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 >

2024 , Vol. 43 >Issue 1: 137 - 153

DOI: https://doi.org/10.11978/2023023

海洋调查与观测

结合潮位校正的雷州半岛红树林湿地动态变迁遥感监测

  • 申键 , 1 ,
  • 简焯锴 2 ,
  • 欧阳雪敏 3 ,
  • 艾彬 , 2
展开
  • 1.广东省海洋发展规划研究中心, 广东 广州 510000
  • 2.中山大学海洋科学学院, 南方海洋科学与工程广东省实验室(珠海), 广东 珠海 519082
  • 3.贵州机电职业技术学院, 贵州 都匀 558000
艾彬。email:

申键 (1979—), 男, 广东四会人, 本科, 主要从事海域海岛管理与海洋生态修复研究。email:

Copy editor: 孙翠慈

收稿日期: 2023-02-23

  修回日期: 2023-04-11

  网络出版日期: 2023-06-15

基金资助

国家自然科学基金项目(42071261)

南方海洋科学与工程广东省实验室（珠海）创新团队建设项目(311020003/311021004)

收起

Remote sensing monitoring of mangrove wetland changes combined with tidal level correction in the Leizhou Peninsula

  • SHEN Jian , 1 ,
  • JIAN Zhuokai 2 ,
  • OUYANG Xuemin 3 ,
  • AI Bin , 2
Expand
  • 1. Marine Development Planning Research Center of Guangdong Province, Guangzhou 510000, China
  • 2. School of Marine Sciences, Sun Yat-sen University, Southern Marine Science and Engineering Guangdong Laboratory (Zhuhai), Zhuhai 519082, China
  • 3. Guizhou Technological College of Machinery and Electricity, Duyun 558000, China
AI Bin. email:

Copy editor: SUN Cuici

Received date: 2023-02-23

  Revised date: 2023-04-11

  Online published: 2023-06-15

Supported by

National Natural Science Foundation of China(42071261)

Innovation Group Project of Southern Marine Science and Engineering Guangdong Laboratory (Zhuhai)(311020003/311021004)

Fold

摘要

红树林生态系统对生态安全、社会和经济可持续发展提供巨大生态支持功能。本文以雷州半岛1995、2005、2015、2020年4期Landsat TM/OLI(Landsat Thematic Mapper/Operational Land Imager)影像为数据源, 考虑不同区域的潮汐规律, 使用决策树分类方法, 并结合人工修正提取了多年红树林的分布范围。根据谷歌同期高分影像进行精度验证, 4期红树林结果的总体精度分别为99.79%、98.95%、99.45%、99.15%, Kappa系数为0.9913、0.9642、0.9624、0.9766 。雷州半岛红树林的时空变化的分析结果表明, 近25年来红树林湿地呈现先减少后增加的模式, 具体表现为: (1) 雷州半岛红树林分布集中分布在英罗港、安铺港、企水港、海康港、乌石港、流沙港、外罗港、雷州湾、通明海和湛江湾等波浪掩护作用良好的泥质滩涂港湾或河口湾内, 徐闻县海安镇至锦和镇与吴川市吴阳镇以东的海岸因相对平直的海岸缺乏对波浪掩护、土壤条件差等因素, 无红树林分布; (2) 雷州半岛各市县均有红树林分布, 早期麻章区红树林面积最大, 其次为雷州市和廉江市, 赤坎区红树林分布最少, 现状廉江市的红树林占比最大; (3) 雷州半岛流失红树林面积多于新增红树林面积, 其中麻章区红树林面积流失最多, 占流失面积的一半; (4) 红树林与非红树林的互相转换类型中水体、滩涂与养殖占主体。区域红树林的精细监测变化分析, 能够为红树林湿地保护部门的工作和生态资源的可持续发展提供依据。

关键词： 红树林; 潮汐; 决策树分类; Landsat; 雷州半岛

本文引用格式

申键 , 简焯锴 , 欧阳雪敏 , 艾彬 . 结合潮位校正的雷州半岛红树林湿地动态变迁遥感监测[J]. 热带海洋学报, 2024 , 43(1) : 137 -153 . DOI: 10.11978/2023023

Abstract

Mangrove wetlands provide important ecological support for ecological security, social and economic growth. In this paper, we discuss the temporal and spatial changes of mangrove wetlands in the Leizhou Peninsula during 1995—2020 by decision tree classification combined with the tidal pattern in different regions, based on Landsat Thematic Mapper (TM) and Operational Land Imager (OLI) sensing images. Improving the precision of mangrove information extraction is combined with artificial correction. Using high-resolution Google Earth remote sensing data, the classification accuracies in 1995, 2005, 2015, and 2020 were 99.79%, 98.95%, 99.45%, and 99.15%, and the corresponding Kappa coefficient of those years were 0.9913, 0.9642, 0.9624, and 0.9766. Over the past 25 years, mangrove wetland areas show a trend of early decrease followed by subsequent increase. The results were summarized as follows: (1) the Leizhou Peninsula’s mangrove wetlands are concentrated in wave sheltering bay or estuary, such as the Yingluo Port, Anpu Port, Qishui Port, Haikang Port, Wushi Port, Liusha Port, Wailuo Port, Leizhou Bay, Tongming Sea and Zhanjiang Bay, where silt deposits and tidal flats distribute widely. Lack of the above conditions, there is none of mangrove distribution in the seaboard of the Hai’an town of Xuwen county to the Jinhe town and east of the Wuyang town of Wuchuan county; (2) mangrove uniformly distributes all cities and counties of the Leizhou Peninsula. In early years, the Mazhang town has the largest mangrove, followed by Leizhou and Lianjiang, and Chikan has the least mangrove. Currently, Lianjiang has the largest proportion of mangrove forests; (3) the decreasing mangrove area is more than the increasing mangrove area, and half of area is lost in the Mazhang town; (4) the conversion of mangrove forest and non-mangrove mutual landscape occurrs to water, beach and mariculture. The monitoring analysis of regional mangrove forest provides a basis for the protection of mangrove wetland and the sustainable development of ecological resources.

Key words： mangrove; tidal rhythm; decision tree classification; Landsat; Leizhou Peninsula

红树林为热带和亚热带海岸潮间带特有的具有高生产力的木本植物群落, 最北可至35°N—40°N的纬度, 我国天然红树林分布的最北界线为福建省宁德福鼎市(27°16′N)(林鹏 等, 1995; Giri et al, 2011)。红树林在控制海岸侵蚀、保持水土和保护生物多样性等方面有着重要的作用, 同时可提供重要的社会经济服务和产品, 对生态环境和人类社会发展都有着极为重要的作用(黄桂林, 1996; 林鹏, 1997)。中国红树林分布广泛, 带状散式分布于广西壮族自治区至浙江省以及海南岛沿海区域, 总面积从1950年约为4.2×104hm2 (1956年森林资源调查资料), 下降至2001年的2.28×104hm2 (国家林业和草原局森林资源管理司, 2002)。在50年间我国有近半的红树林消失, 其减少速率超出全球红树林减少的平均速率。雷州半岛是我国红树林面积最多的地级市, 其红树林保护区是我国和国际重要湿地之一, 占全国红树林面积的41.41% (但新球 等, 2016); 同时该区域红树林在过去的几十年里变化十分剧烈, 如近20年通明海处红树林斑块数量从283个增至418个, 而平均斑块面积从1002hm2降至341hm2 (唐道斌 等, 2022)。因此, 雷州半岛红树林的时空变化监测对红树林湿地保护管理和生态恢复工作具有重要意义。
为修复雷州半岛的红树林, 科研工作者在湛江开展了大量红树林资源相关的研究工作, 这些研究工作帮助制定出有效的保护措施, 以保障红树林生态系统的健康和可持续发展。关于雷州半岛的红树林研究目前主要集中于红树林分布现状的调查, 红树林范围动态变化的分析, 红树林生态价值的评估, 碳储量和碳密度的估算等(Wang et al, 2021; 唐道斌 等, 2022; Zhang et al, 2022)。提取红树林分布是后续分析和评估的基础, 因此快速、准确地获取红树林分布情况是至关重要的。
红树林多分布在滩涂, 仅依靠传统的野外调查费时费力, 且难度极大。目前对红树林动态监测多以遥感技术为主, 实地观测仅作为验证的手法。该类研究多使用中分辨率遥感影像数据, 如Landsat TM/ETM+/ OLI、SPOT、Sentinel等(Gao, 1998; Giri et al, 2007; Giri et al, 2008; 贾明明, 2014; Hu et al, 2018; Zhao et al, 2020)。区域小尺度研究区使用高分辨率遥感影像数据, 如SPOT5、QuickBird等(Viennois et al, 2016; 姜刘志 等, 2018)。应用的分类方法包括非监督分类、监督分类、面向对象分类以及深度学习模型等(Cao et al, 2018; Wang et al, 2018; 刘大召 等, 2019; Iovan et al, 2020)。由此可见, 当前的研究重点在于利用或融合新的遥感数据以及应用更加准确和高效的遥感方法, 以提高遥感获取红树林分布的精度。
应用遥感识别红树林时, 潮位是影响识别精度的重要因素之一。由于潮位周期性变化, 潮间带外滩的稀疏低矮红树林时常会被潮水部分或完全浸淹, 这导致遥感难以准确提取红树林整体的分布范围, 因此需要结合潮位信息来更加精确地提取红树林分布。而当前对红树林提取的研究, 在选择影像数据时对潮差影响考虑不足, 可能会出现稀疏、低矮和潮位较高、滩涂不完全裸露区域的红树林信息提取不全, 影响最终提取红树林面积(李春干 等, 2014)。部分研究采用多潮位遥感图像 (张雪红 等, 2013; 张雪红 等, 2022)、构建潮间红树林指数(徐芳, 2020)来解决这一问题, 但是缺少考虑近海海域的不同潮汐情况, 并且未结合潮位信息深入研究红树林的长时间动态变化。基于以上研究的不足之处, 本文使用Landsat TM/OLI遥感影像为数据源, 以雷州半岛为研究区。在提取红树林时, 考虑雷州半岛各个近海海域不同的潮汐特性, 使用卫星过境低潮的拼接遥感影像作为分类数据, 有效识别提取研究区内的易被淹没红树林, 更全面地提取出红树林信息, 并构建1995—2020年雷州半岛红树林的长时间动态变化序列。

1 研究区与研究方法

1.1 研究区概况

雷州半岛位于我国大陆最南端, 广东省西部。地理位置为109°31′—110°55' E, 20°—21°35′N, 三面环海, 海岸线曲折延长, 东濒南海, 西临北部湾, 南隔琼州海峡与海南省相望。雷州半岛地势较平缓, 北高南低, 多平原和丘陵, 平均海拔在20m以下; 该地自然植被以稀树短草为主, 滨海区域多为沙荒植被(杨新华, 2001)。区域内河流短浅, 多由内部流向沿海, 冲积形成沿海平原。该区域属于热带和亚热带季风气候, 气候受海洋因素影响较大, 多年平均气温23℃, 年平均降水量1495mm (杨新华, 2001; 杨彩福 等, 2008)。
湛江是我国红树林分布面积最大的地级市, 红树林分布西起廉江市高桥镇, 南至徐闻县南山镇五里(20°15′N), 东至吴川市吴阳镇(21°30′N)之间的泥质滩涂上。研究区内的红树林种类有15科24种, 主要的种类有桐花树、木榄、红海榄、秋茄树、白骨壤、角果木、海漆、老鼠勒、银叶树(韩维栋 等, 1998)。该区域于1997年设立国家级红树林自然保护区, 范围涉及四县(市)四区, 为森林与湿地类型自然保护区, 总面积20278.81hm2, 其中林业用地面积16642.30hm2(孟佩, 2015)。湛江市沿海的潮汐规律复杂, 东部海区的潮汐属于不规则半日潮, 西部海域的潮汐是典型的全日潮, 而琼州海峡的潮汐属于规则混合潮(何洪钜, 1987; 湛江市人民政府, 2023)。湛江市海岸带分布有六个潮汐站, 从东向西分别是湛江、下港、海安、流沙、乌石和下泊, 其中湛江、下港分布在湛江东部, 流沙、乌石和下泊分布在湛江西部, 海安在琼州海峡附近。综上, 考虑红树林的生长特性和湛江市的地势特点, 使用全球自一致、分层、高分辨率地理数据库(global self-consistent, hierarchical, high-resolution geography database, GSHHG)中的岸线数据(Wessel et al, 1996), 在岸线两侧15km生成缓冲区, 作为本研究的研究区域(图1)。
图1 研究区域

本图基于国家测绘地理信息局标准地图服务网站下载的审图号为GS(2019)3266的标准地图制作, 底图无修改

Fig. 1 Study area

1.2 数据来源

本研究选用1995年、2005年、2015年、2020年无云的Landsat TM/OLI影像(表1), 采用Transverse_ Mercator投影, GCS_WGS_1984地理坐标系, D_WGS_1984基准面, 空间分辨率为30m, 研究区行列号为124、045/046。考虑到红树林的生长区域受潮汐影响, 为更好地提取红树林信息, 在影像选取时尽量选用成像时间为低潮(农历初七、二十二)的数据。由于研究区东西部海区的潮汐特性不同, 以及影像受云的影响, 为获取潮位足够低的影像作为基础数据, 大多数年份(1995年除外)需要进行东西区海域的影像拼接, 拼接的方法在下一节(1.3)详细说明。从海事服务网(https://www.cnss.com.cn/)可获取各研究年份的港口潮汐潮位数据。另外, 精度验证数据根据Google Earth高清影像选取。
表1 遥感数据来源及参数

Tab. 1 Remote sensing data sources and parameters

年份 传感器型号 分辨率/m 行列号 西区影像 东区影像
获取时间(GMT+8) 云量/% 获取时间(GMT+8) 云量/%
2020年 Landsat 8 OLI 30 124/46 2021-12-03 11:05:38 0.04 2020-01-31 11:05:22 2.44
Landsat 8 OLI 30 124/45 2021-12-03 11:05:14 0.08 2020-01-31 11:04:58 5.43
2015年 Landsat 8 OLI 30 124/46 2015-01-01 11:05:17 3.50 2016-12-05 11:05:35 9.32
Landsat 8 OLI 30 124/45 2015-01-01 11:04:53 0.10 2016-12-05 11:05:11 11.31
2005年 Landsat 5 TM 30 124/46 2006-01-24 10:55:16 33.00 2004-12-04 10:50:45 2.00
Landsat 5 TM 30 124/45 2006-01-24 10:54:53 7.00 2004-12-04 10:50:21 0.00
1995年 Landsat 5 TM 30 124/46 1994-01-23 10:26:32 1.00 — —
Landsat 5 TM 30 124/45 1994-01-23 10:26:09 0.00 — —

注: “—”表示无数据

1.3 研究方法

1.3.1 考虑潮位的影像拼接

红树林的横向分布限制在平均海平面(或稍上)与回归潮平均大潮高潮之间的潮滩面(张乔民 等, 1997)。此类区域地形起伏较小, 潮位变化对水边线影响相对较大, 易被淹没红树林识别存在一定的不确定性, 进而引起红树林面积的较大波动。因此, 在选择影像数据时尽量选择低潮位的影像, 使红树林和潮滩尽量出露, 减少水体背景信息的干扰, 以提高红树林提取的准确度。此外, 还需要注意雷州半岛的不同海区具有不同的潮汐规律, 各个港口的潮汐相位并不一致, 在同一景影像中不同港口可能分别处于高潮和低潮的潮位。
以2020年1月31日和2021年12月3日的影像为例(图2), 结合海事网湛江各个港口影像当天的潮汐潮位数据(图3), 说明同景影像中不同区域可能存在潮位巨大差异。由于湛江气候受海洋影响较大, 影像大多受云层影响, 难以连续获取高质量影像, 这导致有效成像的时间间隔相对较大。尽管这两景影像时期相隔稍远, 但红树林的生长周期较长, 若无特殊事件, 可以假设红树林潮滩分布在短时期内没有较大变化。
图2 不同区域的潮位差异

a、 b、d: 2020年1月31日的影像; c、 e: 2021年12月3日对应的局部区域图。

Fig. 2 Variations of tide levels in different regions.

(a), (b), (d) are images of January 31, 2020, and (c), (e) are local area maps corresponding to December 3, 2021

图3 两景影像获取当天的潮汐站数据

Fig. 3 Tidal station data for sensor transit times

图2展示了两景影像中湛江东西部海域低潮位不同步的现象, 图2b和图2c, 图2d和图2e之间存在着明显的潮位差异, 图2c和图2d影像中显示有大片滩涂裸露, 而在图2b和图2e影像中红树林被海水淹没, 尤其是湛江西部区域。即2020年1月31日的影像中(图2a)中同时出现了图2b中的高水位和图2d中的低水位状态, 同样, 图2c中的低水位和图2e中的高水位状态也同时发生在另一景影像上。
进一步结合潮汐站的信息进行分析, 分别将两景影像获取当天的各个潮汐变化曲线绘制出来(图3), 从潮位曲线可以看出湛江和下港的潮汐具有半日潮的特性, 流沙、乌石、下泊的潮汐具有全日潮的特点, 而海安的潮汐属于混合潮, 潮位波动较小。OLI影像的卫星过境时间在每日上午11时左右(表1), 根据潮汐曲线, 1月31日11点湛江东部处于低潮时刻, 西部则处于高潮时刻, 这对应了图2b的高水位和图2d的低水位; 而12月3日11点湛江东部高水位, 西部接近低潮时刻, 因而在图2c中出露大片滩涂。因此, 研究区域的东西部很可能存在较大的潮位差异, 甚至是相反的潮汐相位, 同时由于部分红树林树高仅1m左右, 在高潮时极易被海水淹没, 若忽视影像的潮差, 遥感提取的红树林面积信息会极不准确。
以2005年安铺港部分遥感影像为例(图4), 图4a和图4b分别是高潮和低潮时的TM影像, 其中, 橙色线表示高潮时红树林被部分淹没的出露范围, 绿色线表示低潮时完整出露的红树林范围, 两者的差异可以视为易被淹没的红树林, 主要位于红树林向海扩张的一侧。而对比图2b, c, 同样位置的红树林在2020年高低潮位的影像上并没有展示出明显的范围差异。这是由于被淹没的红树林在2005年还处于幼生阶段, 树高低矮, 因此在高潮时易被淹没, 经过多年生长后红树林的树高和冠层密度不断提高, 此时高潮位的海水也不能淹没树冠, 不同潮位的影像上都能表现出完整的红树林分布范围。进一步统计了该位置不同潮位时刻的红树林出露面积, 高潮时出露面积为182.68hm2, 低潮时完整出露面积为237.57hm2, 两者相差54.89hm2, 这相当于完整出露面积的23.1%, 说明在局部区域潮位对红树林面积具有不可忽视的影响。但潮位对红树林遥感识别的影响具有较大的时空变异性, 海水仅能淹没低矮的红树林, 不同的树种、不同生长时期的红树林会受到不同程度的影响。尤其在近20年红树林保护和恢复工作进行的过程中, 红树林被大量人工种植和自然扩张, 各个区域出现大量新生红树林, 要准确识别红树林及监测其动态变化, 根据潮位对影像进行调整是有必要的。
图4 2005年安铺港高潮时被部分淹没的红树林

Fig. 4 Partially submerged mangroves at the high tide of the Anpu Harbor in 2005

湛江市东部和西部海区之间存在明显的潮汐差异, 而东部和西部海区内部的潮位较为一致, 因此本研究提出考虑潮位的影像拼接方法, 大致以海安为分割点, 将湛江划分为东西两部分, 将东西部海区低潮位影像进行配准拼接, 例如, 同时保留图2中的c和d, 得到整个研究区域内的无云低潮影像。需要注意的是, 影像的拼接操作并不是必需的, 同一景影像内各个海区内也可能同时处于低水位, 此时无须额外的拼接操作(如1994年1月23日和2023年2月15日)。而该考虑潮位的影像拼接方法的使用, 能够充分利用湛江区域极为有限的无云低潮影像。

1.3.2 红树林提取方法

使用经过预处理和拼接的TM/OLI影像为数据源, 采取决策树分类方法(classification and regression tree, CART), 并对分类后的数据做进一步的目视修正, 生成各时期的红树林分布图。为更好地提取红树林信息, 根据湛江的沿海用地情况, 结合政府公布的2005年雷州半岛土地利用类型图, 分为红树林、水体、裸露滩涂、建设用地、养殖用地和农用地六个地类。在影像中随机选择一定数量的训练样本, 用于获取专家知识规则, 1995年、2005年、2015年和2020年的样本分离度都在1.85以上。本研究使用基于知识CART的决策树分类方法, 其基本原理是通过对由测试变量和目标变量构成的训练数据集的循环分析, 形成二叉树形式的决策树结构(Breiman et al, 1984; 陈云 等, 2008)。该分类方法具有准确率高、符合人的认知过程、可利用多源数据等优点。
由于红树林具有较高的冠层湿度, 同时与水体相比绿度更高, 因此为了更好地区别红树林与其他地物, 本研究结合归一化植被指数(normalized difference vegetation index, NDVI)和归一化水体指数(normalized difference water index, NDWI)作为分类特征。NDVI可以用于提取红树林和其他植被, 而NDWI指数则可以用于提取水体信息。相比其他绿色植被, 红树林的NDVI值较低, 而NDWI值较高。因此, 根据训练集生成决策树, NDVI和NDWI值的大小可以帮助区分红树林、水体和其他植被。
此外, 为了进一步提高分类的准确性, 在分类开始前, 需要加入基于迭代自组织聚类方法的非监督分类数据以辅助分类。最终选择原始影像波段、NDVI、NDWI和非监督分类数据的特征组合作为分类特征, 使用ENVI5.2自动获取的专家决策树对研究区进行分类。将原始分类结果叠加在原始影像和Google Earth高分辨率影像上, 对分类后的数据进行目视修正(增删), 生成各研究年份湛江市的红树林分布并进一步分析。

1.3.3 景观格局与动态变化分析方法

景观格局指数可以有效量化表征景观分布情况和变化程度, 是自然变化和人类活动对景观影响的最直观综合的反映。本文重点研究红树林的空间特征和生态状况, 因此计算了湛江市各市县(区)红树林景观分维度和景观破碎度指数, 以量化红树林斑块的形状复杂程度和被分割的破碎程度。其中, 景观分维度(${{F}_{i}}$)是描述景观斑块形状复杂的指标, 分维度越高表示斑块的形状越复杂; 景观破碎度(${{C}_{i}}$)则可描述景观受干扰后的破碎程度, 破碎度指数越高代表地类破碎化程度越高。二者公式表述如下(于航 等, 2022):
${{F}_{i}}=2\ln \left( {{p}_{i}}/4 \right)/\ln {{A}_{i}}$
${{C}_{i}}=\frac{{{n}_{i}}}{{{A}_{i}}}$
式中, ${{p}_{i}}$为景观类型地周长, ${{A}_{i}}$为景观类型地面积, ${{n}_{i}}$为景观的斑块数。
利用ArcGIS构建景观转移矩阵对红树林斑块的动态变化特征进行量化, 旨在分析研究区红树林景观流失去向与流入来源进行以更好地诠释引起其动态变化的驱动力。景观空间类型转换面积的统计基于转移矩阵, 公式表述如下(郁林 等, 2021):
${{A}_{ij}}=\left[ \begin{matrix} \begin{matrix} {{A}_{11}} & {{A}_{21}} \\ {{A}_{21}} & {{A}_{22}} \\ \end{matrix} & \begin{matrix} \cdots & {{A}_{1n}} \\ \cdots & {{A}_{2n}} \\ \end{matrix} \\ \begin{matrix} \cdots & \cdots \\ {{A}_{n1}} & {{A}_{n2}} \\ \end{matrix} & \begin{matrix} \cdots & \cdots \\ \cdots & {{A}_{nn}} \\ \end{matrix} \\ \end{matrix} \right]$
式中, ${{A}_{ij}}$为研究区景观类型由初始状态到末期的转换状态, 具体到${{A}_{11}}$为转移的面积, n为景观类型的数量。

2 结果

2.1 精度评价

利用Google Earth根据研究年份和邻近时间的历史影像均匀采集验证样本点, 并结合湿地考察数据生成验证集, 对湛江市红树林提取结果进行精度验证, 表2列出了各研究年份的验证集组成, 并在图5展示了2020年验证集的分布情况。其中, 其他地类样本主要分为水体、裸露滩涂、建设用地、养殖用地和农用地。Google Earth早期的高分辨率影像较为缺乏, 研究区1995年无高分辨率影像覆盖, 2005年之后影像增多, 采集的红树林验证样本点也更多。基于验证样本和混淆矩阵计算总体精度和Kappa系数, 总体精度表示正确分类样本数占总样本数的比例, 反映算法的总体效果, Kappa系数是用于衡量真实数据与预测值一致性程度的分类精度指标。
表2 各研究年份验证样本数量

Tab. 2 Validation samples for each study year

年份 红树林样本数 其他地类样本数 样本总数
1995年 206 1194 1400
2005年 257 1264 1521
2015年 281 1182 1463
2020年 364 1162 1526
图5 2020年验证样本空间分布

审图号GS(2019)3266

Fig. 5 Spatial distribution of validation samples in 2020

根据以上阐述的精度评价方法, 对经过人工修正的4期红树林分布数据进行总体精度和Kappa系数的计算, 如表3所示。由表可知, 1995—2020年的湛江市红树林分布数据的总体精度均有98%以上, Kappa系数均超过0.96, 具有较高的精度。形成较高精度的红树林分布数据需要结合一定的人工修正处理(Chen et al, 2017; Zhao et al, 2022), 为了评价本研究所使用的分类方法的直接精度, 以及一定程度上反映人工修正的工作量, 本文还统计了2020年的红树林分类直接结果的精度, 生产者精度、用户精度、总体精度和Kappa系数分别为93.13%、89.68%、95.63%和0.8845。精度指标表明直接分类结果能正确识别绝大部分的红树林, 但还存在一定数量的假阳性图斑, 因此需要通过人工目视修正去除, 同时对少量漏分的红树林进行补充, 以得到足够精确的红树林分布数据, 为红树林动态监测提供原始数据。
表3 红树林后处理数据精度统计

Tab. 3 Accuracy statistics of mangrove post-processing data

年份 总体精度 Kappa系数
1995年 99.79% 0.9913
2005年 98.95% 0.9642
2015年 99.45% 0.9624
2020年 99.15% 0.9766

2.2 湛江市红树林分布

湛江红树林分布在西起廉江市高桥镇, 南至徐闻县南山镇五里(20°15′N), 东至吴川市吴阳镇(21°30′N)之间的泥质滩涂上(图6)。基于1995—2020年间4期红树林分布数据还统计了红树林出现频率的分布情况, 绘制成图7, 不同颜色的斑块代表不同的出现频数, 如黄色表示2期数据在该位置分布有红树林。可以看到廉江市高桥、车板、营仔、安铺和良垌, 遂溪县界炮、杨柑、乐民和黄略, 雷州市的企水、北和、覃斗、英利、调风、雷高、南兴、附城和沈塘, 徐闻县迈陈、新寮、和安、锦和, 麻章区的民安、太平、湖光、东简, 坡头区的南三岛、官渡, 吴川市的吴阳等为红树林密集分布区。
图6 雷州半岛红树林分布

a. 1995年; b. 2005年; c. 2015年; d. 2020年; 审图号GS(2019)3266

Fig. 6 Mangrove distribution in the Leizhou Peninsula, (a) 1995; (b) 2005; (c) 2015; (d) 2020

图7 1995—2020年雷州半岛部分红树林出现频数分布

审图号GS(2019)3266

Fig. 7 Frequency distribution of partial mangrove occurrence in the Leizhou Peninsula from 1995 to 2020

湛江红树林多聚集分布于波浪掩护作用良好的港湾或河口湾内, 例如英罗港、安铺港、企水港、海康港、乌石港、流沙港、外罗港、雷州湾、通明海和湛江湾等, 显著表明了红树林的分布与波浪掩护条件和潮汐浸淹程度的关系, 这与早期的研究相符, 红树林多生长于隐蔽风浪的位置(彭逸生 等, 2008; 廖宝文 等, 2014)。其中以英罗港、安铺港和外罗港附近的红树林分布较为稳定, 表示频数较高的绿色斑块主要出现在这三个港湾的近岸区域。雷州半岛的半岛地形, 海岸线延长曲折, 但海岸线岸段基质各不相同, 影响了红树林的分布。西岸多小型较封闭海湾, 海湾内基本都有红树林分布; 东岸海岸线发育更为曲折, 多断裂带基础上发育的溺谷型海湾(张希然 等, 1987), 如雷州湾、湛江湾, 水体相连; 潮间浅滩发育好, 湾口岛屿众多, 如东海岛、南三岛、特呈岛; 东岸红树林集中分布于此, 分布密度大于西岸。徐闻县海安镇至锦和镇和吴川市吴阳镇以东的沿岸25年间均无红树林分布。这两段海岸相对光滑平直, 缺乏对波浪作用的掩护, 特别是徐闻县海岸潮滩沉积物以珊瑚砂砾为主, 细颗粒沉积物缺乏, 土壤条件不适宜红树林生长(石莉, 2002; 谭芳林 等, 2010)。红树林的生长和种植对温度、土壤粒度、盐度、波浪动力和淹没频率等综合环境条件具有较高的要求(石莉, 2002; Lewis, 2005)。

3 分析与讨论

3.1 景观格局变化分析

本文利用ArcGIS计算湛江市各市县(区)红树林图斑1995年、2005年、2015年和2020年的面积(图8), 同时根据景观格局分析方法计算各市县(区)红树林景观的分维度指数与破碎度指数(表S1), 以分析不同区域红树林景观的变化情况和特征。
图8 湛江市及各县的红树林变化情况

a. 面积变化; b. 景观分维数变化; c. 景观破碎度变化

Fig. 8 Changes of mangroves in the Zhanjiang City and its counties (a) changes in area; (b) changes in landscape fractal dimensions; (c) changes in landscape fragmentation

表S1. 湛江市及各县市(区)红树林景观变化统计表

Tab. S1 Statistical table of mangrove landscape changes in the Zhanjiang City and its counties

区域 红树林面积/hm² 景观分维数 景观破碎度
1995 2005 2015 2020 1995 2005 2015 2020 1995 2005 2015 2020
赤坎区- 0 6.75 2.61 2.42 — 1.0587 1.0203 1.0203 — 0.15 0.77 0.83
雷州市+ 1124.45 1192.60 1730.67 1853.19 1.0494 1.0623 1.0635 1.0619 0.53 0.22 0.19 0.20
廉江市 682.39 1018.62 1454.71 1321.50 1.0427 1.0573 1.0703 1.0567 0.53 0.13 0.09 0.15
麻章区 3817.56 2107.74 1496.73 1501.53 1.0454 1.0529 1.0512 1.0633 0.39 0.32 0.43 0.51
坡头区- 532.55 526.19 369.22 305.20 1.0463 1.0525 1.0432 1.0429 0.64 0.33 0.46 0.59
遂溪县+ 480.55 517.61 719.84 775.43 1.0629 1.0625 1.0556 1.0560 0.47 0.20 0.25 0.30
吴川市+ 74.06 110.67 136.60 161.88 1.0349 1.0720 1.0389 1.0583 1.54 0.23 0.62 0.46
霞山区- 62.71 45.97 30.25 28.04 1.0579 1.0548 1.0626 1.0848 0.57 0.39 0.33 0.36
徐闻县+ 610.96 647.09 799.29 824.20 1.0476 1.0561 1.0541 1.0628 0.33 0.18 0.23 0.23
湛江市 7385.21 6173.23 6739.92 6773.39 1.0484 1.0588 1.0511 1.0563 0.45 0.24 0.25 0.29

注: 地区后的符号“-”表示红树林面积在持续减少, “+”表示红树林面积在持续增多; 表中“—”表示无数据。

从表S1可知, 雷州半岛1995、2005、2015、2020年红树林面积分别为7385.21、6173.23、6739.92、6773.39hm2, 总体呈现先快速减少后缓慢增长的变化趋势。其中, 图8a为1995—2020年雷州半岛各市县(区)及整个湛江市红树林的面积变化情况, 可以看出九市县(区)均有红树林分布, 其中麻章区、雷州市和廉江市相对分布较多, 赤坎区红树林分布最少, 其次是霞山区。雷州市自2015年后一直是湛江市内红树林分布最多的市县(区), 且自1995年之后面积一直呈现稳定增长的趋势, 呈现同样趋势的地区还有遂溪县、吴川市和徐闻县, 虽然面积增长幅度不一, 但都显示这些地区的红树林保护效果良好。而赤坎区、坡头区和霞山区的红树林面积呈现一直下降的趋势, 亟须加大保护力度。从变化速率上看, 湛江市以廉江市红树林增长速率最快, 1995—2015年增长速率达113.18%, 而在之后的5年面积略微缩减。红树林面积分布最多的麻章区变化最大, 在1995年麻章区红树林面积占全市红树林面积的52%, 自1995—2015年缩减面积达2320.83hm2, 到2015年该区域红树林面积仅占全区22.27%, 但在2015年后下降趋势减缓且稍有回升, 红树林面积保持相对稳定。
在景观格局方面, 计算各个市县(区)的红树林景观分维度和景观破碎度指数(图8b, c)以量化红树林斑块的形状复杂程度和红树林被分割的破碎程度。1995—2020年湛江市的红树林景观分维数整体上出现先增后减再增的变化, 与湛江市红树林分布变化呈负相关关系, 这可能是由于红树林先被大量破坏, 随后开始人工种植红树林, 导致整体的形状分维数下降, 据统计, 2001年至2011年间湛江红树林保护区内种植红树林超1500hm2, 成活率近80%(张苇 等, 2011); 而之后红树林在政策保护下逐渐恢复, 种类也有所增加, 分维数也随之增大, 表明红树林的恢复情况良好, 至今湛江恢复红树林面积已达2000多公顷(何闪闪 等, 2022)。有研究报道在过去一段时间内曾发生红树林破碎度激增, 斑块变多, 斑块面积减小, 自然红树林面积减少, 出现自然与人工红树林景观共存景象(曹林 等, 2010)。景观破碎度在1995—2005年间出现降低, 但这个阶段红树林面积减少, 可能是由于原有的自然红树林本身处于较为松散的分布, 由于人类活动大量清理反而造成了斑块破碎度的降低; 在2005年后整体红树林的破碎度缓慢上升。而在各个市县(区)内, 红树林的景观格局变化并没有统一的规律, 这可能是由于不同地区的土地利用需求所导致的, 后文将进一步对红树林与其余用地类型之间的转化关系进行分析。

3.2 红树林时空流失与转化特征

湛江红树林面积在25年间总体呈现先减少后增加的模式, 但实际上各时期红树林同时发生着与其他地物类型间的动态转化。1995—2005年湛江红树林增加2754hm2, 减少3963.46hm2, 3492.75hm2红树林未发生改变; 2005—2015年湛江红树林增加2783hm2, 减少2218.86hm2, 未变红树林面积为3956.92hm2; 2015—2020年红树林增加1660.57hm2, 减少1627.10hm2, 5112.86hm2的红树林没有变化。数据表明红树林面积变化主要取决于红树林的减少情况, 在近10年红树林面积减少趋势减缓, 面积总体呈增加模式。红树林新增的来源在前10年以滩涂、水体、农用地和养殖为主, 后15年除建设用地较少以外, 其他类型均有转化成红树林。
图9—图11分别是1995—2005, 2005—2015, 2015—2020年部分红树林变化的空间分布情况。整体上看, 1995—2005年红树林的减少(红色图斑)大多发生在湛江东侧近海(图9), 尤其是通明港附近, 并且该减少的趋势一直持续到2015年(图10), 而东侧海域如英罗港和安铺港, 红树林在快速地扩张生长区域(绿色)。在2015年前红树林的分布变化十分剧烈, 在空间上表现出广泛分布的特征, 但在2015年后变化面积就迅速减少了, 无变化的红树林(棕色)占大多数(图11)。
图9 1995—2005年雷州半岛红树林变化分布

审图号GS(2019)3266

Fig. 9 Distribution of mangrove changes in the Leizhou Peninsula from 1995 to 2005

图10 2005—2015年雷州半岛红树林变化分布

审图号GS(2019)3266

Fig. 10 Distribution of mangrove changes in the Leizhou Peninsula from 2005 to 2015

图11 2015—2020年雷州半岛红树林变化分布

审图号GS(2019)3266

Fig. 11 Distribution of mangrove changes in the Leizhou Peninsula from 2015 to 2020

为了更深入地认识研究区25年间红树林的变化驱动因子, 对红树林变化的流失(图12)和转化(图13)动态和典型县市(区)红树林景观与其周边景观类型间的面积转化情况(表S2—表S5)做进一步统计分析。由图12可看出雷州半岛红树林的流失方向, 三个时间段内, 除赤坎区1995—2005年的红树林景观流失去向集中在建设用地, 研究区总体的红树林流失方向以养殖地、裸露滩涂、水体和农用地为主; 2005—2015年红树林景观流向农用地开始增多; 2015—2020年红树林的景观流失减缓, 主要集中在流向裸露滩涂、水体和农用地。在九县市(区)中, 红树林减少面积最多的是麻章区, 其次为雷州市和坡头区。麻章区(表S2)1995—2005年减少红树林面积达2360.59hm2, 占到全市流失面积的60.44%, 2005—2015年流失趋势相对减缓, 但仍有1099.63hm2红树林转为非红树林, 在近5年基本止住流失, 仅有445.56hm2; 其中红树林流失转变的主要类型为水体、滩涂、养殖等, 前10年分别有1464.99、620.1和249.23hm2的红树林转为水体、滩涂、养殖, 中间10年分别有683.73、148.21和111.41hm2的红树林转为水体、滩涂、养殖。雷州市(表S3)在前10年红树林流失类型以养殖和水体为主, 流失面积达261.84hm2和139.45hm2, 2005—2015年间以滩涂和养殖为主, 流失面积达85.40hm2和121.57hm2, 2015年后分别有70.21、149.83、119.10hm2的红树林转变为养殖、滩涂和水体。坡头区(表S4)在1995—2005年有196.42hm2红树林转为滩涂, 114.51hm2红树林转为养殖; 2005—2015年有175.55hm2红树林转为养殖, 2015—2020年有72.61hm2和63.39hm2分别转为养殖和滩涂。
图12 1995—2020年湛江各县市(区)红树林流失动态

Fig. 12 Dynamics of mangrove loss in the Zhanjiang City from 1995 to 2020

图13 1995—2020年湛江各县市(区)红树林增加动态

Fig. 13 Dynamics of mangrove increase in the Zhanjiang City from 1995 to 2020

表S2 1995—2020年麻章区红树林与周边景观类型面积转化表

Tab. S2 Area conversion between mangrove and other land cover types in the Mazhang District from 1995 to 2020

主要景观类型 1995—2005年
红树林面积/hm²		 2005—2015年
红树林面积/hm²		 2015—2020年
红树林面积/hm²
转入 转出 转入 转出 转入 转出
养殖 — 249.23 30.03 111.41 49.98 95.05
裸露滩涂 368.33 620.10 318.01 148.21 243.00 195.15
建设用地 — — — 34.21 — —
水体 222.57 1464.99 79.92 683.73 119.16 125.20
农用地 80.04 26.27 81.94 125.20 38.02 30.16
总计 670.74 2360.59 509.9 1102.76 450.16 445.56

注:表中“—”表示无转化。

表S3 1995—2020年雷州市红树林与周边景观类型面积转化表

Tab. S3 Area conversion between mangrove and other land cover types in the Leizhou City from 1995 to 2020

主要景观类型 1995—2005年
红树林面积/hm²		 2005—2015年
红树林面积/hm²		 2015—2020年
红树林面积/hm²
转入 转出 转入 转出 转入 转出
养殖 10.02 261.84 154.57 121.57 120.65 70.21
裸露滩涂 330.40 50.06 478.31 85.40 246.31 149.83
建设用地 20.04 49.95 9.98 5.05 14.98 —
水体 182.57 139.45 132.2 20.10 60.00 119.10
农用地 10.09 30.00 79.94 55.02 65.12 44.01
总计 553.12 531.30 855.00 287.14 507.06 383.18

注:表中“—”表示无转化。

表S4 1995—2020年坡头区红树林与周边景观类型面积转化表

Tab. S4 Area conversion between mangrove and other land cover types in the Potou District from 1995 to 2020

主要景观类型 1995—2005年
红树林面积/hm²		 2005—2015年
红树林面积/hm²		 2015—2020年
红树林面积/hm²
转入 转出 转入 转出 转入 转出
养殖 60.14 114.51 79.87 175.55 25.03 72.61
裸露滩涂 280.07 196.42 90.11 80.00 45.87 63.39
建设用地 5.02 10.02 — 1.98 — 1.03
水体 — — — 29.86 — 8.13
农用地 — — — 55.14 14.92 4.89
总计 345.23 320.95 169.98 342.53 85.82 150.05

注:表中“—”表示无转化。

表S5 1995—2020年廉江市红树林与周边景观类型面积转化表

Tab. S5 Area conversion between mangrove and other land cover types in the Lianjiang City from 1995 to 2020

主要景观类 1995—2005年
红树林面积/hm²		 2005—2015年
红树林面积/hm²		 2015—2020年
红树林面积/hm²
转入 转出 转入 转出 转入 转出
养殖 5.12 45.24 151.22 4.96 23.59 56.11
裸露滩涂 60.01 — 5.22 — 11.76 9.88
建设用地 4.68 1.14 5.26 — — —
水体 309.40 80.21 306.91 24.82 13.00 61.03
农用地 136.64 51.74 118.39 65.13 63.14 117.06
总计 515.85 178.33 587.00 94.91 113.49 244.08

注:表中“—”表示无转化。

湛江红树林在二十多年间部分转变为水体、滩涂、养殖、农用地和建设等非红树林。受传统经济观念影响, 人们更加看重滩涂的直接开发利用与红树林系统的产品等直接使用, 忽视了红树林给当地带来的生态保护价值。然而湛江地区红树林的非直接使用价值和非使用价值远大于直接使用价值(邓燕培 等, 2007)。雷州半岛因其独特的半岛地理环境, 三面环水, 以雷州湾—通明海—湛江湾一带的浅海区域, 浅滩、岛屿众多, 滩涂面积广、坡度小, 养殖业发展历史悠久。当地居民受直接经济利益的驱使, 出现砍伐采薪、围海造田、围塘养殖、围海晒盐、滨海城市建设等现象, 使得大量红树林被破坏, 红树林群落单一化。自然生长的红树林需要与养殖、农用地和建设用地等争夺生长空间, 生长前景狭小。养殖的池边以水泥筑底, 横向限制了相邻红树林生长空间, 且红树林种子飘到池中, 一旦开始萌芽生长, 养殖户就会破坏红树林根茎及遏制其幼苗生长, 以维护鱼塘的发展。随着经济发展, 城镇化水平提高, 沿海区域居民生活污水排放和沿海水泥路基对红树林的生长影响加大。种种因素使得红树林面积退化, 转变为水体、滩涂和养殖等非红树林景观。
尽管红树林地类存在一定的流失, 但同时红树林周边的景观类型也会转化为红树林。除赤坎区三个时间段红树林流入来源分别以裸露滩涂、建设用地和农用地为主外, 各县市(区)的转化情况有着一致性, 1995—2020年红树林景观的主要流入来源都是裸露滩涂和水体, 其次为农用地。值得注意的是, 流入新增面积有逐渐减少的趋势, 结合上文提到红树林流失减缓, 可以看出红树林的分布趋于稳定。由图13可看出25年间雷州半岛红树林的新增来源中, 九县市(区)中红树林增加面积较多的有雷州市、麻章区和廉江市。雷州市(表S3)前10年分别有182.57hm2水体和330.40hm2滩涂转变为红树林, 中间10年分别有478.31hm2滩涂、154.57hm2养殖和132.2hm2水体转变为红树林, 后5年分别有120.65hm2养殖和246.31hm2滩涂转变为红树林。麻章区(表S2)在前10年红树林的流入类型以滩涂和水体为主, 增加面积达368.33hm2和222.57hm2, 2005—2020年以滩涂为主, 增加面积达561.01hm2。廉江市(表S5)在1995—2005年有309.40hm2水体转为红树林, 136.64hm2农用地转为红树林; 2005—2015年有306.91hm2水体转为红树林, 151.22hm2养殖转为红树林, 118.39hm2农用地转为红树林, 近5年有23.59hm2和63.14hm2的养殖和农用地转化为红树林。
随着社会对于生物多样性的保护的关注加大, 红树林的生态和经济价值受到人类的广泛关注。雷州半岛对于红树林的保护起于20世纪90年代, 1990年雷州半岛建立了省级自然保护区, 1997年升为国家级自然保护区, 2002年湛江红树林保护区被列为国际重要湿地。湛江地区对红树林的保护力度加强, 进行了红树林引种造林和补植工作, 成功引种海桑和无瓣海桑并发展大面积造林, 造林成活率达50%~80%(吴中亨 等, 2000)。到2012年, 保护区共完成人工红树林恢复面积2000hm2(孟佩, 2015), 红树林斑块的连通性得到增强。

4 结论

本文考虑了研究区域不同港口的潮汐特性, 根据影像过境潮位进行影像的选择和拼接, 该方法能够充分利用有限的影像数据, 形成覆盖整个雷州半岛近海海域的无云低潮影像, 降低潮位差异对红树林面积的影响, 对幼生和矮小的红树林的识别效果增强, 更早捕捉到红树林生长的信息和减少红树林监测面积的伪变化。该影像合成方法也为大范围精细提取红树林时分类影像的选择提供了思路。加入归一化水体指数(NDWI)和归一化植被指数(NDVI)波段, 基于CART的决策树分类方法, 有效提取出红树林分布区域, 结合人工修正最终得出4期湛江红树林分布数据, 总体精度高于98%, Kappa系数大于0.96。本文主要结论如下:
(1) 湛江红树林多分布于受波浪掩护作用好的海湾与港口内, 半岛三面均有分布, 包括在英罗港、安铺港、企水港、海康港、乌石港、流沙港、外罗港、雷州湾、通明海和湛江湾等。东部海岸(通明海、湛江湾等)红树林分布比西部海岸更加密集。
(2) 雷州半岛红树林面积在1995—2020年呈现先减少后增加的趋势, 其中1995年、2005年、2015年、2020年红树林面积分别为7385.21、6173.23、6739.92、6773.39hm2。雷州半岛各市县均有红树林分布, 早期麻章区红树林面积占比最大, 目前廉江市的红树林面积占比最大。景观分维数整体上出现先增后减再增的变化, 这可能与红树林先被大量破坏, 随后人工红树林大量种植有关。
(3) 总体上, 近25年雷州半岛红树林流失面积多于新增面积, 其中麻章区的红树林流失最多。红树林与周边地类的转换类型以水体、滩涂与养殖为主。在目前看来区域红树林生态系统的保护与经济发展的诉求仍存在矛盾, 在沿海区域红树林与养殖和建设用地争夺生存空间现象激烈。
尽管遥感监测湿地手段日益更新和加强, 但其受限因素仍然较多。受传感器、潮汐差位、红树林分布的疏密或种植时间较短以及提取方法差异等影响, 提取同区域同年份红树林面积也会不同。不断提升遥感和地理信息系统技术, 探究红树林的时空演变规律, 为红树林的保护政策成熟制定与红树林生态系统的稳定发展具有十分重要意义。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
曹林, 韩维栋, 李凤凤, 等, 2010. 雷州湾红树湿地景观格局演变及驱动力分析[J]. 林业科技开发, 24(4): 18-23.

CAO LIN, HAN WEIDONG, LI FENGFENG, et al, 2010. Change of mangrove wetland landscape pattern and its driving forces in Leizhou Bay[J]. China Forestry Science and Technology, 24(4): 18-23 (in Chinese with English abstract).

[2]
陈云, 戴锦芳, 李俊杰, 2008. 基于影像多种特征的CART决策树分类方法及其应用[J]. 地理与地理信息科学, 24(2): 33-36.

CHEN YUN, DAI JINFANG, LI JUNJIE, 2008. CART-based decision tree classifier using multi-feature of image and its application[J]. Geography and Geo-Information Science, 24(2): 33-36 (in Chinese with English abstract).

[3]
但新球, 廖宝文, 吴照柏, 等, 2016. 中国红树林湿地资源、保护现状和主要威胁[J]. 生态环境学报, 25(7): 1237-1243.

DOI

DAN XINQIU, LIAO BAOWEN, WU ZHAOBAI, et al, 2016. Resources, conservation status and main threats of mangrove wetlands in China[J]. Ecology and Environmental Sciences, 25(7): 1237-1243 (in Chinese with English abstract).

[4]
韩维栋, 高秀梅, 1998. 湛江红树林的保护策略[J]. 广东林业科技, (3): 18-22.

HAN WEIDONG, GAO XIUMEI, 1998. Strategy of the mangroves conservation in Zhanjiang[J]. Forestry Science and Technology, (3): 18-22 (in Chinese with English abstract).

[5]
何洪钜, 1987. 华南沿海潮汐基本特征[J]. 热带海洋学报, 6(2): 39-47.

HE HONGJU, 1987. Tidal characteristics along South China coast[J]. Journal of Tropical Oceanography, 6(2): 39-47 (in Chinese with English abstract).

[6]
何闪闪, 孙羽, 2022. 绿肺焕发生机蓝碳凸显价值——广东湛江吹响建设”红树林之城”号角[J]. 环境, (2): 55-56 (in Chinese).

[7]
黄桂林, 1996. 中国红树林湿地的保护与发展[J]. 林业资源管理, (5): 15-18 (in Chinese).

[8]
贾明明, 2014. 1973-2013年中国红树林动态变化遥感分析[D]. 长春: 中国科学院研究生院(东北地理与农业生态研究所).

JIA MINGMING, 2014. Remote Sensing analysis of China’s mangrove forests dynamics during 1973 to 2013[D]. Changchun: Northeast Institute of Geography and Agroecology, Chinese Academy of Sciences (in Chinese with English abstract).

[9]
姜刘志, 杨道运, 梅立永, 等, 2018. 深圳市红树植物群落碳储量的遥感估算研究[J]. 湿地科学, 16(5): 618-625.

JIANG LIUZHI, YANG DAOYUN, MEI LIYONG, et al, 2018. Remote sensing estimation of carbon storage of mangrove communities in Shenzhen City[J]. Wetland Science, 16(5): 618-625 (in Chinese with English abstract).

[10]
李春干, 代华兵, 2014. 红树林空间分布信息遥感提取方法[J]. 湿地科学, 12(5): 580-589.

LI CHUNGAN, DAI HUABING, 2014. Extraction of mangroves spatial distribution using remotely sensed data[J]. Wetland Science, 12(5): 580-589 (in Chinese with English abstract).

[11]
廖宝文, 张乔民, 2014. 中国红树林的分布、面积和树种组成[J]. 湿地科学, 12(4): 435-440.

LIAO BAOWEN, ZHANG QIAOMIN, 2014. Area, distribution and species composition of mangroves in China[J]. Wetland Science, 12(4): 435-440 (in Chinese with English abstract).

[12]
林鹏, 1997. 中国红树林生态系[M]. 北京: 科学出版社.

LIN PENG, 1997. Mangrove ecosystem in China[M]. Beijing: Science Press (in Chinese with English abstract).

[13]
林鹏, 傅勤, 1995. 中国红树林环境生态及经济利用[M]. 北京: 高等教育出版社.

LIN PENG, FU QIN, 1995. Environmental ecology and economic utilization of Mangrove in China[M]. Beijing: Higher Education Press (in Chinese with English abstract).

[14]
孟佩, 2015. 广东湛江红树林国家级自然保护区功能区调整与评价研究[D]. 长沙: 中南林业科技大学.

MENG PEI, 2015. Optimization and evaluation of functional areas of Zhanjiang Mangrove National Nature Reserve in Guangdong Province[D]. Changsha: Central South University of Forestry and Technology (in Chinese with English abstract).

[15]
彭逸生, 周炎武, 陈桂珠, 2008. 红树林湿地恢复研究进展[J]. 生态学报, 28(2): 786-797.

PENG YISHENG, ZHOU YANWU, CHEN GUIZHU, 2008. The restoration of mangrove wetland: a review[J]. Acta Ecologica Sinica, 28(2): 786-797 (in Chinese with English abstract).

[16]
石莉, 2002. 中国红树林的分布状况、生长环境及其环境适应性[J]. 海洋信息技术与应用, (4): 14-18.

SHI LI, 2002. Distribution condition and growing environment of China's mangrove, and its adaptabilily to the environment[J]. Journal of Marine Information Technology and Application, (4): 14-18 (in Chinese with English abstract).

[17]
唐道斌, 辛存林, 陈宁, 等, 2022. 2000—2018年湛江通明海红树林破碎化及生态服务价值[J]. 应用生态学报, 34(2): 415-422.

TANG DAOBIN, XIN CUNLIN, CHEN NING, et al, 2022. Mangrove forest fragmentation and its ecological service value in Tongming Sea of Zhanjiang, Guangdong, China during 2000-2018[J]. Chinese Journal of Applied Ecology, 34(2): 415-422 (in Chinese with English abstract).

[18]
吴中亨, 蔡俊欣, 叶亲柏, 2000. 无瓣海桑引种及推广效果分析[J]. 广东林业科技, (2): 6-10.

WU ZHONGHENG, CAI JUNXIN, YE QINBO, 2000. Analysis on effects of introduction and popularization of Sonneratia apetala[J]. Forestry Science and Technology, (2): 6-10 (in Chinese with English abstract).

[19]
徐芳, 2020. 基于Sentinel-2的红树林提取及碳储量估算研究[D]. 兰州: 兰州交通大学.

XU FANG, 2020. Mangrove extraction and carbon storage estimation by using Sentinel-2 images[D]. Lanzhou: Lanzhou Jiaotong University (in Chinese with English abstract).

[20]
杨彩福, 焦学志, 2008. 近50年来湛江市年极端气温统计分析[J]. 广东气象, 30(3): 14-16.

YANG CAIFU, JIAO XUEZHI, 2008. Statistical analysis on annual extreme temperature in Zhanjiang in recent 50 years[J]. Guangdong Meteorology, 30(3): 14-16 (in Chinese with English abstract).

[21]
杨新华, 2001. 湛江市的干旱状况及水资源的可持续利用[J]. 华中农业大学学报(社会科学版), (4): 19-23.

YANG XINHUA, 2001. Drought and sustainable utilization of water resource in the city of Zhanjiang[J]. Journal of Huazhong Agricultural University (Social Sciences Edition), (4): 19-23 (in Chinese with English abstract).

[22]
于航, 刘学录, 赵天明, 等, 2022. 基于景观格局的祁连山国家公园景观生态风险评价[J]. 生态科学, 41(2): 99-107.

YU HANG, LIU XUELU, ZHAO TIANMING, et al, 2022. Landscape ecological risk assessment of Qilian Mountain National Park based on landscape pattern[J]. Ecological Science, 41(2): 99-107 (in Chinese with English abstract).

[23]
郁林, 党星海, 纪婵, 等, 2021. 珠海市湿地景观格局演变及其驱动力分析[J]. 地理空间信息, 19(11): 48-53+7.

YU LIN, DANG XINGHAI, JI CHAN, et al, 2021. Wetland landscape pattern evolution and its driving force analysis in Zhuhai City[J]. Geospatial Information, 19(11): 48-53+7 (in Chinese with English abstract).

[24]
湛江市人民政府, (2023-04-14), [2023-04-26]. 湛江概况[EB-OL]. https://www.zhanjiang.gov.cn-mlzj-zjgk-content-post1300793.html

[25]
张乔民, 于红兵, 陈欣树, 等, 1997. 红树林生长带与潮汐水位关系的研究[J]. 生态学报, 17(3): 258-265.

ZHANG QIAOMIN, YU HONGBING, CHEN XINSHU, et al, 1997. The relationship between mangrove zone on tidal flats and tidal levels[J]. Acta Ecologica Sinica, 17(3): 258-265 (in Chinese with English abstract).

[26]
张苇, 林广旋, 刘一鸣, 2011. 湛江红树林国家级自然保护区人工造林现状及造林技术探讨[J]. 湿地科学与管理, 7(1): 37-39.

ZHANG WEI, LIN GUANGXUAN, LIU YIMING, 2011. Current status of plantation and afforestation techniques in Zhanjiang Mangrove National Nature Reserve[J]. Wetland Science and Management, 7(1): 37-39 (in Chinese with English abstract).

[27]
张希然, 罗旋, 1987. 湛江港和雷州湾海涂土壤特性[J]. 热带地理, 7(2): 128-136.

ZHANG XIRAN, LUO XUAN, 1987. The characteristics of tidal flat soil of Zhanjiang Harbour and Leizhou Bay[J]. Tropical Geography, 7(2): 128-136 (in Chinese with English abstract).

[28]
张雪红, 葛州徽, 甄晓菊, 等, 2022. 结合潮位与DEM的红树林遥感识别研究[J/OL], 南京信息工程大学学报(自然科学版), 1-12.

ZHANG XUEHONG, GE ZHOUHUI, ZHEN XIAOJU, et al, 2022. Study on remote sensing identification of mangrove forest combined tidal level and DEM[J-OL], 1-12 (in Chinese with English abstract).

[29]
张雪红, 周杰, 魏瑗瑗, 等, 2013. 结合潮位信息的红树林遥感识别[J]. 南京信息工程大学学报(自然科学版), 5(6): 501-507.

ZHANG XUEHONG, ZHOU JIE, WEI YUANYUAN, et al, 2013. Remote sensing identification of mangrove forest combined tidal level information[J]. Journal of Nanjing University of Information Science & Technology (Natural Science Edition), 5(6): 501-507 (in Chinese with English abstract).

[30]
BREIMAN L, FRIEDMAN J H, OLSHEN R A, et al, 1984. Classification and regression tree[M]. New York: Chapman & Hall (Wadsworth, Inc.).

[31]
CAO JINGJING, LENG WANCHUN, LIU KAI, et al, 2018. Object-Based mangrove species classification using unmanned aerial vehicle hyperspectral images and digital surface models[J]. Remote Sensing, 10(1): 89.

DOI

[32]
CHEN BANGQIAN, XIAO XIANGMING, LI XIANGPING, et al, 2017. A mangrove forest map of China in 2015: analysis of time series Landsat 7-8 and Sentinel-1A imagery in Google Earth Engine cloud computing platform[J]. ISPRS journal of photogrammetry and remote sensing, 131: 104-120.

DOI

[33]
GAO J, 1998. A hybrid method toward accurate mapping of mangroves in a marginal habitat from SPOT multispectral data[J]. International Journal of Remote Sensing, 19(10): 1887-1899.

DOI

[34]
GIRI C, OCHIENG E, TIESZEN L L, et al, 2011. Status and distribution of mangrove forests of the world using earth observation satellite data[J]. Global Ecology and Biogeography, 20(1): 154-159.

DOI

[35]
GIRI C, PENGRA B, ZHU Z, et al, 2007. Monitoring mangrove forest dynamics of the Sundarbans in Bangladesh and India using multi-temporal satellite data from 1973 to 2000[J]. Estuarine, Coastal and Shelf Science, 73(1-2): 91-100.

DOI

[36]
GIRI C, ZHU Z, TIESZEN L L, et al, 2008. Mangrove forest distributions and dynamics (1975-2005) of the tsunami-affected region of Asia[J]. Journal of Biogeography, 35(3): 519-528.

DOI

[37]
HU LUOJIA, LI WENYU, XU BING, 2018. Monitoring mangrove forest change in China from 1990 to 2015 using Landsat-derived spectral-temporal variability metrics[J]. International Journal of Applied Earth Observation and Geoinformation, 73: 88-98.

DOI

[38]
LEWIS R R, 2005. Ecological engineering for successful management and restoration of mangrove forests[J]. Ecological Engineering, 24(4): 403-418.

DOI

[39]
VIENNOIS G, PROISY C, FÉRET J-B, et al, 2016. Multitemporal analysis of high-spatial-resolution optical satellite imagery for mangrove species mapping in Bali, Indonesia[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 9(8): 3680-3686.

DOI

[40]
WANG DEZHI, WAN BO, QIU PENGHUA, et al, 2018. Artificial mangrove species mapping using Pléiades-1: an evaluation of pixel-based and object-based classifications with selected machine learning algorithms[J]. Remote Sensing, 10(2): 294.

DOI

[41]
WANG GANG, ZHANG YASONG, GUAN DONGSHENG, et al, 2021. The potential of mature Sonneratia apetala plantations to enhance carbon stocks in the Zhanjiang Mangrove National Nature Reserve[J]. Ecological Indicators, 133: 108415.

DOI

[42]
WESSEL P, SMITH W H F, 1996. A global, self-consistent, hierarchical, high-resolution shoreline database[J]. Journal of Geophysical Research: Solid Earth, 101(B4): 8741-8743.

[43]
ZHANG RONG, JIA MINGMING, WANG ZONGMING, et al, 2022. Tracking annual dynamics of mangrove forests in mangrove National Nature Reserves of China based on time series Sentinel-2 imagery during 2016-2020[J]. International Journal of Applied Earth Observation and Geoinformation, 112: 102918.

DOI

[44]
ZHAO CHUANPENG, QIN CHENGZHI, 2020. 10-m-resolution mangrove maps of China derived from multi-source and multi-temporal satellite observations[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 169: 389-405.

DOI

[45]
ZHAO CHUANPENG, QIN CHENGZHI, 2022. A detailed mangrove map of China for 2019 derived from Sentinel-1 and -2 images and Google Earth images[J]. Geoscience Data Journal, 9(1): 74-88.

DOI

Options
文章导航

/

〈 〉