DOI: https://doi.org/10.3389/fmars.2025.1457016
تاريخ النشر: 2025-05-01
المؤلف: Özcan Zorlu وآخرون
الموضوع الرئيسي: ديناميات السواحل والبحار
نظرة عامة
تدرس هذه الدراسة التغيرات في الشاطئ على طول الشواطئ الغربية لمحافظة مرسين، تركيا، باستخدام صور الأقمار الصناعية من Landsat من عام 1985 إلى 2022. تم استخدام منصة Google Earth Engine (GEE) لجمع البيانات ومعالجتها، مع دمج خوارزمية تصنيف Support Vector Machine (SVM) لتمييز اليابسة عن الماء. لتحسين دقة التصنيف، شملت التحليل مؤشر الفرق المائي المعدل (NDWI)، ومؤشر الفرق المائي المعدل (MNDWI)، ومؤشر الفرق الرطوبي المعدل (NDMI). تم تحقيق تحديد الشاطئ من خلال خوارزمية كشف الحواف Canny، وتم حساب مقاييس الشاطئ اللاحقة—حركة الشاطئ الصافية (NSM)، ظرف تغيير الشاطئ (SCE)، معدل النقطة النهائية (EPR)، ومعدل الانحدار الخطي (LRR)—باستخدام نظام تحليل الشاطئ الرقمي (DSAS).
على مدار فترة 38 عامًا، سجلت الدراسة أقصى تقدم للشاطئ بلغ 588.59 مترًا وأقصى تراجع بلغ -130.63 مترًا. كانت معدلات التآكل الأكثر أهمية -3.53 م/سنة (EPR) و-2.8 م/سنة (LRR)، بينما وصلت أعلى معدلات التراكم إلى 15.91 م/سنة (EPR) و15.47 م/سنة (LRR). ومن الجدير بالذكر أن منطقة بوزياز شهدت تآكلًا كبيرًا، بينما أظهرت منطقة غولنار تراكمًا كبيرًا، مما يتماشى مع التطورات الكبيرة في البنية التحتية مثل مرافق الموانئ الجديدة ومحطة الطاقة النووية. تسلط النتائج الضوء على التفاعل المعقد بين الأنشطة البشرية والعمليات الطبيعية التي تؤثر على شكل السواحل، مما يبرز ضرورة المراقبة المستمرة وإدارة الشواطئ في هذه المنطقة الاستراتيجية المهمة.
مقدمة
تؤكد مقدمة ورقة البحث على الأهمية الحاسمة لمراقبة وتوثيق التغيرات في الشاطئ نظرًا لتداعياتها الكبيرة على الأنظمة البشرية والبيئية في المناطق الساحلية. مع وجود حوالي 2.15 مليار شخص يعيشون بالقرب من السواحل، بما في ذلك 898 مليون في المناطق المنخفضة، فإن المدن الساحلية كثيفة السكان وحيوية اقتصاديًا، حيث تعمل كمراكز للتجارة والسياحة وتبادل الثقافات. ومع ذلك، فإن هذه البيئات الديناميكية تتأثر بكل من العمليات الطبيعية—مثل التغيرات الجيومورفولوجية، والتقلبات المناخية، ونقل الرواسب—والأنشطة البشرية، بما في ذلك التحضر وجهود الهندسة الساحلية التي تهدف إلى إدارة التآكل وحماية المواطن.
تسلط الورقة الضوء على تطور تقنيات مراقبة الشاطئ، حيث انتقلت من المسح الأرضي التقليدي إلى طرق متقدمة تستخدم صور الأقمار الصناعية ومنصات سحابية مثل Google Earth Engine (GEE). تسهل GEE معالجة وتحليل مجموعات البيانات الزمنية الكبيرة بكفاءة، مما يمكّن الباحثين من اكتشاف التغيرات في الشاطئ وتقييم الديناميات الساحلية من خلال خوارزميات التصنيف وكشف الحواف المختلفة. تركز الدراسة على منطقة ساحلية محددة في تركيا، مستخدمة نظام تحليل الشاطئ الرقمي (DSAS) لتحليل التغيرات طويلة الأجل في الشاطئ وتفاعل العوامل الطبيعية والبشرية. من خلال دمج منهجيات متقدمة، بما في ذلك تجميع C-means الضبابي، تهدف الدراسة إلى تقديم فهم شامل لسلوك الشاطئ والمساهمة في استراتيجيات إدارة ساحلية فعالة.
طرق
تم هيكلة منهجية البحث في ثلاث مراحل متميزة. ركزت المرحلة الأولية على تحديد منطقة الدراسة وأهميتها، واختيار صور الأقمار الصناعية المناسبة، وأداء مهام المعالجة المسبقة والتصنيف، والتي شملت تطبيق خوارزميات كشف الحواف باستخدام Google Earth Engine (GEE). تضمنت المرحلة الثانية حساب إحصائيات تغيير الشاطئ باستخدام نظام تحليل الشاطئ الرقمي (DSAS) ضمن بيئة ArcGIS. أخيرًا، شملت المرحلة الثالثة التفسير الإحصائي للنتائج، باستخدام تجميع Fuzzy C-Means (FCM) بالتزامن مع بيانات ESA WorldCover.
يمثل مخطط تدفق شامل (الشكل 1) المنهجية بصريًا، موضحًا الخطوات والإجراءات المتتابعة التي تم اتخاذها طوال الدراسة. تسهل هذه الطريقة المنظمة فهمًا واضحًا لسير العمل ودمج تقنيات تحليلية متنوعة تم استخدامها لتقييم التغيرات في الشاطئ بفعالية.
نتائج
تسلط قسم النتائج في الدراسة الضوء على تطبيق منصة نظام المعلومات الجغرافية (GEE) لاستخراج حواف الشاطئ بكفاءة، تليها الرقمنة والتحليل باستخدام ArcGIS ونظام تحليل الشاطئ الرقمي (DSAS) من عام 1985 إلى 2022. كشفت التحليلات عن علاقات كبيرة بين مقاييس الشاطئ المختلفة، مع وجود علاقة إيجابية قوية (r = 0.734) بين ظرف تغيير الشاطئ (SCE) وحركة الشاطئ الصافية (NSM)، وعلاقة مثالية (r = 1.000) بين معدل النقطة النهائية (EPR) ومعدل التغيير طويل الأجل (LRR). قامت الدراسة بتحليل 3,871 مقطعًا عبر خمس مناطق، محددة التباينات داخل المناطق والمناطق التي تحتاج إلى مراقبة.
أشار تحليل NSM إلى أن 57.09% من المقاطع شهدت إزاحة سلبية، مع متوسط تغيير في الشاطئ قدره 1.84 متر. ومن الجدير بالذكر أن غولنار أظهرت أعلى تباين إيجابي (38.54%)، بينما كان لبوزياز أكبر تباين سلبي (40.24%). كشف تحليل SCE عن متوسط تحول في الشاطئ قدره 31.79 مترًا، مع حدود تتراوح من 0.04 إلى 595.17 مترًا. أظهرت نتائج EPR معدلًا متوسطًا قدره 0.05 م/سنة، مع 55.98% من المقاطع التي شهدت تآكلًا، خاصة في غولنار. أظهر تحليل LRR أن 59.31% من المقاطع شهدت تراكمًا، مع تباينات كبيرة عبر المناطق. بشكل عام، تشير النتائج إلى هيمنة التراكم المعتدل على طول الساحل، على الرغم من أن الفجوات بين EPR وLRR تبرز الحاجة إلى فهم دقيق لديناميات الشاطئ.
مناقشة
تمتد منطقة الدراسة على 210.83 كيلومترًا مربعًا على طول الساحل الغربي لمحافظة مرسين، تركيا، وتشمل البيئات البرية والبحرية. تتميز هذه المنطقة بتضاريسها الساحلية الوعرة وتنوعها البيئي، وتحتوي على مواطن مهمة للأنواع المهددة بالانقراض مثل فقمة البحر الأبيض المتوسط وسلحفاة البحر ذات الرأس الكبير. استخدمت الدراسة صور الأقمار الصناعية من Landsat من عام 1985 إلى 2022، تمت معالجتها من خلال منصة Google Earth Engine (GEE)، لتحليل التغيرات في الشاطئ. استخدمت الدراسة مؤشرات متنوعة، بما في ذلك مؤشر الفرق المائي المعدل (NDWI) وإصداره المعدل (MNDWI)، لتعزيز دقة تصنيف اليابسة والماء، مستخدمة في النهاية خوارزميات Support Vector Machine (SVM) لتحديد الشاطئ.
للكشف عن تغيرات الشاطئ، تم استخدام نظام تحليل الشاطئ الرقمي (DSAS) لحساب مقاييس مثل حركة الشاطئ الصافية (NSM) ومعدل النقطة النهائية (EPR)، مما يوفر رؤى حول الديناميات الساحلية على مر الزمن. كما نفذت الدراسة كشف الحواف Canny لتحديد الشواطئ بدقة، محققة دقة عالية في تحديد الشواطئ الطبيعية. بالإضافة إلى ذلك، تم تطبيق تجميع C-means الضبابي لاكتشاف الأنماط في بيانات تغير الشاطئ، مما يسهل تحليلًا شاملاً للتغيرات الساحلية. تؤكد النتائج على أهمية دمج تقنيات الاستشعار عن بعد والأساليب التحليلية المتقدمة لمراقبة وإدارة السواحل بشكل فعال.
DOI: https://doi.org/10.3389/fmars.2025.1457016
Publication Date: 2025-05-01
Author(s): Özcan Zorlu et al.
Primary Topic: Coastal and Marine Dynamics
Overview
This study investigates shoreline changes along the western beaches of Mersin Province, Turkey, utilizing Landsat satellite imagery from 1985 to 2022. The Google Earth Engine (GEE) platform was employed for data acquisition and processing, incorporating a Support Vector Machine (SVM) classification algorithm to differentiate land from water. To improve classification accuracy, the analysis included the Normalized Difference Water Index (NDWI), Modified NDWI (MNDWI), and Normalized Difference Moisture Index (NDMI). Shoreline delineation was achieved through the Canny edge detection algorithm, and subsequent shoreline metrics—Net Shoreline Movement (NSM), Shoreline Change Envelope (SCE), End Point Rate (EPR), and Linear Regression Rate (LRR)—were calculated using the Digital Shoreline Analysis System (DSAS).
Over the 38-year period, the study recorded a maximum shoreline advancement of 588.59 meters and a maximum retreat of -130.63 meters. The most significant erosion rates were -3.53 m/year (EPR) and -2.8 m/year (LRR), while the highest accretion rates reached 15.91 m/year (EPR) and 15.47 m/year (LRR). Notably, the Bozyazı district experienced considerable erosion, whereas the Gülnar district showed significant accretion, correlating with major infrastructure developments such as new port facilities and a nuclear power plant. The findings highlight the complex interplay between anthropogenic activities and natural processes affecting coastal morphology, underscoring the necessity for ongoing shoreline monitoring and management in this strategically important region.
Introduction
The introduction of the research paper emphasizes the critical importance of monitoring and documenting shoreline changes due to their significant implications for human and ecological systems in coastal regions. With approximately 2.15 billion people living near coastlines, including 898 million in low-elevation areas, coastal cities are densely populated and economically vital, serving as hubs for trade, tourism, and cultural exchange. However, these dynamic environments are influenced by both natural processes—such as geomorphological changes, climatic variability, and sediment transport—and human activities, including urbanization and coastal engineering efforts aimed at managing erosion and protecting habitats.
The paper highlights the evolution of shoreline monitoring techniques, transitioning from traditional land surveying to advanced methods utilizing satellite imagery and cloud-based platforms like Google Earth Engine (GEE). GEE facilitates the efficient processing and analysis of extensive temporal datasets, enabling researchers to detect shoreline changes and assess coastal dynamics through various classification and edge detection algorithms. The study focuses on a specific coastal area in Turkey, employing the Digital Shoreline Analysis System (DSAS) to analyze long-term shoreline variations and the interplay of natural and anthropogenic factors. By integrating advanced methodologies, including fuzzy C-means clustering, the research aims to provide a comprehensive understanding of shoreline behavior and contribute to effective coastal management strategies.
Methods
The research methodology was structured into three distinct phases. The initial phase focused on defining the study area and its significance, selecting suitable satellite imagery, and performing preprocessing and classification tasks, which included the application of edge detection algorithms using Google Earth Engine (GEE). The second phase involved calculating shoreline change statistics utilizing the Digital Shoreline Analysis System (DSAS) within the ArcGIS environment. Finally, the third phase encompassed the statistical interpretation of the results, employing Fuzzy C-Means (FCM) clustering in conjunction with ESA WorldCover data.
A comprehensive flowchart (Figure 1) visually represents the methodology, detailing the sequential steps and procedures undertaken throughout the study. This structured approach facilitates a clear understanding of the workflow and the integration of various analytical techniques employed to assess shoreline changes effectively.
Results
The results section of the study highlights the application of the Geographic Information System (GEE) platform for efficient shoreline edge extraction, followed by digitization and analysis using ArcGIS and the Digital Shoreline Analysis System (DSAS) from 1985 to 2022. The analysis revealed significant correlations among various shoreline metrics, with a strong positive correlation (r = 0.734) between Shoreline Change Envelope (SCE) and Net Shoreline Movement (NSM), and a perfect correlation (r = 1.000) between End Point Rate (EPR) and Long-term Rate of Change (LRR). The study analyzed 3,871 transects across five districts, identifying intra-district variations and areas needing monitoring.
The NSM analysis indicated that 57.09% of transects experienced negative displacement, with an average shoreline change of 1.84 meters. Notably, Gülnar showed the highest positive variation (38.54%), while Bozyazı had the largest negative variation (40.24%). The SCE analysis revealed an average shoreline shift of 31.79 meters, with extremes from 0.04 to 595.17 meters. The EPR results indicated an average rate of 0.05 m/year, with 55.98% of transects experiencing erosion, particularly in Gülnar. The LRR analysis showed that 59.31% of transects experienced accretion, with significant variations across districts. Overall, the findings suggest a predominance of moderate accretion along the coastline, although the discrepancies between EPR and LRR highlight the need for a nuanced understanding of shoreline dynamics.
Discussion
The study area spans 210.83 square kilometers along the western coastline of Mersin Province, Türkiye, incorporating both terrestrial and marine environments. This region, characterized by its rugged coastal morphology and ecological diversity, includes significant habitats for endangered species such as the Mediterranean monk seal and loggerhead sea turtle. The research utilized Landsat satellite imagery from 1985 to 2022, processed through the Google Earth Engine (GEE) platform, to analyze shoreline changes. The study employed various indices, including the Normalized Difference Water Index (NDWI) and its modified version (MNDWI), to enhance the accuracy of land-water classification, ultimately utilizing Support Vector Machine (SVM) algorithms for shoreline delineation.
For shoreline change detection, the Digital Shoreline Analysis System (DSAS) was employed to compute metrics such as Net Shoreline Movement (NSM) and End Point Rate (EPR), providing insights into coastal dynamics over time. The study also implemented Canny edge detection for precise coastline delineation, achieving high accuracy in identifying natural shorelines. Additionally, Fuzzy C-means clustering was applied to detect patterns in shoreline change data, facilitating a comprehensive analysis of coastal alterations. The findings underscore the importance of integrating remote sensing technologies and advanced analytical methods for effective coastal monitoring and management.