检索
E-mail
RSS

作者投稿 主编审稿 专家审稿 远程编辑

热带海洋学报 >

2022 , Vol. 41 >Issue 4: 116 - 125

DOI: https://doi.org/10.11978/2021116

海洋地貌学

1980—2020年大湾区海岸线变迁及影响因素分析

  • 苏倩欣 , 1, 2 ,
  • 李婧 2 ,
  • 李志强 , 1 ,
  • 王爱军 3, 4 ,
  • 李高聪 1
展开
  • 1.广东海洋大学电子与信息工程学院海洋技术系, 广东 湛江 524088
  • 2.广东财经大学地理与旅游学院自然地理系, 广东 广州 510320
  • 3.自然资源部第三海洋研究所海洋与海岸地质实验室, 福建 厦门 361005
  • 4.南方海洋科学与工程广东省实验室(珠海), 广东 珠海 519082
李志强, 男, 博士, 教授, 主要从事海岸资源与环境研究。email:

苏倩欣(1997—), 女, 广东省佛山市人, 硕士研究生, 从事海岸资源与环境研究。email:

Copy editor: 姚衍桃

收稿日期: 2021-08-31

  修回日期: 2021-12-24

  网络出版日期: 2021-12-31

基金资助

国家自然科学基金项目(42176167)

国家自然科学基金项目(41776099)

广东海洋大学创新强校工程项目(Q18307)

广东海洋大学科研启动经费资助项目(060302112010)

收起

Analyzing the coastline changes and its influencing factors in the Greater Bay Area from 1980 to 2020

  • SU Qianxin , 1, 2 ,
  • LI Jing 2 ,
  • LI Zhiqiang , 1 ,
  • WANG Aijun 3, 4 ,
  • LI Gaocong 1
Expand
  • 1. Department of Ocean Technology, School of Electronics and Information Engineering, Guangdong Ocean University, Zhanjiang 524088, China
  • 2. Department of Geography, School of Geography and Tourism, Guangdong University of Finance and Economics, Guangzhou 510320, China
  • 3. Laboratory for Coast & Ocean Geology, Third Institute of Oceanography, Ministry of Natural Resources, Xiamen 361005, China
  • 4. Southern Marine Science and Engineering Guangdong Laboratory (Zhuhai), Zhuhai 519082, China
LI Zhiqiang. email:

Copy editor: YAO Yantao

Received date: 2021-08-31

  Revised date: 2021-12-24

  Online published: 2021-12-31

Supported by

National Natural Science Foundation of China(42176167)

National Natural Science Foundation of China(41776099)

Innovation Fund of Guangdong Ocean University, China(Q18307)

Program for Scientific Research Start-up Funds of Guangdong Ocean University(060302112010)

Fold

摘要

海岸线动态变化是全球变化和人类活动共同的反映。本文基于粤港澳大湾区、东京湾和旧金山湾1980—2020年7期Landsat系列遥感影像及Google Earth高分辨率影像, 利用阈值分割, 结合水体指数法、Sobel算子法, 提取各期海岸线。从长度、空间形态、结构和利用程度等多角度分析其岸线变化, 并结合地理探测器对其影响因素进行定性和定量分析。结果显示: 1) 1980—2020年间, 各湾区岸线趋于平直, 其中东京湾海岸线的年均长度变化强度最大, 为0.37%; 2) 40a间各湾区岸线的纵深变化比较稳定, 结构趋于复杂, 形态趋于分散, 其中粤港澳大湾区海岸线的分维差异最小, 形态最分散; 3) 40a间, 各湾区的自然岸线减少, 港口码头岸线和其他人工岸线长度剧烈增长, 其中粤港澳大湾区的生物岸线波动增长, 岸线利用程度指数增幅最大。本文研究结果表明, 气温、波高、潮汐和陆域面积、港口吞吐量是湾区海岸线变化的主要影响因素, 且任意两个影响因素的交互作用大于单一因素的作用。

关键词： 湾区; 海岸线; 岸线类型; 长度变化指数; 利用程度指数

本文引用格式

苏倩欣 , 李婧 , 李志强 , 王爱军 , 李高聪 . 1980—2020年大湾区海岸线变迁及影响因素分析[J]. 热带海洋学报, 2022 , 41(4) : 116 -125 . DOI: 10.11978/2021116

Abstract

Coastline dynamic change is a common reflection of global change and human activities. Based on seven Landsat remote sensing images and Google Earth high-resolution images of the Guangdong-Hong Kong-Macao Greater Bay Area, Tokyo Bay and San Francisco Bay from 1980 to 2020, this paper used threshold segmentation combined with water index method and Sobel operator method to extract the coastline of each analysis period. In addition, this study also analyzed the changes of coastline in terms of length, spatial morphology, structure and utilization degree, and analyzed qualitatively and quantitatively the influencing factors with the help of geographic detectors. The results show that: (1) from 1980 to 2020, the intensity of annual average length change in the Tokyo Bay is the largest, which is 0.37%, and the coastline tends to be straight; (2) in the past 40 years, the depth of coastlines in all analyzed bay areas has remained stable, and the structures tend to be complex and the morphology tends to be dispersed. Among them, the difference of fractal dimension of coastlines in the Guangdong-Hong Kong-Macao Greater Bay Area is the smallest and the morphology is the most dispersed; (3) during the past 40 years, the natural coastline of each bay area decreased, while the length of port wharf coastline and other artificial coastline increased significantly, and the biological coastline of the Guangdong-Hong Kong-Macao Greater Bay Area fluctuated, and the coastline utilization index increased the most. The results show that temperature, wave height, tide, area and port throughput are the main factors that affect the coastline change, the interaction of any two factors is greater than the single factor.

Key words： bay area; coastline; coastline type; index of coastline length change; utilization index

海岸线作为海洋与陆地的边界线, 在泥沙输运、海平面升降等自然因素与海洋工程建设、围填海等人类活动的影响下, 其位置具有高度的动态变化特征(Boak et al, 2005)。与传统的海岸线实地测绘方法相比, 遥感技术具有大范围、多光谱、多时序和不受地理环境制约等突出优势, 目前主要基于遥感影像上岸线的空间关系或光谱特性这两类方法实现岸线的自动提取(Alesheikh et al, 2007)。通过提取海岸线位置和类型, 可以分析和探讨海岸线长度、岸段变化与海岸带土地利用情况等的特征和变迁的驱动因素(Wu et al, 2018)。
现有的岸线研究较多集中在大河口、三角洲等区域(Bidorn et al, 2021), 主要从各个地区进行海岸线的提取及其变迁分析, 较多集中在利用长期或短期的海岸线变化率分析海岸线的长度和位置变化、利用海岸线生长速率和海湾几何形状分析海岸线的时空动态变化等方面(Dallas et al, 2011; Ding et al, 2019), 而对多个区域进行比较和分析的研究却较少。此外, 现有的海岸线驱动因素分析, 多是对引起变化的驱动因素进行定性分析, 一般从自然和人类活动方面展开(Cai et al, 2009)。定量分析多采用灰色关联度和Pearson相关分析, 是基于线性关系的假设, 因而分析不够深入, 相对的定性、定量分析也不够全面。相较于相关分析, 地理探测器物理意义明确, 数据要求低, 精确度高, 且不需要额外的线性假设, 在处理混合类型数据时具有明显的优势, 故而被广泛运用于气候变化、土地利用、生态环境等方面的定量研究(赵永玉 等, 2021), 也可尝试用于探讨岸线变化的影响因素。
大湾区经济社会发展程度高, 是支撑国家乃至国际区域性发展的重要区域。本文基于1980—2020年7个时段的遥感影像数据, 对粤港澳大湾区、东京湾区和旧金山湾区海岸线的现状和动态变化进行多角度比较分析, 并采用地理探测器探讨岸线变化的驱动因素, 以期为湾区海岸资源的合理开发利用提供有力借鉴。

1 材料与方法

1.1 研究区域

粤港澳大湾区、东京湾和旧金山湾是世界经济发达的著名大湾区。3个大湾区的经纬度、所属国家、地域组成、潮汐和水文特征如表1所示。2019年, 高抒在《河口海岸蓝图重绘》的报告中指出, 大湾区在许多特征上具有相似性, 例如土地及港口资源丰富、海湾生态系统生物量丰富、气候宜人、城市群发展迅速等。同时各湾区也有自己的特殊性,例如粤港澳大湾区背靠珠江三角洲, 河流入海通量大, 沉积物供给多, 在沉积物充填海湾而带来土地资源增长的同时, 也造成环境的不稳定。在自然灾害方面, 粤港澳大湾区受台风影响显著, 而东京湾和旧金山湾则处于地震带, 受地震和海啸的威胁大(https://blog.sciencenet.cn/blog-2336082-1164183.html)。因此, 本文选取这3个经济发达、环境各异的大湾区, 探讨其海岸线变化, 结果将对湾区地表要素变化研究和经济社会可持续发展具有重要意义。
表1 三大湾区主要信息

Tab. 1 Main information of the three bay areas

湾区 粤港澳大湾区 东京湾 旧金山湾
经度范围 111°21'—115°24'E 138°24'—140°30'E 121°24'—123°5'W
纬度范围 21°34'—24°23'N 34°30'—36°12'N 36°30'—38°30'N
所属国家 中国 日本 美国
地域组成 珠江三角洲9个城市(广州、深圳、珠海、佛山、中山、东莞、惠州、江门、肇庆)、香港和澳门 东京都、埼玉县、神奈川县和千叶县 分为旧金山、北湾、东湾、南湾和半岛5大区域, 旧金山、马林等9个县
潮汐特征 最大潮差<3m 最大潮差<2m 最大潮差<3m
水文特征 大河河口区域, 有西江、北江和东江流入, 总径流量大, 海水动力较弱 鹤见川、江户川等河流汇入, 袋状结构海湾, 水深浪小 平均水深6m, 位于混合型、潮汐振荡泻湖型河口汇合处, 环流强烈

1.2 数据

根据《海洋学术语 海洋地质学》(GB/T 18190- 2000), 海岸线一般定义为多年大潮高潮位时的海陆分界线。本文以Su等(2021a, b, c)的海岸线数据集(1980—2020年)为数据源, 海岸线采用图像的瞬时水陆分界线, 其数据来源、提取方法等信息如表2所示。
表2 海岸线数据集的主要信息

Tab. 2 Main information for the coastline datasets

内容 数据集描述
研究区 粤港澳大湾区、东京湾区、旧金山湾区
时间 1980年、1990年、2000年、2005年、2010年、2015年、2020年
数据来源 Landsat、Google Earth影像, 云覆盖量小于5%, 成像时间集中于10月至翌年3月
数据分辨率 <10m
岸线提取方法 修复归一化水体指数(Modified Normalized Difference Water Index, MNDWI)、灰度阈值法、数学形态法和Sobel算子法。对提取的岸线, 利用Google Earth进行目视解译修正
岸线类型 基岩岸线、淤泥质岸线、砂砾质岸线、生物岸线、农田养殖岸线、港口码头岸线和其他人工岸线
此外, 本文用到的数据还包括径流量和输沙量数据, 这些数据来源于中华人民共和国水利部(http://www.mwr.gov.cn/); 平均气温、波高、潮高等气象水文数据来源于中国科学院资源环境科学与数据中心(http://www.resdc.cn)、欧洲中期天气预报中心(https://climate.copernicus.eu/)和海洋专业知识服务系统(http://ocean.ckcest.cn/); 人口、生产总值(Gross Domestic Product, GDP)、港口吞吐量、第三产业比重等社会经济数据来源于国家统计局(http://www.stats.gov.cn/)、各市统计局、美国经济分析局和日本总务省统计局等的统计年鉴, 社会经济数据主要用于海岸线驱动因素分析。

1.3 研究方法

本文从长度、空间形态和利用程度方面选取指标对岸线进行分析, 采用地理探测器讨论岸线变化的影响因素, 技术路线如图1所示。
图1 技术路线图

Fig. 1 Technology routine

1.3.1 长度变化指标

本文采用海岸线长度变化强度来度量海岸线长度随时间变化速率的差异(Zhang et al, 2020):
${{K}_{i}}=\frac{{{L}_{i{{T}_{2}}}}-{{L}_{i{{T}_{1}}}}}{{{L}_{i{{T}_{1}}}}}\times \frac{1}{{{T}_{2}}-{{T}_{1}}}\times 100 \%$
式中: Ki表示某类岸线从第T1年到第T2年间的长度变化强度; LiT1、LiT2分别为该类海岸线在第T1年和第T2年的长度。
岸线长度以每0.5~1km为单位, 向岸线迁移方向作垂线, 形成切面, 计算在切面上岸线迁移的距离。根据海岸线的相对空间位置变化, 计算岸线的纵深度, 将整体岸线划分为强烈岸退岸线、岸退岸线、稳定岸线、岸进岸线和强烈岸进岸线(表3), 并计算海岸线稳定性指数(Wu et al, 2018)。海岸线稳定性指数的计算公式为:
$E=\frac{{{R}_{\text{S}}}}{{{R}_{\text{C}}}}$
式中: E为稳定性指数; RS为稳定岸线、岸退岸线和岸进岸线长度占海岸线总长度的比例; RC为强烈岸退岸线和强烈岸进岸线长度占海岸线总长度的比例。
表3 纵深度变化分类标准

Tab. 3 The division standard of depth degrees change

分类 强烈岸退岸线 岸退岸线 稳定岸线 岸进岸线 强烈岸进岸线
纵深度变化值X X<-100m -100m≤X<-30m -30m≤X≤30m 30m<X≤200m X>200m

1.3.2 空间形态指标

海岸线空间形态的变化特征可通过海岸线形状的分维数和形态的紧凑度两方面进行分析。本文基于ArcGIS, 采用网格法定量分析海岸线的分维, 分别使用边长为100m、250m、500m、750m和1000m的正方形格网连续且非重叠地覆盖被测海岸线, 当正方形网格长度r发生变化时, 覆盖研究区海岸线所需网格数目Nr会出现相应的变化, 它们之间的关系式为:
$\text{lg }{{N}_{r}}=-D\text{lg }r+\text{C}$
式中: C为待定常数; D为海岸线分形维数。
紧凑度是从空间形态外围扩展的角度来研究海岸带的空间形态变化, 其计算公式为:
$c=2\sqrt{\text{ }\!\!\pi\!\!\text{ }A}/P$
式中: c为海岸线形状的紧凑度; A为区域面积, 是岸线向陆侧延伸10km的缓冲区域及岛屿的面积; P为区域岸线的长度。紧凑度计算结果介于0~1之间, 其值越大, 海岸线形状的紧凑度或饱满性越好, 反之则越差。

1.3.3 利用程度指标

通过岸线类型结构及利用程度指数可以探讨人类活动对岸线的影响。海岸线类型结构变化表示一定时间内, 各类岸线长度与总岸线长度的比例关系(Zhang et al, 2020)。本文参考肖锐(2017)对中国海岸线开发利用主体度的评价方法, 对3个湾区的岸线结构开展定量化研究。当某类岸线的比例大于45%时, 为单一主体结构; 若所有岸线的比例都小于45%, 且存在两类或多类岸线的比例大于20%时, 为二元或三元结构。
依据人类的各类活动对岸线影响的强弱, 采用专家打分法确定分级系数, 通过如下公式计算海岸线利用程度指数(刘旭拢 等, 2017):
$S=100\times \sum\limits_{i=1}^{n}{\frac{{{L}_{i}}\cdot {{P}_{i}}}{L}}$
式中: S表示研究区某年的岸线利用程度指数, Li为某类岸线的长度, Pi为某类岸线的分级系数, L为海岸线总长度。本文根据湾区的岸线类型特点和开发利用情况, 将岸线分为4级: 自然岸线、港口码头岸线、其他人工岸线、农田养殖岸线。其中, 自然岸线受人类影响程度低, 因此分级系数最低, 为0.25; 港口码头岸线和其他人工岸线受人类影响强烈且不可恢复, 特别是其他人工岸线组成更加复杂, 因此分级系数分别为0.85和0.90; 农田养殖岸线虽为人工岸线但开发利用程度相对较低, 因此分级系数为0.50。

1.3.4 地理探测器

地理探测器是探测空间分异性, 并定量化探究其驱动力以及多因子交互作用的空间分析模型。其基于的假设为: 如果某个自变量对某个因变量有重要影响, 那么自变量和因变量的空间分布应该具有相似性。地理探测器具有因子探测、交互探测、生态探测和风险探测4种功能, 既可以探测数值型数据, 也可以探测定性数据。本文使用的是交互探测器和因子探测器。交互作用探测器可用于分析影响因素间共同作用是否对因变量Y存在增加或减弱的影响, 即因素对因变量存在交互影响或独立影响(王劲峰 等, 2017)。
因子探测器主要探究因变量Y的空间分布异质性及其自变量X在多大程度上解释这种分异, 并用q值度量。其计算公式为(王劲峰 等, 2017):
$q=1-\frac{\sum\limits_{h=1}^{L}{{{N}_{h}}\sigma _{h}^{2}}}{N{{\sigma }^{2}}}=1-\frac{\text{SSW}}{\text{SST}}$
式中: h为自变量的分层序号; L为层数; Nh和N分别为每层和全区的单元数; $\sigma _{h}^{2}$和σ2为每层和全区的Y值方差; SSW和SST分别是层内方差之和、全区总方差。q的值域为[0, 1], 值越大说明Y的空间差异越明显。

2 结果

1980—2020年湾区的7期海岸线提取结果如图2所示。20世纪80年代以来, 由于区域经济发展的需要, 湾区海岸线一直经历着快速的变化。其中粤港澳大湾区变化最显著, 以广州南沙区、深圳前海地区和珠海南部的海陆变化最明显, 岸线不断向海推进。东京湾的川崎港、横滨港和东京港的港口建设也向海延伸, 而旧金山湾海岸轮廓变化则不明显。本文从长度、空间形态、结构和利用程度等方面对三大湾区的海岸线变化进行分析。
图2 三大湾区1980—2020年的海岸线提取结果

a. 粤港澳大湾区; b. 东京湾; c. 旧金山湾

Fig. 2 Coastline extraction results of the three bay areas from 1980 to 2020. (a) The Guangdong-Hong Kong-Macao Greater Bay Area, (b) the Tokyo Bay, (c) the San Francisco Bay

2.1 海岸线的长度变化

表4为1980—2020年三大湾区海岸线的长度和变化强度。从海岸线总长度来看, 3个湾区均呈现波动增长趋势。其中, 粤港澳大湾区海岸线长度由2090.36km增至2243.17km, 年平均增长长度为3.83km; 东京湾海岸线长度由507.22km增至580.68km, 年均增长长度为1.84km; 旧金山湾的海岸线长度由658.43km增至689.11km, 年均增长长度最小, 为0.77km。从海岸线变化强度来看, 1980—1990年间3个湾区的变化强度均较低, 分别为0.03%、0.06%和0.23%, 然后趋于增长。最后, 3个湾区的变化强度都稳定在较低水平, 年均变化强度分别为0.22%、0.37%和0.09%, 其中旧金山湾总体变化最小。从稳定性来看, 3个湾区的海岸线都主要为稳定岸线, 其次为强烈岸进岸线和岸进岸线, 湾区海岸均表现为向海淤积趋势。三个湾区的平均稳定性指数分别为0.20、2.42和1.64, 均在2020年达到最高。
表4 1980–2020年三大湾区海岸线的长度(L)、变化强度(Ki)及稳定性(E)

Tab. 4 Coastline length, change intensity and stability of the three bay areas from 1980 to 2020

年份 粤港澳大湾区 东京湾 旧金山湾
L/km Ki/% E L/km Ki/% E L/km Ki/% E
1980 2090.36 0.03 0.22 507.22 0.06 1.75 658.43 0.23 0.94
1990 2096.76 510.07 673.45
0.08 0.21 0.49 0.15 0.13 1.32
2000 2113.49 534.82 682.33
0.36 0.06 0.24 1.40 -0.06 0.47
2005 2151.49 541.13 680.38
0.32 0.08 0.84 0.54 0.25 0.39
2010 2185.41 563.99 688.76
0.35 0.21 0.84 0.75 0.12 2.99
2015 2223.51 587.75 692.84
0.18 0.38 -0.24 9.94 -0.11 3.75
2020 2243.17 580.68 689.11
平均 3.83 0.22 0.20 1.84 0.37 2.42 0.77 0.09 1.64

注: 海岸线的长度变化强度和稳定性指数为每10a间的情况, 如1980—1990年间粤港澳大湾区的岸线长度变化强度为0.03%, 稳定性为0.22

2.2 海岸线的形态变化

表5为1980—2020年三大湾区不同时期海岸线的分维和紧凑度结果。受围垦造地的影响, 40a来三大湾区的分形维数总体上呈先升后降的趋势, 三者的分形维数分别变化了0.0007、0.0159和0.0053, 表示海岸线结构趋于复杂。粤港澳大湾区的分维差异最小, 但海岸线结构变化明显(图2), 1980—2015年为主要人工改造阶段。东京湾和旧金山湾的分形维数在1980—2020年呈交替变化。根据其变化趋势, 可认为东京湾和旧金山湾的主要人工改造时段分别为1990—2015年和1980—2010年。基于不同尺度网格进行回归分析, 其相关关系均在0.9969以上, 说明结合线性回归分析求取海岸线分维的方法是可靠和可行的。
表5 1980–2020年三大湾区海岸线分形维(D)、相关系数(R2)和紧凑度(c)

Tab. 5 Fractal dimension, correlation coefficient and compactness of coastline in three bay areas from 1980 to 2020

年份 粤港澳大湾区 东京湾 旧金山湾
D R2 c D R2 c D R2 c
1980 1.0904 0.9997 0.1549 1.1257 0.9989 0.3422 1.1005 0.9999 0.3228
1990 1.0912 0.9997 0.1545 1.1245 0.9990 0.3403 1.1042 0.9999 0.3156
2000 1.0940 0.9997 0.1535 1.1295 0.9991 0.3248 1.1058 1 0.3115
2005 1.0982 0.9997 0.1517 1.1302 0.9991 0.3211 1.1038 1 0.3121
2010 1.1010 0.9997 0.1509 1.1379 0.9989 0.3082 1.1057 1 0.3085
2015 1.1061 0.9997 0.1486 1.1404 0.9990 0.2959 1.1052 1 0.3067
2020 1.0911 0.9969 0.1475 1.1327 0.9983 0.2995 1.1045 1 0.3083
从海岸线的紧凑度来看, 三大湾区总体呈下降趋势, 海岸线空间形态趋于分散, 其中旧金山湾的海岸线形态密集性最高, 而粤港澳大湾区最低, 这与其岛屿众多的特点有关。1980—2020年间粤港澳大湾区海岸线的紧凑度值持续递减, 范围在0.1475~0.1549之间, 空间形态逐渐分散。东京湾和旧金山湾的紧凑度值波动减少, 在0.2959~0.3422之间变化。
海岸线空间形态的紧凑性与饱满性变化分析是依托海岸线的形状变化进行分析和描述的, 海岸线变化的空间结构(图2)表明了上述变化规律。粤港澳大湾区的伶仃洋、黄茅海沿岸, 以及东京湾的东京港、川崎港和横滨港为主要变化区域, 受围海造陆等人为因素影响, 海岸线最初的自然形态结构受到分割和破坏。

2.3 海岸线的类型及利用程度变化

三大湾区的岸线类型构成存在明显的年际和空间差异。粤港澳大湾区分布有砂砾质岸线、基岩岸线、生物岸线、农田养殖岸线等7类岸线; 自然岸线以基岩岸线为主, 分布于岬湾相间区域; 人工岸线主要是农田养殖岸线和其他人工岸线, 集中在沿海平原及河口区域。东京湾分布着砂砾质岸线、基岩岸线和港口码头岸线3种类型; 沿岸基本用于港口建设, 仅通向太平洋的入口处保留着部分自然岸线, 但也呈下降趋势。旧金山湾除生物岸线外, 其他6类岸线均有分布; 自然岸线主要为淤泥质岸线, 但2000年后大量转化为农田养殖岸线, 以南湾变化最为明显, 城市和港口码头建设集中于湾区中部。
由3个湾区各类岸线的长度比例可知(图3), 1980—2020年人工岸线的比例持续增长。粤港澳大湾区的岸线类型组成和变化最复杂, 1979—2000年为基岩和农田养殖岸线的二元结构, 2005年过渡为基岩、农田养殖和港口码头岸线的三元结构, 2010—2020年转为基岩和港口码头岸线的二元结构。旧金山湾始终为淤泥质和港口码头岸线的二元结构, 东京湾岸线则始终为港口码头岸线的单一主体结构。总体而言, 港口码头岸线和其他人工岸线的长度呈上升趋势, 生物岸线长度波动增长, 其他3类自然岸线的长度则不断减少。
图3 三大湾区的海岸线类型和比例(Su et al, 2021d)

Fig. 3 Coastline types and proportion in the three bay areas (Su et al, 2021d)

根据公式(5)及分级系数计算, 可得到利用程度指数。由结果可知, 1980—2020年3个湾区的岸线利用程度指数均呈上升趋势(图4), 其中粤港澳大湾区变化最大, 上升了7.09%, 2005—2010年间变化剧烈; 东京湾和旧金山湾分别上升了1.81%和0.63%。2020年粤港澳大湾区、东京湾和旧金山湾的利用程度指数分别为55.20%、83.22%和57.70%, 东京湾依然遥遥领先, 其沿岸主要是港口码头岸线, 自然岸线非常少, 人工岸线占比90%以上。旧金山湾沿岸多城市和养殖农田, 东湾与北湾交界处的大部分淤泥质岸线逐渐变为人工岸线, 因此利用程度指数稳步提升。粤港澳大湾区范围最广, 岸线类型多样且自然岸线多, 年际变化最大, 2020年其岸线利用程度指数接近旧金山湾。
图4 1980—2020年三大湾区的岸线利用程度指数(Su et al, 2021d)

Fig. 4 Utilization index of the three bay areas from 1980 to 2020 (Su et al, 2021d)

3 讨论

海岸线变迀是一个受自然因素与人类活动相互作用和控制的持续性过程, 研究其驱动因素有助于未来海岸带的合理开发和保护(陈金月, 2017)。近40a来, 三大湾区没有出现因自然因素而直接导致海岸线巨大变化的记录, 其海岸线演变主要受海岸带自然环境条件的制约以及区位条件和社会经济发展等因素的驱动。由海岸线变化的时空特征可知, 三大湾区的海岸线均表现为向海扩张的趋势。本文选取10个指标作为自变量(表6), 缺少的数据则根据规律用类型数据代替, 把自然岸线长度和岸线利用程度指数作为因变量(受自变量的影响), 使用地理探测器模型, 从自然和社会经济方面探讨湾区海岸线变迁的主要驱动因素, 同时分析变量间的交互作用及对岸线变化空间分异的影响。采用自然断点法对自变量进行分级, 不同阶段的分级标准保持一致。
表6 海岸线变化的驱动因素

Tab. 6 Driving factors of coastline change

因变量 自变量 代码 分级
自然岸线长度 平均气温 X1 3
潮差 X2 3
波高 X3 3
年径流量 X4 3
年输沙量 X5 3
岸线利用程度指数 面积 X6 3
GDP X7 5
人口 X8 5
港口吞吐量 X9 3
第三产业比重 X10 4
地理探测结果表示各因素的单独或交互作用对岸线变化空间分异的影响。如表7所示, 值越大, 解释力越强, 因变量的空间差异也越明显。X1~X5为自然因子, 其中平均气温、潮差和波高对海岸线空间分布的解释力较强, 其等级按地区划分, 因此解释力相同; 年径流量和年输沙量的解释力<0.5276。X6~X10为社会经济因子, 其中面积、港口吞吐量对海岸线利用程度的解释力强, 第三产业比重的解释力弱, 仅为0.2096。岸线影响因素的解释力与现有研究结论基本一致, 但年径流量、年输沙量、GDP和人口因素的解释力不高。同时, 任意两个影响因素对海岸线变化的交互作用均大于其中一种因素的独自作用, 各因子之间具有显著的协调性与关联性。如GDP的单因子解释力仅为0.4716, 与面积、人口和港口吞吐量交互作用的解释力则明显提高, 均大于0.9823。同时, 地理探测器是基于假设运行的, 需采用p值对其结果进行检验, 发现除GDP和第三产业比重外, 其余因素的p值均小于0.1, 表明结果是显著的。
表7 驱动因素对海岸线空间分布的解释力大小

Tab. 7 The explanatory power of driving factors on the spatial distribution of coastline

自然因素 社会经济因素
X1 X2 X3 X4 X5 X6 X7 X8 X9 X10
X1 0.9942 X6 0.9828
X2 0.9945 0.9942 X7 0.9985 0.4716
X3 0.9945 0.9945 0.9942 X8 0.9969 0.9986 0.5517
X4 0.9954 0.9954 0.9954 0.5276 X9 0.9920 0.9823 0.9969 0.8102
X5 0.9975 0.9975 0.9975 0.7807 0.3870 X10 0.9963 0.6370 0.9985 0.8679 0.2096
p 0 0 0 0.0091 0.0407 p 0 0.2230 0.0371 0 0.7153

3.1 自然因素

影响湾区海岸线变迁的自然因素主要有地形地貌特征、河流淤积、海平面上升、自然灾害等自然环境过程(陈金月, 2017)。气温、潮汐和波浪等因素与海平面变化密切相关, 对沿海岸段造成侵蚀或淤积, 导致岸线变化; 径流量、输沙量等因子通过河流作用于入海区域。大湾区位于河口敏感区域, 海岸轮廓以及沉积/侵蚀方向和速率是较长时间尺度海岸变迁的决定性要素。粤港澳大湾区地处珠江流域下游, 呈中低山-丘陵型地貌, 港湾、水系众多; 第四纪晚期以来, 珠江三角洲受华南褶皱带影响, 内陆地形地貌下陷显著, 局部地区容易引起海水倒灌, 砂质岸线和淤泥质岸线的海侵现象明显(陈金月, 2017)。东京湾深入内陆逾80km, 内宽外窄, 紧连冲积平原地区, 有多条河流注入, 径流量大, 是天然的优良深水港湾, 适合工业和港口建设。旧金山湾是一个宽阔且浅的河口, 河口环流强烈, 受潮汐影响较强, 来水来沙量大, 湾内水沙量保持较好的动态平衡(Conomos et al, 1985)。总而言之, 地形地貌、河流和潮汐等因素的共同作用影响着湾区的海岸线变化。

3.2 社会经济因素

面积和港口吞吐量是岸线利用方式变化的主要因素, 湾区人口数量逐年增加, 用地的需求和城市建设的需求更加强烈, 带动产业和经济的发展, 引起围填海活动热潮, 使得岸线长度增加, 岸线利用方式得到优化(邢婧 等, 2021)。其他社会经济因素的变化主要是由人口、GDP和政策引起的。政策的调整对岸线演变具有明显的推动作用, 改革开放后珠江口地区踏上了工业化之路, 人口急剧增加, 人多地少的矛盾凸显, 促进了沿海岸线变化, 主要表现为岸线类型的快速转变和围填海活动的兴起(刘旭拢 等, 2017)。根据粤港澳大湾区研究院研究发现, 粤港澳大湾区和旧金山湾围填海的主要利用方式较为一致, 经历多个阶段和转型后逐渐发展为建设用地、港口和养殖并重开发的方式; 二战后, 东京湾区逐步形成大规模的物流港及人工岛屿, 主要利用方式一直是港口码头建设(http://www.dawanqu.org)。这表明三大湾区都步入了“自然岸线人工化”阶段(陈金月, 2017)。但基岩海岸由于其地貌特点, 难以进行大规模开发, 因此基岩岸线变化不明显。相比而言, 砂砾质岸线和淤泥质岸线可进行开发强度较大的活动。如旧金山湾南湾的淤泥质岸线大量转变成养殖岸线和港口码头岸线; 粤港澳大湾区内大量的自然岸线也转变成港口码头和其他人工岸线, 而近年来由于生态环境保护等政策的出台, 在深圳和香港建立自然保护区, 在淇澳岛采取引种扩种、建设湿地生态公园等工程措施, 使生物岸线长度明显上升(赵玉灵, 2018)。
因此, 湾区海岸线的变化是各驱动因素综合作用的结果, 自然因素和社会经济因素均揭示了海岸线变化的必然性, 这对研究湾区的地表要素变化和社会经济可持续发展具有重要意义。

4 结论

本文基于Landsat、Google earth影像及海岸类型特征, 提取了粤港澳大湾区、东京湾和旧金山湾1980—2020年7个时段的海岸线, 从长度、空间形态、类型和利用程度4方面分析了岸线变化特征, 并采用地理探测器从自然和社会经济方面对岸线变化的影响因素进行了讨论。主要结论如下:
1) 1980—2020年, 三大湾区的岸线长度和稳定性指数呈波动增长, 表现为淤积趋势; 分形维数总体呈先升后降趋势, 海岸线结构趋于复杂, 空间形态趋于分散。各湾区的岸线类型变化主要为自然岸线减少, 港口码头岸线和其他人工岸线剧烈增长, 利用程度明显提高, 其中粤港澳大湾区的生物岸线波动增长。
2) 1980—2020年间, 三大湾区中以粤港澳大湾区的海岸线形态最分散, 类型最多样, 利用程度变化幅度最大; 广州南沙区、深圳前海地区和珠海南部的海陆变化明显。东京湾海岸线的长度变化强度最大, 川崎港、横滨港和东京港向海延伸。旧金山湾变化强度最小, 海岸轮廓变化不明显。1980—2015年、1990—2015年、1980—2010年分别是粤港澳大湾区、东京湾区和旧金山湾区人工改造的主要时段。
3) 平均气温、潮差、波高、面积和港口吞吐量是岸线变化的主要影响因素, 任意两个影响因素对海岸线变化的交互作用大于其中一种因素的独自作用。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
陈金月, 2017. 基于GIS和RS的近40年珠江三角洲海岸线变迁及驱动因素研究[D]. 成都: 四川师范大学: 64-67.

CHEN JINYUE, 2017. Changes and driving factors of coastline in the Pearl River Delta in recent 40 years based on GIS and RS[D]. Chengdu: Sichuan Normal University: 64-67. (in Chinese with English abstract)

[2]
刘旭拢, 邓孺孺, 许剑辉, 等, 2017. 近40年来珠江河口区海岸线时空变化特征及驱动力分析[J]. 地球信息科学学报, 19(10): 1336-1345.

DOI

LIU XULONG, DENG RURU, XU JIANHUI, et al, 2017. Spatiotemporal evolution characteristics of coastlines and driving force analysis of the Pearl River Estuary in the past 40 years[J]. Journal of Geo-Information Science, 19(10): 1336-1345. (in Chinese with English abstract)

[3]
王劲峰, 徐成东, 2017. 地理探测器: 原理与展望[J]. 地理学报, 72(1): 116-134.

DOI

WANG JINFENG, XU CHENGDONG, 2017. Geodetector: principle and prospective[J]. Acta Geographica Sinica, 72(1): 116-134. (in Chinese with English abstract)

[4]
肖锐, 2017. 近三十五年中国海岸线变化及其驱动力因素分析[D]. 上海: 华东师范大学: 22

XIAO RUI, 2017. Analysis of change and driving force of the coastline of mainland in the nearly 35 years[D]. Shanghai: East China Normal University: 22 (in Chinese with English abstract)

[5]
邢婧, 孟丹, 白沁灵, 等, 2021. 近30年来我国河口海岸线变迁及驱动因素分析[J]. 首都师范大学学报(自然科学版), 42(5): 58-65.

XING JING, MENG DAN, BAI QINLING, et al, 2021. Analysis of coastline changes of Chinese estuaries and its driving factors in the past 30 years[J]. Journal of Capital Normal University (Natural Science Edition), 42(5): 58-65. (in Chinese with English abstract)

[6]
赵玉灵, 2018. 粤港澳大湾区自然资源遥感调查与保护建议[J]. 国土资源遥感, 30(4): 139-147.

ZHAO YULING, 2018. Remote sensing survey and proposal for protection of the natural resources in Guangdong-Hong Kong-Macao Greater Bay Area[J]. Remote Sensing for Land & Resources, 30(4): 139-147. (in Chinese with English abstract)

[7]
赵永玉, 阿里木江·卡斯木, 高鹏文, 等, 2021. 基于地理探测器的乌鲁木齐市城区扩展及影响因素分析[J]. 干旱区地理, 44(6): 1729-1739.

ZHAO YONGYU, ALIMUJIA NG·KASIMU, GAO PENGWEN, et al, 2021. Quantitative analysis of urban expansion and response factors in Urumqi city based on random forest algorithm and geographical detector[J]. Arid Land Geography, 44(6): 1729-1739. (in Chinese with English abstract)

[8]
中华人民共和国国家质量监督检验检疫总局, 2004. GB/T 18190-2000海洋学术语海洋地质学[S]. 北京: 中国标准出版社.

General Administration of Quality Supervision, Inspection and Quarantine of the People's Republic of China, 2004. GB/T 18190-2000 Oceanological terminology-Marine geology[S]. Beijing: Standards Press of China (in Chinese with English abstract)

[9]
ALESHEIKH A A, GHORBANALI A, NOURI N, 2007. Coastline change detection using remote sensing[J]. International Journal of Environmental Science & Technology, 4(1): 61-66.

[10]
BIDORN B, SOK K, BIDORN K, et al, 2021. An analysis of the factors responsible for the shoreline retreat of the Chao Phraya Delta (Thailand)[J]. Science of the Total Environment, 769: 145253.

DOI

[11]
BOAK E H, TURNER I L, 2005. Shoreline definition and detection: a review[J]. Journal of Coastal Research, 21(4): 688-703.

[12]
CAI FENG, SU XIANZE, LIU JIANHUI, et al, 2009. Coastal erosion in China under the condition of global climate change and measures for its prevention[J]. Progress in Natural Science, 19(4): 415-426.

DOI

[13]
CONOMOS T J, SMITH R E, GARTNER J W, 1985. Environmental setting of San Francisco Bay[J]. Hydrobiologia, 129(1): 1-12.

DOI

[14]
DALLAS K L, BARNARD P L, 2011. Anthropogenic influences on shoreline and nearshore evolution in the San Francisco Bay coastal system[J]. Estuarine, Coastal and Shelf Science, 92(1): 195-204.

DOI

[15]
DING XIAOSONG, SHAN XIUJUAN, CHEN YUNLONG, et al, 2019. Dynamics of shoreline and land reclamation from 1985 to 2015 in the Bohai Sea, China[J]. Journal of Geographical Sciences, 29(12): 2031-2046.

DOI

[16]
SU QIANXIN, LI ZHIQIANG, 2021a. Coastline types and their spatiotemporal variations in Guangdong, Hong Kong and Macao Bay Area (1979-2020)[J/DB/OL]. Digital Journal of Global Change Data Repository, https://doi.org/10.3974/geodb.2021.04.07.V1.

[17]
SU QIANXIN, LI ZHIQIANG, 2021b. Coastline types and their spatiotemporal variations in Tokyo Bay (1980-2020)[J/DB/OL]. Digital Journal of Global Change Data Repository, https://doi.org/10.3974/geodb.2021.04.08.V1.

[18]
SU QIANXIN, LI ZHIQIANG, 2021c. Coastline types and their spatiotemporal variations in San Francisco Bay (1980-2020)[J/DB/OL]. Digital Journal of Global Change Data Repository, https://doi.org/10.3974/geodb.2021.04.09.V1.

[19]
SU QIANXIN, LI ZHIQIANG, 2021d. Coastline datasets of the Guangdong-Hong Kong-Macao Bay Area, Tokyo Bay, and San Francisco Bay (1980-2020)[J]. Journal of Global Change Data & Discovery, 5(2): 148-155.

[20]
WU XUELING, LIU CHAOXIAN, WU GUOFENG, 2018. Spatial-temporal analysis and stability investigation of coastline changes: A case study in Shenzhen, China[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 11(1): 45-56.

DOI

[21]
ZHANG YUXIN, HOU XIYONG, 2020. Characteristics of coastline changes on Southeast Asia Islands from 2000 to 2015[J]. Remote Sensing, 12(3): 519.

DOI

Options
文章导航

/

〈 〉