Search
E-mail
RSS

Online submission Editor-in-chief Peer review Staff Login

Journal of Tropical Oceanography >

2025 , Vol. 44 >Issue 3: 188 - 196

DOI: https://doi.org/10.11978/2024183

Marine Environmental Science

Study on mangrove pests and diseases monitoring for Tieshan Port in 2023 based on HJ-2A/B satellites

  • YUAN Yujie , 1, 2 ,
  • ZHONG Shiquan , 1, 2 ,
  • JIANG Weiguo 3 ,
  • CHU Aiping 1, 2 ,
  • LING Ziyan 1, 3
Expand
  • 1. School of Geography and Planning, Nanning Normal University, Nanning 530001, China
  • 2. Key Laboratory of Environment Change and Resources Use in Beibu Gulf, Ministry of Education, Nanning Normal University, Nanning 530001, China
  • 3. Faculty of Geographical and Planning, Beijing Normal University, Beijing 100875, China
ZHONG Shiquan. email:

Copy editor: LIN Qiang

Received date: 2024-09-28

  Revised date: 2024-12-03

  Online published: 2024-12-09

Supported by

National Natural Science Foundation of China (NSFC) Guangxi Joint Fund Key Support Project(U21A2022)

Fold

Abstract

Accurately identifying and monitoring the changes in mangrove pest and disease outbreaks is of great importance for the protection and restoration of mangrove ecosystems. In 2023, a serious mangrove pest and disease outbreak occurred in Tieshan Port, Guangxi. Using the rapid data acquisition feature of the Huanjing Jianzai-2A/B (HJ-2A/B) satellites, the normalized difference vegetation index (NDVI) and fractional vegetation cover (FVC) parameters were inverted through remote sensing, and a threshold segmentation was performed to obtain the area and degree of damage to the mangrove affected by pests and diseases. The results are shown as follows. (1) In 2023, the maximum area of mangrove affected by pests and diseases in Tieshan Port was 571.52 hm², accounting for 51.60% of the total area of mangrove in the port. (2) When 0.1≤FVC≤0.5, the mangrove was affected by pests and diseases. The degree of damage to the affected mangrove was divided into three grades based on FVC, with 0.1≤FVC<0.23 being severe damage, 0.23≤FVC<0.46 being moderate damage, and 0.46≤FVC≤0.5 being light damage. Among them, the mangrove with severe damage on October 8, 2023 was 257.82 hm2, accounting for 45.11% of the total affected mangrove area at that time. (3) On October 8, 2023, the area of mangrove affected by pests and diseases in Tieshan Port was the largest and the degree of damage was the most severe.

Key words： HJ-2A/B satellites; mangroves; pests and diseases; dynamic monitoring; Tieshan Port

Cite this article

YUAN Yujie , ZHONG Shiquan , JIANG Weiguo , CHU Aiping , LING Ziyan . Study on mangrove pests and diseases monitoring for Tieshan Port in 2023 based on HJ-2A/B satellites[J]. Journal of Tropical Oceanography, 2025 , 44(3) : 188 -196 . DOI: 10.11978/2024183

红树林是生长在海岸潮间带受海水周期性浸淹的以红树植物为优势树种的木本植物群落。红树林湿地在近海养殖、休闲娱乐、净化海水、维护海岸生物多样性等方面发挥着重要作用(林鹏, 2001; 范航清 等, 2017)。红树林发生虫害会导致红树林叶片枯萎, 枝干死亡, 影响到下一年红树林的繁殖, 严重危害红树林群落的生态健康(张悦 等, 2022)。广西本地害虫主要为广州小斑螟(Oligochroa cantonella)和柚木肖弄蝶夜蛾(Hyblaea puera)等, 其中广州小斑螟为北部湾最普遍、最主要且具有暴食性的食叶害虫, 其主要啃食白骨壤(Avicennia marina)。近年来柚木的引入导致柚木肖弄蝶夜蛾的出现, 它和广州小斑螟一样都是主要啃食白骨壤, 且白骨壤沿北部湾整个海岸皆有分布(黄滢 等, 2022)。最近十余年来广西北部湾红树林每年都遭受到不同程度的病虫害危害。2004年5月, 广西沿海白骨壤受广州小斑螟虫害面积累计超过700hm²。2008年, 广西沿海所有白骨壤生长地区均受到广州小斑螟虫害影响, 加之持续低温出现的红树林冻害, 山口红树林保护区内有17hm²的红树林死亡。2010年10月, 丹兜海白骨壤林区首次暴发柚木肖弄蝶夜蛾虫害, 受虫害面积约40hm2。2015年9月, 防城港和丹兜海暴发了北部湾柚木肖弄蝶夜蛾虫害规模最大的一次, 两地受灾面积约480hm2。2016年5月到12月底, 柚木肖弄蝶夜蛾在防城港的红树林区再次肆虐, 全年累计发生面积约450hm2(刘文爱 等, 2017)。2020年7月, 广西北部湾红树林遭受柚木肖弄蝶夜蛾虫害, 受灾发生面积约194.2hm²。
遥感技术因其具有多时间、高空间、不同光谱分辨率以及实时性好的特性(张竞成 等, 2012), 已经广泛应用于病虫害监测, 研究主要集中在病虫害早期监测、病虫害严重程度、对森林生态系统的影响等(Zhang et al, 2020; Lovett et al, 2006)。国内外学者使用不同卫星遥感数据对红树林病虫害展开了研究。Kovacs(2005) 等的研究, 通过建立实测叶面积指数(leaf area index, LAI)与IKONOS卫星图像计算得出的LAI之间的线性回归模型, 用以监测和评估墨西哥红树林的健康状况。研究结果表明, LAI能够较好地反映红树林健康状况的差异。曹庆先(2017)发现国产卫星遥感数据资源一号01C卫星影像和野外实地调查红树林虫害状况对红树林虫害状况建立的估测模型可以作为叶片损失预测的一种工具。陈燕丽 等(2023)利用高分一号卫星数据综合差值环境植被指数DVI(difference vegetation index, DVI)、归一化差值植被指数(normalized difference vegetation index, NDVI)和绿光波段构建虫害红树林识别决策树模型识别受虫害红树林。环境减灾二号卫星由2颗16m光学卫星组成(A星和B星), 发射于2020年, 卫星搭载4个载荷, 可提供16m多光谱、48m/96m高光谱数据, 多光谱重返周期率可达2d(孙晨曦 等, 2022), 相较于已有研究的3个卫星数据而言, 环境减灾二号卫星具有红边波段, 对于植被叶片中的叶绿素含量和健康状况非常敏感。目前基于多时相的遥感数据对于病虫害红树林的变化进行动态监测的研究到目前为止没有见到。
因此, 为探究铁山港2023年出现的病虫害影响范围及受灾程度, 本研究使用国产遥感数据的环境系列卫星(HJ2A、HJ2B)数据, 对2023年铁山港红树林病虫害进行动态监测, 分析病虫害的发生、发展以及恢复的规律, 为病虫害科学防治和植物修复提供科学依据, 给政策制定者和保护管理者提供数据支撑, 做到早期预防、早治理, 提高红树林生态系统的稳定和健康可持续性。

1 研究区概况

铁山港位于北部湾东北部, 是一个狭长的谷地溺谷型海湾, 形似喇叭状, 呈南北走向, 是我国大陆上离欧洲、非洲、中亚、西亚最近的港口(青尚敏 等, 2021)。铁山港属于亚热带季风气候区, 夏季高温多雨, 台风活跃; 冬季温暖干燥, 风向以东北为主。海水年均温度为18~30℃, 呈季节性变化, 潮汐属于半日潮型, 潮差较小。铁山港拥有我国目前面积最大的天然白骨壤纯林生长地, 其中还分布少量红海榄(Rhizophora stylosa)、桐花树(Aegiceras corniculatum)、秋茄(Kandelia candel)、海漆(Excoecaria Linn)以及外来物种无瓣海桑(Sonneratia apetala)(潘良浩 等, 2021)。对比2022年10月31日未受病虫害的HJ-2A数据和2023年10月8日的HJ-2A数据, 健康红树林颜色为绿色, 病虫害红树林颜色为砖红色。发生病虫害和未发生病虫害的图片以及发生病虫害时航拍图以及本研究中的三个样区分布见图1。
图1 研究区概况及样区分布图

Fig. 1 Overview of the study area and distribution of sampling sites

2 数据来源与研究方法

2.1 数据来源

研究使用数据包括卫星遥感数据以及野外调查数据。遥感数据采用HJ2A、HJ2B数据, 空间分辨率为16m, 包含有5个波段, 分别为蓝、绿、红、红边、近红外波段, 详情如表1所示。选择晴空卫星遥感影像, 时间跨度为2023年10月8日到2024年4月2日, 共计6景。对获取的卫星影像进行辐射定标、大气校正、正射校正等预处理。本研究使用的卫星数据以及潮位高度见表1。
表1 遥感数据及其潮位高度

Tab. 1 Remote sensing data and their tidal heights

卫星遥感影像 时间 潮位高度/mm
HJ2A_CCD1_E110.1_N22.1_20230612_L1A0000794167 2023-06-12 138
HJ2A_CCD4_E109.8_N21.8_20231008_L1A0000893195 2023-10-08 526
HJ2A_CCD4_E109.8_N21.9_20231118_L1A0000926155 2023-11-18 360
HJ2B_CCD2_E110.3_N22.2_20231207_L1A0000928011 2023-12-07 355
HJ2A_CCD2_E109.9_N22.2_20240115_L1A0000977873 2024-01-15 340
HJ2B_CCD1_E109.8_N22.2_20240211_L1A0000989207 2024-02-11 350
HJ2A_CCD2_E109.4_N22.2_20240402_L1A0001053116 2024-04-02 123
野外调查数据获取时间为2023年8月21日以及2023年10月, 其中2023年8月21日在铁山港并未发生病虫害, 2023年10月铁山港病虫害已经漫及整个港湾, 2023年6月12日数据用于红树林提取。利用无人机航拍图像作为样本点, 对卫星遥感影像进行红树林病虫害提取。两次野外调查的航拍数据以及近景照片见图1。

2.2 研究方法

2.2.1 红树林提取

使用植被遥感指数提取铁山港红树林, 并结合现场调查数据对其进行修正。由于铁山港红树林分布在海岸(堤)向外延伸50~1000m领域内(李珊珊 等, 2011), 因此去除水体是提取红树林的难点。植被叶片在近红外具有很高反射率而在红光波段吸收更多光; 水体在近红外波段和红光波段的反射率都很低, 尤其在近红外波段几乎没有反射率。为提取红树林的准确性, 本研究选取未出现病虫害以及潮位较低的卫星影像(2023年6月12日)提取红树林, 铁山港潮高基准面在平均海平面下300cm, 红树林提取结果见图2。NDVI的计算公式如下(田云 等, 2024):
$\text{NDVI=(NIR}\text{RED)/(NIR+RED)}$
式中, NIR、RED为近红外、红光波段的光谱反射率。
图2 红树林提取结果

Fig. 2 Mangrove extraction results

经过统计, 2023年铁山港红树林总面积为1107.64hm²。

2.2.2 病虫害红树林提取

提取2023年10月8日遥感影像中健康红树林和虫害红树林, 其光谱曲线如图3所示, 在可见光波段中 虫害红树林反射率略高于健康红树林, 而在红边波段、近红外波段中, 健康红树林高于虫害红树林的反射率。受虫害影响的红树林其嫩芽、叶片被啃食, 出现叶片干枯脱落扭曲变黄、枝条枯死, 导致红树林的叶片叶绿素降低, 吸收可见光的能力减弱, 可见光波段反射率增强, 红外区域反射率会显著降低(杨盛昌 等, 2020), 且虫害红树林的红外波段反射率比红边波段的反射率下降更为明显, 因此本研究选择近红外波段进行虫害红树林提取。
图3 红树林和虫害红树林光谱特征

Fig. 3 Spectral characteristics of mangroves and pest-infested mangroves

选取对虫害敏感度高的可见光和近红外波段, 使用的植被指数为NDVI、植被覆盖度(fractional vegetation cover, FVC)两种植被指数。计算公式为
$\text{FVC}=\text{(NDVI}-\mathop{NDVI}_{\text{soil}})/(\mathop{NDVI}_{\text{veg}}-\mathop{NDVI}_{\text{soil}})$
式中, NDVIveg、NDVIsoil分别为纯植被覆盖(裸土)区域的NDVI值和无植被覆盖区域的NDVI值。
采用阈值分割法识别虫害红树林。其原理是通过设置一个或多个阈值, 将图像的像素分为前景和背景或不同的区域。简单来说, 就是根据像素的亮度或颜色值, 将图像划分为不同的部分, 达到图像分割的目的(史春天, 2022)。
根据无人机的健康红树林和虫害红树林样本数据, 对FVC数值统计分析, 经过反复迭代确定, 判定0.1< FVC< 0.5时为虫害红树林。

2.2.3 虫害红树林分类精度评价

虫害红树林分类精度评价利用准确率(accuracy, A)、精确率(precision, P)、召回率(recall, R)和综合指标(F1 score, F1)进行分类精度评价。A是分类模型预测正确的样本数占总样本数的比例。P是在所有被预测为病虫害红树林的样本中, 真正为病虫害红树林的比例。R为所有真实为病虫害红树林的样本中, 模型能够正确识别的比例。F1是P和R的调和平均数, 确保模型在精确率和召回率之间偏向任何一个。
$A\text{=(TP+TN)/(TP+TN+FP+FN)}$
$P\text{=TP/(TP+FP)}$
$R\text{=TP/(TP+FN)}$
${{F}_{\text{1}}}\text{=2TP/(2TP+FP+FN)}$
式中, TP为提取为虫害红树林且真实为虫害红树林的样本数; FN为提取为健康红树林但是真实为虫害红树林的样本数; FP为提取为虫害红树林但是真实为健康红树林的样本数; TN为提取为健康红树林且真实为健康红树林的样本数。

2.2.4 红树林受灾程度

红树林受害程度越深, 其FVC越低。利用FVC值对受虫害的红树林进行受灾程度划分, 可划分为3个等级: 0.1~0.23为重度, 0.23~0.36为中度, 0.36~0.5为轻度。

3 结果与分析

3.1 虫害模型识别精度分析

利用无人机调查数据, 生成100个虫害红树林和100个健康红树林作为验证样本对2023年10月8日虫害红树林识别结果进行精度验证并计算各种精度评价指标。利用阈值分类精度在4个指标中均在0.93以上, 分类精度理想。准确率A值为0.95, 精确率P值为0.935, 召回率R值为1, 这3个指标皆大于0.9, 且综合指标F1为0.97, 表明虫害模型在评价指标上表现非常出色。

3.2 虫害红树林提取

通过对遥感影像进行病虫害提取后, 得到铁山港红树林受到虫害侵害的面积在2023年10月8日、2023年11月18日、2023年2月7日、2024年1月15日、2024年2月11日、2024年4月2日这6个时间点分别为571.52、375.40、184.01、60.93、16.95、1.23hm²(图4), 2023年10月8日病虫害红树林面积占铁山港红树林总面积的51.60%。虫害红树林是从中间向四周开始恢复。在2023年10月8日红树林受虫害面积最大, 在2023年11月18日开始虫害红树林出现明显的恢复, 从2023年10月8日到2023年11月18日, 铁山港港湾中部受灾红树林大片面积得到恢复, 北部和南部红树林受虫害红树林变化不明显, 从2023年11月18日到2023年12月7日, 北部和受灾红树林恢复明显恢复, 中部受灾红树林分布情况与2023年11月18日相比没有变化; 在2024年1月4日, 铁山港受灾红树林只剩下零星几个斑块, 集中在铁山港东部; 直到2024年4月2日, 铁山港受灾红树林只有两个斑块分布在东南部和北面, 详情见图5。
图4 铁山港病虫害红树林面积变化图

Fig. 4 Changes in pest- and disease-affected mangrove area in Tieshan Port

图5 铁山港红树林变化时空分布图

Fig. 5 Temporal and spatial distribution of mangrove changes in Tieshan Port

2023年10月8日—2023年11月18日, 虫害红树林面积恢复率为36.6%; 2023年11月18日—2023年12月7日, 虫害红树林面积恢复率为44.6%; 2023年12与7日—2024年1月15日, 虫害红树林面积恢复率为71.4%; 2024年1月15日—2024年2月11日, 虫害红树林面积恢复率为72.2%; 2024年2月11日—2024年4月2日, 虫害红树林面积恢复率为89.1%。虫害红树林面积恢复率呈现持续增长, 但每个阶段虫害红树林恢复的面积是逐渐减少的。

3.3 红树林受灾程度分析

为了了解铁山港虫害红树林受灾程度, 利用FVC对铁山港受灾红树林进行等级划分, 分为轻度、中度以及重度三个等级。从2023年10月8日到2024年4月2日, 病虫害红树林恢复期间, 重度受灾红树林以及中度受灾红树林面积是处于依次递减的状态。2023年10月18日虫害红树林受灾程度最严重, 中度受灾和重度受灾占比已经超过85%, 详情见表2。
表2 不同时期病虫害红树林受灾程度

Tab. 2 Damage degree of mangroves affected by pests and diseases on different dates

日期 轻度受灾面积/hm² 中度受灾面积/hm² 重度受灾面积/hm²
2023-10-08 84.74 229.00 257.82
2023-11-18 241.46 112.00 21.84
2023-12-07 149.22 27.49 7.3
2024-01-15 41.37 17.13 2.43
2024-02-11 14.00 1.56 1.38
2024-04-02 0.46 0.77 —
根据虫害红树林发生及恢复情况, 选择三个典型样区对其受灾情况进行详细分析, 以揭示铁山港病虫害红树林恢复规律。第一个样区中, 病虫害红树林从中间向四周恢复, 位于铁山港北面; 第二个样区为白骨壤几乎都发生病虫害, 而无瓣海桑几乎不受影响, 位于铁山港西北面; 第三个样区为病虫害红树林从四周向中间恢复, 位于铁山港东南面(图6)。第一个样区中, 西面的这个斑块虫害红树林发生在中部四周几乎没有受灾, 在2023年10月8日时, 该样区是以重度受灾和重度受灾为主, 到2023年12月7日时变成以轻度受灾为主, 到2024年1月15日, 该样区病虫害红树林只剩下一个轻度灾害虫害红树林未恢复, 一直到2024年4月2日, 该斑块面积是从四周向中心慢慢恢复, 但是并未完全恢复。第二个样区中, 该样区中红树林有白骨壤和无瓣海桑, 但是无瓣海桑在整个病虫害发生期间都未发生明显的病虫害, 白骨壤几乎都受灾, 且在2023年10月8日中以重度灾害和中度灾害为主, 到2023年11月18日虫害红树林变为以中度灾害为主, 到2024年1月15日受灾红树林已经完全恢复。第三个样区中, 从2023年10月8日到2023年12月7日, 受灾红树林面积没有明显变化, 但由2023年10月8日以重度灾害和中度灾害为主, 变为2023年12月7日以轻度灾害为主, 直到2024年4月2日该样区还剩下一个斑块中度灾害的虫害红树林未恢复。
图6 铁山港典型样区病虫害红树林受灾程度分布图

Fig. 6 Distribution of mangroves affected by pests and diseases in typical sample areas of Tieshan Port

4 讨论

本研究使用的数据是从2013年10月到2024年4月, 主要是在冬季和春季, 白骨壤的NDVI在不同季节变化不大, 其NDVI变化范围在0.4到0.5之间波动(Li et al, 2019)。对于本研究中只有2023年10月8日潮位较高, 其他时相潮位均偏低, 该时相的病虫害红树林提取精度会较其他时相低, 但是总体提取精度仍符合分布规律。
从1m的GF2卫星数据(GF2_PMS2_E1097_N215_20231012)以及野外调查得出, 铁山港是以白骨壤为主的白骨壤群落, 仅在铁山港北部即图6中的一个样区中有无瓣海桑, 且图7的无瓣海桑在2023年都未发生病虫害。
图7 铁山港典型样区卫星影像及其受灾程度分布图

a. 2023年10月12日GF-2真彩色合成图(321); b. 2023年10月8日HJ-2A受灾程度分布图; c. 2023年11月18日HJ-2A铁山港受灾程度分布图

Fig. 7 Satellite images of typical sample areas of Tieshan Port and distribution of their disaster severity

2023年铁山港受灾最严重的红树林是白骨壤, 但是对无瓣海桑影响甚微。本次红树林受的虫害为柚木肖弄蝶夜蛾虫害。前人的研究中表明虫灾暴发与气候异常有密切联系(黄滢 等, 2022; 张悦 等, 2022)。在2023年中, 北部湾平均气温突破1951年以来历史新高, 暴雨日降水量相比常年偏多, 特别是广西北海连续降水量达到769.7mm(竺夏英 等, 2024)。2023年铁山港异常气候加剧了红树林病虫害的暴发。柚木肖弄蝶夜蛾作为典型的热带昆虫, 在全球气候变暖的背景下, 其分布范围扩大, 繁殖周期缩短, 种群数量迅速增长。红树林环境中柚木肖弄蝶夜蛾天敌较少, 对该虫的控制作用有限, 导致虫害防治难度加大(刘文爱 等, 2017)。气温升高削弱了红树林的营养供给, 迫使害虫啃食更多植物, 进一步增加了红树林受灾程度, 造成铁山港内红树林几乎全部受灾(韦江玲 等, 2019)。
关于红树林柚木肖弄蝶夜蛾虫害的防治可以从生物防治、化学防治和物理防治等方面采取措施。通过维护红树林健康生态系统, 增强红树林对害虫的自然抗性; 可以引入柚木肖弄蝶夜蛾的天敌, 如寄生蜂或捕食性昆虫。增加红树林区域捕虫灯。在严重暴发时, 使用低毒性、环保的杀虫剂, 避免对红树林生态系统造成二次伤害。应当定期监测虫害, 及时采用预防措施, 避免大规模暴发, 并通过气候、生态数据构建模型, 预测病虫害发生趋势, 提前采取防治措施。

5 结论

红树林病虫害的动态监测可为政府对于虫害的预防以及治疗提供数据支撑。本研究对铁山港2023年红树林发生病虫害进行动态监测, 得出如下结论。
1) 利用NDVI>0.1可以提取红树林, 0.1<FVC<0.5时判定红树林为虫害红树林。
2) 铁山港2023年红树林发生虫害的最大面积为571.52hm², 占2023年铁山港红树林总面积的51.60%。
3) 利用FVC将虫害红树林分为3个等级: 0.1~0.23为重度, 0.23~0.36为中度, 0.36~0.5为轻度, 其中2023年10月8日重度受灾的红树林面积为257.82hm², 达到该时间受灾红树林面积的45.11%。
4) 2023年10月8日铁山港受灾面积最大且受灾程度最深。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
曹庆先, 2017. 基于遥感影像的红树林虫害监测模型[J]. 广西科学, 24(2): 144-149.

CAO QINGXIAN, 2017. Mangrove pests monitoring model based on the remote sensing image[J]. Guangxi Sciences, 24(2): 144-149 (in Chinese with English abstract).

[2]
陈燕丽, 孙明, 陈诚, 等, 2023. 基于GF1卫星的红树林病虫害遥感识别[J]. 科学技术与工程, 23(34): 14682-14690.

CHEN YANLI, SUN MING, CHEN CHENG, et al, 2023. Mangrove pests recognition based on GF1 satellite data[J]. Science Technology and Engineering, 23(34): 14682-14690 (in Chinese with English abstract).

[3]
范航清, 王文卿, 2017. 中国红树林保育的若干重要问题[J]. 厦门大学学报(自然科学版), 56(3): 323-330.

FAN HANGQING, WANG WENQING, 2017. Some thematic issues for mangrove conservation in China[J]. Journal of Xiamen University (Natural Science), 56(3): 323-330 (in Chinese with English abstract).

[4]
黄滢, 陈燕丽, 莫伟华, 等, 2022. 基于数据关联分析的红树林虫害与气象条件关系研究[J]. 气象研究与应用, 43(4): 20-25.

HUANG YING, CHEN YANLI, MO WEIHUA, et al, 2022. Data association analysis to the relationship between mangrove pests and meteorological conditions[J]. Journal of Meteorological Research and Application, 43(4): 20-25 (in Chinese with English abstract).

[5]
刘文爱, 李丽凤, 2017. 白骨壤新害虫柚木肖弄蝶夜蛾的生物特性及防治[J]. 广西科学, 24(5): 523-528.

LIU WENAI, LI LIFENG, 2017. Characteristics and control of a new pest of Avicennia marina: Hyblaea puera Cramer[J]. Guangxi Sciences, 24(5): 523-528 (in Chinese with English abstract).

[6]
林鹏, 2001. 中国红树林研究进展[J]. 厦门大学学报(自然科学版), 40(2): 592-603.

LIN PENG, 2001. A review on the mangrove research in China[J]. Journal of Xiamen University (Natural Science), 40(2): 592-603 (in Chinese with English abstract).

[7]
潘良浩, 史小芳, 范航清, 等, 2021. 广西铁山港围填海导致的高岭土快速沉积致红树林死亡原因分析[J]. 广西科学院学报, 37(3): 270-278.

PAN LIANGHAO, SHI XIAOFANG, FAN HANGQING, et al, 2021. Analysis of mangrove mortality due to rapid kaolinite deposition caused by reclamation in Tieshan Bay, Guangxi[J]. Journal of Guangxi Academy of Sciences, 37(3): 270-278 (in Chinese with English abstract).

[8]
青尚敏, 陈海南, 孙燕, 等, 2021. 广西铁山港邻近海域表层沉积物中重金属污染现状[J]. 广西科学, 28(6): 568-576.

QING SHANGMIN, CHEN HAINAN, SUN YAN, et al, 2021. Pollution status of heavy metals in surface sediments near Tieshangang Bay sea area, Guangxi[J]. Guangxi Sciences, 28(6): 568-576 (in Chinese with English abstract).

[9]
史春天, 2022. 基于群体智能算法的图像阈值分割方法研究[D]. 焦作: 河南理工大学.

SHI CHUNTIAN, 2022. Research on image threshold segmentation method based on swarm intelligence algorithm[D]. Jiaozuo: Henan Polytechnic University (in Chinese with English abstract).

[10]
孙晨曦, 万华伟, 宁可欣, 2022. 环境减灾二号A/B卫星16m相机在植被遥感监测中的应用测试[J]. 航天器工程, 31(3): 166-173.

SUN CHENXI, WAN HUAWEI, NING KEXIN, 2022. Application test of HJ-2A/B satellites 16m camera in remote sensing monitoring of vegetation[J]. Spacecraft Engineering, 31(3): 166-173 (in Chinese with English abstract).

[11]
田云, 刘俊艳, 白爽, 等, 2024. 近20年黄河流域甘肃段植被覆盖度变化与驱动因素分析[J]. 农业机械学报, 55(7): 365-372+404.

TIAN YUN, LIU JUNYAN, BAI SHUANG, et al, 2024. Fractional vegetation cover change and driving factors in Gansu section of Yellow River Basin[J]. Transactions of the Chinese Society for Agricultural Machinery, 55(7): 365-372+404 (in Chinese with English abstract).

[12]
韦江玲, 刘文爱, 黄琦, 等, 2019. 广西山口红树林保护区近15 a主要虫害调查[J]. 福建林业科技, 46(4): 66-69.

WEI JIANGLING, LIU WENAI, HUANG QI, et al, 2019. Investigation of main insect pests in Shankou National Mangrove Reserve of Guangxi in recent 15 years[J]. Journal of Fujian Forestry Science and Technology, 46(4): 66-69 (in Chinese with English abstract).

[13]
杨盛昌, 彭建, 薛云红, 等, 2020. 中国红树林的害虫种类及其综合防治[J]. 中国森林病虫, 39(1): 32-41.

YANG SHENGCHANG, PENG JIAN, XUE YUNHONG, et al, 2020. Species and integrated control of pests in mangrove community in China[J]. Forest Pest and Disease, 39(1): 32-41 (in Chinese with English abstract).

[14]
张竞成, 袁琳, 王纪华, 等, 2012. 作物病虫害遥感监测研究进展[J]. 农业工程学报, 28(20): 1-11.

ZHANG JINGCHENG, YUAN LIN, WANG JIHUA, et al, 2012. Research progress of crop diseases and pests monitoring based on remote sensing[J]. Transactions of the Chinese Society of Agricultural Engineering, 28(20): 1-11 (in Chinese with English abstract).

[15]
张悦, 陈燕丽, 黄滢, 等, 2022a. 防城港2种红树林虫害与气象条件的关系[J]. 热带生物学报, 13(6): 634-643.

ZHANG YUE, CHEN YANLI, HUANG YING, ET AL, 2022. Relationship between the occurrence of two typical insect pests in mangroves and the climate factors in Fangchenggang, Guangxi[J]. Journal of Tropical Biology, 13(6): 634-643 (in Chinese with English abstract).

[16]
张悦, 陈燕丽, 黄滢, 等, 2022b. 红树林广州小斑螟发生与气象因子的关系研究[J]. 广西科学, 29(4): 776-784.

ZHANG YUE, CHEN YANLI, HUANG YING, et al, 2022. Study on the relationship between occurrence of Oligochroa cantonella caradja and meteorological factors in mangrove[J]. Guangxi Sciences, 29(4): 776-784 (in Chinese with English abstract).

[17]
竺夏英, 孙林海, 钟海玲, 等, 2024. 2023年中国气候异常特征及主要天气气候事件[J]. 气象, 50(2): 246-256.

ZHU XIAYING, SUN LINHAI, ZHONG HAILING, et al, 2024. Characteristics of climate anomalies and major meteorological events over China in 2023[J]. Meteorological Monthly, 50(2): 246-256 (in Chinese with English abstract).

[18]
KOVACS J M, WANG JINFEI, FLORES-VERDUGO F, 2005. Mapping mangrove leaf area index at the species level using IKONOS and LAI-2000 sensors for the Agua Brava Lagoon, Mexican Pacific[J]. Estuarine, Coastal and Shelf Science, 62(1/2): 377-384.

[19]
LI HUIYING, JIA MINGMING, ZHANG RONG, et al, 2019. Incorporating the plant phenological trajectory into mangrove species mapping with dense time series sentinel-2 imagery and the google earth engine platform[J]. Remote Sensing, 11(21): 2479.

[20]
LOVETT G M, CANHAM C D, ARTHUR M A, et al, 2006. Forest ecosystem responses to exotic pests and pathogens in eastern North America[J]. BioScience, 56(5): 395.

[21]
ZHANG DONGYAN, CHEN GAO, ZHANG HUIHUI, et al, 2020. Integration of spectroscopy and image for identifying Fusarium damage in wheat kernels[J]. Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy, 236: 118344.

Options
Outlines

/

〈 〉