基于CA-Morkov模型的杭州灣北岸上海段潮灘的動態演變分析

勞國棟,韓 震,2*,張 斌,劉立志

(1.上海海洋大學 海洋科學學院,上海 201306;2.上海河口海洋測繪工程技術研究中心,上海 201306)

引 言

海岸帶地處海陸之交,潮灘特征在很大程度上代表了所在的海岸帶的性質,查清其性質和分布對于合理開發潮灘資源和研究現代海岸帶動態變化具有重要的意義。元胞自動機-馬爾科夫(CA-Markov)模型綜合馬爾科夫模(Markov)型長期預測的時間優勢和元胞自動機(CA)模擬復雜系統空間變化的能力,預測結果可以分析景觀格局在未來某一時間段內演變趨勢與規律,從而為生態環境的保護和景觀格局的優化提供科學參考。Memarian等[1]2012年使用數量誤差、分配誤差以及三維空間中的品質因數來執行對CA-Markov模擬結果的驗證,證明了該模型的有效性。何丹等[2]2014年采用多標準評價(MCE)方法,通過CA-Markov模型對滇池流域土地利用變化進行了預測,并利用Kappa系數進行精度檢驗。楊紅軍[3]2018年利用遙感影像進行解譯,通過CA-Markov模型預測了灌云縣土地利用格局變化。褚琳等[4]2018年采用CA-Markov模型模擬預測武漢市景觀格局,并結合Logistic回歸模型分析了景觀變化的驅動力。荊延德等[5]2018年以不同時期的遙感影像為數據源,利用CA-Markov模型對白馬河流域的土地利用進行預測并檢驗其模擬精度。Attaallah[6]2018年利用Landsat數據,結合CA-Markov模型與MCE方法,對巴勒斯坦加沙地帶內建設用地的變化進行了模擬。Yulianto等[7]2019年在遙感數據的基礎上,通過CA-Markov模型預測了印度尼西亞西Citarum流域土地利用變化的動態變化。綜上所述,運用CA-Morkov模型可以較好地預測景觀格局的變化,在景觀格局預測方面是現實可行且具有實際意義的。本文利用高分一號(GF-1)衛星遙感影像,以2013年、2015年、2017年和2019年為時間線,基于CA-Morkov模型進行了杭州灣北岸上海段潮灘動態演變分析,并預測了未來潮灘景觀格局的變化,旨在對上海市海岸帶可持續利用提供參考。

1 研究區域

因杭州灣是一個典型的喇叭狀強潮河口灣,杭州灣的泥沙以海域來沙為主,主要受長江入海水沙擴散的影響,長江來水來沙對杭州灣的形成起著重要作用。灣底的地貌形態和海灣的喇叭形特征,使這里常出現涌潮或暴漲潮,潮流主要呈現顯著的往復流形式。潮灘是在大潮高、低潮面之間,隨潮汐漲落而淹沒和露出的向海緩斜的寬廣潮間灘地。杭州灣北岸在長江三角洲南緣,岸灘沖淤受多種動力因子的影響,除受潮流和風浪等動力因子的作用外,圍墾工程、南匯邊灘和長江來沙量的影響是造成杭州灣北岸岸灘沖淤的重要因素[8-10]。杭州灣北岸在順岸往復流的作用下,灘地沿海岸呈帶狀分布[11]。自然因素和人類活動影響了杭州灣北岸自然海岸的生態功能,自然因素主要包括入海泥沙、沿岸地形、海岸地質地貌、海水動力因素等驅動因素;人工因素主要包括圍海養殖、碼頭建設、沿海工業區建設、旅游業、筑堤造壩、圍墾工程等,是人工岸線變遷的主要驅動因素。本文研究區域為杭州灣北岸上海段,地理坐標范圍為121°13′～122°3′E,30°36′～30°54′N,從南匯嘴至金絲娘橋界碑。為了更好地對研究區潮灘的動態演變進行分析,首先提取潮灘整體范圍信息,然后根據土地利用現狀和人類活動特征,再將潮灘分為6個岸段(圖1)。

圖1 研究區域

2 研究方法與過程

2.1 CA-Markov模型

馬爾科夫模型通過對不同景觀類型的初始概率以及各景觀之間的轉移概率的研究來確定景觀格局的變化趨勢,從而達到對未來趨勢預測的目的。假定某一事件發展過程中可能有n個不同的狀態,記為E1,E2,…,En,記Pij為狀態Ei轉為狀態Ej的轉移概率,則該矩陣稱作狀態轉移概率矩陣[12]:

(1)

元胞自動機是時間、空間和狀態都離散的動力學模型,具有時空計算特征[2]。元胞空間中的每個元胞都具有其內在狀態,并且是由有限個離散值組成;只要遵循相同規則,就可以計算出元胞在另一個新時刻的內在狀態;并且每個元胞的狀態只隨局部鄰近元胞的狀態而變化,反映近距離內元胞之間的相互作用;每個元胞在同樣的規則下同步更新,大量的元胞通過簡單的交互作用而推動系統的動態演變。

元胞的狀態函數[12]可以表達為:

CA=(AN,∑,f,E)

(2)

式中,A代表元胞空間,是覆蓋整個研究區的網格空間,每個網格單元是一個元胞,本文中,遙感圖像的一個柵格代表一個元胞;N表示元胞空間的維度;∑代表元胞有限個離散的狀態集;f代表元胞狀態的轉換規則;E代表邊界條件。

馬爾科夫模型側重于景觀變化預測中的數量變化,但缺乏空間參數,不能反映空間范圍內各種類型的變化規律。CA模型具有很強的空間概念,對于復雜的空間系統具有強大的時空動態演化能力。CA-Markov模型結合了Markov和CA的理論,具有時間序列和空間變化的優勢,可以更好地模擬景觀的時空格局。

2.2 研究數據的選取

高分一號衛星于2013年4月成功發射,配置了2臺2 m空間分辨率全色/8 m空間分辨率多光譜相機,4臺16 m空間分辨率多光譜寬幅相機。高分一號衛星具有高、中空間分辨率對地觀測和大幅寬成像結合的特點。本文研究數據使用的是高分一號衛星16 m空間分辨率多光譜圖像,分別選取了4個年份的高潮時刻和低潮時刻的圖像,潮情參考上海蘆潮港(南匯嘴)站點的潮情數據,高潮圖像和低潮圖像的成像時間所對應的潮位分別要接近當年的平均大潮高潮線和平均大潮低潮線。4幅高潮時刻的圖像用以提取瞬時水邊線作為海岸線,4幅低潮時刻的圖像用以提取瞬時水邊線作為潮灘下邊界,進而得到潮灘。4個低潮圖像的成像時刻皆為小潮且接近當日低潮潮位,各年份圖像的潮位相差不大(表1)。

表1 遙感圖像潮情表

2.3 數據處理

本次數據處理流程如下(圖2):(1)首先利用ENVI 5.3對遙感影像進行輻射定標、大氣校正、正射校正、幾何配準等預處理。其中正射校正使用分辨率為30 m的DEM數據。(2)對預處理后的圖像計算歸一化差異水體指數(NDWI),初步提取水體,將圖像二值化,得到水陸分離的圖像;進行數學形態學開運算,進而刪除小面積連通域,使水陸邊界變得平整光滑;再利用sobel算子進行邊緣檢測,提取邊界,最后結合目視解譯進行修改,提取水邊線[13-14]。圖3為提取的金山區潮灘,2017-06-17影像為低潮時刻,提取的水邊線為潮灘下邊界,2017-07-23影像為高潮時刻,提取的水邊線為海岸線。(3)在ArcGIS10.6中,將海岸線和潮灘下邊界疊加生成潮灘區域,再建立一個海岸線附近2 km的緩沖區,把整個緩沖區作為整體景觀格局,緩沖區范圍設置的前提是保證緩沖區能把所有潮灘都覆蓋掉。(4)提取潮灘分布圖,并計算各類景觀面積,進行統計和分析。(5)導出到IDRISI selva17.0中,利用Morkov模型,計算出各景觀面積轉移矩陣,再通過CA-Morkov模型預測2017年、2019年數據并與實際解譯數據進行精度檢驗,最后預測2021年、2023年和2025年的潮灘空間分布狀況。

圖2 數據處理流程圖

圖3 遙感影像提取水邊線流程圖

3 研究結果與分析

3.1 潮灘分布情況

杭州灣北岸上海段長86.09 km,按照上海市行政區劃,將杭州灣北岸潮灘分為三個部分,分別為金山區、奉賢區和浦東新區,最終提取的潮灘分布情況如圖4。再結合杭州灣北岸上海段的海岸帶土地利用現狀和人類活動特征,進一步將潮灘分為6個岸段,對各個岸段的潮灘變化和影響進行分析,如圖1和圖5,岸段1從金絲娘橋界碑到龍泉港水閘,岸段2從龍泉港水閘到行政區邊界,岸段3從行政區邊界到碧海金沙,岸段4從碧海金沙到海塘所養殖場,岸段5從海塘所養殖場到行政區邊界,岸段6從行政區邊界到南匯嘴。

圖4 杭州灣北岸上海段潮灘分布圖

圖5 各岸段潮灘變化

從圖4、圖5可以看出,從2013—2019年,杭州灣北岸上海段潮灘的分布格局基本一致,在長江來沙的淤積作用以及潮流、沿岸往復流的沖刷作用下,灘地整體沿海岸呈帶狀分布。人工岸段的潮灘受到自然沖淤和人類活動的共同影響,其單體面積相對較大;自然岸段的潮灘分布廣闊但單體面積相對較小。從2013—2019年的潮灘變化來看,變化較大的主要區域在:浦東區南匯嘴西南區域,其范圍變化具有不規律性;金山區,2015年后城市沙灘西南側的潮灘消失,2019年后龍泉港水閘西側潮灘消失;其他區域的潮灘變化差異不大?，F今的杭州灣北岸潮灘是在自然沖淤和人工控制下逐步演變而成的。

從圖5來分析各岸段潮灘分布從2013—2019年的變化。杭州灣北岸浦東岸段為高懸沙區,金山岸段為低懸沙區,奉賢岸段位于高、低懸沙區之間[9,15]。岸段1中,石油化工廠岸段前沿的潮灘分布范圍在6年間變化不大,2015年略有淤積;城市沙灘西南側僅存在2013年潮灘的分布,2015年后該處建成海濱浴場,該處潮灘消失;龍泉港水閘西南側潮灘的發育由于該處實施的圈圍工程而受到人工控制,2019年該處潮灘由于圍墾而消失。岸段2化工區外側潮灘由于受沿岸緩流、前沿順壩、碼頭活動影響,較易形成帶狀分布,從2013—2017年逐漸淤積,2019年略有沖刷。岸段3中,前竹港水閘前沿潮灘受到出海河流、圈圍大堤、化工區順壩的影響,潮灘發育有沖有淤,總體變化不大;碧海金沙不僅是水上娛樂設施,還是保灘建筑物,團結塘外側潮灘由于圈圍工程的實施,潮灘發育受到人工控制、碧海金沙、出海河流的影響,其形狀呈規則的方形,潮灘有沖有淤,變化不大。岸段4中,金匯塘前沿潮灘受到塘前順壩、沿岸潮流的影響,南門港水閘東側潮灘受到出海河流和養殖場的影響,兩處潮灘從2013—2015年略有淤積,往后基本不變。岸段5中,2013年三團港圈圍大堤前沿潮灘只有一小塊斑塊,2015年淤積形成帶狀分布,2017年則略有沖刷;中港水閘東側由于圈圍工程的建成,2015年后該處潮灘消失。岸段6中,浦東區附近岸段受南匯東灘灘涂整治工程以及長江口泥沙沉積的影響,蘆潮港水閘及工業園前沿潮灘逐年淤積;南匯嘴附近潮灘淤積明顯、灘涂面積大,潮灘分布范圍逐年增大。由上可知,人類活動對潮灘的干預程度越來越強,自然因素在潮灘發展變化中的影響力逐漸弱化,人類活動因素逐漸成為潮灘發展變化的主導因素。

經過數據的統計得到轉移概率矩陣表和景觀面積變化表。從表2可以發現,從2013—2019年,奉賢區潮灘有21.15%和7.51%分別轉化了為陸地和海域水體,金山區潮灘則有46.04%轉化為陸地,海域水體有1.54%和1.17%分別轉化為浦東區潮灘和陸地。從表3可以發現,2013年、2015年、2017年和2019年的潮灘總面積分別為8.894、9.592、10.731和9.230 km2,從2013—2017年逐年增加,到2019年減少,6年間面積增加了3.78%;浦東區潮灘面積從2013—2017年逐年增加,到2019年略有減少,6年間增加了111.26%;奉賢區潮灘面積從2013—2017年逐年減少,到2019年略有增加,6年間減少了15.83%;金山區潮灘從2013—2015年面積增加,從2015—2019年逐年減少,6年間減少了43.45%;6年間,研究區內陸地增加了3.896 km2,而海洋減少了4.231 km2。浦東區南匯嘴西南側的潮灘逐年淤積導致該區面積增長;奉賢區由于圈圍工程建成,2015年的面積有所減少;金山區隨著兩處圈圍工程建成,面積也相繼減少,同時部分海域也因圈圍工程而劃分為陸域。從2013—2019年,浦東岸段潮灘普遍有所淤積,奉賢岸段潮灘略有沖刷,金山岸段潮灘由于人類活動的影響而變化較大,大面積減少。從潮灘的變化趨勢可以發現,在人類活動的干預下,潮灘一部分圍填變成陸地,同時會朝海域的方向不斷淤積,生成新的潮灘。這表明杭州灣北岸上海段岸線有著逐漸向海域方向推進的趨勢。

表2 2013至2019年各景觀類型轉移概率矩陣

表3 2013年至2019年各景觀面積變化

3.2 CA-Morkov模型預測潮灘變化

3.2.1 模擬過程和驗證

利用CA-Morkov模型預測2021年、2023年和2025年的潮灘空間分布狀況及分析其變化,其中,用2013—2019年建立的模型預測2025年的潮灘分布,用2015—2019年建立的模型預測2023年的潮灘分布,用2017—2019年建立的模型預測2021年的潮灘分布。進行模擬預測時,以兩期潮灘分布圖中的后期圖像作為預測圖像的基期。

模擬過程如下:(1)計算轉移矩陣。疊加前后兩期潮灘分布圖,并將向前預測的時間周期均設置為與兩期圖像的間隔時間相同,即等間隔預測[16],設置比例誤差為0.1,計算得出其土地利用轉移概率矩陣和轉移面積矩陣。(2)劃分元胞大小。將圖像柵格數據中每個柵格作為1個元胞進行研究,柵格所對應的景觀類型即為元胞的狀態,元胞大小劃分為16 m×16 m。(3)確定CA濾波器。使用5×5濾波器來定義元胞鄰域,濾波器結構如圖6所示。使用CA濾波器創建具有顯著空間意義的權重因子,使用該權重因子并依據轉換規則以及相鄰柵格單元的狀態,以確定元胞下一時期的狀態改變[2]。(4)建立轉換規則。計算出的轉移面積矩陣和條件概率圖作為轉換規則。轉移面積矩陣可作為模擬局部空間元胞狀態的參數使用,對整體數量上的模擬起到了限制作用。條件概率圖為適宜性圖集,一共有5個圖分別對應5個景觀類型,每個圖的柵格數值代表該柵格轉化為該景觀類型的概率。(5)確定模型迭代次數。經過反復嘗試以達到最佳效果,使得預測結果和實際圖像的驗證精度最高,最終確定CA的迭代次數為10。

圖6 CA濾波器

為了驗證模型有效性,用2013—2015年建立的模型預測2017年潮灘,用2015—2017年建立的模型預測2019年的潮灘分布,并用擴展的Kappa系數進行了精度檢驗。擴展的Kappa系數[17]主要從7個指標(數量一致性、像元區位一致性、分層一致性、偶然一致性、像元區位不一致性、數量不一致性和分層不一致性)來評價模擬預測的準確程度,7個指標相加的和為1,指標值越大則表明該指標特性越明顯,表4只列出數量和像元區位的4個主要指標。從表4發現,預測結果的像元區位一致性和數量一致性都比較好,空間精度相比數量精度則更高一些,兩者的不一致性都比較低,說明數量差異和空間差異都比較小,且數據呈現出預測的間隔年份越短則得出的各項精度越高的趨勢,2017年的整體潮灘分類精度和Kappa系數相比其他年份較低。五次預測結果僅有一次精度相對較低,結果較為理想,證明該方法用于預測潮灘變化是有效的。從圖7發現,預測潮灘與實際潮灘的分布幾乎一致,浦東區數量精度高但部分潮灘變化范圍相對較大,主要是南匯嘴區域受到長江口海水沖刷的環境因素影響,在預測中存在的不確定性較多;奉賢區和金山區分布范圍較為一致,但數量變化相對較大。2013—2019年、2015—2019年、2017—2019年建立的模型預測2019年的潮灘分布,預測結果的各項精度較高。

表4 模擬精度分析

圖7 預測潮灘與實際潮灘對比圖

3.2.2 預測結果和分析

表5的變化率與表3的變化率具有相同的變化趨勢,說明預測的結果基本符合實際發展趨勢。結合圖8和表5可知,杭州灣北岸潮灘2021年、2023年和2025年的面積分別為8.125、9.533和10.148 km2,潮灘總面積在逐年增加,6年間增長了0.918 km2、增長率為9.94%,灘地依舊呈帶狀分布,浦東區南匯嘴西南區域潮灘變化范圍較大,其它潮灘分布范圍差異不大。浦東區潮灘面積從2021—2025年逐年增加,6年間面積增加了50.30%;奉賢區潮灘面積從2019—2025年逐年減少,6年間面積減少了14.07%;金山區潮灘面積從2019—2025年先減少后略有增加,6年間面積減少了46.43%;6年間,研究區內陸地增加了3.091 km2,而海洋減少了4.016 km2。從2019—2025年,浦東岸段潮灘逐年淤積,奉賢岸段潮灘有所沖刷,金山岸段潮灘由于受到人類活動的影響而面積減少。陸地面積在逐漸增加,而海洋面積在逐漸減少,說明未來在自然因素和人為因素的干擾強度穩定的情況下,杭州灣北岸上海段岸線逐漸向海域方向推進,岸灘逐漸淤漲。

表5 CA-Morkov模型預測各景觀分布情況

圖8 預測各年潮灘分布

4 結論

在自然環境和人類活動的共同影響下,杭州灣北岸上海段潮灘的景觀格局正在發生明顯的變化。本文利用高分一號衛星遙感影像,通過提取高、低潮圖像水邊線的方法得到各年份杭州灣北岸上海段潮灘分布圖,進行了潮灘動態演變分析,并在未來自然條件不變和人類活動造成的干擾強度穩定的情況下,通過CA-Morkov模型模擬潮灘的未來分布圖,采用了擴展的Kappa指數進行了數量精度和空間精度的檢驗,結果顯示模型精度較好,最后分析未來潮灘景觀格局的變化。結果表明:(1)2013年、2015年、2017年和2019年的潮灘總面積分別為8.894、9.592、10.731和9.230 km2,潮灘先增后減,6年間面積增加了3.78%;6年間,浦東岸段潮灘有所淤積,奉賢岸段潮灘略有沖刷,金山岸段潮灘由于人類活動的影響而變化較大,大面積減少。(2)2021年、2023年和2025年的潮灘面積分別為8.125、9.533和10.148 km2,面積逐年增加,從2019—2025年增長了0.918 km2、增長率為9.94%;6年間,浦東岸段潮灘逐年淤積,奉賢岸段潮灘有所沖刷,金山岸段潮灘逐漸減少。人類活動對潮灘的干預程度越來越強,人類活動因素逐漸成為潮灘發展變化的主導因素,杭州灣北岸岸線逐漸向海域方向推進,岸灘逐漸淤漲,這是在自然沖淤和人類活動的共同影響下逐漸形成的。