袁藝馨，溫慶可，徐進(jìn)勇，王晨，趙曉麗，劉朔，解睿

1.中國科學(xué)院空天信息創(chuàng)新研究院 國家遙感應(yīng)用工程技術(shù)研究中心,北京 100101;

2.生態(tài)環(huán)境部衛(wèi)星環(huán)境應(yīng)用中心 水生態(tài)環(huán)境遙感部,北京 100094

1 引言

粵港澳大灣區(qū)是中國開放程度最高的地區(qū)，在經(jīng)濟發(fā)展中起重要的引領(lǐng)和帶動作用；粵港澳大灣區(qū)同時也是陸地、海洋及河流的交匯區(qū)，是中國海岸帶的重要組成部分，有著獨特的生態(tài)價值（陳吉寧，2016）。要實現(xiàn)粵港澳大灣區(qū)可持續(xù)發(fā)展，必須維護(hù)好灣區(qū)的生態(tài)環(huán)境（張修玉和施晨逸，2019）。已有研究表明，廣泛分布于灣區(qū)海岸沿海潮間帶的紅樹林在海洋生態(tài)中發(fā)揮著重要作用。在消浪減風(fēng)方面，紅樹林發(fā)達(dá)的根系在一定程度上能夠減小風(fēng)浪對海岸的侵蝕，同時起到防災(zāi)功能，降低臺風(fēng)天氣對沿海地區(qū)造成的災(zāi)害損失（樓堅 等，2009；陳玉軍，2012）；在保護(hù)生物多樣性方面，紅樹林濕地能夠為魚類、鳥類等野生動物提供棲息地，從而豐富物種多樣性，穩(wěn)定生態(tài)環(huán)境平衡（何斌源 等，2007）；在凈化海水方面，根系發(fā)達(dá)的紅樹林加速了懸浮物、泥沙的沉積，而且能夠吸收部分放射性物質(zhì)，起到降污減污的效果（于曉玲 等，2009）；在固碳方面，每公頃紅樹林的碳含量約1023 mg，能夠有效緩解溫室氣體排放所導(dǎo)致的全球變暖（Donato 等，2011）。開展粵港澳大灣區(qū)紅樹林動態(tài)變化監(jiān)測研究對該地區(qū)保護(hù)紅樹林、充分發(fā)揮其生態(tài)作用具有現(xiàn)實意義。

遙感具有覆蓋范圍廣、獲取信息速度快、重返周期短、成本低等特點（趙英時，2013），且遙感影像產(chǎn)品種類多、易獲取，適合用于長時序、大范圍監(jiān)測紅樹林的動態(tài)變化。在第二次全國濕地資源調(diào)查的基礎(chǔ)上，但新球等（2016）采用3S技術(shù)和現(xiàn)地調(diào)查相結(jié)合方式，重點對全國紅樹林濕地進(jìn)行了調(diào)查，該方法重點依靠實地調(diào)查，其時間成本、人力成本較高，且由于調(diào)查方式受限，部分地區(qū)的紅樹林濕地并沒有被調(diào)查統(tǒng)計覆蓋。為了應(yīng)對實地調(diào)查方法帶來的挑戰(zhàn)，Jia等（2018）利用Landsat 影像采用面向?qū)ο蠛蜎Q策樹分類的方法，完成了1973 年、1980 年、1990 年、2000 年、2010 年及2015 年的全國紅樹林提取，但該研究采用的是傳統(tǒng)遙感影像獲取、處理與分類方法，計算效率與信息獲取的時效性都較低。以上兩項研究基本實現(xiàn)了長時序下可比的紅樹林分布數(shù)據(jù)，但都尚未將數(shù)據(jù)集更新至2020 年。此外，目前現(xiàn)有的紅樹林動態(tài)變化研究存在只考慮了不同年份間紅樹林面積整體變化的對比，而不能表明各時段每個紅樹林圖斑的動態(tài)時空信息的問題，進(jìn)而無法了解每個紅樹林斑塊的變化情況，包括該紅樹林圖斑的面積變化及其相應(yīng)的土地利用類型轉(zhuǎn)入與轉(zhuǎn)出等情況（王子予 等，2020）。因此，本文擬采用現(xiàn)狀監(jiān)測和動態(tài)更新的方法完成粵港澳大灣區(qū)紅樹林濕地的長時序遙感監(jiān)測，將該區(qū)紅樹林分布數(shù)據(jù)更新至2020 年，確保歷史數(shù)據(jù)與更新數(shù)據(jù)一致可比，了解該區(qū)紅樹林30年的動態(tài)變化。

在紅樹林遙感分類及其動態(tài)變化研究的算法選擇方面，Buitre 等（2019）認(rèn)為在有限訓(xùn)練數(shù)據(jù)集的情況下，采用支持向量機方法SVM（Support Vector Machine）進(jìn)行影像分類是最好的方法之一，其通過對1987 年—2016 年Landsat 影像的分類結(jié)果進(jìn)行總面積統(tǒng)計分析和景觀指數(shù)分析，得到研究區(qū)紅樹林動態(tài)變化結(jié)果。Kanniah 等（2015）通過對比最大似然法MLC（Maximum Likelihood Classification）和SVM 算法對Landsat 影像的分類結(jié)果，認(rèn)為MLC 算法對紅樹林的分類效果優(yōu)于SVM 算法，之后根據(jù)分類圖像，在ArcCatalog 軟件中勾畫各土地利用/覆蓋類型對應(yīng)的多邊形文件，用于分析該地區(qū)25 年間紅樹林的動態(tài)變化。Elmahdy 等（2020）采用Landsat 和QuikBird 兩 種數(shù)據(jù)，對比了隨機森林RF（Random Forest）、核型邏輯回歸KLR（Kernel logistic regression）和樸素貝葉斯樹NB（Naive Bayes Tree）3 種機器學(xué)習(xí)方法，結(jié)果顯示RF 算法的分類準(zhǔn)確性較高，之后通過ID 算法確定不同年份間紅樹林圖像的DN 值差異，以此監(jiān)測1990年—2000年、2000年—2010年、2010 年—2019 年、1990 年—2019 年阿拉伯聯(lián)合酋長國北部的紅樹林動態(tài)變化。Jhonnerie 等（2015）對比RF 和MLC 兩種分類算法，對Landsat 和Alos Palsar 影像進(jìn)行監(jiān)督分類，獲得印度尼西亞孟加拉邦根邦河包括紅樹林在內(nèi)的土地覆蓋圖，同樣證明了RF 算法對紅樹林分類效果最好。上述各項研究中采用了不同方法識別研究區(qū)的紅樹林分布，其中RF 算法效果最好，但都采用了較為傳統(tǒng)的工具獲取、處理影像，對于長時間、大范圍監(jiān)測紅樹林的動態(tài)變化研究來說效率相對較低。

GEE 平臺能夠很好地應(yīng)對傳統(tǒng)計算方法效率相對較低的問題（Kumar 和Mutanga，2018；郝斌飛 等，2018；Gorelick 等，2017；修曉敏 等，2019）。GEE 是Google 公司提供的可在線可視化計算和分析處理的云平臺，其存儲了全球尺度的Landsat、Sentinel 等海量多樣遙感影像數(shù)據(jù)，并且具有高效強大的數(shù)據(jù)處理與分析能力，能夠為本研究高效識別長時序、大范圍下的紅樹林分布及變化提供有效支撐。目前，GEE 已應(yīng)用于林業(yè)（Reiche 等，2016；Hansen 等，2013）、農(nóng)業(yè)（Xiong 等，2017）等領(lǐng)域，且已有部分學(xué)者利用GEE 開展紅樹林動態(tài)變化監(jiān)測研究。劉凱等（2019）基于GEE 平臺，利用其Landsat 數(shù)據(jù)集，并使用閾值法對紅樹林進(jìn)行基于專家知識的決策樹分類，該學(xué)者認(rèn)為GEE 平臺既能提供充足的、已完成預(yù)處理的遙感影像用于長時序、大范圍的紅樹林遙感監(jiān)測，又能快速計算得到紅樹林提取結(jié)果。GEE 平臺不僅便于長時序紅樹林分布快速提取，還能實現(xiàn)大尺度范圍的紅樹林分布高效提取，Chen 等（2017）結(jié)合Landsat 和Sentinel-2 兩種數(shù)據(jù)在GEE 平臺上計算得到2015 年中國紅樹林分布圖，其提出年均歸一化植被指數(shù)（NDVI）有利于減小在紅樹林識別過程中的潮汐動態(tài)影響。王子予等（2020）基于GEE 平臺，采用隨機森林的方法對Landsat 數(shù)據(jù)進(jìn)行分類，快速準(zhǔn)確提取了1986 年—2018 年廣東省的紅樹林分布，實現(xiàn)了廣東省紅樹林年際變化監(jiān)測。以上各項研究都證明了GEE 能夠為長時序、大范圍紅樹林研究同時提供數(shù)據(jù)和技術(shù)支持。

為保證粵港澳大灣區(qū)1990 年—2020 年的紅樹林分布數(shù)據(jù)具有可比性，本文研究采用現(xiàn)狀監(jiān)測和動態(tài)更新相結(jié)合的方法完成該區(qū)域30 年間的紅樹林動態(tài)變化監(jiān)測。本文的其余部分安排如下：第2節(jié)詳細(xì)介紹了研究區(qū)及研究所用的數(shù)據(jù)源，包括遙感數(shù)據(jù)和樣本數(shù)據(jù)（訓(xùn)練樣本及驗證樣本）；第3節(jié)按照現(xiàn)狀監(jiān)測方法、動態(tài)更新方法及驗證方法的順序介紹了本文的研究方法；結(jié)果與分析在第4節(jié)中進(jìn)行了描述和分析，由實驗結(jié)果分析、動態(tài)更新方法分析及精度評價分析構(gòu)成；第5節(jié)總結(jié)和討論了本文的實驗結(jié)果與研究方法，并為后續(xù)的紅樹林動態(tài)更新工作提供了建議。

2 研究區(qū)及數(shù)據(jù)

2.1 研究區(qū)概況

本文以粵港澳大灣區(qū)為研究區(qū)，考慮到紅樹林主要生長于沿海地區(qū)的海岸潮間帶，實施監(jiān)測的具體范圍為粵港澳大灣區(qū)地理區(qū)域范圍內(nèi)的15 個沿海區(qū)/縣/市，包括廣州市番禺區(qū)和南沙區(qū)、深圳市南山區(qū)、福田區(qū)、龍崗區(qū)和寶安區(qū)、珠海市金灣區(qū)、香洲區(qū)和斗門區(qū)、臺山市、江門市新會區(qū)、惠州市惠陽區(qū)、惠東縣、東莞市和中山市，以及香港、澳門2 個特別行政區(qū)?；浉郯拇鬄硡^(qū)地處中國華南地區(qū)，屬于亞熱帶季風(fēng)氣候，全年溫暖濕潤，雨熱同期，年均溫21 ℃—23 ℃，年均降水量1500 mm 以上，有大量紅樹林分布，據(jù)但新球等（2016）統(tǒng)計，除香港、澳門外，2013 年該區(qū)紅樹林面積占全中國紅樹林面積的9.2%，因此，監(jiān)測該區(qū)紅樹林動態(tài)變化具有重要的生態(tài)意義。

2.2 數(shù)據(jù)源

2.2.1 遙感數(shù)據(jù)

紅樹林遙感監(jiān)測時段為1990 年—2020 年的4 個時段，具體為1990 年—2000 年、2000 年—2010 年、2010 年—2018 年以及2018 年—2020 年。各監(jiān)測時期使用的遙感影像數(shù)據(jù)均經(jīng)過裁剪、鑲嵌、幾何校正等一系列預(yù)處理。幾何校正以中科院中國1∶10 萬土地利用數(shù)據(jù)庫同步構(gòu)建的以地形圖為基準(zhǔn)的2000 年遙感影像標(biāo)準(zhǔn)庫為基準(zhǔn)（劉紀(jì)遠(yuǎn) 等，2005），采用Albers 正軸等面積雙標(biāo)準(zhǔn)緯線割圓錐投影方式，面積不變形的投影可確保面積測度的準(zhǔn)確性，為確保不同年份間紅樹林動態(tài)變化的可比性，其他年份的影像均以2000 年影像為基準(zhǔn)，經(jīng)過人工選點進(jìn)行幾何糾正，并以平原區(qū)不大于1個像素、山區(qū)不大于2個像素的誤差標(biāo)準(zhǔn)進(jìn)行全域?qū)Ρ茸圆椤τ谟糜跈C器算法研究的影像進(jìn)行了大氣校正。其中，1990 年、2000 年及2010 年紅樹林分布數(shù)據(jù)采用的是目視解譯動態(tài)更新方法，對應(yīng)遙感影像無需進(jìn)行大氣校正；2018 年紅樹林信息提取采用算法分類的方法，遙感影像進(jìn)行了大氣校正，具體使用歐洲空間宇航局ESA（European Space Agency）官方提供的SNAP 軟 件（http：//step.esa.int/main/toolboxes/snap/［2021-01-21］）中的Sen2cor（Sentinel-2 Level-2A Atmospheric Correction Processor）方法完成的大氣校正；2020 年采用的遙感影像來自GEE 平臺中由Sen2cor 方法進(jìn)行過大氣校正后的2A 級數(shù)據(jù)產(chǎn)品Sentinel-2。

具體地，2018年紅樹林識別使用的是Sentinel-2B 的B1、B2、B3、B4、B5、B6、B7、B8、B8A、B9、B10、B11和B12波段（簡稱B1-12 波段），由于GEE 平臺中Sentinel-2 數(shù)據(jù)產(chǎn)品沒有B10 波段，2020 年紅樹林識別使用的是Sentinel-2 影像的B1、B2、B3、B4、B5、B6、B7、B8、B8A、B9、B11和B12波段，其中，藍(lán)（B2）、綠（B3）、紅（B4）和近紅外（B8）波段地面像素采樣空間分辨率為10 m，紅色邊緣（B5）、近紅外（B6、B7 和B8A）和短波紅外（B11 和B12）波段的地面像素采樣空間分辨率為20 m，沿海氣溶膠（B1）和卷云（B10）波段的地面像素采樣空間分辨率為60 m?？紤]到重采樣處理信息的有效性及其與早期Landsat 影像的可銜接性，選擇使用最鄰近內(nèi)插法對波段進(jìn)行重采樣，重采樣后的空間分辨率均為20 m，既利于實現(xiàn)高精度的紅樹林識別，又能為1990 年—2010 年動態(tài)更新研究區(qū)紅樹林分布提供可靠、準(zhǔn)確的數(shù)據(jù)基礎(chǔ)。其中，2018 年的研究使用的是3 月份影像（利用特征參數(shù)重要性排序確定的最佳月份）；受少云標(biāo)準(zhǔn)的制約，2020 年的研究使用的是利用GEE 平臺既有算法將1—9 月份影像數(shù)據(jù)拼接成的能夠覆蓋全域的影像。

而1990 年、2000 年和2010 年的紅樹林識別采用的是Landsat TM/ETM+影像，空間分辨率均為30 m。由于11 月份是南方地區(qū)相對易于區(qū)分土地類型尤其是植被類型的季相（Zhang 等，2014），1990年、2000年和2010年的研究都選擇11月前后的影像為主要數(shù)據(jù)源。其中，由于早期遙感影像數(shù)量與質(zhì)量的雙重制約，1990 年、2000 年和2010 年的紅樹林識別實際使用的影像時間分別為1987年、2000年和2010年前后一年。

紅樹林大多生長于潮間帶上，潮汐現(xiàn)象會對紅樹林的遙感監(jiān)測產(chǎn)生一定的影響，但由于淹沒植被在Sentinel 數(shù)據(jù)的紅邊波段仍存在較強的反射（Jia等，2019），因此在由潮汐現(xiàn)象造成的紅樹林面積統(tǒng)計誤差方面，Sentinel 數(shù)據(jù)源對紅樹林的提取結(jié)果優(yōu)于Landsat 數(shù)據(jù)源，即相較于早期，2018 年和2020 年粵港澳大灣區(qū)紅樹林分布結(jié)果受潮汐現(xiàn)象影響小。

2.2.2 樣本數(shù)據(jù)

樣本數(shù)據(jù)包括用于隨機森林分類模型訓(xùn)練的訓(xùn)練樣本數(shù)據(jù)以及用于紅樹林專題圖結(jié)果驗證的驗證樣本數(shù)據(jù)。

訓(xùn)練樣本以深圳市福田區(qū)及香港為樣區(qū)，該區(qū)域擁有集中連片分布的典型紅樹林，同時也有沿海分布的狹長形紅樹林地帶，在全域紅樹林提取中具有代表性。訓(xùn)練樣本采用專家判讀的方法選取紅樹林樣本19 處、易于與紅樹林混分的其他沿海植被樣本11 處、其他樣本48 處。易于與紅樹林混分的其他沿海植被，是指地理分布區(qū)位上與紅樹林相近的植被，尤其是立地土壤水分較大區(qū)域的木本和草本植被，主要包括分布于沿岸丘陵的木本植被及分布于灘涂區(qū)域的其他木本植被和草本植被。其他類，包括水域15 處、人工用地與裸地15 處、云和云陰影17 處。樣本均為不規(guī)則面狀數(shù)據(jù)。在該區(qū)域訓(xùn)練穩(wěn)定的模型，進(jìn)而區(qū)域外推用于生成2018 年紅樹林遙感監(jiān)測專題圖。訓(xùn)練樣本選擇示例及樣本分布如圖1。之后在2018 年紅樹林監(jiān)測矢量結(jié)果的基礎(chǔ)上選擇樣本點，作為2020年紅樹林監(jiān)測的訓(xùn)練樣本。

圖1 深圳市福田區(qū)及香港訓(xùn)練樣本區(qū)分布與示例Fig.1 Spatial distribution and examples of training samples in Futian District，Shenzhen and Hong Kong

為了驗證紅樹林提取精度，驗證樣本在以粵港澳大灣區(qū)海岸線為基準(zhǔn)、半徑為5 km 的緩沖區(qū)范圍內(nèi)，采用隨機抽取的方法選擇驗證樣本。驗證樣本包括紅樹林和非紅樹林兩種類型，其中，非紅樹林樣本以易于與紅樹林混分的沿岸丘陵的木本植被及分布于灘涂區(qū)域的其他木本植被和草本植被為主，1990 年、2000 年、2010 年、2018 年和2020 年紅樹林驗證樣本個數(shù)分別為47、69、82、107 和106 處，非紅樹林樣本個數(shù)分別為195、185、162、107和108處。

3 研究方法

本文采用現(xiàn)狀監(jiān)測和動態(tài)更新相結(jié)合的方法來完成粵港澳大灣區(qū)紅樹林動態(tài)變化長時序遙感監(jiān)測，本文選擇以2018 年為現(xiàn)狀年，通過目視解譯和隨機森林算法進(jìn)行特征選擇與分類，得到2018 粵港澳大灣區(qū)紅樹林分布遙感監(jiān)測專題圖。為實現(xiàn)1990 年—2020 年粵港澳大灣區(qū)紅樹林動態(tài)變化監(jiān)測，本文采用目視解譯動態(tài)更新的方法完成1990 年、2000 年、2010 年、2020 年4 個時間節(jié)點的紅樹林分布遙感監(jiān)測專題圖，確保更新數(shù)據(jù)與歷史數(shù)據(jù)矢量圖斑共用界線的一致，得到粵港澳大灣區(qū)紅樹林各期可比的動態(tài)變化數(shù)據(jù)。具體研究方法流程圖如圖2。

圖2 研究方法流程圖Fig.2 Flowchart of the methodology

3.1 全區(qū)域紅樹林濕地本底信息提取

本文選擇以深圳市福田區(qū)及香港為樣區(qū)進(jìn)行特征選擇與模型訓(xùn)練，以確定最佳識別紅樹林的季節(jié)與分類模型。

在特征選擇方面，Sentinel-2B 影像中B11 和B12短波紅外波段具備最好的紅樹與其他植被的區(qū)分能力，但綜合B1-12 波段后大片紅樹林分類結(jié)果好，僅存在少量的漏分，在B1-12 波段的基礎(chǔ)上加入DEM作為輸入特征后同樣顯示分類結(jié)果好，但在DEM 更新不及時之處存在較嚴(yán)重的類型混分問題，且沒有解決少量漏分問題，本研究再次嘗試在B1-12 波段的基礎(chǔ)上加入NDVI、DVI、RVI、MSAVI2、IRECI、PSSRa、MCARI、NDI45、NDWI、NDWI2、MNDWI、NDPI、NDTI、TNDVI、S2REP、REIP 及MTCI 共計17 個水體和植被指數(shù)，其中僅有前13 個指數(shù)對紅樹林提取有效，但與B1-12 波段作為輸入特征相比并不能提高分類精度。因此本研究最終選擇Sentinel-2B 影像中B1-12 作為模型的輸入特征。

考慮到植被的時間光譜特性有利于區(qū)分紅樹林與其他植被，本研究選擇年度NDVI 的最大值、最小值、平均值及標(biāo)準(zhǔn)差和月份重要性排序兩種方法分別學(xué)習(xí)植被的時間光譜特性，再根據(jù)分類效果選其一。具體地，前者將統(tǒng)計量作為波段與B1-12波段共同作為模型的輸入特征，后者采用隨機森林算法對2018 年1—12 月各月各波段（B1-12）進(jìn)行特征參數(shù)重要性排序，以確定最佳月份的影像作為模型輸入。

在模型訓(xùn)練方面，本研究利用ENVI 軟件的EnMap-box插件（Van der Linden 等，2015），采用隨機森林算法訓(xùn)練采集樣本，設(shè)置決策樹數(shù)目多次試驗，確定該研究所需的隨機森林分類模型，并將其應(yīng)用于整個研究區(qū)，得到2018 年粵港澳大灣區(qū)紅樹林分布的初步提取結(jié)果。

通過人工目視檢查分類結(jié)果發(fā)現(xiàn)各地類中有許多小碎斑的存在，這是由于避免不了自動分類帶來的椒鹽噪聲問題而導(dǎo)致各地類不完整，影響紅樹林分布的提取結(jié)果的準(zhǔn)確性。針對這一問題，本文采用人機交互目視解譯的方法，對分類結(jié)果進(jìn)行研究區(qū)全區(qū)的驗證與修改，最小上圖圖斑為2×4 個像素對應(yīng)面積，對于2018 年實際使用的20 m 空間分辨率遙感影像而言，最小上圖面積為寬度不少于40 m，面積不小于3200 m2，最終生成2018 年粵港澳大灣區(qū)紅樹林濕地遙感監(jiān)測專題圖，即完成紅樹林濕地現(xiàn)狀監(jiān)測。

3.2 紅樹林濕地歷史時期及最新變化動態(tài)更新

1990 年、2000 年、2010 年和2020 年的紅樹林分布數(shù)據(jù)均是在2018 年粵港澳大灣區(qū)紅樹林濕地遙感監(jiān)測專題圖的基礎(chǔ)上，通過動態(tài)更新的方法得到。不同的是，1990 年、2000 年及2010 年紅樹林分布數(shù)據(jù)是直接經(jīng)目視解譯勾繪動態(tài)圖斑完成的，而2020 年是根據(jù)GEE 分類結(jié)果勾繪動態(tài)圖斑完成的。最小上圖圖斑為2×4個像素對應(yīng)面積，各期紅樹林最小上圖面積因各期影像分辨率不同而不同。2020 年影像分辨率與2018 年影像分辨率一致，因此最小上圖面積一致；1990 年、2000 年及2010 年影像分辨率為30 m，因此最小上圖面積為寬度不少于60 m，面積不小于7200 m2。

具體地，生成1990 年、2000 年及2010 年的紅樹林濕地遙感監(jiān)測專題圖是以中國1∶10萬比例尺土地利用遙感監(jiān)測數(shù)據(jù)庫為參考（張增祥 等，2012），對比前后兩個時間節(jié)點的遙感影像，目視地物動態(tài)變化，在2018 年紅樹林濕地遙感監(jiān)測專題圖的基礎(chǔ)上，對動態(tài)圖斑進(jìn)行數(shù)字化勾繪，并為該動態(tài)圖斑添加動態(tài)類型編碼。而生成的2020年紅樹林濕地遙感監(jiān)測專題圖是以2020 年的分類結(jié)果為參考，進(jìn)行動態(tài)更新得到的，動態(tài)更新方法與上述方法一致。其中，2020 年分類結(jié)果是基于GEE 平臺，利用70%的樣本數(shù)據(jù)訓(xùn)練隨機森林模型，并應(yīng)用于整個研究區(qū)得到的，GEE 平臺已集成隨機森林方法，可直接調(diào)用該方法并迭代試驗不同決策樹數(shù)目對分類精度的影響，迭代一次僅10 s左右，能夠快速確定分類效果最優(yōu)地模型參數(shù)，之后利用30%的樣本數(shù)據(jù)對分類結(jié)果進(jìn)行測試。

動態(tài)類型編碼采用6 位編碼制，前3 位編碼代表前一個時間節(jié)點的地物類型，后3位編碼代表后一個時間節(jié)點的地物類型。地物類型的分類體系參考中科院中國1∶10萬比例尺土地利用分類體系（劉紀(jì)遠(yuǎn) 等，2005），根據(jù)研究區(qū)土地利用實際情況及與紅樹林動態(tài)變化相關(guān)性考慮，將土地利用分類體系歸納為鹽沼（10）、紅樹林（20）、光灘（30）、河流和湖泊（40）、坑塘（43）、人工用地（50）、海域（99）和其他類型（60），解譯標(biāo)志見表1。圖3 的編碼表示鹽沼轉(zhuǎn)化為紅樹林，即紅樹林濕地面積增加。對于類型代碼為2 位的分類類型，采用末尾補“0”的方法進(jìn)行處理，確保前3 位代表變化前時間節(jié)點的土地利用類型，后3 位代表變化后的土地利用類型。

表1 粵港澳大灣區(qū)遙感影像解譯標(biāo)志Table 1 Features for interpretation of different landcover types using remote sensing image in Guangdong-Hong Kong-Macao Greater Bay Area

圖3 動態(tài)類型編碼Fig.3 Dynamic type coding

通過該動態(tài)類型編碼既可以生成新時間節(jié)點的紅樹林濕地遙感監(jiān)測專題圖，又可以記錄地物類別的動態(tài)轉(zhuǎn)化，利于分析紅樹林動態(tài)變化與其他土地利用類型的轉(zhuǎn)化關(guān)系，進(jìn)一步服務(wù)于紅樹林濕地保護(hù)決策的制定。此外，動態(tài)圖斑與原有土地利用類型圖斑共用邊界線，使得生成新的紅樹林濕地遙感監(jiān)測專題圖后，能夠確保多期數(shù)據(jù)間共用邊界線完全吻合，減小紅樹林動態(tài)變化分析誤差。

根據(jù)上述動態(tài)更新方法完成1990年、2000年、2010 年及2020 年紅樹林濕地遙感動態(tài)監(jiān)測，形成了1990 年—2020 年期間共計4 個時段的紅樹林動態(tài)變化數(shù)據(jù)庫，通過合并與拆分的基本地理空間分析方法，生成了1990 年—2020 年共計4 期的粵港澳大灣區(qū)紅樹林濕地分布專題圖。

3.3 紅樹林專題圖驗證方法

本研究以生成可面向管理使用的紅樹林?jǐn)?shù)據(jù)庫為主要目標(biāo)之一，因此，在整個研究和數(shù)據(jù)制作過程中，采用目視解譯的方法嚴(yán)格控制紅樹林提取精度；從數(shù)據(jù)制作流程上，把控了紅樹林分布專題圖的屬性準(zhǔn)確度。

由于野外驗證的時間、經(jīng)濟成本較高，本研究選擇高空間分辨率影像（圖4），并結(jié)合粵港澳大灣區(qū)紅樹林濕地公園文本信息，對1990 年、2000 年、2010 年、2018 年以及2020 年粵港澳大灣區(qū)紅樹林分布專題圖進(jìn)行驗證。具體地，為了驗證紅樹林的提取精度，本研究利用Google Earth 平臺提供的高空間分辨率影像，逐一對驗證樣本進(jìn)行專家判讀，確定驗證樣本的類別屬性，并與預(yù)測的樣本類別屬性進(jìn)行對比，參考廣東省紅樹林自然保護(hù)區(qū)和濕地公園名錄以及網(wǎng)絡(luò)搜索結(jié)果中可查找到的所有紅樹林自然保護(hù)區(qū)和濕地公園信息，即包括臺山市鎮(zhèn)海灣紅樹林國家濕地公園、中山市翠亨灣國家濕地公園、珠海市淇澳島濕地生態(tài)園、廣州市南沙濕地公園、深圳市紅樹林博覽園、深圳市寶安西灣紅樹林公園、深圳市福田紅樹林生態(tài)公園、香港米埔自然保護(hù)區(qū)以及惠州市大亞灣紅樹林城市濕地公園的文本信息，驗證有無遺漏大面積紅樹林統(tǒng)計的情況，評價紅樹林提取結(jié)果的錯分誤差、漏分誤差和總體精度。如圖4 所示，Sentinel-2（圖4（a））顯示不出植被紋理，易被錯分為紅樹林，但高空間分辨率影像（圖4（b））顯示中間呈團狀紋理的植被為紅樹林，兩側(cè)并不具備團狀紋理的植被為非紅樹林。

圖4 Sentinel-2影像B8、B4、B3波段和高空間分辨率影像B4、B3、B2波段對比Fig.4 Comparison of Sentinel-2 image illustrated using a false color composite（near-infrared，red and green bands）and high spatial resolution image illustrated using a true color composite（red，green and blue bands）

4 結(jié)果與分析

4.1 1990 年—2020 年粵港澳大灣區(qū)紅樹林監(jiān)測結(jié)果分析

本研究完成了1990 年—2020 年粵港澳大灣區(qū)紅樹林監(jiān)測，包括1990 年、2000 年、2010 年、2018 年和2020 年的紅樹林分布數(shù)據(jù)及各時間節(jié)點間的紅樹林動態(tài)變化數(shù)據(jù)，結(jié)果分析如下。

4.1.1 2020年粵港澳大灣區(qū)紅樹林濕地現(xiàn)狀分析

提取結(jié)果顯示，2020 年紅樹林總面積約21.73 km2，江門市、珠海市、香港特別行政區(qū)及深圳市沿海紅樹林面積相對較多，分別為6.48 km2、5.29 km2、4.58 km2、1.51 km2，占粵港澳大灣區(qū)紅樹林面積的比例分別為29.82%、24.34%、21.08%和6.95%，合計82.19%。

其中，紅樹林分布較為集中的共有5處，分別為臺山市北陡鎮(zhèn)沿海地區(qū)（圖5（a））、香港元朗區(qū)沿海地區(qū)（圖5（b））、臺山市崖山（圖5（c））、珠海市淇澳島（圖5（d））和深圳福田和香港米埔沿海地區(qū)（圖5（e））?？傮w上粵港澳大灣區(qū)紅樹林分布相對集中，只有少數(shù)零散分布在海岸潮間帶上。

圖5 2020年粵港澳大灣區(qū)紅樹林集中分布區(qū)Fig.5 Concentrated distribution areas of mangrove in Guangdong-Hong Kong-Macao Greater Bay Area in 2020

4.1.2 1990 年—2020 年粵港澳大灣區(qū)紅樹林動態(tài)變化分析

（1）1990 年—2020 年粵港澳大灣區(qū)紅樹林面積總體變化。根據(jù)1990 年—2020 年的紅樹林分布監(jiān)測結(jié)果統(tǒng)計，粵港澳大灣區(qū)紅樹林面積變化總體呈先減少后增加的趨勢，如圖6，轉(zhuǎn)折點出現(xiàn)于2000 年前后。1990 年紅樹林面積約11.52 km2，而2000年紅樹林面積減少到6.92 km2，減少了4.6 km2，反映出1990 年—2000 年間該地區(qū)的紅樹林遭到了巨大破壞。但到2010 年紅樹林面積回彈，增長到13.04 km2，已經(jīng)超過1990 年紅樹林總面積，說明2000 年—2010 年間該地區(qū)紅樹林得到了恢復(fù)。2010 年至今該地區(qū)紅樹林面積仍然保持增長趨勢，2018 年紅樹林總面積增加到19.97 km2，2020 年紅樹林總面積再次增加到21.73 km2，其中2000 年到2010 年增幅約88.44%，2010 年到2020 年增幅約66.64%，反映出粵港澳大灣區(qū)紅樹林面積增速逐漸趨于緩慢，部分原因是由于紅樹林生長需要一定的淤泥堆積環(huán)境，而光灘是新增紅樹林來源最多的土地利用類型，隨著光灘不斷被開發(fā)利用，帶來其轉(zhuǎn)化為紅樹林的后續(xù)動力不足的問題。此外，海域、河流和湖泊、坑塘和鹽沼也是新增紅樹林面積的土地來源。1990 年至2020 年，光灘、海域、河流和湖泊、坑塘和鹽沼提供新增紅樹林的土地面積分別為6.17 km2、4.50 km2、3.00 km2、2.43 km2、2.36 km2，分別占新增紅樹林面積的32.77%、23.88%、15.94%、12.89%、12.55%，比例合計98.03%。

圖6 1990年—2020年粵港澳大灣區(qū)紅樹林面積變化Fig.6 Overall dynamic changes of mangrove area in Guangdong-Hong Kong-Macao Greater Bay Area from 1990 to 2020

（2）1990 年—2020 年粵港澳大灣區(qū)各階段的紅樹林面積變化。1990 年—2020 年粵港澳大灣區(qū)紅樹林面積凈增加了10.21 km2，增加幅度為88.63%，如圖7，除1990 年—2000 年紅樹林面積凈變化為負(fù)值（即紅樹林總面積減少）外，2000年后紅樹林面積凈變化為正值（即紅樹林總面積增加），反映出2000年后粵港澳大灣區(qū)對紅樹林實施的保護(hù)與恢復(fù)措施是有效的。

圖7 1990年—2020年粵港澳大灣區(qū)各階段紅樹林動態(tài)變化Fig.7 Dynamic changes of mangrove area at various stages in the Guangdong-Hong Kong-Macao Greater Bay Area from 1990 to 2020

（3）1990 年—2020 年粵港澳大灣區(qū)各區(qū)域的紅樹林面積變化。監(jiān)測結(jié)果顯示，粵港澳大灣區(qū)中的珠海市、江門市、中山市、廣州市、深圳市、惠州市、東莞市以及香港和澳門兩個特別行政區(qū)存在紅樹林的分布，30 年來這些城市的紅樹林面積整體上都呈凈增長狀態(tài)，說明其重視紅樹林濕地的保護(hù)與恢復(fù)，各城市的紅樹林面積增減變化如圖8所示。

圖8 1990年—2020年粵港澳大灣區(qū)各地區(qū)紅樹林動態(tài)變化Fig.8 Dynamic changes of mangrove area in different administrative regions in Guangdong-Hong Kong-Macao Greater Bay Area from 1990 to 2020

具體地，江門市新會區(qū)、珠海市香洲區(qū)和臺山市的紅樹林面積流失較多，分別為3.62 km2、2.31 km2和1.44 km2，占總減少面積的85.60%。隨著各地區(qū)重視對紅樹林濕地的保護(hù)與恢復(fù)，到2020年，粵港澳大灣區(qū)紅樹林共增長了18.83 km2。30年來臺山市、珠海市香洲區(qū)、香港特別行政區(qū)、中山市及廣州市南沙區(qū)紅樹林面積增長最多，分別為5.32 km2、4.67 km2、2.80 km2、1.63 km2及0.95 km2，占總增加面積的81.67%。此外，在1990 年—2020 年間，僅有江門市新會區(qū)、惠州市惠陽區(qū)及深圳市龍崗區(qū)的紅樹林面積呈凈減少，其他地區(qū)的紅樹林面積都呈凈增長，反映出粵港澳大灣區(qū)的紅樹林保護(hù)與恢復(fù)政策起到了積極作用。從30 年的增減變化來看，廣州市番禺區(qū)、惠州市惠東縣、深圳市寶安區(qū)、東莞市、澳門及珠海市斗門區(qū)紅樹林面積只增不減，但僅有深圳市龍崗區(qū)紅樹林面積只減不增，其紅樹林面積減少出現(xiàn)于1990 年—2000 年間，被養(yǎng)殖坑塘占用，需要加強對紅樹林的保護(hù)與恢復(fù)。

4.1.3 1990 年—2020 年粵港澳大灣區(qū)紅樹林動態(tài)變化原因

造成粵港澳大灣區(qū)紅樹林面積變化的原因是多重的，既有自然因素，也有人為因素，其中，人為因素對紅樹林面積變化影響較大（Thomas等，2017）。2000 年以前各地區(qū)沒有認(rèn)識到紅樹林濕地重要的生態(tài)作用，為了滿足經(jīng)濟發(fā)展、城市擴張的需要，人們占用了紅樹林濕地區(qū)域用以養(yǎng)殖坑塘、人工用地等建設(shè)，嚴(yán)重破壞了紅樹林濕地，使得1990 年—2000 年減少的紅樹林面積最大，占1900 年—2020 年紅樹林減少面積的93.39%，監(jiān)測表明，30 年來紅樹林減少的面積主要流向河流和湖泊、人工用地及其他類型。2000 年左右各地對紅樹林的保護(hù)意識開始加強，通過建設(shè)紅樹林濕地公園、設(shè)立紅樹林濕地自然保護(hù)區(qū)，重視對紅樹林的保護(hù)修復(fù)，包括臺山市鎮(zhèn)海灣紅樹林國家濕地公園、中山市翠亨灣國家濕地公園、珠海市淇澳島濕地生態(tài)園、廣州市南沙濕地公園、深圳市紅樹林博覽園、深圳市寶安西灣紅樹林公園、深圳市福田紅樹林生態(tài)公園、香港米埔自然保護(hù)區(qū)以及惠州市大亞灣紅樹林城市濕地公園等，使得紅樹林面積不斷增加，據(jù)紅樹林監(jiān)測結(jié)果顯示，大量、連片的紅樹林分布于以上的公園和自然保護(hù)區(qū)中，證實了人為因素對紅樹林面積變化有著較大影響。如圖9，深圳福田紅樹林生態(tài)公園和香港米埔自然保護(hù)區(qū)內(nèi)紅樹林得到了較好的恢復(fù)和保護(hù)。

圖9 深圳福田紅樹林生態(tài)公園和香港米埔自然保護(hù)區(qū)紅樹林動態(tài)變化Fig.9 Dynamic changes of mangrove distribution in Futian Mangrove Ecological Park（Shenzhen）and Maipu Nature Reserve（Hong Kong）illustrated using a false color composite（near-infrared，red，green bands）

4.2 1990 年—2020 年粵港澳大灣區(qū)紅樹林監(jiān)測結(jié)果精度評價結(jié)果

本研究目的在于利用遙感技術(shù)監(jiān)測粵港澳大灣區(qū)紅樹林分布及動態(tài)變化情況，因此選擇錯分誤差、漏分誤差和總體精度3個評價指標(biāo)驗證各個時期的紅樹林提取精度。其中，錯分誤差代表分類判定為紅樹林但經(jīng)驗證應(yīng)為非紅樹林的情況；漏分誤差是指分類判定為非紅樹林類型但經(jīng)驗證應(yīng)為紅樹林的情況；總體精度是針對紅樹林和非紅樹林（紅樹林之外其他類型的合計）兩種大類型區(qū)分的總體精度。結(jié)果顯示各個時期的紅樹林提取精度都在95%以上，精度評價結(jié)果如表2所示。

表2 粵港澳大灣區(qū)紅樹林提取精度評價結(jié)果Table 2 Classification accuracy for mangrove identification in the Guangdong-Hong Kong-Macao Greater Bay Area

經(jīng)驗證的紅樹林濕地分布專題圖，反映了紅樹林在不同時段的基本分布態(tài)勢；紅樹林動態(tài)變化數(shù)據(jù)庫，反映了紅樹林面積增減變化的土地來源與去向，直觀揭示了紅樹林面積變化的原因。

4.3 紅樹林現(xiàn)狀監(jiān)測與動態(tài)更新方法分析

（1）紅樹林現(xiàn)狀監(jiān)測方法的特征選擇分析。在學(xué)習(xí)時間光譜特性方面，與將年度NDVI 統(tǒng)計量作為模型輸入相比，確定最佳月份影像作為模型輸入的分類效果較好。月份重要度排序結(jié)果顯示，5 月、3 月紅樹林與其他植被區(qū)分度最好，但由于研究區(qū)范圍內(nèi)5 月份的影像存在團狀云，而3 月份的影像云覆蓋率低于1%，因此本研究選擇3 月份（3 月21 日）影像作為2018 年紅樹林遙感識別的基礎(chǔ)數(shù)據(jù)。

（2）紅樹林動態(tài)更新方法的效率提升分析。1990 年、2000 年及2010 年粵港澳大灣區(qū)紅樹林動態(tài)更新是采用傳統(tǒng)工具完成的，而2020 年粵港澳大灣區(qū)紅樹林動態(tài)更新是利用GEE 平臺完成的。在數(shù)據(jù)準(zhǔn)備方面，傳統(tǒng)方法下載一年的影像覆蓋全域需要5 景Sentinel 數(shù)據(jù)，挑選、下載、大氣校正耗時合計約需3 天時間。利用GEE 平臺可在線直接調(diào)用已經(jīng)經(jīng)過大氣校正的影像數(shù)據(jù)產(chǎn)品，節(jié)省了全部下載影像和大氣校正的時間；挑選影像可通過代碼對云覆蓋及影像需求時間進(jìn)行嚴(yán)格定義，并可在線實現(xiàn)全景原始分辨率的可視化目視確認(rèn)，相比快試圖確認(rèn)更便捷，全流程僅需若干分鐘時間即可完成。在解譯勾繪動態(tài)圖斑方面，2020 年動態(tài)更新可依據(jù)分類結(jié)果，已知紅樹林分布位置，依次勾繪每個紅樹林圖斑，速度比完全依靠目視解譯勾繪紅樹林圖斑快。因此，2020 年紅樹林快速動態(tài)更新方法的時間效率較高，使得紅樹林年際變化甚至是月際變化大范圍及時更新成為可能。

此外，在計算分類結(jié)果方面，2018 年紅樹林提取結(jié)果通過采用單機版計算機進(jìn)行以12 個波段為輸入的粵港澳大灣區(qū)全域分類得到，耗時合計約需1 天時間，而利用GEE 平臺，可直接調(diào)用已集成的隨機森林分類函數(shù)，約10 s 即可完成粵港澳大灣區(qū)全域分類的計算，后續(xù)研究可利用GEE平臺分類來節(jié)省時間成本。

5 結(jié)論

本文研究表明隨機森林算法適合應(yīng)用于紅樹林的識別提取，分類精度達(dá)95%以上。傳統(tǒng)分類后對比的動態(tài)變化監(jiān)測方法會使得同一地物的共用邊界出現(xiàn)不重合等誤差問題，而本文所采用的現(xiàn)狀監(jiān)測及動態(tài)更新的方法能夠較好地應(yīng)對這一問題，減小紅樹林面積變化誤差。且動態(tài)編碼記錄了每一個紅樹林動態(tài)變化斑塊的具體土地利用類型的轉(zhuǎn)變，能夠切實了解人類活動對紅樹林濕地的影響，更好地為恢復(fù)、保護(hù)紅樹林濕地的決策提供數(shù)據(jù)支持與依據(jù)。同時未來可以繼續(xù)采用動態(tài)更新的方法完成對粵港澳大灣區(qū)紅樹林動態(tài)變化遙感監(jiān)測，也對其他地物動態(tài)變化長時序監(jiān)測研究具有借鑒意義。

此外，考慮到GEE 平臺的計算能力與計算效率，其適合用于粵港澳大灣區(qū)紅樹林動態(tài)變化監(jiān)測的未來更新，或者用于其他地區(qū)長序列、大范圍的紅樹林動態(tài)監(jiān)測中，并且也適合用于1990 年—2020 年間的粵港澳大灣區(qū)紅樹林年際乃至月際動態(tài)變化研究中，能夠大大降低研究的時間成本，及時更新紅樹林動態(tài)變化。

為分析紅樹林監(jiān)測結(jié)果的客觀性，本文選擇了兩種紅樹林濕地監(jiān)測數(shù)據(jù)與本文進(jìn)行分析對比：一是以第二次全國濕地資源調(diào)查為基礎(chǔ)，結(jié)合3S技術(shù)與實地調(diào)查，得到中國紅樹林濕地分布數(shù)據(jù)（但新球 等，2016）；二是采用分類回歸樹算法，遙感監(jiān)測得到1985 年—2015 年廣東省紅樹林濕地分布數(shù)據(jù)（Ma 等，2019）。其中，前者的2013 年紅樹林濕地調(diào)查結(jié)果顯示，除香港、澳門兩個特別行政區(qū)外，粵港澳大灣區(qū)范圍內(nèi)的紅樹林面積為31.71 km2，而本文結(jié)果顯示2010 年、2018 年灣區(qū)紅樹林面積為13.04 km2、19.97 km2，這是由于本文紅樹林分布數(shù)據(jù)是利用遙感技術(shù)提取得到的，受影像分辨率限制，未計入2×4個像素對應(yīng)的紅樹林面積，且但新球等（2016）的研究主要依靠實地調(diào)查完成，將任何生長階段的紅樹林都算入總面積中，受生長初期的紅樹林在影像上難以識別的限制，本文也未記入生長初期的紅樹林面積，但本文不僅在低時間、經(jīng)濟成本的條件下完成了不同時期灣區(qū)紅樹林的分布提取，也監(jiān)測了其動態(tài)變化情況，用以分析影響紅樹林存量面積變化的因素，為恢復(fù)、保護(hù)紅樹林建言獻(xiàn)策。后者的監(jiān)測結(jié)果顯示，除香港、澳門兩個特別行政區(qū)外，1985 年、1995年、2005年及2015年粵港澳大灣區(qū)范圍內(nèi)的紅樹林面積分別為27.50 km2、14.17 km2、12.50 km2、16.25 km2，整體上與本文的紅樹林總面積結(jié)果相近，間接反映出本文紅樹林分布提取方法可行。

綜上所述，相較于其他紅樹林研究，本文提供了每個紅樹林斑塊的更新時段與歷史時段可比數(shù)據(jù)、2020 年粵港澳大灣區(qū)紅樹林分布數(shù)據(jù)以及快速更新紅樹林動態(tài)變化的方法，完整地實現(xiàn)了對1990 年—2020 年粵港澳大灣區(qū)紅樹林動態(tài)變化遙感監(jiān)測。結(jié)論如下：

（1）1990 年—2020 年粵港澳大灣區(qū)紅樹林面積呈現(xiàn)先減少再增加的趨勢，2000 年以前紅樹林遭到了巨大破壞，面積表現(xiàn)為凈減少，2000 年紅樹林面積約為6.92 km2，2000年后至今，紅樹林面積表現(xiàn)為凈增加，到2020 年，粵港澳大灣區(qū)紅樹林面積共計21.73 km2。其中，珠海、江門和香港紅樹林面積占比較多，占粵港澳大灣區(qū)河口紅樹林面積的76.2%。

（2）自2000 年以后粵港澳大灣區(qū)紅樹林面積持續(xù)增加，紅樹林面積增幅有減小趨勢。其中，2000年—2010年紅樹林面積凈增加6.12 km2，增幅約88.44%；2010 年—2020 年紅樹林面積凈增加8.69 km2，增幅約66.64%。

（3）人為因素是影響粵港澳大灣區(qū)紅樹林面積變化的主要因素。人為擾動在2000 年以前對紅樹林產(chǎn)生了負(fù)面影響，主要表現(xiàn)為養(yǎng)殖坑塘、人工用地等土地?zé)o序開發(fā)活動造成的紅樹林面積大量減少問題；2000 年之后該地區(qū)通過建設(shè)紅樹林公園及自然保護(hù)區(qū)來恢復(fù)和保護(hù)紅樹林，使得紅樹林面積持續(xù)增加。

（4）粵港澳大灣區(qū)紅樹林分布形式呈現(xiàn)多樣化。2010 年之后各地逐漸開始設(shè)立紅樹林濕地公園，這使得紅樹林濕地不再像2010 年之前一樣僅分布于沿海潮間帶上，也開始分布于靠近海岸的內(nèi)陸區(qū)域。

目前，粵港澳大灣區(qū)紅樹林增速放緩，側(cè)面反映出光灘不能成為新增紅樹林的持續(xù)來源，灣區(qū)對紅樹林的保護(hù)與恢復(fù)政策有待進(jìn)一步創(chuàng)新。而設(shè)立在內(nèi)陸的紅樹林公園，雖然使灣區(qū)紅樹林面積增加，但與潮間帶上的紅樹林相比，內(nèi)陸的紅樹林并不能起到消風(fēng)減浪、凈化海水的生態(tài)作用，僅對保護(hù)生物多樣性、減輕溫室效應(yīng)有一定的積極意義。