Shoreline definition and detection:A review
1
2005
... 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. ...
Automatic detection of shoreline change on coastal Ramsar wetlands of Turkey
0
2011
中国大陆海岸线开发利用的生态环境影响与政策建议
0
2016
中国大陆海岸线开发利用的生态环境影响与政策建议
0
2016
Coastline extraction using remote sensing:A review
2
2023
... 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. ...
... 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]. ...
1
2005
... 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. ...
1
2005
... 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. ...
基于GEE的杭州湾海岸线遥感提取与时空演变分析
1
2023
... 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. ...
基于GEE的杭州湾海岸线遥感提取与时空演变分析
1
2023
... 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. ...
Shoreline variations and coastal dynamics:A space-time data analysis of the jonian littoral,Italy
1
2013
... 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. ...
Prediction of shoreline recession using geospatial technology:A case study of Chennai coast,Tamil Nadu,India
0
2009
A summary of historical shoreline changes on beaches of Kauai,Oahu,and Maui,Hawaii
0
2013
Assessing storm surge hazard and impact of sea level rise in the Lesser Antilles case study of Martinique
0
2017
Plant species classification in salt marshes using phenological parameters derived from Sentinel-2 pixel-differential time-series
1
2021
... 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. ...
Characteristics of coastline changes in mainland China since the early 1940s
1
2016
... 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. ...
遥感影像的海岸线自动提取方法研究进展
2
2019
... 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]. ...
遥感影像的海岸线自动提取方法研究进展
2
2019
... 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]. ...
缨帽变换的遥感图像水边线信息提取方法
1
2019
... 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. ...
缨帽变换的遥感图像水边线信息提取方法
1
2019
... 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. ...
海岸带地理环境遥感监测综述
1
2016
... 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]. ...
海岸带地理环境遥感监测综述
1
2016
... 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]. ...
Extracting the intertidal extent and topography of the Australian coastline from a 28 year time series of Landsat observations
1
2017
... 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]. ...
Coastline information extraction based on the tasseled cap transformation of Landsat-8 OLI images
1
2019
... 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]. ...
Mapping Australia’s dynamic coastline at mean sea level using three decades of Landsat imagery
1
2021
... 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]. ...
Significant coastline changes in China during 1991—2015 tracked by Landsat data
1
2018
... 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]. ...
Mapping changes in coastlines and tidal flats in developing islands using the full time series of Landsat images
1
2020
... 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]. ...
A coastline detection method in polarimetric SAR images mixing the region-based and edge-based active contour models
1
2017
... 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]. ...
Spatiotemporal change patterns of coastlines in Zhejiang Province,China,over the last twenty-five years
1
2018
... 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]. ...
基于面向对象和规则的遥感影像分类研究
1
2006
... 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]. ...
基于面向对象和规则的遥感影像分类研究
1
2006
... 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]. ...
海岸线遥感光谱角度—距离相似度生长模型自动化提取
1
2017
... 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]. ...
海岸线遥感光谱角度—距离相似度生长模型自动化提取
1
2017
... 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]. ...
Application of deep learning models to detect coastlines and shorelines
1
2022
... 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]. ...
Quadtree decomposition-based Deep learning method for multiscale coastline extraction with high-resolution remote sensing imagery
1
2024
... 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]. ...
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
1
2023
... 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. ...
Temporal and spatial variation of coastline using remote sensing images for Zhoushan Archipelago,China
1
2022
... 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. ...
Google Earth Engine:Planetary-scale geospatial analysis for everyone
1
2017
... 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. ...
Efficient measurement of large-scale decadal shoreline change with increased accuracy in tide-dominated coastal environments with Google Earth Engine
1
2021
... 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. ...
Multitemporal cloud masking in the Google Earth Engine
1
2018
... 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. ...
Trajectory of coastal wetland vegetation in Xiangshan Bay,China,from image time series
0
2020
Analysis of change in maize plantation distribution and its driving factors in Heilongjiang Province,China
1
2022
... 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. ...
The tasselled cap: A graphic description of the spectral-temporal development of agricultural crops as seen by Landsat
1
... 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： ...
Wildfire likelihood in Canadian treed peatlands based on remote-sensing time-series of surface conditions
1
2023
... 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： ...
A TM Tasseled cap equivalent transformation for reflectance factor data
1
1985
... 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： ...
1989—2021年中国大陆海岸带潮滩、海岸线、养殖水体遥感观测
1
2023
... 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： ...
1989—2021年中国大陆海岸带潮滩、海岸线、养殖水体遥感观测
1
2023
... 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： ...
Derivation of a tasselled cap transformation based on Landsat 8 at-satellite reflectance
1
2014
... 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. ...
Rapid,robust,and automated mapping of tidal flats in China using time series Sentinel-2 images and Google Earth Engine
1
2021
... 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： ...
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
1
2022
... 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： ...
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
1
2022
... 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： ...
