基于海滩成像系统(Beach Imaging Systems)自动提取 shoreline(Shoreline)用于海岸监测(Coastal Monitoring)的方法研究

《Environmental Modelling & Software》:Automating shoreline extraction from beach imaging systems for coastal monitoring

【字体: 大 中 小 】 时间:2026年06月27日 来源:Environmental Modelling & Software 5.2

编辑推荐:

  高频海岸监测对于理解气候变化下的海岸线动态及支撑海岸适应措施至关重要。尽管地基遥感为数据采集提供了可扩展方案,但受图像质量多变、几何形态复杂及环境条件影响,从海滩成像系统中自动提取shoreline仍具挑战性。本研究提出一种稳健的深度学习(Deep Learn

  
高频海岸监测对于理解气候变化下的海岸线动态及支撑海岸适应措施至关重要。尽管地基遥感为数据采集提供了可扩展方案,但受图像质量多变、几何形态复杂及环境条件影响,从海滩成像系统中自动提取shoreline仍具挑战性。本研究提出一种稳健的深度学习(Deep Learning, DL)框架,用于从众包影像(即智能手机拍摄图像)中瞬时提取shoreline。研究人员将当前最先进的分割模型与传统基于直方图的确定性方法进行了基准测试(Benchmarking)。结果表明,卷积神经网络(Convolutional Neural Network, CNN)方法——特别是采用512×512像素块(Patch)输入的DeepLabV3——显著优于传统方法,其空间可靠性与人工数字化相当。重要的是,该模型克服了正交校正(Rectified)影像中的透视畸变和重采样伪影,在不同潮汐环境下表现出强环境鲁棒性,即便存在站点多样性和数据不平衡问题。该框架已作为开源容器化模块部署于欧洲开放科学云(European Open Science Cloud),可实现可迁移且业务化的基于影像的海岸线监测。
论文解读:《Automating shoreline extraction from beach imaging systems for coastal monitoring》发表于《Environmental Modelling & Software》
研究背景与意义
海岸区域受海平面上升、风暴加剧及海滩侵蚀威胁,准确监测作为动态边界的shoreline(海岸线/滩肩线)是评估海岸演变的核心。传统实地测量与人工作业航测时空分辨率低、成本高;卫星遥感受重访周期与云层限制;固定视频监测设施昂贵且布设受限。新兴公民科学项目CoastSnap利用智能手机采集海滩照片,成本低且时空灵活,但其影像存在视角不一、光照变化大、传感器异构等问题,传统基于蓝红波段差值的直方图阈值法(Blue-Red band difference with locally-adaptive thresholding)在弱对比度、太阳眩光、潮间带复杂情况下易失效,且当前大量图像无法被高效处理。为填补这一技术空白并推动CoastSnap业务化运行,研究人员开展了基于深度语义分割的自动化shoreline提取框架研究,并在西班牙CoastSnap网络五个站点(中潮汐大西洋海滩Agrelo、Cíes、Cádiz及微潮汐地中海海滩S'Amarador、Arenal d'en Tem)的1717幅正交校正RGB影像及SCLabels数据集上验证。
主要关键技术方法
研究人员采用公开SCLabels数据集(1717幅正交校正RGB影像配像素级标注掩膜),按站点分层切分训练集(70%)、验证集(20%)、测试集(10%)。标注类别经预处理合并为陆侧(Landwards)、海侧(Seawards)及NoData三类(Shoreline像素并入Landwards,NotClassified移除)。采用Patchify技术将影像切分为重叠50%的方块(基准256×256,优化后512×512),镜像填充边缘。评估四种有监督语义分割架构:U-Net、Attention U-Net、DeepLabV3(ResNet-50骨干、Atrous Spatial Pyramid Pooling, ASPP)、DUCK-Net,均使用多类交叉熵损失与Adam优化器(初始学习率0.01,Batch Size=24,Early Stopping)。推理时对重叠块预测概率图取像素均值融合,通过海侧二值膨胀与陆侧做逻辑交运算提取shoreline像素,再转为矢量并保留最大连通分量。精度评价除像素级指标(Accuracy、Precision、Recall、F1-score排除NoData类)外,重点采用实地坐标系下点到线最小欧氏距离计算的Mean Absolute Distance(MAD)、Root Mean Squared Distance(RMSD)及第三四分位数(Q3),以人工数字化shoreline为Ground-truth,并与CoastSnap Toolbox默认直方图基线法比较,所有预测结果经相同距离修剪Auto-QC处理。
研究结果
4.1 Experiment 1: CNNs benchmark(CNN架构基准测试)
研究人员在256×256 Patch配置下对比四种CNN与传统基线。像素分割指标各CNN均>97%,差异微小;距离指标显示传统基线MAD=15.61 m,而CNN法大幅降低误差——U-Net为5.87 m、Attention U-Net为6.57 m、DUCK-Net为6.11 m、DeepLabV3最优(MAD=5.25 m,RMSD=8.57 m,Q3=6.13 m,较基线提升66.4%)。DeepLabV3因ASPP捕获多尺度上下文能力强,边界划分更准,被选为后续最优架构。
4.2 Experiment 2: patch configuration and robustness assessment(块尺寸配置与鲁棒性评估)
固定DeepLabV3架构测试四种Patch(256×256、256×512、256×1024、512×512,均50%重叠)。增大感受野降低空间误差,512×512与256×1024结果接近(MAD分别为4.94 m与4.83 m,差异<0.5 m地物尺寸),综合考虑计算效率与泛化性选定512×512为最优。五折交叉验证显示模型稳定(MAD标准差σ=0.30 m)。分站点验证表明,即使在最难的Cádiz站基线MAD达19.72 m时DeepLabV3仍降至5.36 m(改善72.8%);各站DeepLabV3MAD:Agrelo 3.94 m、Arenal d'en Tem 2.64 m、Cíes 1.49 m、S'Amarador 3.41 m(唯一略高于基线之2.73 m,归因样本极少、相机投影变形大及点密度差异)。模型对光照眩光、潮汐阶地、阴影等复杂条件鲁棒,仅在高对比简单场景与基线相当。模型提取shoreline相对人工数字化Ground-truth之误差接近或落入人工数字化自身不确定度范围(RTK-GNSS验证人工MAD=2.76 m),说明自动化框架可达业务级人工提取的空间可靠性。
讨论与结论翻译
讨论指出:采用正交校正影像便于操作且天然匿名化保护隐私;使用相对方位类(Landwards/Seawards)而非绝对地物类可利用历史手工数字化快速生成掩膜;定义"瞬时shoreline"(波浪上冲极限)并以影像Ground-truth验证属间接物理精度评估,未来需结合RTK-GNSS直接验证;当前后处理仅保留最大连通分量不适于具离岸沙坝或多段shoreline的复杂地形,可引入概率置信图改进;全局模型对少样本站点具良好泛化性,未来可按地貌动力学分组建"专业化通用模型";所学特征有望迁移至固定视频监测系统(如ARGUS/SIRENA)。框架封装为开源Docker模块socib-shoreline-extraction(PyTorch实现,DeepLabV3预训练权重,DEEPaaS REST API接口,支持ROI设定及矢量/掩膜输出),CPU典型处理单幅约6.1 s,GPU(NVIDIA RTX 5070)约0.79 s。
结论(翻译)
本研究提出了一套稳健的端到端框架,用于从众包公民科学影像中自动提取shoreline。通过对最先进深度学习架构与传统确定性方法的系统基准测试,证明采用512×512 Patch配置的DeepLabV3语义分割模型能克服公民科学数据所具光照多变、破波带复杂及环境异质性等固有挑战。定量上,所提深度学习方法将Mean Absolute Distance(MAD)误差从传统直方图法的约15–19 m降至约4–5 m,空间精度大幅提升,可在不过度依赖人工修正前提下实现可靠连续海岸监测。结果表明该架构学到具鲁棒性之特征,在高度多样化和数据不平衡海岸站点保持稳定,并能克服正交校正影像典型的透视畸变与像素重采样伪影。最终,优化框架以开源容器化模块(socib-shoreline-extraction)发布并于欧洲开放科学云部署,为海岸管理者提供可扩展、可复现方案以高效处理海量影像集,推动高频次社区驱动海岸监测系统业务化运行,支撑气候变化背景下循证海岸管理决策。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号