraction with high-resolution remote sensing imagery[J]. Science of Remote Sensing, 2024, 9:100112.

[27]
Wei Z, Jiao X, Du Y, et al. The temporal variations in principal and shallow-water tidal constituents and their application in tidal level calculation:An example in Zhoushan archipelagoes with complex bathymetry[J]. Ocean and Coastal Management, 2023, 237:106516.

[28]
Chen C, Liang J, Xie F, et al. Temporal and spatial variation of coastline using remote sensing images for Zhoushan Archipelago,China[J]. International Journal of Applied Earth Observation and Geoinformation, 2022, 107:102711.

[29]
Gorelick N, Hancher M, Dixon M, et al. Google Earth Engine:Planetary-scale geospatial analysis for everyone[J]. Remote Sensing of Environment, 2017, 202:18-27.

[30]
Mao Y, Harris D L, Xie Z, et al. Efficient measurement of large-scale decadal shoreline change with increased accuracy in tide-dominated coastal environments with Google Earth Engine[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2021, 181:385-399.

[31]
Mateo-García G, Gómez-Chova L, Amorós-López J, et al. Multitemporal cloud masking in the Google Earth Engine[J]. Remote Sensing, 2018, 10(7):1079.

[32]
Liu Y, Liu Y, Li J, et al. Trajectory of coastal wetland vegetation in Xiangshan Bay,China,from image time series[J]. Marine Pollution Bulletin, 2020, 160:111697.

[33]
Guo R, Zhu X, Zhang C, et al. Analysis of change in maize plantation distribution and its driving factors in Heilongjiang Province,China[J]. Remote Sensing, 2022, 14(15):3590.

[34]
Kauth R J, Thomas G S. The tasselled cap: A graphic description of the spectral-temporal development of agricultural crops as seen by Landsat[C]// LARS symposia.1976:159.

[35]
Pelletier N, Millard K, Darling S. Wildfire likelihood in Canadian treed peatlands based on remote-sensing time-series of surface conditions[J]. Remote Sensing of Environment, 2023, 296:113747.

[36]
Crist E P. A TM Tasseled cap equivalent transformation for reflectance factor data[J]. Remote Sensing of Environment, 1985, 17(3):301-306.

[37]
闫柏琨, 甘甫平, 印萍, 等. 1989—2021年中国大陆海岸带潮滩、海岸线、养殖水体遥感观测[J]. 自然资源遥感, 2023, 35(3):53-63.doi:10.6046/zrzyyg.2022471.

Yan B K, Gan F P, Yin P, et al. Remote sensing observations of tidal flats,shorelines,and aquacultural water bodies along coastal zones in China mainland during 1989—2021[J]. Remote Sensing for Natural Resources, 2023, 35(3):53-63.doi:10.6046/zrzyyg.2022471.

[38]
Ali Baig M H, Zhang L, Shuai T, et al. Derivation of a tasselled cap transformation based on Landsat 8 at-satellite reflectance[J]. Remote Sensing Letters, 2014, 5(5):423-431.

[39]
Jia M, Wang Z, Mao D, et al. Rapid,robust,and automated mapping of tidal flats in China using time series Sentinel-2 images and Google Earth Engine[J]. Remote Sensing of Environment, 2021, 255:112285.

[40]
程丽娜, 钟才荣, 李晓燕, 等. Sentinel-2密集时间序列数据和Google Earth Engine的潮间带湿地快速自动分类[J]. 遥感学报, 2022, 26(2):348-357.

Cheng L N, Zhong C R, Li X Y, et al. Rapid and automatic classification of intertidal wetlands based on intensive time series Sentinel-2 images and Google Earth Engine[J]. National Remote Sensing Bulletin, 2022, 26(2):348-357.

Options
Outlines

/

〈 〉