劳国栋，韩震，2，，赖健，张斌

(1.上海海洋大学 海洋科学学院，上海 201306；2.上海河口海洋测绘工程技术研究中心，上海 201306；3.上海卫星工程研究所 高分遥感海洋生态联合实验室，上海 200240)

0 引言

海岸带地处海陆之交，潮滩特征在很大程度上代表了所在海岸带的性质，查清其性质和分布对于合理开发潮滩资源和海岸带生态系统的可持续管理具有重要的意义。Logistic-CA-Markov模型[1]包含Logistic回归模型、元胞自动机(cellular automata，CA)模型和马尔科夫(Markov)模型，其中CA模型和Markov模型耦合而成CA-Markov模型[2-6]。该模型综合了模拟复杂系统空间变化的能力和长期预测的时间优势。Logistic回归模型[7-9]加入了自然环境和社会经济的驱动因子，通过对景观格局的模拟来实现景观格局变化的驱动力机制分析，并通过影响CA的转换规则提高模型模拟的精度。Logistic-CA-Markov模型在景观格局预测和驱动力分析方面是可行的[10-12]，预测结果可以分析景观格局在未来某一时间段内演变趋势与规律，从而为景观格局的优化和生态环境的保护提供科学参考。本文利用高分一号(GF-1)和Landsat-7卫星遥感影像，以2007年、2013年和2019年为时间轴，基于Logistic-CA-Markov模型进行了杭州湾北岸上海段潮滩时空演变和驱动因素分析，并预测了未来潮滩景观格局的变化，旨在对上海市海岸带潮滩可持续发展和生态保护提供参考。

1 研究区域

潮滩是在大潮高、低潮面之间，随潮汐涨落而淹没和露出的向海缓斜的宽广潮间滩地。杭州湾是一个典型的喇叭状强潮河口湾，杭州湾北岸在长江三角洲南缘，岸滩冲淤受多种动力因子的影响，除受潮流和风浪等动力因子的作用外，围垦工程、河口水流和长江来沙量的影响也是造成杭州湾北岸岸滩冲淤的重要因素[13-17]。杭州湾北岸在顺岸往复流的作用下，滩地沿海岸呈带状分布。本文研究区域为杭州湾北岸上海段，从南汇嘴至金丝娘桥界碑，地理坐标范围为121°13′E～122°3′E，30°36′N～30°54′N。

2 研究方法与过程

2.1 研究方法

1)Markov模型。马尔科夫模型通过对不同事件的初始状态以及转移情况的分析来确定事件的变化趋势，能够实现对事件未来的运动状态进行预测[18]，事件在本文研究为景观格局。假定景观格局发展过程中有n个不同的景观类型，记为E1，E2，…，En，记Pij为景观Ei转为景观Ej的转移概率，则该矩阵称作状态转移概率矩阵[19]，表达如式(10)所示。

(1)

2)CA模型。元胞自动机是时间、空间和状态都离散的动力学模型，具有时空计算特征。元胞空间中的元胞都是由有限个离散值组成，具有其内在状态，并且元胞只要遵循相同规则，就可以计算出在另一个新时刻的内在状态；并且每个元胞的状态只受局部邻近元胞的状态影响而变化，反映临近元胞之间的相互作用；每个元胞在同样的规则下进行同步更新，大量的元胞通过简单的交互作用而推动系统的动态演变。

元胞的状态函数可以表达如式(2)所示。

CA=(QN，∑，f，O)

(2)

式中：Q代表元胞空间，是覆盖整个研究区的网格空间，每个网格单元是一个元胞，本文中，遥感图像的一个栅格代表一个元胞；N表示元胞空间的维度；∑代表元胞有限个离散的状态集；f代表元胞状态的转换规则；O代表边界条件。

3)Logistic回归模型。为探讨自然及社会经济等驱动力因子对研究区潮滩演变的影响，本研究利用Logistic回归模型分析各影响因素与潮滩变迁几率的关系。Logistic回归模型如式(3)所示。

(3)

式中：Ri表示每个栅格可能出现某景观类型i的概率，其值范围为0～1；xn表示各驱动因子；α表示常数项；β表示各驱动因子的回归系数，β的值越大，则对应的驱动因子自变量和景观类型i之间关联性越高。Logistic回归模型对每一个栅格出现某一地类的概率进行诊断，筛选出对景观类型格局影响较显著的因素，并确定它们之间的定量关系和作用大小，计算前预先对驱动因子数据进行归一化处理，去除其量纲，使各个因子间可以进行相互比较，其回归方程系数的大小、正负可表示对模拟目标的贡献度、正负相关性。回归效果的检验通常使用受试者工作特征(receiver rperating characteristic，ROC)方法进行检验[20]。ROC 曲线下包含的面积大小能够解释回归模型拟合的有效性，一般该曲线包含的面积大小在0.5～1之间，若ROC大于0.75，表示该模型模拟的效果较好[21]。在二分类问题中，可将样本分为正类或负类，正类即为被分类为模拟目标的样本，TP精度(true positive，TP)表示被正确分类的正样本占所有真实正样本的比例。

4)景观动态度分析。景观动态度是指在研究区域内一定的研究时段中某种景观类型的变化速度[22]，表达如式(4)所示。

(4)

式中：Sb为某种景观类型在研究时段末期的面积；Sa为在研究时段初期的面积；T为研究时段，本研究以年为单位。

5)景观空间变化分析。景观空间重心的迁移量与迁移方向可直接反映景观格局在空间上的变化，重心迁移模型的原理：把研究区分为若干小区域，将不同的景观斑块作为不同的小区，确定每个小区几何重心，然后用小区几何重心乘以该区域景观面积，最后将乘积累加后除以该景观类型在研究区的总面积。重心坐标一般以地图经纬度表示。某种景观空间重心坐标计算方法如式(5)至式(6)所示。

(5)

(6)

式中：X、Y为景观类型重心分布的经度、纬度坐标；Xi、Yi为第i个小区域的重心经纬度坐标；Ci为第i个小区域面积；n为小区总数。

2.2 研究数据的选取

本文遥感卫星数据使用的是高分一号卫星16 m、Landsat-7卫星30 m空间分辨率多光谱图像。分别选取了三个年份的高潮时刻和低潮时刻的图像，潮情参考上海芦潮港(南汇嘴)站点的潮情数据，高潮图像和低潮图像的成像时间所对应的潮位分别要接近当年的平均大潮高潮线和平均大潮低潮线。三幅高潮时刻的图像用以提取瞬时水边线作为海岸线，三幅低潮时刻的图像用以提取瞬时水边线作为潮滩下边界，进而得到潮滩。各年份图像的潮位相差不大(表1)。目前国内外研究学者对于海岸带的范围划定尚无统一标准[23]，根据研究内容和研究区状况将2013年海岸线向陆5 km、向海1.5 km的范围划定为研究区域(图1)，以确保潮滩在划定范围内，同时探讨海岸带生态景观类型的分布和变迁对于潮滩发育的影响。按照中国土地利用/土地覆盖遥感监测数据分类系统[24]，将研究区生态景观类型分为：耕地、林地、草地、水域、建设用地、潮滩。分类结果采用30 m Globeland30地表覆盖数据进行精度检验，数据来源于国家基础地理信息中心全球地表覆盖数据产品服务网站(DOI：10.11769)。

表1 遥感图像潮情表

结合杭州湾北岸实际情况，分别从自然驱动力和社会经济驱动力选取与潮滩变化有密切关系的指标进行综合分析。自然驱动力主要从环境条件和区位两方面选取评价因子，包括土壤质地(砂粒含量、粉砂粒含量、粘粒含量)、净初级生产力(net primary productivity，NPP)、归一化差异植被指数(normalized difference vegetation index，NDVI)、距道路距离(公路、铁路)、距陆域水系距离、距耕地距离、距林地距离、距草地距离、距建设用地距离。社会经济驱动力包括GDP空间分布数据、人口密度空间分布数据。道路和水系矢量数据引自国家地理信息中心—全国地理信息资源目录服务系统(www.webmap.cn)，其他驱动因子数据来源于中国科学院资源环境科学数据中心(http：//www.resdc.cn)。

2.3 数据处理

本次数据处理流程如图1所示。①通过ENVI 5.3软件对遥感影像进行辐射定标、大气校正、正射校正、几何配准等预处理。②参考目前已有基于遥感水边线提取潮滩的方法[25-28]，对预处理后的图像计算归一化差异水体指数(normalized difference water index，NDWI)，将图像二值化，得到水陆分离的图像；进行数学形态学开运算，进而删除小面积连通域，使水陆边界变得平整光滑；再利用Sobel算子进行边缘检测，提取边界，最后结合目视解译进行修改，提取水边线。③在ArcGIS10.6软件中，将海岸线和潮滩下边界叠加生成潮滩区域，再以此为基础，通过参照上海市土地利用现状图和对遥感影像的纹理分析，采用随机分层法在研究区域采集训练样本，样本可分离度均大于1.8，再利用支持向量机(support vector machines，SVM)分类法将研究区其他生态景观类型进行分类，最后进行分类结果的精度检验。④提取潮滩分布图，计算空间重心和面积，进行统计和分析。⑤计算各景观主要斑块的空间重心、道路、水系的欧氏距离，对驱动因子数据使用克里金法插值，使其空间分辨率为30 m，再进行归一化处理。将生态景观分类结果的潮滩景观分成三个小区域和整体区域来创建布尔图像，其作为Logistic回归模型的模拟目标，把13个驱动因子作为自变量代入模型，计算得到潮滩的模拟概率图，对模拟精度进行ROC检验。⑥在IDRISI selva17.0软件中，基于CA-Markov模型和Logistic回归模型模拟概率结果，通过2013—2019年建立的模型预测2019年数据并与实际解译数据进行精度检验，最后预测2025年的潮滩空间分布状况。

图1 数据处理流程图

3 研究结果与分析

3.1 潮滩分布情况

杭州湾北岸生态景观分类精度检验结果显示良好(表2)，总体分类精度均超过80%，Kappa系数均超过0.8。分类结果和变化如图2所示，三年分类图表明：杭州湾北岸的建设用地越来越多，建设用地主要分布在金山区和浦东新区；耕地主要分布在奉贤区和金山区；草地逐渐减少，其分布较均匀；林地略有增加，主要分布在奉贤区。杭州湾北岸上海段长86.09 km，按照上海市行政区划，将杭州湾北岸潮滩分为三个部分：金山区、奉贤区和浦东新区，最终提取的潮滩分布情况如图3所示。

表2 分类精度检验结果

从图2和图3可知，杭州湾北岸上海段潮滩在潮流、沿岸往复流的冲刷作用以及长江来沙的淤积作用下，滩地沿海岸呈带状分布。奉贤区和金山区人工岸段的潮滩受到自然冲淤和人类活动的共同影响，其单体面积相对较大，分布呈现规则形状；自然岸段的潮滩分布广阔，分布呈现不规则形状，单体面积相对较小。从2007—2019年的潮滩变化来看，变化不确定性较大的主要区域在浦东新区南汇嘴西南区域，其常年受到悬浮泥沙、长江水流及人工干预的影响而不断地淤积；2013年后由于海滨浴场建成，金山区南部两处潮滩消失；2013年后由于圈围工程的实施，奉贤区与浦东新区交界处潮滩消失。其他区域的潮滩变化差异不大。现今的杭州湾北岸潮滩是在自然冲淤和人工控制下逐步演变而成的。由表3可知，2007—2019年间各区域潮滩的空间重心的分布基本在一条线上，浦东新区潮滩先向西南迁移，再向东北迁移，总体向西南253.1°迁移了0.434 2 km；奉贤区潮滩先后两次向西南迁移，总体向西南259.5°迁移了5.712 9 km；金山区潮滩先向东南迁移，再向西南迁移，总体向西南247°迁移了2.736 5 km；整体潮滩先后两次向西南迁移，总体向西南255.3°迁移了2.946 6 km。

图3 2007—2019年杭州湾北岸潮滩变化

表3 2007—2019年各区域潮滩的重心迁移情况

经过数据的统计得到转移概率矩阵表和景观面积变化表。从表4可以发现，2007—2019年间浦东新区潮滩基本没有转出面积，同时水域有1.88%转化为浦东新区潮滩；奉贤区潮滩有22.21%转化为耕地，有20.54%转化为水域；金山区潮滩则有13.76%转化为水域，有40.18%转化为建设用地。从表5可以发现，2007年、2013年和2019年的潮滩总面积分别为10.638 5 km2、8.893 8 km2和9.229 5 km2，2007—2019年先减少后略有增长，12年间面积减少了1.409 0 km2。浦东新区潮滩面积先减少后增加，12年间增加了2.192 2 km2，2013—2019年的动态度最大，为+18.54%。奉贤区潮滩面积逐年减少，12年间减少了1.642 0 km2，2007—2013年的动态度最大，为-3.66%。金山区潮滩面积逐年减少，12年间减少了1.959 2 km2，2013—2019年的动态度最大，为-7.24%。2013—2019年间浦东岸段潮滩普遍有所淤积，奉贤岸段潮滩和金山岸段潮滩由于人类活动的影响而变化较大，大面积减少。从潮滩的变化趋势可以发现，在人类活动的干预下，一部分潮滩围填变成陆地，这表明岸线有着逐渐向海域方向推进的趋势。

表4 2007—2019年各景观类型转移概率矩阵 %

表5 2007—2019年各区域潮滩面积变化

3.2 潮滩变化的驱动力分析

将三年潮滩数据作为因变量，驱动因子数据作为自变量导入Logistic回归模型中进行计算，旨在探讨各区域潮滩分布情况与不同驱动力因子之间的定量关系，进一步揭示潮滩变化驱动机制。表6和表7显示所有回归模型ROC检验值均大于0.75，TP精度大于80%，图4显示模拟概率较高的区域基本与潮滩分布区域重合，精度检验结果表明所有模型拟合效果均较好。

由Logistic回归结果(表6)可知，影响杭州湾北岸整体潮滩转变的主要驱动力因素为(贡献度由高到低)：粘粒含量、粉砂粒含量、与水系距离、砂粒含量、人口密度变化、GDP变化、与草地距离和与耕地距离，其中与粘粒含量、粉砂粒含量、GDP变化与潮滩发育呈显著正相关，其他因子呈负相关。这表明粘粒和粉砂粒含量越高、砂粒含量越低的区域，滩涂生成的概率越高；这可能与潮滩沉积物粒度分布受到水动力条件和滩面植物阻滞的影响有关，潮滩土壤质地总体表现出向岸方向粘粒、粉砂含量逐渐增加，砂粒含量逐渐减少，沉积物颗粒逐渐变细的特点[29]。与陆域水系距离越近越有利于潮滩的发育；杭州湾北岸潮滩的分布位置与河口位置紧密相关，潮滩的冲淤变化和分布形状受到河口水流冲刷及河流悬浮泥沙沉积的影响。与草地、耕地距离越近的区域，与建设用地越远的区域，越有利于潮滩形成。NDVI、NPP值越高的区域越有利于潮滩发育。人口越少的区域，其受人为干扰越小，越有利于潮滩的形成。GDP越高对潮滩发育越有利；据调查，奉贤区和金山区多处岸段的潮滩因受到圈围工程和滩涂整治工作等人工干预而进行围填，其间接反映GDP提高会影响经济政策作用于潮滩的形成。除了上述影响因子，杭州湾北岸潮滩还受到潮汐潮流、长江口来水来沙等其他自然条件的影响。

表6 整体潮滩的Logistic回归分析结果

表7 不同区域潮滩的Logistic回归分析结果

图4 潮滩的Logistic回归模型模拟结果

由Logistic回归结果(表7)可知，影响浦东新区潮滩转变的主要驱动力因素贡献度由高到低为：粘粒含量、粉砂粒含量、与水系距离、砂粒含量、人口密度变化、与草地距离、与耕地距离，其中与粘粒含量、粉砂粒含量与潮滩发育呈显著正相关，其他因子呈负相关。这表明粘粒和粉砂粒含量越高、砂粒含量越低的区域，潮滩生成的概率越高；与水系、草地、耕地距离越近，越有利于潮滩的形成；人口越少的区域，越有利于潮滩的发育。

影响奉贤区潮滩转变的主要驱动力因素贡献度由高到低为：粘粒含量、粉砂粒含量、与水系距离、砂粒含量、人口密度变化、与耕地距离、GDP变化、与草地距离，其中与粘粒含量、粉砂粒含量、GDP变化与潮滩发育呈显著正相关，其他因子呈负相关。这表明粘粒和粉砂粒含量越高、砂粒含量越低的区域，潮滩生成的概率越高；与水系、耕地、草地距离越近，越有利于潮滩的形成；GDP越高、人口越少的区域越有利于潮滩的发育。

影响金山区潮滩转变的主要驱动力因素贡献度由高到低为：粘粒含量、粉砂粒含量、与水系距离、GDP变化、砂粒含量、人口密度变化、与草地距离，其中与粘粒含量、粉砂粒含量、GDP变化与潮滩发育呈显著正相关，其他因子呈负相关。这表明粘粒和粉砂粒含量越高、砂粒含量越低的区域，潮滩生成的概率越高；与水系、草地距离越近，越有利于潮滩的形成；GDP越高、人口越少的区域越有利于潮滩的发育。

3.3 CA-Markov模型预测潮滩变化

1)模拟过程和验证。基于2013年和2019年的分类数据，建立CA-Markov模型，以2019年为预测的基期图像进行预测2025年的潮滩空间分布状况及分析其变化。为了验证该方法的有效性，分别用2007—2013年、2013—2019年、2007—2019年建立的模型预测2019年生态景观分布，分别以2013年、2013年、2007年为预测的基期图像，并用扩展的Kappa系数[30]进行了精度检验。模拟过程如下：①计算转移矩阵；②划分元胞大小，将图像栅格数据中每个栅格作为一个元胞进行研究，栅格所对应的景观类型即为元胞的状态，元胞大小为30 m×30 m；③确定CA滤波器，使用冯诺依曼型5×5滤波器来定义元胞邻域；④建立转换规则，以Markov转移面积矩阵和Logistic回归模型模拟概率图作为转换规则，将潮滩变化的影响因素加入其中；⑤确定预测时间、模型迭代次数，进行模拟预测时，将向前预测的时间步长设置为与两期图像的时间间隔相同，即等间隔预测[31]，CA的迭代次数与向前预测的时间步长相同。

表8 模拟精度分析

扩展的Kappa系数主要从七个指标(数量一致性、像元区位一致性、分层一致性、偶然一致性、像元区位不一致性、数量不一致性和分层不一致性)来评估模拟预测的准确程度，七个指标相加的和为1，指标值越大则表明该指标特性越明显，本文只列出数量和像元区位的四个主要指标。从表8可知，预测结果的像元区位和数量的一致性都较好，空间精度相比数量精度更高一些，二者的不一致性都较低，说明空间差异和数量差异都较小，三次预测结果的Kappa系数比较理想、整体潮滩分类精度较高，证明该方法用于预测潮滩变化是有效的。

图5 预测2025年潮滩分布

2)预测结果和分析。结合图5、表9和表10可知，杭州湾北岸潮滩2025年的面积为9.815 3 km2，潮滩总面积在逐年增加，六年间增长了0.585 8 km2、动态度为+1.06%，滩地依旧呈带状分布，潮滩分布范围与2019年差异不大，预测的结果基本符合实际发展趋势。浦东新区潮滩面积逐年增加，六年间面积增加了1.883 1 km2，动态度为+7.25%；奉贤区潮滩面积逐年减少，六年间面积减少了0.490 3 km2，动态度为-2.60%；金山区潮滩面积逐年减少，六年间面积减少了0.807 0 km2，动态度为-7.64%。2019—2025年间浦东岸段潮滩逐渐淤积，奉贤岸段和金山岸段潮滩有所冲刷。说明未来在人为因素和自然因素的干扰强度稳定的情况下，杭州湾北岸上海段岸线逐渐向海域方向推进，岸滩逐渐淤涨。2019—2025年间各区域潮滩的空间重心都向西南方向迁移，浦东新区潮滩向西南258°迁移了0.705 8 km；奉贤区潮滩向西南255.9°迁移了3.015 2 km；金山区潮滩向西南241.3°迁移了1.879 5 km；整体潮滩向西南251.3°迁移了1.852 5 km。

表9 2019—2025年各区域潮滩的重心迁移情况

表10 CA-Markov模型预测2025年潮滩分布情况

4 结论与讨论

本文利用GF-1和Landsat-7卫星遥感影像，通过提取高、低潮图像水边线的方法得到各年份杭州湾北岸上海段潮滩分布图，进行了潮滩时空演变分析，进而将研究区其他生态景观类型进行分类，并使用Logistic回归模型从生态角度分析了潮滩格局变化的驱动力，以及各影响因子对潮滩变化的贡献度和相关性，然后通过CA-Markov模型模拟和分析了未来潮滩的变化情况。结果表明：①2007年、2013年和2019年的潮滩总面积分别为10.638 5 km2、8.893 8 km2和9.229 5 km2，潮滩先减少后略增加，2007—2019年间面积减少了1.409 km2，其中浦东岸段潮滩有所淤积，奉贤岸段和金山岸段潮滩由于人类活动而大面积减少；潮滩总体向西南255.3°迁移了2.946 6 km。②预测2025年的潮滩面积为9.815 3 km2，2019—2025年间增长了0.585 8 km2、动态度为+1.06%；浦东岸段潮滩逐渐淤积，奉贤岸段和金山岸段潮滩有所冲刷；整体潮滩向西南251.3°迁移了1.852 5 km。在Logistic回归分析中，对潮滩发育呈现正相关的主要驱动因子为粘粒含量、粉砂粒含量、GDP变化；对潮滩发育呈现负相关的主要驱动因子为与水系距离、砂粒含量、人口密度变化、与草地距离、与耕地距离。人类活动对潮滩的干预程度越来越强，杭州湾北岸岸线逐渐向海域方向推进，岸滩逐渐淤涨，这是在自然冲淤和人类活动的共同影响下逐渐形成的。

在人类活动和自然环境的共同影响下，杭州湾北岸潮滩的景观格局正在发生显著的变化，若景观生态系统遭到破坏，将很难恢复到原有状态，追求社会经济生产的同时不能忽视生态环境问题，应加强对潮滩的生态保育，以促进社会、经济、生态协调发展。本文研究仍存在一定的不足之处，一方面由于遥感数据精度仅为16 m和30 m，对于分类难以更加精细；另一方面是在驱动力因子的选取上，受到数据可获得性的限制，缺少对潮流、波浪等水动力因素的驱动力分析。因此在今后的研究中，应使用精度更高的遥感影像并同时考虑更多可能的驱动力因素。