1.一种基于多因素的海岸线变化识别方法，其特征在于，包括如下步骤：
s1.输入海岸线基线，采用遥感卫星图像覆盖所述海岸线区域的面积延伸；
s2.将来自每个所述遥感卫星场景的海岸线分割为多个长条多边形形状；
s3.采用模糊模型使用所述遥感卫星图像来提取关于时间变化的信息：(i)海岸线变化；(ii)归一化差分植被指数；和(iii)沉降演变；
s4.分别计算长条多边形的侵蚀、堆积和稳定的面积，所述侵蚀、堆积和稳定的面积被计算为相对于每个多边形区总面积的百分比，并将百分比用作第一输入(海岸线变化)的三个变量(x1、x2和x3)；
s5.计算归一化差分植被指数(ndvi)作为第四变量x4，ndvi＝(nir-red)/(nir+red)，nir和red分别表示近红外和红色反射率；
s6.分别建立针对每个多边形区和时间图像分类区域的建筑物累积变量及沉降演变变量，作为海岸线模糊分类模型的第五变量x5和第六变量y；
s7.采用模糊模型对每个变量x1、x2、x3、x4和y进行计算，
s8.以交互形式对每个变量x1、x2、x3、x4和y进行验证及微调，直到满足验证标准；
s9.对验证后的变量x1、x2、x3、x4和y值采用特定的语言进行标记：低、中、高，根据标记结果确定海岸带的人为影响分类等级。
2.根据权利要求1所述的一种基于多因素的海岸线变化识别方法，其特征在于，定义快照质量函数(snapshotquality)和历史代价函数(historycost)，快照质量函数衡量的是当前时间段变量x1、x2、x3、x4和y的聚类划分质量，表示聚类结果和当前时间段的数据的匹配程度；历史代价函数衡量的是相邻时间段变量x1、x2、x3、x4和y的聚类划分是否具有较好的时序平滑特性，表示的是历史模型与当前时间段的聚类结果的差异；对于包含t个时间序列数据s＝{x1,x2,x3,x4,x5}，且每个时间点的数据集x包含n个样本，xτ＝{x1,x2,x3,x4,x5}。定义如下的快照质量函数sq(cτ,mτ)以及历史代价函数hc(cτ,cτ-1)：
其中，cτ表示τ时间段数据的聚类结果，mτ是时间段数据的相似度矩阵。
3.根据权利要求2所述的一种基于多因素的海岸线变化识别方法，其特征在于，步骤s8中对每个变量x1、x2、x3、x4和y的验证方法包括如下步骤：
s11.对τ时间段的数据进行聚类时，将目标函数定义为：
将函数sq(cτ,mτ)及hc(cτ,cτ-1)带入目标函数j得到全局目标函数：
式中，c、n分别是聚类数和样本数，
s12.最小化全局目标函数以求得最优分割参数，通过拉格朗日定理求解，定义下式为拉格朗日目标函数：
s13.通过求解
s14.将数据的时间坐标作为一个额外变量并使其参与聚类过程，迭代计算方式如下：
计算τ时间段c个聚类中心vi：
计算聚类中心的模糊协方差矩阵fi：
计算距离函数值d2(xk,vi)：
利用距离函数值d2(xk,vi)更新模糊划分矩阵u：
当满足条件||u(l+1)-u(l)<ε||时，中止聚类算法，否则增加迭代次数，使l＝l+1，转到步骤s11，重复上述步骤，直至满足该条件为止。
4.根据权利要求2所述的一种基于多因素的海岸线变化识别方法，其特征在于，将所述遥感卫星图像进行图像预处理，进行大气校正，进而获得每个图像元素校正后的全光谱信息，且所述遥感卫星图像在所述海岸线区域上具有小于10％的云量覆盖。
5.根据权利要求4所述的一种基于多因素的海岸线变化识别方法，其特征在于，利用大气校正模型去除天空光和大气散射效应，使遥感图像更准确地反映特征的光谱值，大气校正模型由下式获得：
ρ为地表反射率，ρτ(θs,θv,φs,φv)为大气上界反射率，θs是太阳天顶角，θs是太阳方位角，θv是传感器方位角，t(θs)是大气透射率，tg(θs,θv)是太阳-目标大气路径透射率，t(θv)是目标-传感器大气路径透射率，ρr+α是分子散射和气溶胶散射所构成的路径辐射反射率，s是大气半球反射率。
6.根据权利要求1-3所述的一种基于多因素的海岸线变化识别方法，其特征在于，所述图像预处理采用暗对象减影方法，将由于太阳照度、传感器观察几何形状和季节性变化而引起的卫星图像辐射度差异进行校正和归一化。
7.根据权利要求2所述的一种基于多因素的海岸线变化识别方法，其特征在于，将所述遥感卫星图像进行图像预处理，进行几何校正，具体的操作步骤是地面控制点选择，像素坐标变换和像素亮度值的重新采样，像元坐标变换采用的是基于坐标变换的的方法，变换的公式为
x’＝a0+a1x+a2y+a3x2+a4xy+a5y2
y’＝b0+b1x+b2y+b3x2+b4xy+b5y2
其中，x’，y’为校正后输出的控制点坐标，x，y为地面控制点在原图像中的坐标，rmserror为每个控制点的均方根误差。
8.根据权利要求1-7所述的一种基于多因素的海岸线变化识别方法，其特征在于，模糊逻辑可以根据模型设计分类为低、低/中、中/高或高。