EN中文

地球信息科学学报 >

2021 , Vol. 23 >Issue 12: 2292 - 2304

DOI: https://doi.org/10.12082/dqxxkx.2021.210494

遥感科学与应用技术

基于高分影像光谱特征的广西海岸带红树林精细分类与制图

  • 马云梅 ,
  • 吴培强 , * ,
  • 任广波
展开
  • 自然资源部第一海洋研究所,青岛 266061
*吴培强（1984— ）,男,山东潍坊人,研究实习员,硕士,主要从事海岛海岸带遥感应用方面研究。 E-mail:

马云梅（1995— ）,女,内蒙古乌兰察布人,硕士,主要从事湿地监测研究。E-mail:

收稿日期: 2021-08-23

  要求修回日期: 2021-09-18

  网络出版日期: 2022-02-25

版权

版权所有,未经授权,不得转载、摘编本刊文章,不得使用本刊的版式设计。
收起

Fine Classification and Mapping of Mangroves in Guangxi Coastal Zone based on Spectral Characteristics of GF Images

  • MA Yunmei ,
  • WU Peiqiang , * ,
  • REN Guangbo
Expand
  • First Institute of Oceanography, Ministry of Natural Resources, Qingdao 266061, China
*WU Peiqiang, E-mail:

Received date: 2021-08-23

  Request revised date: 2021-09-18

  Online published: 2022-02-25

Copyright

Copyright reserved © 2021
Fold

摘要

准确了解我国海岸带红树林种类组成有助于红树林资源调查、保护和利用。本文基于广西海岸带2018—2020年共 14景GF-2多光谱影像,通过植被指数法和一阶微分法进行光谱特征数据重构,使用支持向量机分类方法,对广西海岸带红树林开展种间精细分类研究。结合现场数据以茅尾海为例,通过与原始数据和一阶微分的分类结果进行对比分析,来验证光谱特征数据重构对红树林种类识别的有效性。结果表明,基于光谱特征重构数据的分类精度最高,为91.55%,Kappa系数为0.8695,分别比原始数据和一阶微分提高了6.92%和11.17%。以此开展了广西整个海岸带红树林类型识别,结果表明,广西主要分布有7种真红树分别为桐花树、白骨壤、无瓣海桑、秋茄、红海榄、木榄、老鼠簕和一种盐沼草本植物茳芏,湿地植被总面积为7402.98 hm2,防城港市、钦州市和北海市红树林面积分别为1826.16、2496.18和3080.47 hm2,其中桐花树和白骨壤为广西红树林优势物种,分布面积最大,分别为3372.09 hm2和3445.17 hm2,二者占总面积的92.09%,其次为茳芏287.50 hm2占总面积3.88%,无瓣海桑与红海榄次之,面积分别为135.97 hm2和126.52 hm2,共占红树林总面积的3.55%,老鼠簕、木榄和秋茄面积极少,均不足20 hm2,三者相加不足红树林总面积的1%。北仑河口、山口和茅尾海3个红树林自然保护区的红树林总面积分别为1009.21、715.56和1546.62 hm2。本文基于高分数据的光谱特征数据重构方法开展红树林精细分类研究,可以为广西红树林管理、保护和重建提供技术和数据支撑。

关键词： 红树林; 种间分类; 广西; 高分数据; 数据重构

本文引用格式

马云梅 , 吴培强 , 任广波 . 基于高分影像光谱特征的广西海岸带红树林精细分类与制图[J]. 地球信息科学学报, 2021 , 23(12) : 2292 -2304 . DOI: 10.12082/dqxxkx.2021.210494

Abstract

Accurate understanding of mangrove species composition in coastal zone of China is helpful for mangrove resource investigation, protection, and utilization. In this paper, based on GF-2 multi-spectral images of Guangxi Coastal zone from 2018 to 2020, the vegetation index method and first-order differential method were used to reconstruct spectral characteristic data. Based on the reconstructed data, the Support Vector Machine (SVM) classification method was used to study the interspecific classification of mangroves in Guangxi coastal zone. Taking Maoweihai as an example, the validity of the reconstructed data for the identification of mangrove species was verified by comparing with the classification results using original data and the first-order differential method. The results show that the classification accuracy of the reconstructed data based on spectral features was the highest (91.55%) and the Kappa coefficient was 0.8695, which was 6.92% higher than the classification accuracy using original data and 11.17% higher than the classification accuracy using first-order differential method. Based on this, mangrove species identification in Guangxi coastal zone was further carried out using the spectral feature reconstruction data. Mangroves in Guangxi can be divided into eight types, namely, Aegiceras corniculatum, Avicennia marina, Rhizophora stylosa, Sonneratia apetala, Kandelia candel, Bruguiera gymnorrhiza, Acanthus ilicifolius, and a salt marsh herbaceous plant Cyperus malaccensis. The total area of typical vegetation for all types of wetlands was 7402.98 hm2. The area of mangrove in Fangchenggang city, Qinzhou City, and Beihai City was 1826.16 hm2, 2496.18 hm2, and 3080.47 hm2, respectively. The dominant species of mangrove in Guangxi were Aegiceras corniculatum and Avicennia marina, with the largest distribution area of 3372.09 hm2 and 3445.17 hm2, respectively, accounting for 92.09% of the total area. Next came the Cyperus malaccensis with an area of 287.50 hm2, accounting for 3.88% of the total area of the mangroves, followed by Rhizophora stylosa and Sonneratia apetala, with an area of 135.97 hm2 and 126.52 hm2, respectively, accounting for 3.55% of the total area of mangroves. The area of Kandelia candel, Bruguiera gymnorrhiza, and Acanthus ilicifolius were all less than 20 hm2, which accounted for less than 1% of the total mangrove area. The total area of mangrove in Beilun Estuary, Shankou, and Maweihai sea mangrove nature reserves was 1009.21 hm2, 715.56 hm2 and 1546.62 hm2, respectively. In this paper, based on the spectral characteristic data reconstruction method using GF images, the fine classification of mangroves was investigated, providing technical and data support for the management, protection, and reconstruction of mangroves in Guangxi.

Key words： mangrove; interspecific classification; Guangxi; high resolution data; data reconstruction

1 引言

红树林是生长在热带、亚热带海岸潮间带浅滩与沿海河口区域的常绿乔木或灌木群落,被誉为海岸生态防护的第一道屏障,兼具陆地和海洋生态特性,形成了海洋和陆地环境的界面,是最重要的湿地生态系统之一[1,2]。由于其生长环境特殊,受台风、海啸以及人为因素影响严重,被认为是地球上最受威胁的生态系统之一[3]。红树林不仅可以提供多种生态系统服务,而且是重要的碳汇森林资源,被认为是缓解全球变暖的关键自然气候解决方案[4,5,6]。由于其根系发达、能在海水中扎根生长,具有防风消浪防灾减灾的重要作用。我国2020年世界海洋日主题为“保护红树林,保护海洋生态”,并以广西北仑河口国家级自然保护区为例,通过现场直播的方式向大众科普红树林知识,足以表明政府对红树林保护的重视程度。广西作为我国单位长度海岸线上红树林分布面积最大的省份,具有重要研究意义。
红树林受潮汐影响明显,生长环境复杂,常规野外调查难以到达,且耗时长、成本高,无法满足大面积野外调查,而遥感技术可以克服传统调查的限制[7]。目前已有大量学者使用遥感手段对红树林开展了研究,主要集中于使用Landsat、SPOT、ATSER等中低空间分辨率数据开展红树林提取和时 空演变分析[8,9,10,11,12],结合使用IKONOS、QuickBird、GF、WorldView、Sentinel-2等高空间分辨率数据和CASI、Hyperion等高光谱数据开展小面积局部红树林种间分类以及叶面积指数、生物量等生理参数计算[13,14,15,16,17],近几年也有部分学者尝试将无人机雷达数据用于红树林种类特征提取,进而提高红树林分类精度[18,19,20]。尚缺少基于国产高分辨率数据开展大面积红树林种类制图可行性研究,近些年全球气候升温、海平面上升、极端气候频发,广西海岸带作为北部湾红树林主要分布区域,对其进行红树林类型研究显得尤为重要。对于红树林种间分类方法,大量学者做了相关研究,从空间数据结构的不同分为基于像素和面向对象,常用分类器包括最大似然法、支持向量机、随机森林、光谱角填图等,其中支持向量机监督分类方法在红树林分类中应用比较成熟[21,22,23]。目前对于多光谱数据,在光谱特征提取方面大部分使用单一的植被指数法,如苏岫等基于资源三号卫星数据结合多项植被指数（RVI、NDVI、VARI和NDGI）信息,进行红树林种类遥感识别[24],梁超等[25]使用归一化差值植被指数、归一化差异水分指数、大气阻抗植被指数,建立决策树进行红树林提取[25]。本文以我国自主研发的GF-2高分辨率遥感影像为数据源,通过光谱指数、光谱微分和光谱特征变换提取光谱特征形成重构数据,结合现场踏勘数据使用支持向量机分类方法,对我国广西海岸带红树林开展种间精细分类研究。为广西红树林资源管理、保护以及极端天气应对提供基础数据。

2 研究区概况

本文研究区为广西海岸带红树林分布区 （图1）,位于我国南部（108°0′5″E—109°46′20″E, 21°24′8″N—21°56′8″N）,北部湾北部,北回归线以南,属于南亚热带季风型海洋性气候,全年高温多雨无霜,年均气温22~23 ℃,最冷月气温不低于13 ℃,年降水量1500~2000 mm,适合红树林生 长[26]。广西海岸线西起我国与越南边界的北仑河口,东至与广东接壤的洗米河口,以河口港湾为主,全长约1628.59 km,大部分为正规日朝,小部分区域为不正规日朝,受潮汐影响明显[27]。广西自西向东有北仑河口红树林国家级自然保护区、茅尾海红树林自治区级自然保护区和山口红树林国家级自然保护区,分别位于防城港、钦州和北海3个沿海城市。为了方便研究与分析,本文按照红树林保护区和河口港湾分类将广西沿岸划分为9个区域,具体情况见图1。
图1 研究区地理位置

Fig. 1 Geographical location of the study area

3 数据来源与研究方法

3.1 数据来源

3.1.1 遥感数据与处理
本文以2018—2020年共14景高分二号（GF-2）多光谱遥感影像为数据源（数据来源于中国海洋卫星数据服务系统 https://osdds.nsoas.org.cn/）,开展广西海岸带红树林种间精细分类研究,影像具体信息和影像覆盖图分别如表1和图2。高分为我国自主研发的遥感卫星,GF-2多光谱数据空间分辨率为 4 m、幅宽45 km、覆盖周期为5 d,包括4个波段,覆盖范围从蓝光波段到近红外波段。由现场踏勘数据发现,广西红树林冠幅大部分在2~5 m,因此,GF-2数据4 m的空间分辨率适合用于广西红树林监测。
表1 遥感影像数据

Tab. 1 Remote sensing image data

序号 卫星名称 成像时间/年 分辨率/m 景数/景 覆盖范围
1 GF-2 PMS 2018 4 6 防城港湾北部、茅尾海保护区、大风江南部、铁山港北部
2 GF-2 PMS 2019 4 3 大风江北部、北海银滩至营盘镇、铁山港南部
3 GF-2 PMS 2020 4 5 北仑河口保护区、防城港湾南部、廉州湾、钦州湾、山口保护区
图2 GF-2影像覆盖区域

Fig. 2 Areas covered by GF-2 images

为了消除大气中各种微粒元素对影像造成的失真,本文根据GF-2数据的卫星轨道和传感器成像参数,对14景遥感影像进行辐射定标和FLAASH大气校正。大气校正后为了减弱由于传感器自身参数带来的位置偏差,本文对数据进行了几何校正,校正误差控制在0.5个像素以内。
3.1.2 实测数据
2018年12月3日—12日、2019年10月16日—26日和2020年10月9日—23日共3次赴广西开展野外调查工作,通过多种技术手段开展了海岸带湿地生态系统红树林植被类型调查,采用传统野外调查方式根据红树林分布情况获取131个样点数据,包括红树林类型、空间分布、生长状况、每个样方的经纬度等。由于红树林生境复杂,受潮汐影响严重,难以进入,因此部分区域采用无人机开展数据采集,共获取有效摄影照片4022张,作为红树林种间分类的参考数据。由现场踏勘数据发现,广西海岸带分布的真红树主要有桐花树、白骨壤、无瓣海桑、秋茄、红海榄、木榄、老鼠簕7种类型和一种盐沼植被茳芏,每个种类的外貌特征见表2。将现场调查数据与GF高空间分辨率遥感影像相结合建立了影像解译标志集,如表3,其中标准假彩色影像为GF-2 PMS遥感影像选择432波段合成的结果,即近红外波段赋红、红波段赋绿、绿波段赋蓝。
表2 红树林类型及外貌特征

Tab. 2 Appearance characteristics of mangrove types

桐花树 白骨壤 红海榄 秋茄
整株
根叶
花果
外貌
特征		 桐花树(Aegiceras corniculatum) 叶子无尖、花量大、果实形似“小辣椒”、常绿灌木或小乔木、高1~5 m、耐寒、喜低盐、多分布于有淡水输入的海湾河口 白骨壤(Avicennia marina) 小叶、指状呼吸跟、黄色或橙色小花、果实近扁球形、最耐盐、耐淹、常绿灌木或小乔木、高1~6 m、常分布于淡水注入较少的海湾区域 红海榄(Rhizophora stylosa ) 支柱根、四瓣花边、淡黄色小花、果实长圆柱形、常绿乔木或灌木、高可达8 m、较耐盐、多分布于河口外侧盐度较高的红树林內滩 秋茄(Kandelia candel) 板状根或密集小支柱根、五瓣花边、淡黄色小花、果实瘦长呈棒棍状、常绿灌木或小乔木、高2~6 m、最耐寒、常分布于桐花树和白骨壤内缘
无瓣海桑 木榄 老鼠簕 茳芏
整株
根叶
花果
外貌
特征		 无瓣海桑(Sonneratia apetala) 小叶、笋状呼吸根、花中柱头呈蘑菇状、果实为球形、常绿大乔木、高可达16 m、喜低盐、耐淹、较耐寒、生长在河口或岸边有淡水调节的滩涂 木榄(Bruguiera gymnorrhiza) 伸出滩面的曲状呼吸根和基部的板状根、多瓣花边的淡红色花、果实较红海榄更粗且略短、常绿乔木或灌木,高可达6~8m、耐淹能力较差、多分布于红树林內滩 老鼠簕(Acanthus ilicifolius) 叶子多为长椭圆形且叶缘带刺、花朵为淡紫色、果实长圆形、灌木或亚灌木、高0.5~2 m、喜淡、多生长在有淡水输入的高潮带和受潮汐影响的水沟两侧 茳芏(Cyperus malaccensis) 盐沼植物、叶片短、叶鞘长、褐色小花、成熟时为黑褐色、常被潮水冲倒、高1~2 m、适宜生长在水源充足的碱性土壤,常与红树林生长在一起
表3 GF-2影像红树林解译标志

Tab. 3 GF-2 Image mangrove interpretation labels

地物类型 地物照片 假彩色影像 地物属性及影像特征
桐花树 影像颜色特征明显,为亮红色,色调平滑细腻,植被盖度较高,成面状分布于整个研究区,多与白骨壤分布于靠海一侧
白骨壤 影像颜色为浅红色,纹理特征相比与桐花树较为粗糙,相比于桐花树植被盖度较低,与桐花树一起连片分布于红树林外滩,分布面积很大
红海榄 影像颜色特征明显,为暗红色,色调较平滑,植被盖度高,明显高于桐花树,分布面积较小但集中
秋茄 颜色为深红色,色调较均一,纹理较粗糙,盖度较小,常分布于桐花树和白骨壤的内缘沿岸一侧,分布范围很小
无瓣海桑 颜色为暗红色,色调杂乱,纹理特征明显粗糙,植被盖度高,多成条带状分布于沿岸附近,少数向海方向延伸与桐花树混生
木榄 颜色特征明显,为亮红色,纹理特征较为平滑,植被盖度较低,分布面积很小,常零星分布于桐花树中,很难见到连片分布
老鼠簕 颜色为暗红色,色调均一,纹理较细腻,植被盖度较低,以连片状小面积分布于堤附近的水沟两侧,分布范围很小
茳芏 颜色为深灰枣红色,色调均一,纹理平滑细腻,在茅尾海分布范围较广,多分布于河口附近的浅潮滩,与桐花树和无瓣海桑混生的面积较大

3.2 研究方法

本文的研究方法主要包括植被指数、一阶微分和主成分分析的光谱特征重构方法和支持向量机分类方法。由于红树林在光学遥感图像中与陆地植物具有相似的光谱特征,为了尽可能减少陆生植被对红树林信息提取的影响,首先基于预处理后的遥感影像对陆地部分进行掩膜处理。结合现场调查数据和无人机照片构建解译标志和进行精度验证。为了证明光谱特征数据重构的有效性,本文将其与原始数据和一阶微分数据进行了对比分析,整体技术路线见图3。
图3 GF-2影像光谱特征数据重构的红树林种间分类技术路线

Fig. 3 Technical route of mangrove interspecific classification based on gF-2 image spectral characteristic data reconstruction

3.2.1 光谱特征数据重构
由于真红树不同类型的光谱曲线极为相似 （图4）,仅利用原始光谱信息难以做到精确识别,因此为增加红树类型的可区分性,本文采用光谱特征数据重构的方式进行特征选择。由现场踏勘数据发现不同种类的红树林的长势和覆盖度有所不同,例如桐花树、木榄和红海榄属于枝干长势浓密,盖度较高,而白骨壤的枝干较为稀疏且叶小,盖度较低,同时不同类型红树林生长的位置也有所区别,如桐花树和白骨壤属于先锋物种,常分布于低潮带,红海榄和木榄喜半硬化淤泥质土壤,主要分布于高潮带。因此考虑到不同种类的长势、盖度和下垫面的情况,并经过大量可分性对比实验,本文最终选择了能反映以上问题且可分性较好的归一化差分植被指数（Normalized Difference Vegetation Inder, NDVI）、归一化差分水体指数（Normalized Difference Water Index,NDWI）、比值植被指数（Ratio Vegetation Index, RVI）和差值植被指数（Difference Vegetation Index,DVI）作为数据重构的特征波段[25]。为了消除原始波段的背景噪声和提高不同类型吸收特征的对比度,揭示目标地物反射率内在特征,本文对原始数据进行一阶微分计算,如图4以典型区域为例的原始光谱与一阶微分光谱对比图可以发现,秋茄-桐花树、老鼠簕-无瓣海桑一阶微分后的光谱可分性有所提高。为了与植被指数相匹配,对原始数据和一阶微分数据进行归一化,形成光谱特征重构数据。为了隔离噪声剔除冗余信息,且降低计算机运行时间提高分类效率,本文对光谱特征重构数据进行了主成分分析（PCA）,选择包含98%信息量的前5个分量作为光谱特征数据重构的最终波段组成。
NDVI = ρ NIR - ρ Red ρ NIR + ρ Red
NDWI = ρ G - ρ NIR ρ G + ρ NIR
RVI = ρ NIR ρ Red
DVI = ρ NIR - ρ Red
图4 茅尾海红树林影像光谱

Fig. 4 Spectra of typical regions

3.2.2 分类方法
红树林位于潮沟分布密集、滩涂淤泥质松软且受潮汐影响明显的海岸潮间带,现场调查困难,因此,训练样本少是红树林种间分类中面临的重要问题。针对此问题,本文选择使用建立在统计学习理论基础上的支持向量机（Support Vector Machine, SVM）分类方法,其可以有效解决遥感图像分类中的小样本问题,是目前遥感图像分类中用最为广泛的方法之一。本研究所用SVM分类选用径向基核函数,控制样本错误与分类刚性延伸之间平衡的惩罚参数为100。

4 结果与分析

4.1 红树林分类精度分析

茅尾海红树林保护区作为广西3个红树林保护区中种类最为丰富、面积最大、混生最为明显的区域,对红树林种类识别精度分析具有重要意义。因此,为了验证光谱数据重构对提高分类精度的有效性,本文以茅尾海红树林保护区为例,将其与原始数据和一阶微分分类结果进行对比分析,并从定性和定量两个方面进行评估。由现场踏勘数据（图5(a)）发现茅尾海红树林自然保护区主要有桐花树、无瓣海桑、秋茄和老鼠簕4种红树植物,另外还生长有广西面积最大的盐沼植被—茳芏,结合现场调查样本数据,在遥感图像处理软件中选取了502个感兴趣区域,合计18 527个像元作为训练样本,用于茅尾海红树林精细种间分类。如图5,对比分析基于原始数据、一阶微分和光谱数据重构的3种分类结果,可以发现数据重构的分类结果与实际情况最为吻合。由图5中（框选区）位于茅尾海东部尖山镇南部的局部对比图可以发现,原始数据和一阶微分的分类结果中,对秋茄和老鼠簕漏分、错分情况明显。
图5 茅尾海红树林分类结果和局部对比

Fig. 5 Classification results and local comparison of mangrove in Maoweihai Sea

为了定量分析3种数据的分类精度,本文采用混淆矩阵方法进行精度验证,其包括总体精度（Overall Accuracy, OA）、Kappa 系数、制图精度（Producer Accuracy, PA）、用户精度（User Accuracy, UA） 4个验证指标。参考现场样本数据和无人机数据从遥感影像上选取658个感兴趣区域,合计7601个像元作为验证样本,构建混淆矩阵。从表4可以看出,3种数据总体分类精度均在80%以上,其中波段重构总体分类精度最高为91.55%,Kappa系数为0.8695,总体精度分别比原始数据和一阶微分提高了6.92%和11.17%。原始数据和一阶微分的秋茄和老鼠簕分类效果较差,原始数据老鼠簕和茳芏的制图精度低于60%,而一阶微分老鼠簕和茳芏的制图精度不足20%,漏分情况明显。相比于原始数据和一阶微分,波段重构-PCA分类结果中老鼠簕和秋茄的分类精度明显提高,如图4可以发现桐花树和老鼠簕的光谱极为相似,因此老鼠簕的制图精度略低,其他4种典型植被的使用者精度和制图精度均在90%左右。从总体来看,波段重构5种典型湿地植被的制图精度和使用者精度均较高,且最为稳定,因此本文基于光谱特征重构数据使用支持向量机分类方法对整个广西海岸带开展红树林种间分类研究。
表4 分类精度统计表

Tab. 4 Classification accuracy statistics table (%)

种类 原始数据 一阶微分 特征数据重构
UA PA UA PA UA PA
桐花树 78.00 97.41 74.04 96.65 88.38 96.68
无瓣海桑 96.08 71.51 93.09 72.23 95.28 82.44
秋茄 99.16 52.93 73.02 10.36 98.33 92.79
老鼠簕 93.04 41.55 76.74 19.08 94.09 73.60
茳芏 95.14 98.36 94.46 99.01 94.92 98.68
OA 84.63 80.38 91.55
Kappa系数 0.7520 0.6770 0.8695

4.2 广西红树林类型遥感监测结果分析

4.2.1 总体红树林种类面积与分布分析
基于GF-2遥感影像光谱特征重构数据,结合现场踏勘数据和无人机照片,使用SVM分类器对广西海岸带红树林开展种间分类研究,红树植物种类空间分布具体情况如图6所示,同时对广西3个红树林保护的核心区种类组成以及分布状况做了详细分析。在GF-2多光谱数据4 m空间分辨率可监测情况下,将广西红树林物种分为桐花树、白骨壤、无瓣海桑、秋茄、红海榄、木榄和老鼠簕7类和一种生长于茅尾海潮间带与红树林混生的盐沼植物茳芏。8类湿地典型植被总面积为7402.98 hm2,桐花树和白骨壤作为广西红树林的优势物种分布面积最为广泛,本文划分的9个小研究区均有分布,面积分别为3372.09 hm2和3445.17 hm2,二者占总面积的92.09%,桐花树和白骨壤具有很强的拓荒能力,常分布于红树林外滩,且桐花树耐寒,白骨壤耐淹、耐盐,二者具有较强的生存能力,在红树林重建的过程中可以考虑在低潮带种植;盐沼草本植物茳芏仅分布于茅尾海保护区,但面积仅次于桐花树和白骨壤,为287.50 hm2占总面积3.88%,其作为改良盐碱地的优良草种有助于改善海岸带土壤环境;无瓣海桑与红海榄次之,面积分别为135.97 hm2和126.52 hm2,共占红树林总面积的3.55%,其中无瓣海桑作为引进物种分布比较集中,主要分布于茅尾海西北部和廉州湾中部沿岸,其树木高大对台风海啸等自然灾害具有显著积极作用,红海榄主要分布于山口红树林保护区内,山口保护区的英罗港区域作为红海榄的纯生区是我国红海榄保存最完整的区域;老鼠簕、木榄和秋茄面积极少,均不足 20 hm2,三者相加不足红树林总面积的1%,木榄喜生固结硬化的土壤,主要分布于于珍珠港红树林内滩地势较高之地;秋茄零星分布与茅尾海、北仑河口和北海市南部,其极耐寒,在对待极端天气方面具有积极作用,适用于温度较低的海岸带引种。各红树林类型对广西红树林总面积占比具体情况见图7(b),总体来看,各红树林类型分布面积相差较大,优势物种较少,种类较为单一,为红树林管理部门对红树林的保护和重建工作提供了基础数据。
图6 广西红树林种类分布

注：放大图为3个红树林保护区的核心区。

Fig. 6 Distribution map of mangrove species in Guangxi

图7 红树林占比统计图

Fig. 7 Statistical chart of mangrove ratio

4.2.2 沿海城市红树林种类面积与分布分析
广西海岸带自西向东防城港市、钦州市和北海市红树林面积分别为1826.16、2496.18和3080.47 hm2,其中北海市红树林占广西壮族自治区红树林面积最大,为41.61%,其次是钦州市33.72%,防城港市分布最少,为24.67%。如图7(a)可以发现,从整体来看,3个沿海城市红树林分布较为均匀。
防城港红树林分布区由北仑河口红树林保护区、防城港湾、钦州湾西侧和茅尾海西南沿岸组成,种类组成为桐花树、白骨壤、木榄、秋茄、无瓣海桑和茳芏,其中白骨壤面积最大,为1165.87 hm2,占防城港红树林总面积的63.84%,其次是桐花树,为639.68 hm2,占防城港红树林总面积的35.03％,虽然木榄和秋茄分布面积很小,但其是唯一存在木榄和秋茄纯生区的区域。钦州红树林生长区域由茅尾海大部、钦州湾东侧和大风江西侧与北侧海岸带构成,主要分布有桐花树、白骨壤、无瓣海桑、老鼠簕、秋茄和茳芏6种湿地典型植被,其中桐花树1514.89 hm2,分布面积最为广泛,占钦州红树林总面积的60.68%,其次为白骨壤580.22 hm2,占总面积的23.24%,同时钦州的茅尾海是老鼠簕和茳芏的集中分布区。北海海岸带由大风江东部沿岸、廉州湾、北海市南部潮间带、铁山港海岸带和山口红树林保护区组成,全长596 km的海岸线分布有白骨壤、桐花树、红海榄、无瓣海桑和秋茄5种真红树,其中以白骨壤为主,共1699.48 hm2,占北海红树林总面积的55.17%,桐花树略逊于白骨壤,为1217.36 hm2,红海榄面积为126.52 hm2,主要分布在山口保护区。各市物种组成具体情况见图8。
图8 3个沿海城市红树林组成统计图

Fig. 8 Statistical map of mangrove composition in three coastal cities

4.2.3 9个研究区红树林种类面积与分布分析
广西的北仑河口、山口和茅尾海是以红树林为主要保护对象的自然保护区,其中北仑河口红树林保护区主要分布有桐花树、白骨壤、木榄和秋茄4个红树林类型,总面积为1009.21 hm2,以白骨壤和桐花树为主,二者总面积占北仑河口保护区总面积的98%,木榄和秋茄仅在珍珠港东部凤凰头村潮间带零星分布,珍珠港作为北仑河口保护区红树林主要分布区域,其面积为914.66 hm2,占北仑河口保护区总面积的91%。山口红树林保护区在地理位置上包括丹兜海、英罗港和广西东侧与广东相邻的海岸带,主要分布有桐花树、白骨壤和红海榄,红树林总面积为715.56 hm2,英罗港作为山口国家级红树林自然保护区的核心区,分布有我国面积最大的天然红海榄林,为126.28 hm2,其主要分布在内滩,白骨壤和桐花树拓荒能力强,常分布于外滩。茅尾海作为人工种植林的代表,红树林总面积为1546.62 hm2,是3个保护区中红树林面积最大的保护区,其中桐花树为优势物种,分布最广,占总面积的74%;分布有广西面积最大的无瓣海桑纯生林,为104.11 hm2,主要分布于康熙岭镇沿岸大部和茅岭乡东北部沿岸区域,占全省无瓣海桑总面积的77%;老鼠簕和秋茄分布面积极小,仅分布于尖山镇南部潮间带;茳芏作为广西具有代表性的盐沼植被,面积仅次于桐花树,为287.50 hm2,常与桐花树、无瓣海桑混生,在茅尾海分布较为广泛。防城港湾、铁山港和北海银滩至营盘镇以白骨壤为主,其面积占比分别为84%、97%和80%,防城港湾和铁山港分布有白骨壤和桐花树,种类单一,而北海银滩种类较多,分布有白骨壤、桐花树、无瓣海桑、红海榄和秋茄。廉州湾以桐花树为主,分布有小面积的无瓣海桑和白骨壤。钦州湾和大风江均分布有桐花树和白骨壤,且面积占比较为均匀。具体情况见表5,每个区域红树林类型构成和分布面积的详细信息有助于进一步研究广西红树林碳汇。为了维护生物多样性,在红树林保护过程中应对分布面积较小的种类有针对性的开展保护工作,在红树林重建过程中对物种单一区域丰富红树植被类型。
表5 广西红树林面积统计表

Tab. 5 Statistical table of Guangxi mangrove area (hm2)

种类 北仑河口保护区 防城港湾 茅尾海保护区 钦州湾 大风江 廉州湾 北海银滩 铁山港 山口保护区 总计
桐花树 380.20 89.56 1142.84 279.44 267.28 786.67 57.68 28.30 340.12 3372.09
白骨壤 610.66 483.60 - 266.76 575.32 31.56 259.73 968.38 249.16 3445.17
无瓣海桑 - - 104.11 - - 30.19 1.67 - - 135.97
红海榄 - - - - - - 0.24 - 126.28 126.52
老鼠簕 - - 5.83 - - - - - - 5.83
木榄 17.13 - - - - - - - - 17.13
秋茄 1.22 - 6.34 - - - 5.21 - - 12.77
茳芏 - - 287.50 - - - - - - 287.50
总计 1009.21 573.16 1546.62 546.20 842.60 848.42 324.53 996.68 715.56 7402.98

5 结论与讨论

5.1 结论

全球气温不断升高,高温、强降水等极端事件增多增强,中国气候风险水平趋于上升,同时全球主要温室气体平均浓度均创新高,在这样的大背景下,红树林作为海岸带防灾减灾的天然屏障和重要森林碳汇资源,显得尤为重要。红树林种类组成作为红树林保护、修复、育种以及碳储量计算的基础数据,可以为相关管理部门提供数据支撑。但真红树物种之间的光谱曲线极为相似,仅利用原始光谱信息难以做到精确识别,而植被指数、微分方法和波段变换可以增强光谱信息差异,从而增加红树类型的可区分性。因此本研究基于2018—2020年共14景GF-2多光谱影像,通过植被指数法、微分法和波段变换法形成光谱特征重构数据,使用支持向量机分类方法,对广西海岸带红树林开展种间精细分类研究。结合现场踏勘数据以茅尾海为例通过与原始数据和一阶微分数据分类结果进行对比分析,来验证光谱特征数据重构对红树林分类的有效性,以此开展广西整个海岸带红树林类型识别。主要结论如下：
（1）基于光谱特征重构数据的分类精度最高,为91.55%,Kappa系数为0.8695,分别比原始数据和一阶微分提高了6.92%和11.17%,主要对分布面积较小的秋茄和老鼠簕识别精度有明显提高。
（2）广西海岸带主要分布有7种真红树分别为桐花树、白骨壤、无瓣海桑、秋茄、红海榄、木榄、老鼠簕和一种盐沼草本植物茳芏,湿地植被总面积为7402.98 hm2,从总体来看,红树林种类较为丰富,分布较为集中,桐花树和白骨壤作为优势物种整个海岸带均有分布,面积分别为3372.09 hm2和3445.17 hm2,二者占总面积的92.09%,其次为茳芏287.50 hm2占总面积3.88%,无瓣海桑与红海榄次之,面积分别为135.97 hm2和126.52 hm2,共占红树林总面积的3.55%,老鼠簕、木榄和秋茄面积极少,均不足20 hm2,三者相加不足红树林总面积的1%。
（3）延海岸线自西向东防城港市、钦州市和北海市红树林面积分别为1826.16、2496.18和3080.47 hm2,北仑河口、茅尾海和山口3个红树林自然保护区的红树林总面积分别为1009.21 hm2、1546.62 hm2和715.56 hm2,其中北仑河口主要分布有桐花树、白骨壤、秋茄和木榄4种红树林,茅尾海主要包括桐花树、无瓣海桑、秋茄、老鼠簕4种红树植被和一种盐沼植被茳芏,山口主要分布有桐花树、白骨壤和红海榄3种红树林。北仑河口和山口红树林保护区中红树林基本为原生物种,而茅尾海红树林保护区是典型人工种植林,大部分为人工种植,小部分是后期演变扩散。红树林有着很强的促淤造陆能力,不同种类的红树植物,受土壤基质、海水盐度、潮汐等环境因子的影响,在长期的进化过程中,每个种类都向自身适宜的环境生长,逐渐占据生态位,取代原有物种,形成目前的种类结构。

5.2 讨论

本文所用GF-2影像数据空间分辨率为4 m,对于种类交叉混生区和单株零星分布的物种难以精确识别,在今后的研究中可以尝试使用更高空间分辨率数据进一步提高分类精度。现阶段获取整个广西海岸带大面积的激光雷达数据造价贵、时间成本高,下一步研究可以尝试结合激光雷达数据获取树高信息,进而提高分类精度。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
Giri C, Ochieng E, Tieszen L L, et al. Status and distribution of mangrove forests of the world using earth observation satellite data[J]. Global Ecology and Biogeography, 2011, 20(1):154-159.

DOI

[2]
范航清, 王文卿. 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, 2017, 56(3):323-330.

[ Fan H Q, Wang W Q. Some important issues of mangrove conservation in China[J]. Journal of Xiamen University: Natural Science, 2017, 56(3):323-330. ]

[3]
Patrick O D, Kalacska M, ArroyoMora J, et al. Spectral complexity of hyperspectral images: A new approach for mangrove classification[J]. Remote Sensing, 2021, 13(13):2604-2631.

DOI

[4]
Chen L, Wang W, Zhang Y, et al. Recent progresses in mangrove conservation, restoration and research in China[J]. Journal of Plant Ecology, 2009, 2(2):45-54.

DOI

[5]
Wang L, Jia M, Yin D, et al. A review of remote sensing for mangrove forests: 1956-2018[J]. Remote Sensing of Environment, 2019, 231:111223.

DOI

[6]
Donato D C, Kauffman J B, Murdiyarso D, et al. Mangroves among the most carbon-rich forests in the tropics[J]. Nature Geoscience, 2011, 4(5):293-297.

DOI

[7]
王乐, 时晨, 田金炎, 等. 基于多源遥感的红树林监测[J]. 生物多样性, 2018, 26(8):838-849.

DOI

[ Wang L, Shi C, Tian J Y, et al. Mangrove monitoring based on multi-source remote sensing[J]. Biodiversity, 2018, 26(8):838-849. ]

[8]
Lombard F, Andrieu J. Mapping mangrove zonation changes in Senegal with landsat imagery using an OBIA approach combined with linear spectral unmixing[J]. Remote Sensing, 2021, 13(10):1961-1984.

DOI

[9]
王武霞, 苏奋振, 冯雪, 等. 中越北部湾红树林差异性研究[J]. 地球信息科学学报, 2017, 19(2):264-272.

DOI

[ Wang W X, Su F Z, Feng X, et al. Study on the difference of mangrove forest between China and Vietnam in Beibu Gulf[J]. Journal of Geo-information Science, 2017, 19(2):264-272. ]

[10]
潘卫华, 陈家金, 王岩. 近20年福建红树林和互花米草群落时空变化及景观特征[J]. 生态与农村环境学报, 2020, 36(11):1428-1436.

[ Pan W H, Chen J J, Wang Y. Temporal and spatial changes and landscape characteristics of mangrove and Spartina alterniflora communities in Fujian province in recent 20 years[J]. Journal of Ecology and Rural Environment, 2020, 36(11):1428-1436. ]

[11]
KOUROSH NIYA Ali, 黄金良. 利用遥感和GIS对伊朗最大红树林群体的变化进行检测和模拟[J]. 华东师范大学学报(自然科学版), 2020(S1):94-98.

[ KOUROSH NIYA Ali, Huang J L. Detection and simulation of changes in Iran's largest mangrove population using remote sensing and GIS[J]. Journal of East China Normal University (Natural Science), 2020(S1):94-98. ]

[12]
毛丽君. 基于遥感的广东湛江红树林湿地动态变化研究[D]. 南京:南京林业大学, 2011.

[ Mao L J. Study on dynamic changes of mangrove wetland in Zhanjiang, Guangdong based on remote sensing[D]. Nanjing: Nanjing Forestry University, 2011. ]

[13]
Zhu Y H, Liu K, Liu L, et al. Retrieval of mangrove aboveground biomass at the individual species level with WorldView-2 images[J]. Remote Sensing, 2015, 7(9):12192-12214.

DOI

[14]
王诗文, 何宏昌, 付波霖, 等. 基于Sentinel-2数据的山口红树林生理参数反演及时空特征[J]. 科学技术与工程, 2021, 21(9):3698-3707.

[ Wang S W, He H C, Fu B L, et al. Retrieval of physiological parameters and temporal and spatial characteristics of mangrove in mountain pass based on Sentinel-2 data[J]. Science Technology and Engineering, 2021, 21(9):3698-3707. ]

[15]
徐芳. 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, 2020.

[ Xu F. Extraction and carbon storage estimation of mangrove forests based on Sentinel-2[D]. Lanzhou: Lanzhou Jiaotong University, 2020. ]

[16]
Wang T, Zhang H, Lin H, et al. Textural-spectral feature-based species classification of mangroves in Mai Po Nature Reserve from Worldview-3 imagery[J]. Remote Sensing, 2016, 8(1):1-15.

DOI

[17]
马云梅, 吴培强, 潘良浩, 等. 基于GF-2影像的广西茅尾海红树林物种分类及盖度估算分析[J]. 海洋科学, 2019, 43(6):60-70.

[ Ma Y M, Wu P Q, Pan L H, et al. Analysis of mangrove species classification and coverage estimation based on GF-2 image in Maoweihai Sea, Guangxi[J]. Marine Science, 2019, 43(6):60-70. ]

[18]
王德智. 结合UAV-LiDAR和卫星遥感数据的红树林多尺度观测方法研究[D]. 武汉:中国地质大学, 2020.

[ Wang D Z. Mangrove multi-scale observation using UAV-LiDAR and satellite remote sensing data[D]. Wuhan: China University of Geosciences, 2020. ]

[19]
Cao J J, Liu K, Zhuo L, et al. Combining UAV-based hyperspectral and LiDAR data for mangrove species classification using the rotation forest algorithm[J]. International Journal of Applied Earth Observation and Geoinformation, 2021, 102:414-423.

[20]
徐逸, 甄佳宁, 蒋侠朋, 等. 无人机遥感与XGBoost的红树林物种分类[J]. 遥感学报, 2021, 25(3):737-752.

[ Xu Y, Zhen J N, Jiang X P, et al. Mangrove species classification using unmanned aerial vehicle remote sensing and XGBoost[J]. Journal of Remote Sensing, 2021, 25(3):737-752. ]

[21]
Heumann B W. An object-based classification of mangroves using a hybrid decision tree-Support vector machine approach[J]. Remote Sensing, 2011, 3(11):2440-2460.

DOI

[22]
Demir B, Erturk S. Clustering-based extraction of border training patterns for accurate SVM classification of hyperspectral images[J]. IEEE Geoscience and Remote Sensing Letters, 2009, 6(4):840-844.

DOI

[23]
陈云浩, 冯通, 史培军, 等. 基于面向对象和规则的遥感影像分类研究[J]. 武汉大学学报·信息科学版, 2006, 31(4):316-320.

[ Chen Y H, Feng T, Shi P J, et al. Study on Remote sensing Image classification based on Object Oriented and Rules[J]. Geomatics and Information Science of Wuhan University, 2006, 31(4):316-320. ]

[24]
苏岫, 耿杰, 马晓瑞, 等. 基于多种植被指数信息与联合稀疏表示的红树林种类识别[J]. 海洋环境科学, 2017, 36(1):114-120.

[ Su X, Geng J, Ma X R, et al. Mangrove species identification based on multiple vegetation index information and joint sparse representation[J]. Marine Environmental Science, 2017, 36(1):114-120. ]

[25]
梁超, 刘利, 刘建强, 等. 基于HY-1C CZI影像光谱指数重构数据MNF变换的红树林提取[J]. 海洋学报, 2020, 42(4):104-112.

[ Liang C, Liu L, Liu J G, et al. Mangrove extraction based on MNF transform of spectral index reconstruction data from HY-1C CZI image[J]. Journal of Ocean, 2020, 42(4):104-112. ]

[26]
马云梅. 基于国产多源高分遥感的广西红树林种间分类研究[D]. 呼和浩特:内蒙古师范大学, 2020.

[ Ma Y M. Interspecific classification of mangrove forest in Guangxi based on domestic multi-source high-resolution remote sensing[D]. Hohhot: Inner Mongolia Normal University, 2020. ]

[27]
夏鹏, 孟宪伟, 李珍, 等. 广西海岸带近百年来人类活动影响下环境演变的沉积记录[J]. 沉积学报, 2012, 30(2):325-332.

[ Xia P, Meng X W, Li Z, et al. Sedimentary records of environmental evolution under the influence of human activities in Guangxi Coastal zone in the past hundred years[J]. Journal of Sedimentary, 2012, 30(2):325-332. ]

Options
文章导航

/

〈 〉