下载文档原格式
海岸线提取的方法
海岸线提取是指通过遥感影像数据，自动或半自动地提取海岸线的方法。
海岸线提取有助于海洋环境监测、海岸带资源开发和海上安全管理等领域的研究。
常用的海岸线提取方法包括阈值法、边缘检测法、水域边缘法、基于颜色特征的方法和基于高程数据的方法等。
其中阈值法是最简单的方法，通过设置阈值将海水和陆地分割开来，从而提取海岸线。
边缘检测法可以通过检测图像中亮度或色彩变化的边缘来得到海岸线。
水域边缘法则是将水域边缘和陆地分开，得到海岸线。
基于颜色特征的方法则是利用海水和陆地的颜色差异来提取海岸线。
基于高程数据的方法则是利用高程数据的变化来提取海岸线。
不同的方法适用于不同的海岸线类型和遥感影像类型。
- 1 -。
如何利用遥感数据进行测绘数据的提取遥感技术是一种通过卫星、飞机和无人机等远距离获取对象信息的技术手段。
利用遥感数据进行测绘数据的提取，可以为地理信息系统、城市规划、环境监测、农业管理等领域提供准确、高效的数据支持。
本文将探讨如何利用遥感数据进行测绘数据的提取。
一、遥感数据的获取与处理1. 遥感数据的获取方式遥感数据的获取方式包括卫星遥感、航空遥感和无人机遥感等。
卫星遥感是通过卫星对地观测，获取大范围的地表信息；航空遥感是利用航空器对特定区域进行遥感观测，数据分辨率较高；无人机遥感则是利用无人机进行遥感观测，可以获取更高分辨率的数据。
2. 遥感数据的处理流程遥感数据处理流程包括预处理、数据影像处理和数据提取等步骤。
预处理主要包括辐射校正、大气校正和地形校正等，以保证数据的准确性。
数据影像处理主要包括图像增强、图像融合和图像分类等，以提取出感兴趣的对象信息。
数据提取是利用图像处理结果，从中提取出需要的测绘数据，如道路、建筑物、水域等。
二、遥感数据在测绘中的应用1. 遥感数据在地图制作中的应用遥感数据在地图制作中可以提供地表物体的准确位置、形状和属性信息。
通过图像分类和对象提取等技术，可以从遥感数据中提取出各类地物信息，如道路、建筑物、水域等，用于地理信息系统和城市规划等领域。
2. 遥感数据在地形测量中的应用遥感数据可以提供地表高程信息，用于地形测量和三维地图制作。
通过遥感图像的几何纠正和数字高程模型的生成，可以获取地表的高程数据，用于地形分析、地质调查和水资源管理等。
3. 遥感数据在农业测量中的应用遥感数据在农业测量中可以提供农作物的生长状态、受灾情况和产量预测等信息。
通过遥感图像的特征提取和分类，可以监测农作物的种植面积、植被指数和土壤湿度等参数，用于农业管理和精准农业。
三、遥感数据提取测绘信息的方法1. 监督分类法监督分类法是常用的遥感数据提取测绘信息的方法之一。
该方法需要预先准备训练样本，并通过机器学习算法训练分类器，然后应用分类器对整个遥感图像进行分类，提取出感兴趣的测绘信息。
遥感影像的海岸线自动提取方法研究进展一、综述随着全球气候变化的加剧以及人类活动的不断拓展，海岸线作为陆地与海洋的交汇带，其动态变化受到了广泛关注。
准确、高效地提取海岸线信息对于海洋资源管理、环境监测、灾害预警以及沿海城市规划等领域具有重要意义。
遥感技术以其大面积、快速、同步观测的特点，在海岸线提取中发挥着越来越重要的作用。
随着遥感数据源的不断丰富和图像处理技术的快速发展，海岸线自动提取方法取得了显著进步。
海岸线自动提取方法主要依赖于遥感影像的处理和分析。
这些影像可以通过卫星光学遥感、微波遥感或激光雷达遥感等方式获取，包含丰富的地物信息和空间特征。
通过对这些影像进行预处理、特征提取和分类等操作，可以实现对海岸线的自动识别和提取。
在海岸线自动提取方法的发展历程中，学者们提出了多种算法和技术。
这些算法和技术大多基于图像处理的基本理论，结合地学知识和实际应用需求进行改进和优化。
阈值分割、边缘检测、区域生长等经典算法在海岸线提取中得到了广泛应用。
随着深度学习技术的兴起，神经网络分类等方法也逐渐被引入到海岸线提取中，并显示出良好的性能。
尽管海岸线自动提取方法取得了显著进展，但仍存在一些挑战和问题。
影像信息量不足、精度验证困难以及海岸线仅是过渡区的平均线等问题仍待解决。
不同地区的海岸线具有不同的特征和变化规律，因此需要针对具体情况选择合适的算法和技术进行提取。
遥感影像的海岸线自动提取方法研究进展迅速，但仍需不断完善和优化。
未来研究方向包括加强地物波谱机制研究、将图像处理的基本理论与地学知识更紧密地结合起来、探索新的提取算法和技术等。
通过这些努力，我们有望实现对海岸线的更精确、更高效的自动提取，为海洋资源管理和环境保护提供有力支持。
1. 遥感技术的发展及其在海岸线提取中的应用作为一种非接触式的远距离探测技术，近年来得到了迅猛的发展，并在地理信息系统(GIS)、环境监测、资源调查等多个领域展现出广泛的应用前景。
海岸线提取作为遥感技术应用的一个重要方向，对于海洋生态系统的保护、土地利用规划、海洋资源开发以及防灾减灾等方面具有至关重要的作用。
基于遥感技术的城市绿地变化监测随着城市化进程的加速，城市绿地在改善城市生态环境、提高居民生活质量等方面发挥着越来越重要的作用。
然而，城市的快速发展也给城市绿地带来了巨大的压力，绿地面积的变化成为了城市规划和管理中需要密切关注的问题。
遥感技术作为一种高效、准确的监测手段，为城市绿地变化监测提供了有力的支持。
一、遥感技术的原理及特点遥感技术是通过非接触式的传感器获取目标物体的电磁波信息，并对其进行处理和分析，从而获取目标物体的特征和状态。
遥感技术具有以下几个显著特点：1、大面积同步观测：遥感技术能够在短时间内获取大面积的地表信息，避免了传统地面调查方法的局限性。
2、时效性高：可以快速获取最新的地表数据，及时反映城市绿地的变化情况。
3、多光谱信息：能够同时获取多个波段的光谱信息，有助于区分不同的地物类型。
4、数据客观准确：不受人为因素的干扰，数据具有较高的客观性和准确性。
二、城市绿地变化监测中常用的遥感数据源1、卫星遥感影像卫星遥感影像具有覆盖范围广、重访周期短等优点。
常见的卫星如Landsat 系列、SPOT 系列等，它们提供的多光谱影像能够满足城市绿地监测的基本需求。
2、航空遥感影像航空遥感影像具有较高的空间分辨率，能够获取更为详细的城市绿地信息。
但由于其成本较高，通常在小范围的高精度监测中使用。
3、无人机遥感影像近年来，无人机遥感技术发展迅速。
无人机可以在低空飞行，获取高分辨率的影像数据，并且具有灵活、便捷的特点，适用于城市局部绿地的监测。
三、遥感技术在城市绿地变化监测中的应用流程1、数据获取首先需要根据监测的目标和要求，选择合适的遥感数据源，并获取相应的影像数据。
2、数据预处理对获取的遥感影像进行预处理，包括辐射校正、几何校正、图像镶嵌等，以提高影像的质量和可用性。
3、绿地信息提取采用合适的图像处理和分类方法，如监督分类、非监督分类、面向对象分类等，从遥感影像中提取绿地信息。
4、变化检测通过对比不同时期的绿地信息，检测城市绿地的变化情况。
基于遥感数据的土地利用与土地覆盖变化分析土地利用与土地覆盖变化是当前环境领域研究的热点问题，而则是研究这一问题的重要手段之一。
遥感技术以其广覆盖范围、高时空分辨率等优势，为土地利用与土地覆盖的监测和分析提供了有力支持。
土地利用与土地覆盖是指土地被人类利用的方式以及地表被各种自然和人为要素所覆盖的状况。
土地利用与土地覆盖的变化受到多种因素的影响，如人口增长、经济发展、城市化进程等。
了解土地利用与土地覆盖的变化规律，可以为合理利用土地资源、保护生态环境、制定相关提供科学依据。
在基于遥感数据的土地利用与土地覆盖变化分析中，遥感影像是获取信息的主要数据源。
遥感影像具有反映地表情况真实、动态监测能力强等特点，能够实现对大范围区域的快速获取和全面监测。
因此，在研究土地利用与土地覆盖变化时，利用遥感影像进行数据提取、信息提取和图像解译是十分必要的。
通过遥感数据的处理和分析，可以获取土地利用类型、土地覆盖状况、变化趋势等信息，为研究提供数据基础。
在遥感数据的处理过程中，常用的方法包括监督分类、非监督分类、变化检测等。
监督分类是一种基于已知样本进行分类的方法，适用于土地利用类型的提取和分类。
非监督分类则是通过计算像元之间的相似性来进行分类，适用于土地覆盖类型的提取和分类。
变化检测则是比较不同时段的遥感影像，识别出土地利用与土地覆盖的变化情况。
除了对遥感数据进行处理和分析外，还需要结合地面调查、统计资料等多源数据，进行验证和修正。
地面调查是对遥感数据进行验证的重要手段，通过实地观测和采样，可以验证遥感数据的准确性和可靠性。
统计资料则可以提供历史数据和综合分析，为土地利用与土地覆盖变化的研究提供背景依据。
在研究土地利用与土地覆盖变化时，需要关注其时空分布特征和影响因素。
土地利用与土地覆盖的时空分布特征反映了不同地区的土地利用方式和土地覆盖状况，可以揭示土地资源的利用效率和空间格局。
而影响土地利用与土地覆盖变化的因素有地表地形、自然环境、人口经济等多方面，这些因素相互作用影响着土地利用与土地覆盖的变化过程。
基于遥感与GIS的城市绿地信息提取方法摘要：城市绿地是城市中唯一有生命的基础设施，必须客观、准确地掌握城市绿地信息及其变化情况。
遥感技术给城市绿地信息调查提供了更为有效而便捷的手段，植被有其特殊的光谱响应，使得其有别于其他物质。
城市绿地的遥感提取方法有监督分类、决策树分类、面向对象分类等方法，每一种方法都有它的适用条件。
利用GIS的空间叠加分析可以为遥感绿地信息的属性赋值，增强遥感绿地信息的可利用性。
关键字：城市绿地，遥感技术，高分辨率影像，ENVI，GISAbstract: The city green space is the only living infrastructure in the city, we must objectively and accurately grasp the city green land information and its changes. The remote sensing technology provides a more effective and convenient means for the city green land information investigation, the vegetation has its special spectral response, which is different from other substances. The remote sensing extraction method of the city green extraction is the supervised classification, decision tree classification and object-oriented classification method, and each method has its applicable conditions. Using the GIS spatial overlay analysis can assigns for the remote sensing vegetation information attribute, and enhance the remote sensing vegetation information availability. Keywords: city green space; remote sensing technology; high resolution images; ENVI; GIS0 引言城市绿地是城市中唯一有生命的基础设施，它在改善城市生态环境和人居环境起着积极的作用，城市绿地含量逐渐成为衡量城市生活质量的1个重要指标。
基于深度学习的遥感影像自然资源信息自动提取技术研究摘要：遥感影像作为丰富的地面载体，可以为自然资源监测监管等业务提供影像支撑。
遥感技术能够全面、快速、有效地探查自然资源的分布情况，帮助自然资源部门摸清自然资源现状，及时掌握自然资源变化信息，辅助行使“两统一”职责。
当前，遥感已成为自然资源调查监管的重要手段。
遥感影像解译技术是随着遥感技术的产生发展而来的。
目前，精准的遥感信息提取主要靠人工目视解译来完成。
面对海量、多源、多时相的遥感影像数据，低效率的人工解译已经无法满足快速获取信息的需求。
为了建立高效的自然资源遥感监测服务体系，迫切需要开展高精度自动化信息提取技术研究，实现目标快速识别和信息提取。
关键词：深度学习；遥感影像；自然资源；信息自动提取技术1遥感影像配准中常用网络结构相较于早期的浅层神经网络，深层神经网络具有更多的隐藏层。
一般认为，网络隐藏层越多，其对复杂函数的拟合效果越好，即深层神经网络能够学习到数据更为本质的特征。
随着深度学习技术的不断发展，越来越多神经网络被应用于遥感影像处理领域。
其中，卷积神经网络CNN(Convolutional Neural Networks)、全卷积神经网络FCN(Fully Convolutional Networks)、孪生神经网络（Siamese Networks)是遥感影像配准中较为常用的网络结构。
CNN由卷积层、池化层与全连接层构成。
卷积层负责提取影像局部特征，池化层通过对提取特征进行下采样，以实现减少数据量，抑制模型过拟合的目的。
CNN通过多层次的“卷积—池化”操作提取影像深层语义特征，再由网络末端的全连接层对提取到的局部特征进行整合并输出分类结果。
由于卷积操作得到的特征仅仅与影像局部区域有关，所以CNN提取到的特征通常具有强鲁棒性。
FCN在CNN的基础上，进行了如下改动：（1）将全连接层替换为卷积层，使网络的输入数据尺寸不受约束；（2）引入转置卷积层，可以对压缩后的特征图进行上采样，增大数据尺寸，以实现对影像所有像元的分类。
“高分二号”卫星数据面向对象的海岸线提取法“高分二号”卫星数据面向对象的海岸线提取法摘要随着卫星遥感技术的不断发展，基于遥感数据进行海岸线提取已成为海岸带研究中的重要手段。
在大量遥感数据处理的过程中，如何提高数据处理精度和提升数据处理效率，一直是遥感技术研究和应用中亟待解决的问题。
本文提出了一种基于“高分二号”卫星数据面向对象的海岸线提取法，该方法能够准确、高效地提取海岸线，并且具有一定的普适性。
关键词：高分二号；遥感；海岸线提取；面向对象Introduction海岸带是海陆交界区，具有岸滩、河口、河流、湖泊、水库等水体，同时也包括大量的生态环境和地面覆盖类型。
因此，海岸带的研究具有重要的科学价值和应用价值。
而海岸线则是海岸带中的一个重要部分，它是水域和陆域的分界线，影响着人们的休闲、资源开发和海岸带生态环境等方面。
基于遥感技术的海岸线提取方法，已成为海岸带研究中的重要手段。
目前，随着“高分二号”卫星数据的不断完善和遥感技术的不断提高，基于“高分二号”卫星数据进行海岸线提取已成为研究的新方向。
Methodology法，主要是基于遥感数据处理中的面向对象方法。
具体如下：1. 预处理。
首先，对卫星数据进行去噪、增强、几何校正等预处理，以使数据的质量满足后续数据处理的需求。
2. 纹理特征提取。
通过使用纹理特征提取算法，得到每个像素点的纹理属性信息，以帮助提高后续的特征分割精度和数据处理精度。
3. 面向对象分割。
采用面向对象分割方法对卫星数据进行分割，得到不同类别的区域和目标，并且补充和修正形态信息。
4. 海岸线提取。
在面向对象分割后，根据区域和目标的几何形态信息和纹理特征信息，结合阈值分析、形态学运算等方法，提取海岸线，以得到海岸带区域边缘。
Results通过对测试数据的处理，本文所提出的基于“高分二号”卫星数据面向对象的海岸线提取法，得到了较好的结果。
首先，基于预处理后的数据，纹理特征提取的方法为后续处理提供了非常有效的信息。
基于遥感影像进行土地利用分类提取方法与步骤1. 数据收集：收集高分辨率的遥感影像数据，包括卫星影像或航空影像。
2. 图像预处理：对收集的遥感影像进行预处理，如大气校正、辐射校正、几何校正等，以消除噪声和其他影响因素。
3. 特征选择：根据土地利用分类的目标，选择适当的特征来描述土地利用类型，如纹理特征、空间特征、光谱特征等。
4. 图像分割：将预处理后的影像划分成一系列不重叠、尽可能均匀的区域。
常用的方法包括基于阈值、基于区域生长的方法等。
5. 特征提取：针对每个划分得到的区域，提取与土地利用分类相关的特征，如纹理特征、形状特征、光谱特征等。
6. 特征标准化：对提取的特征进行标准化处理，使其具有相同的尺度和均值，以便更好地进行分类。
7. 训练样本选择：从各个土地利用类型中随机选择一定数量的样本，用于训练分类模型。
8. 特征降维：如果特征维度较高，可以采用降维算法对特征进行降维，减少计算复杂度和数据维度。
9. 数据标注：将训练样本的土地利用类型进行标注，作为监督学习的输入。
10. 训练分类模型：使用标注的训练样本，训练土地利用分类模型，如支持向量机、随机森林、神经网络等。
11. 模型验证：使用另外一部分未标注的影像数据对训练好的模型进行验证，评估分类的准确性和效果。
12. 分类结果生成：对整个影像进行土地利用分类，生成分类结果图。
13. 后处理：对分类结果图进行后处理，如消除噪声、填补空缺、平滑边界等。
14. 空间连续性保持：为了保持土地利用分类结果的空间连续性，可以采用像素级或对象级的空间约束方法。
15. 土地利用调整：根据实际需求，可以对土地利用分类结果进行调整，如合并类别、划分新类别等。
16. 精度评估：采用地面调查数据或其他可信数据进行精度评估，评估土地利用分类的准确性和精度。
17. 结果解释：通过对土地利用分类结果进行解释和分析，研究土地利用变化趋势和规律。
18. 准确性改进：根据精度评估结果，对分类模型和步骤进行改进，提高土地利用分类的准确性。
基于遥感大数据的信息提取技术综述一、本文概述随着遥感技术的迅猛发展和大数据时代的到来，遥感大数据已经成为了地理信息科学领域的重要研究内容。
遥感大数据的信息提取技术，不仅对于提升遥感数据的利用率、挖掘遥感信息的深层次价值具有重要意义，同时也是实现地球科学定量化、精准化研究的关键手段。
本文旨在综述遥感大数据信息提取技术的最新研究进展，包括遥感大数据的特点、信息提取的主要方法、应用领域以及面临的挑战与未来发展趋势。
通过对遥感大数据信息提取技术的全面梳理和评价，旨在为相关领域的研究人员和实践者提供有益的参考和启示，推动遥感大数据信息提取技术的持续创新和发展。
二、遥感大数据概述遥感大数据，指的是通过遥感卫星、无人机、地面传感器等多元化遥感平台获取的海量数据。
这些数据不仅包括传统的光学影像，还涉及雷达、激光扫描、红外等多源、多时相、多分辨率的数据类型。
遥感大数据的特点主要体现在数据量庞大、数据结构复杂、数据动态性强以及价值密度高但价值发现难等方面。
随着遥感技术的发展，特别是高分辨率对地观测技术的广泛应用，遥感大数据已经成为地理信息科学、地球科学、环境科学等领域研究的重要数据源。
遥感大数据的获取不仅提高了我们对地球表面及其环境的认知深度，也为资源监测、城市规划、灾害预警、环境保护等实际应用提供了强有力的数据支持。
在遥感大数据的处理与分析方面，传统的数据处理方法已经难以应对如此庞大和复杂的数据量。
发展基于云计算、大数据挖掘、机器学习等先进技术的遥感大数据处理框架和算法，成为遥感大数据领域的研究热点。
这些新技术和方法的应用，不仅可以提高遥感大数据的处理效率，还能发现隐藏在数据中的深层次信息和价值，推动遥感大数据在各领域的应用和发展。
遥感大数据作为信息提取的重要基础，其处理和分析技术的持续创新将为后续的信息提取提供更为准确、快速和全面的数据支持。
对遥感大数据的深入研究和探索，对于推动遥感技术的发展和应用，具有非常重要的意义。
基于监督分类和多源遥感数据的珠海市海岸线提取作者：俎金言来源：《中国科技纵横》2018年第22期摘要：为了更好平衡珠海市城市建设与海岸线生态环境，本文以珠海市10年为界限，基于2005年、2009年、2016年三期珠海遥感landsat8以及landsat5图像，对珠海市区域进行海岸线的提取与分析。
由于传统的归一化水体指数易受近岸水体以及建筑物的影像，为此，采用改进的采用归一化水体指数（MNDWI）与支持向量机（SVM）的方法进行水陆分离并对结果进行交叉处理。
经过对提取的海岸线分析，发现近十年来，2009到2016的海岸线开发速率较高，主要开发集中在珠海东岸，经过实地调查，发现人工岸线增长最高，其中增长最多的为港口码头，总表现为海产养殖区的建立，填海造陆等。
关键词：遥感；海岸线；珠海；MNDWI；SVM中图分类号：P715.7 文献标识码：A 文章编号：1671-2064（2018）22-0182-02海岸线是划分陆地与海洋的分界基准线。
自然因素和人为因素都可能导致海岸线的扩展或退缩，进而带来一系列近海岸的生态环境问题，如海岸带的污染、海岸带生物多样性遭到破坏等。
珠海市位于广东省西南部的沿海城市，是珠江三角洲海陆运输的交通要地。
近年来，随着人类活动逐渐剧烈，在对城市的不断发展以及扩建中，珠海市海岸线的增长趋势为向海推移，包括填海造陆，建立海产养殖区，修建码头等，对其沿海生态环境造成了很严重的影响。
珠海市作为正在飞速发展的沿海城市，近年来其海岸线变化剧烈。
因此，以珠海市为研究区展开海岸线动态变化研究有重要的意义。
目前在应用遥感影像对海岸线提取与研究中，国内外已有很多成功先例。
孙伟富[1]等针对不同类型海岸线，从遥感影像的多个特征对其建立解译标志，提出了针对不同类型岸线的提取原则。
瞿继双[3]等提出了基于多阈值的形态分割方法。
张朝阳[4]等利用改进了canny算子，并实现了自适应的边缘提取。
现有的海陆分割法可分为三种：边缘检测法，阈值分割法和监督分类法[5]。
其中监督分类的精度更高，但是需要人工样本的选择；阈值分割法更为简单方便，然而因为近岸水体的光谱特征受周边环境影响较大，近岸水体常被错分为岸线，导致分割精度较低[2]。
而边缘检测法对遥感影像的适应度较低，提取出的岸线连续性较差[5]。
为了得出更精确的岸线结果，本文在利用改进的归一化差异水体指数MNDWI的基础上，增加利用支持向量机SVM的监督学习模型的基础上对海岸线进行提取。
并对两次结果结合实地调查资料进行交叉比对，根据海岸线提取结果对珠海市海岸线近十五年来的变化做出分析，并针对海岸线变化剧烈的典型岸段进行详细分析以及调查。
1 数据源与提取方法1.1 研究区域与数据源（1）珠海市位于广东省珠江口的西南部，北纬21°～22°、东经113°～114°之间。
珠海市是珠三角城市中海岸线最长的城市。
其中珠海西岸以人工岸线为主，沿途大多为港口码头和人工岸线，包括沙滩以及养殖区域。
东部沿岸以道路为主，自然海岸保存率较高[1]。
研究区域示意图如图1所示。
本文以2018年和2009、2005年3期Landsat5/8影像，以5年为间隔为基础影像数据对珠海海岸线进行提取，Landsat5/8陆地资源下载于美国地址勘探局（USGS）。
1.2 海岸线提取以及分析方法本文所指的海岸线为陆地与海洋的分界线，即海水向陆地所达到的极限位置的连线。
由于潮汐作用等自然与人文影响，海岸线一直于动态变动之中[2]。
本研究区域内主要以自然海岸线和人工海岸线为主，自然海岸线包括淤泥质海滩，人工海岸线则包括堤坝中心线以其后期人为填海所影响的海陆分界线该方法包括数据的预处理、利用面向对象方法对海洋和陆地进行分类与分离、海岸线提取，利用最终提取海岸线数据进行叠合比对分析[3]。
2 利用面向对象提取海岸线2.1 数据预处理为了保证遥感数据据保持相同的幾何精度和坐标系统，首先对遥感影像进行处理：（1）波段融合，首先对将landsat8的多波段和全色波段进行融合，使其分辨精度从30m提升至15m；（2）坐标系转换，对多源数据进性几何精纠正，消除多源数据的坐标系统差异，将其统一至WGS-84坐标系；（3）影像裁剪，剪裁出所需要的遥感影像区域，图像太大会导致指数计算有偏差，以及计算时间过长等问题。
2.2 MNDWI阈值分割由于海水与陆地的归一化水体指数反差明显，因而可以通过判断MDNWI的分布图，通过波谷点寻找水陆分割阈值，即可实现水陆分割[5]。
由于珠海市是沿岸城市，在海岸线旁的建筑较多，而用NDWI来提取有建筑物的水体，其效果会受到近岸区域影像，结果较差。
故采用改进的归一化差异水体指数（MNDWI）[6]，其公式如式1。
MNDWI=（ρGreen-ρMIR）/（ρGreen+ρMIR）式1式中ρGreen为绿色波段，ρMIR为近红外波段。
2.3 利用向量机提取海岸线由于近岸水体容易受周边区域环境的影像。
为此，在使用MNDWI阈值分割的基础上，使用基于样本分类的支持向量机海岸线遥感自动提取算法。
SVM是Vapnik等于20世纪90年代提出的一种机器学习方法，SVM算法根据有限的样本平衡模型的复杂性和学习能力[7]。
本文以MNDWI的分割结果为样本库，对不同的分类对象以及样本进行交叉训练，不断剔除方差大的样本分类区域，直到得到可靠的水陆分类。
2.4 海岸线提取利用MNDWI和训练后的SVM模型对遥感影像进行分类和分割后，通过目测判断是否为陆地水体。
将结果格式转化为Arcgis可识别的格式，在Arcgis中对分类后的图像跟踪矢量化，转化为线要素，得到最终的岸线分布制图[10]。
3 实验结果与分析对珠海市2016年4月3日获取的一景landsat8遥感图像的岸线流程提取过程如图2所示。
图2（a）为经过几何精校正后的landsat8的假彩色合成图像；图2（b）为MNDWI计算后的图像；图2（c）为经过阈值分割后的水路分离图像；图2（d）为使用svm向量机进行监督分类后的水陆分离分布图；图2（e）为对MNDWI和监督分类结果交叉比对后矢量化的水陆分布图；图2（f）为最终珠海市海岸线分布图。
可以看出，最终得到的岸线分布清晰，对于内陆河流，可以在arcgis中进行删除后填充。
分别对三景2016、2009和2005年的遥感数据进行海陆分割和岸线提取，最终海岸带海岸线分布如图3所示。
根据数据统计，从2005年～2016年，珠海市海岸线长度增加，整体表现为向海扩张。
2005年岸线总长度为420.82km，2009年岸线总长度为430.9km，较2005年增长了10.08km，年增长速率为2.416km/年。
2016年，海岸线总长度达到450.8km，相对2009年增长了17.1km，增长剧烈，年增长速率为2.85km/年。
近十年来，2009到2016的海岸线开发速率较高，主要开发集中在珠海东岸，经过实地调查，发现人工岸线增长最高，其中增长最多的为港口码头，总表现为海产养殖区的建立，填海造陆等。
岸线变化最为典型区域为高栏港区以及港珠澳大桥附近，其岸线变迁以向海扩张为主，岸线变化的主因是港口码头建设[8]。
4 结论与展望海岸线的变迁不只影响了海岸带的海洋生态环境以及沿岸城市发展，同时反映了人类对海岸的改造利用。
而动态精确的检测海岸线的变化，对更好的平衡海岸带生态环境和城市的建设与发展的关系有着重要的意义[9]。
本文采用两种方法进行交叉处理。
传统的MNDWI全局阈值分割方法虽然可以快速实现水体提取，但是在分割精度上没有充分保证，尤其是针对较为细碎的天然岸线；而对光谱复杂的较容易受影响的近岸水体，通过监督分类不断筛选样本，可以得到更精确的水陆分离结果。
目前对海岸线的研究在区分不同岸线类型以及解决遥感不同影像的分形指数的动态变化等问题中依旧缺乏考虑，尽管现在已有针对不同岸线的分类方法，但是多缺乏普遍适应性。
因此，针对不同类型的海岸以及环境对海岸线提取时，需要选择合适的方法。
参考文献[1]孙伟富，马毅，张杰，刘善伟，任广波.不同类型海岸线遥感解译标志建立和提取方法研究[J].测绘通报，2011，（03）：41-44.[2]张志龙.基于遥感图像的重要目标特征提取与识别方法研究[D].国防科学技术大学，2005.[3]瞿继双，王超，王正志.一种基于多阈值的形態学提取遥感图象海岸线特征方法[J].中国图象图形学报，2003，（07）：87-91.[4]张朝阳，冯伍法，张俊华.基于色差的遥感影像海岸线提取[J].测绘学院学报，2005，（04）：259-262.[5]朱长明，张新，骆剑承，李万庆，杨纪伟.基于样本自动选择与SVM结合的海岸线遥感自动提取[J].国土资源遥感，2013，25（02）：69-74.[6]王李娟，牛铮，赵德刚，李英霞，王忠波，旷达.基于ETM遥感影像的海岸线提取与验证研究[J].遥感技术与应用，2010，25（02）：235-239.[7]梁亮，杨敏华，李英芳.基于ICA与SVM算法的高光谱遥感影像分类[J].光谱学与光谱分析，2010，30（10）：2724-2728.[8]杨雷，孙伟富，马毅，任广波.近10年珠海海岸带海岸线时空变化遥感分析[J].海洋科学，2017，41（02）：20-28.[9]索安宁，曹可，马红伟，王权明，于永海.海岸线分类体系探讨[J].地理学，2015，35（07）：933-937.[10]冯永玖，袁佳宇，宋丽君，蒋芳.杭州湾海岸线信息的遥感提取及其变迁分析[J].遥感技术与应用，2015，30（02）：345-352.。
