EN中文

Journal of Geo-information Science >

2023 , Vol. 25 >Issue 10: 2093 - 2106

DOI: https://doi.org/10.12082/dqxxkx.2023.220691

Rapid Monitoring of Tropical Forest Disturbance in Hainan Island Based on GEE Platform and LandTrendr Algorithm

  • YIN Xiong , 1, 2, 3 ,
  • CHEN Bangqian 2, 3 ,
  • GU Xiaowei 2, 3, 6 ,
  • YUN Ting 4 ,
  • WU Zhixiang 2, 3 ,
  • CHEN Yue 5 ,
  • LAI Hongyan 2, 3, 6 ,
  • KOU Weili , 1, *
Expand
  • 1. College of Big Data and Intelligence Engineering, Southwest Forestry University, Kunming 650224, China
  • 2. Rubber Research Institute, Chinese Academy of Tropical Agricultural Sciences, Haikou 571101, China
  • 3. Danzhou National Field Scientific Observation and Research Station for Tropical Agroecosystems, Danzhou 571737, China
  • 4. College of Forestry, Nanjing Forestry University, Nanjing 210037, China
  • 5. College of Mechanics and Transportation, Southwest Forestry University, Kunming 650224, China
  • 6. College of Forestry, Southwest Forestry University, Kunming 650224, China
* KOU Weili, E-mail:

Received date: 2022-09-14

  Revised date: 2022-11-26

  Online published: 2023-09-22

Supported by

National Natural Science Foundation of China(42071418)

National Natural Science Foundation of China(32260391)

Scientific Research Project of Yunnan Provincial Department of Education(111722043/01117)

Natural Science Foundation of Hainan Province(422CXTD527)

Earmarked Fund for Agricultural Basic Research System(CARS-33)

Natural Science Foundation of Jiangsu Province(BK20221337)

Fold

Abstract

Tropical forests have significant economic and ecological value, and timely and accurate monitoring of forest disturbance is critical to promoting their sustainable development. In this study, all Landsat 5/7/8 and Sentinel-2 optical images since 1987 and the LandTrendr algorithm were used to monitor tropical forest disturbance in Hainan Island. The dense time-series satellite images were quickly processed on the Google Earth Engine platform (GEE), and the spatiotemporal distribution characteristics of annual forest disturbances on Hainan Island over the past 30 years were identified. The main causes of forest disturbance were analyzed with the development of rubber plantations, changes in forestry policies, and several severe natural disasters. The results show that: 1) the total area of forest disturbance from 1990 to 2020 is 2.53×103 km2 (equivalent to 11.74% of the total forest area in 2020), and is mainly concentrated in the central, northern, and northwestern regions. The three regions with the largest forest disturbances are Danzhou City, Qiongzhong County, and Baisha County, respectively; 2) most forest disturbances occur at elevation below 300 m (83.40%) and slope less than 25° (94.86%), and forests at higher elevations are well preserved; 3) forest disturbance occurred more intensely between 2000 and 2010 and decreased significantly after 2010, with the largest affected area in 2005; 4) rapid development of rubber plantations (accounting for 43.48% of total forest disturbance area), changes in forestry policies (e.g., promotion of eucalyptus cultivation), and severe natural disasters (drought and hurricane) around 2005 are the main causes of forest disturbance. The rapid monitoring method of forest disturbance proposed in this study and long-term forest disturbance dataset provide a reference for forest monitoring research and forestry department decision making on Hainan Island.

Key words： Hainan Island; forest disturbance; rubber plantation; LandTrendr; Google Earth Engine; Landsat; Sentinel-2

Cite this article

YIN Xiong , CHEN Bangqian , GU Xiaowei , YUN Ting , WU Zhixiang , CHEN Yue , LAI Hongyan , KOU Weili . Rapid Monitoring of Tropical Forest Disturbance in Hainan Island Based on GEE Platform and LandTrendr Algorithm[J]. Journal of Geo-information Science, 2023 , 25(10) : 2093 -2106 . DOI: 10.12082/dqxxkx.2023.220691

1 引言

森林是全球陆地生态系统的重要组成部分，既为动植物生存提供必要条件，又为人类提供生活所需资源[1]。森林扰动是指受人类活动及自然灾害影响，森林冠层覆盖及林木生物量减少或消失的事件[2]。森林扰动是影响陆地生态系统的重要因素之一，扰动影响林分的生长状态，而扰动的类别、强度和大小能改变林分物种组成和林分结构[3]。森林扰动原因通常可分为人为原因和自然原因2类，其形式主要表现为森林采伐、森林火灾、风害、雪害、病害和虫害等扰动[4]。联合国粮食及农业组织（Food and Agriculture Organization of the United Nations, FAO）2020年发布的《全球森林资源评估》[5]报告指出，1990年以来，全世界因森林砍伐而损失了4.2亿hm2森林，且森林砍伐通常快速且影响较大，常会导致大量的生物量损失，以及对森林碳收支产生重要影响[6]。因此，建立快速有效的森林扰动监测方法，准确获取大尺度范围内森林扰动时空特征是促进森林可持续发展的重要基础。
遥感具有动态、快速和覆盖广等优势，是当前大尺度监测森林扰动的有效的手段之一。Landsat系列数据具有良好的稳定性和持续性，加之其具备光谱、时间和空间分辨率上的优势，已成为长时间序列森林扰动监测的重要遥感数据源之一[7]。从2010年开始，研究人员经开发了多个基于长期Landsat影像的森林扰动监测算法，并被广泛使用。这些算法包括基于Landsat的干扰和恢复趋势检测（LandTrendr）[8]、植被变化追踪（Vegetation Change Tracker, VCT）[9]、附加性季节和趋势中断（Breaks For Additive Season and Trend, BFAST）[10]以及持续变化检测与分析（Continuous Change Detection and Classification, CCDC）模型[11]。这些算法都是逐像元地进行森林扰动监测，在遥感影像的时间频率、监测变化的指标以及是否近实时监测森林扰动方面存在不同。在多云和多雨的热带地区，获取高时间频率的无云遥感影像比较困难，而LandTrendr算法以年为步长进行监测，可以自由定义时间窗口合成无云影像，适应性更广泛。此外，LandTrendr算法可以选择不同的监测指标，更重要的是已在谷歌地球引擎（Google Earth Engine, GEE）云平台上的实现，在数据预处理和分析方面节省了大量的时间，为快速高效地监测大面积范围内的森林扰动提供了新的机遇。
热带森林是地球上生物多样性最丰富的陆地生态系统，为全球碳循环和生物多样性作出了巨大的贡献[12]。海南岛是中国两大热带林区之一，森林资源极为丰富，保存着大面积完整的原始森林[13]。海南岛的热带森林具有巨大的经济和生态价值, 对海南岛及周边地区自然生态平衡起着极其重要的作用，是世界生物多样性的热点地区之一[12,14-15]。对于海南岛的森林生态监测已开展了诸多相关研究，如森林的消长变化[16⇓⇓-19]、森林生态系统碳储量格局[20⇓-22]、森林生物量变化等[23-24]。这些研究都给海南岛森林的可持续管理提供了技术支撑和数据支持。然而，由于经济发展需要，岛内森林在过去几十年里遭受了剧烈的采伐或者破坏，森林扰动变化显著，导致了一系列严重的生态后果（如洪水、山体滑坡和干旱），威胁到当地社区并降低了整体环境质量[25]。关于海南岛森林变化的具体时空过程及其政治和社会经济驱动力仍不清楚，使用实地调查数据和单景遥感影像很难进行森林扰动动态分析，并且基于长时间的海南岛森林扰动监测鲜有报道，尤其是缺乏区域尺度高空间分辨率的森林扰动数据。因此，亟需构建长时间序列海南岛森林扰动历史并探讨其内在驱动因子，对已实施的森林政策进行综合评估至关重要。

2 研究区概况及数据来源

2.1 研究区概况

海南岛（108°21′E—111°03′E，18°20′N—20°10′N）地处中国南海西北部（图1(a)），是海南省的主体，属于海洋性热带季风气候，终年高温，年平均气温为22~27 ℃；年总降水量丰沛，降水集中在雨季且降水量大，年降水量在923~2 459 mm之间，是中国热带雨林面积最大、生物多样性最丰富的地区[26-27]。 海南岛也是我国热带经济作物种植的主要基地，栽培作物种类丰富，主要树种有橡胶、木麻黄、桉树等。其中，橡胶是海南省种植面积最大的经济作物，主要分布在西北部以及中北部地区，如儋州市、澄迈县、白沙黎族自治县和琼中黎族苗族自治县等[28-29]。近些年，随着海南岛经济发展的需要，在人类的作用下，自然和人工生态系统不断演替。近30年海南岛森林的变化形式主要是天然林、橡胶林和桉树林之间的转换，森林扰动变化显著[18]。此外，由于其海陆位置的影响，夏季高温、台风等自然灾害频发[30-31]。
图1 研究区概况及地面样地解译示例

Fig. 1 An overview of the study area and an example of ground sample interpretation

2.2 基础空间数据

地面数据是遥感分析的基础，通过查看谷歌地球最新和历史高清影像，人工随机选择250个森林扰动地面样地，然后结合年度植被指数时间序列图2(b)和影像快视图图2(c)进行再次确认。年度植被指数时间序列影像集在GEE平台上合成（方法参见3.2节），每个样地对应的像元值和样地周围快视图均通过调用geemap软件包封装的函数进行下载[32-33]。由于历史影像数据量和影像质量等原因，有16个样地的干扰年份无法准确获取，最终剩下234个地面样本用于后续研究图2(a)。
图2 技术路线

Fig. 2 Technical route

研究涉及的2020年森林本底图和1990—2020年期间5年步长的橡胶林分布图均源于团队前期研究成果，通过联合Landsat/Sentinel-2时间序列光学影像和PALSAR/PALSAR-2（L-band Phased Array L-band Synthetic Aperture Radar）年度合成雷达影像、森林结构和物候特征因子与机器学习算法提取，总体分类精度超过90%[17,34]。地形数据为SRTM（The Shuttle Radar Topography Mission），DEM（Digital Elevation Model）数字高程模型，来自于美国地质勘测局（https://www.usgs.gov/）。

3 研究方法

3.1 研究技术路线

技术路线如图2所示，主要过程包括3个步骤：① 影像预处理，具体包括1987—2020年所有Landsat 5/7/8和Sentinel-2时间序列影像去云、植被指数批量计算和年度合成；② 森林掩膜和森林扰动监测。本研究只关心现有森林过去的扰动历史，先用2020年森林本底图掩膜掉非森林像元，降低来自于非森林地类的影响；然后，结合年度合成数据集和LandTrendr算法进行算法训练，监测森林扰动并进行精度评估；③ 森林扰动时空变化及驱动因子分析，具体包括不同区域（不同市县和地形环境）森林扰动时空变化分析，并结合天然橡胶种植历史分布图、林业政策和自然灾害探索海南岛森林扰动的驱动因子。

3.2 遥感影像及预处理

Landsat 5/7/8 TM/ETM+/OLI地表反射率（Surface Reflectance, SR）多光谱影像数据来自于美国地质勘探局，为Collection 2 Level-2处理级别。该产品已经过基本的预处理，包括几何校正、辐射校正和大气校正等，空间分辨率为30 m[35-36]。Sentinel-2 MSI多光谱数据来自于欧空局，为L2A处理级别地表反射率数据。所有Landsat和Sentinel-2影像数据均已存档于GEE云平台，可以直接调用。
所有自1987年以来（Landsat覆盖海南岛最早记录）植被绿叶季的Landsat 5/7/8和Sentinel-2影像集被用于森林扰动监测。海南有大量的橡胶林，在每年二月中旬左右会集中落叶，植被指数会显著下降易误识别为森林扰动，因此将绿叶季定义为每年4月15日至11月30日。Landsat系列影像云和阴影采用自带影像质量控制波段进行掩膜[37]，而Sentinel-2通过GEE云平台上的Cloud probability来识别。之前的研究表明，NBR (Normalized Burn Ratio) 指数对植被叶片的叶绿素、土壤中的炭灰和水分含量非常敏感，因而被广泛用于森林扰动事件检测[38]，其计算公式如式（1）所示。
N B R = ρ N I R - ρ S W I R 2 ρ N I R + ρ S W I R 2
式中： ρ N I R和 ρ S W I R 2分别为Landsat TM/ETM+/OLI影像的近红外波段和第二个短波红外波段，对应Sentinel-2影像分别对应B8和B11波段。计算完NBR后，对逐年影像进行均值合成；若当年无云影像数据缺乏，则用后一年的合成值进行填充，生成1987—2020年逐年合成影像集。

3.3 森林扰动监测算法

LandTrendr时序分割算法是由美国俄勒冈州立大学和美国林业局（United States Forest Service, USFS）开发，主要基于Landsat影像光谱轨迹来进行森林干扰和趋势监测。算法的核心是时序分割，通过评估像元光谱时间序列来监测森林是否发生改变[8]。
LandTrendr算法输入影像集为1987—2020年度合成的NBR时间序列，该算法先逐像元提取时间序列中除噪声（云、雪、烟雾或阴影）以外引起的尖峰值（spikeThreshold），再通过时间序列中顶点的年份和光谱植被指数值组合来识别潜在的顶点（vertexCountOvershoot）。然后，联合基于点与点连线和基于回归连线进行拟合轨迹（pvalThreshold），采用恢复率阈值（recoveryThreshold）剔除不合理的分割点。最后，对拟合的时序轨迹通过迭代的方式使用更少的分割段重新拟合时序轨迹来寻找最佳模型（bestModelProportion）。算法输出为数组影像集，包括每个像元的年份、原始NBR值、NBR拟合值和分割顶点。在此基础上，可以逐像元计算每个分割段（潜在扰动）的持续时间、扰动振幅、扰动开始时间和扰动结束时间等信息，用于后续判断真正的森林扰动。由于本研究区的森林植被类型与该算法创建区域—太平洋西北部地区存在较大差异，所以在算法默认参数的基础上，先结合地面样点分析LandTrendr时序分割结果并进行参数调整优化，最终确定算法输入和扰动判断的参数如表1所示。对于最终分割结果，结合地面样本数据，绘制观测时间与监测时间散点图、线性拟合的方式进行精度评估。考虑到速生桉树等人工林轮伐期较短，以及控制和消除实验误差，最终森林扰动结果中掩膜掉扰动时间在2018年以后的像元。此外，1990年以前影像数据相对较少，不利于LandTrendr时序分割，因此将森林扰动统计分析起始年设置为1990年。对于未监测到扰动的森林像元，结合30余年的NBR植被指数进行线性趋势拟合，通过斜率值slope是否大于0分为绿化（slope>0）和褐化（slope<0） 2种类型。
表1 LandTrendr参数设置

Tab.1 Parameters used in LandTrendr

参数 参数描述 数值
maxSegments 分割最大单元数目 8
spikeThreshold 如果相邻时间点NBR值的差异百分比小于该值，那个该值会被认为是异常值，须剔除 0.90
vertexCountOvershoot 在初始阶段的潜在节点回归中可以超过的节点数 0
preventOneYearRecovery 是否阻止一年后恢复的情况 True
recoveryThreshold 如果某个分割段的恢复率大于该值的倒数，那么这个分割段将会被移除 0.50
pvalThreshold 回归分析中F检验的p值，超过该值的话，则认为该像元没有发生变化 0.05
bestModelProportion 简单模型的选择规则，如果超过该值，则被选中 0.75
minObservationsNeeded 拟合中需要的最少观测数 5
Magnitude 发生扰动时植被指数掉落的振幅 ≥0.17

3.4 森林扰动时空分析方法

结合省级和市县级行政边界矢量图、DEM数据等基础数据，在GEE平台对海南岛1990—2020年森林扰动分布进行面积统计、地形分布及变化分析。主要步骤如下：
（1）将行政边界矢量地图上传到GEE平台，结合1990—2020年森林扰动分布图，在GEE云平台调用空间聚类函数ReducerRegions统计全省和不同市县的森林扰动面积。
（2）叠加DEM数据，分析不同海拔和坡度地区的森林扰动面积。根据国家林业和草原局发布的《森林资源规划设计调查技术规程》[39]的坡度分级体系将坡度分为6个等级，每个等级分别为：平坡（0°~5°）、缓坡（5°~15°）、斜坡（15°~25°）、陡坡（25°~35°）、急坡（35°~45°）和险坡（>45°）。海拔按0、50、100、200、300、600和1200 m为界分为7个等级。
（3）以5年为时间步长，分别统计1990—2020年不同市县和不同地形区域森林扰动的面积，以及占整个30年森林扰动的占比等，用于分析森林扰动的年度变化特征。

3.5 森林扰动驱动分析方法

2020年海南岛橡胶林面积为5.86×103 km2，占全岛热带森林面积（2.15×104 km2）的27.26%[34]，已成为海南岛热带森林的重要组成部分，同时，也成为潜在的森林扰动因子。研究有必要提取并分析橡胶林种植对森林扰动的影响。将海南岛热带森林扰动分布与天然橡胶种植分布进行叠加分析，可将森林扰动类型划分为橡胶林转橡胶林、其他森林转橡胶林、橡胶林转其他森林和非橡胶林森林扰动，其中，4种扰动类型划分方法和主要流程如下： ① 对1990—2015年共6期5年步长的橡胶林分布图取并集，获得橡胶历史分布本底图；② 将橡胶历史分布本底图、2020年橡胶分布图和森林扰动分布图进行交集运算，结果即为橡胶林转橡胶林导致的扰动；③ 从橡胶历史分布本底图中掩膜掉2020年橡胶林像元，再与森林扰动图求交集，结果为橡胶林转其他森林导致的扰动；④ 从2020年橡胶本底图中掩膜掉橡胶历史分布像元，再与森林扰动图求交集，结果为其他森林转橡胶林导致的扰动；⑤ 对橡胶历史分布本底图和2020年橡胶分布图求并运算，然后求反与森林扰动图求交集，剩余像元即为非橡胶林森林扰动。最后，结合林业政策（采伐，改种）和自然灾害（台风，干旱）等探讨海南岛森林扰动驱动因子。

4 结果及分析

4.1 算法精度评估

利用随机抽取的234个样本对LandTrendr提取的森林扰动结果进行精度评估，绘制散点图如图3所示。结果表明，实地观测扰动年份和遥感监测的森林扰动年份高度一致，点主要分布在1:1线附近，线性拟合斜率为0.92，R2达到了0.91。此外，森林扰动发生时间越是久远的样地（如2001、2002和2007年偏离线性拟合的样地），遥感监测到的扰动年份存在一定的低估现象。
图3 森林扰动精度评估

Fig. 3 Accuracy assessment of forest disturbances

4.2 海南岛森林扰动分布特征

4.2.1 森林扰动总体分布特征

海南岛1990—2020年森林扰动空间分布如 图4(a)所示。近30年来，全岛不同市县均发生了不同程度的森林扰动。从空间分布看，海南岛的中部、北部和西北部地区的森林扰动较为剧烈，四周台地的森林扰动较为分散，西部沿海地区森林扰动较少。森林扰动面积较大的主要是儋州市、琼中县、白沙县和澄迈县，陵水县、昌江县、五指山市和定安县的森林扰动面积相对较小。统计表明，近30年的森林扰动总面积为2.53×103 km2，占2020年森林总面积（2.15×104 km2）的11.78%。
图4 1990—2020年海南岛森林变化情况

Fig. 4 Changes of forest in Hainan Island from 1990 to 2020

不同时期森林扰动也存在较大空间差异。2000年前，森林扰动主要分布在中部和西北部地区，特别是在儋州市、白沙县、琼中县和东方市较为集中；2001—2010年，森林扰动面积较2000年前有明显的上升，主要分布在中北部以及西北部地区，尤其是儋州市、琼中县、澄迈县和白沙县；2010年后，森林扰动面积较2001—2010年有所下降，主要分布在中北部以及东北部地区，琼中县、儋州市、澄迈县和文昌市的森林扰动面积相对较多。
图4(b)为1990—2020年未发生扰动的森林NBR指数变化趋势。未发生扰动的森林主要分布在中部内陆地区，四周的台地较为分散，沿海地区尤其是西部地区森林较稀少。近30年呈“绿化”趋势的森林集中分布在中部山区，向四周扩散，另外在北部和西部地区也有较多分布，总面积达到了1.42×104 km2，占2020年森林面积的66.05%；呈“褐化”趋势的森林集中在中部、中西部、中东部以及南部地区，面积约为4.83×103 km2，占2020年森林面积的22.47%。

4.2.2 不同市县森林扰动分布特征

不同市县的森林扰动面积和比例存在较大差异（图5）。森林扰动面积从大到小排前5的市县依次是儋州市（352.78 km2）、琼中县（273.78 km2）、白沙县（220.47 km2）、澄迈县（196.53 km2）和文昌市（169.48 km2），占森林扰动总面积的47.95%。森林扰动面积较少的市县主要是陵水县（52.66 km2）、昌江县（62.41 km2）、五指山市（66.23 km2）和定安县（67.48 km2）。从时间分布看，大部分市县森林扰动在20世纪90年代的2个5年周期内有少量提升，但琼中县、儋州市和白沙县是例外，增幅较为明显。在20世纪初的前5年，森林扰动面积达到最大，随后的3个5年周期均呈下降趋势。2001—2005年森林扰动面积为758.50 km2，占森林扰动总面积的29.98%，排前5的市（县）分别是儋州市（94.56 km2）、琼中县（68.42 km2）、澄迈县（66.59 km2）、白沙县（60.18 km2）和三亚市（50.21 km2），5个市县总扰动面积占同期森林扰动面积的44.82%。从各市县森林扰动面积与2020年森林扰动总面积的占比看，儋州市的占比最大，为13.97%，其次是琼中县（10.84%）、白沙县（8.73%）和澄迈县（7.78%）。占比最小的市县为位于东南部的陵水县，为2.09%，其次是昌江县（2.47%）、五指山市（2.62%）和定安县（2.67%）。总体上看，森林扰动主要以儋州为核心向外辐射趋势明显。
图5 1990—2020年海南岛不同市县森林扰动面积变化情况

Fig. 5 Area of forest disturbance in different cities of Hainan Island from 1990 to 2020

4.2.3 不同地形环境森林扰动分布特征

近30年海南岛森林扰动主要分布在300 m海拔以下区域（图6(a)）。20世纪90年代2个5年期的森林扰动面积有小幅提升，其中100~200 m海拔区域增长最明显。本世纪初头5年200 m海拔区域的森林扰动面积最大，其中200 m海拔以下增长非常显著：0~50 m、50~100 m和100~200 m区域森林扰动面积为128.48、174.68和246.37 km2，较1990年分别增长了约2.51、3.21和2.58倍。2005年之后，所有地形区域的森林扰动面积均呈递减趋势。海拔600 m以上区域森林扰动面积极少，面积约为60.33 km2，仅占森林扰动总面积的2.38%。海南岛森林扰动主要分布在海拔0~300 m较低海拔区域，截至2020年，300 m以下森林扰动面积约2.11×103 km2，占海南岛森林扰动总面积的83.40%。
图6 1990—2020年海南岛不同地形环境森林扰动面积分布情况

Fig. 6 Area of forest disturbances in different altitudes and slopes in Hainan Island from 1990 to 2020

1990—2020年海南岛森林扰动主要分布在坡度25°以下的区域（图6(b)）。20世纪90年代的 2个5年期的森林扰动面积有小幅上升。20世纪初前5年坡度为15°的缓坡区域森林扰动面积最大，其中0°~5°平坡和5°~15°缓坡区域的森林扰动面积为176.70 km2和207.00 km2，较1990年分别增长了约1.79和1.53倍。2005年后，所有坡度区域的森林扰动面积均呈递减趋势。坡度25°以上的区域，森林扰动面积较少，面积约为130.11 km2，占森林扰动总面积的5.14%。海南岛森林扰动面积主要集中在坡度为0°~25°的区域，截至2020年，25°以下的森林扰动面积达到了2.40×103 km2，占森林扰动总面积的94.86%。

4.3 近30年森林扰动年际变化特征

近30年海南岛森林年度扰动面积如图7所示。1995年和2005年左右出现2次扰动高峰期，另外在2011年和2015年出现2次小高峰。森林扰动面积最大的年份是2005年，达到249.74 km2，占森林扰动面积的9.83%，明显高于其他所有年份，其次是2006年（8.29%）、2004年（6.90%）、2007年（6.02%）和1996（4.86%）年，扰动面积分别为209.71、174.55、152.40和123.08 km2，这5个年份占森林扰动总面积的36.00%；森林扰动面积最小的年份是1991年，仅为29.41 km2，其次是1990（1.45%）、1992（1.42%）、2017（1.30%）和1991（1.16%）年，面积分别为37.24、36.64、36.00和32.80 km2。
图7 1990—2020年海南岛森林扰动年际变化特征

Fig. 7 Interannual variation characteristics of forest disturbance in Hainan Island from 1990 to 2020

1990—2000年海南岛森林扰动平均扰动面积为67.98 km2，在3个10年中数值最低。2001—2010年的平均扰动面积为126.71 km2，相较于1990—2000年扰动量明显增加，主要分布在2004—2006年，面积和为634.01 km2，占2001—2010年森林扰动总面积的50.03%。2010—2017年平均扰动面积为72.98 km2，明显低于2000—2010年的平均扰动面积，其中扰动主要在2011、2012和2016年占2010年后森林扰动总面积（510.83 km2）的56.74%。

4.4 森林扰动与橡胶林的关系

橡胶种植与非橡胶种植引起的森林扰动空间分布如图8(a)所示。近年由于橡胶林更新或改种导致的森林扰动主要分布在中北部和西北部地区，面积约为1.10×103 km2，占森林扰动总面积的43.48%。其中，橡胶林转橡胶林导致的扰动主要分布在中西和中北部地区，面积为979.03 km2，占森林扰动总面积的38.70%，集中分布在儋州市、白沙县、琼中县和澄迈县。其他森林转橡胶林产生的扰动主要分布在中西和中北部地区的儋州市、澄迈县和临高县，另外东部的琼海市也有较多分布，此类扰动面积达到120.82 km2，占森林扰动总面积的4.78%。橡胶林转其他森林导致的扰动多分布在中南部和西南部地区，如琼中县、三亚市、保亭县和乐东县，森林扰动面积为637.72 km2，占森林扰动总面积的25.21%。非橡胶种植引起的扰动主要分布在南部，西部以及东部沿海地区，如三亚市，文昌市、琼海市、万宁市和东方市，森林扰动面积约为792.43 km2，占森林扰动总面积的31.32%。
图8 海南岛森林扰动典型区域分析

Fig. 8 Typical forest disturbances on Hainan Island

5 讨论

5.1 森林扰动驱动分析

许多森林扰动的研究案例探讨了社会经济发展、森林管理政策和自然灾害如何影响森林扰动的时空动态[6,40⇓-42]，为分析海南岛森林扰动时空动态的驱动因素提供了参考。将从天然橡胶种植、森林管理政策、社会经济发展和自然灾害4个方面展开讨论。
海南岛是中国的第二大植胶区，天然橡胶的种植势必会造成明显的森林扰动。将森林扰动分布图与橡胶林分布图进行空间分析的结果也证实了一此假设，近30年因橡胶种植而导致的森林扰动面积达到了1.10×103 km2，占森林扰动总面积的43.48%。从空间分布看，因橡胶种植导致的森林扰动主要分布在中西和中北部地区（图8(a)和图8(b)），这与之前的海南岛橡胶分布的结果是一致的，均表明海南橡胶主要分布在中西中北部的儋州市、白沙县、琼中县等市县[17,34,43]。中西中北部橡胶密集分布，主要原因是东南沿海台风灾害严重[44-45]，第二、 第三代橡胶种植逐步向中西中北部的轻台风灾害区域扩张。李广洋等[34]在研究海南30年橡胶动态时发现，儋州市、澄迈县、临高县等地的橡胶增长最为显著。这主要与本世纪初天然橡胶价格开始迅速攀升密切相关。统计数据表明，天然橡胶价格从2002年年均价约8 900元/t涨到2011年的年均价3.4万元/t[46]，极大地刺激了天然橡胶林种植面积的增长。橡胶种植的土地来源主要有耕地、老橡胶林和热带森林[43]，其中后2种均会被LandTrendr算法识别为森林扰动。本研究发现，橡胶林转橡胶林导致的扰动比例最大，达到38.70%。其主要原因是海南岛大面积种植橡胶始于1960年代中期（简称一代胶园），到80年代陆续开始砍伐更新（第二代胶园），2010年左右陆续砍伐建设第三代胶园。在监测周期1990—2020年，赶上了第二代和第三代橡胶园的更新。其他森林转橡胶林导致的扰动只有4.78%，其原因是大面积砍伐森林种植橡胶主要发生在建设第一和第二代初期的橡胶园的时期，但这段时期的卫星影像非常稀少，无法形成时间序列实现森林扰动的监测。另外，我国从20世纪60年代起先后在海南岛建立多个省市级自然保护区和森林公园，21世纪初逐步上升为国家级，阻止了中部山区的森林向橡胶林的转换[34]。已有研究表明，2015年海南岛的成龄橡胶林的土地来源依次分别是老橡胶林、耕地和常绿森林[43]，这与上面监测的结果一致。
橡胶林转其他森林导致的森林扰动多分布在中南部和西南部地区，森林扰动面积为637.72 km2，占森林扰动总面积的25.21%。这主要原因是海南岛南部地区属于真正的热带气侯，种植的热带水果可以提前上市，相比种植橡胶经济收益更高。因此，第一代晚期和第二代橡胶园到达更新年龄之后，逐步转换为经济价值更高芒果、荔枝、龙眼和槟郎等具有森林特征的热带果园[47⇓-49]（图8(a)、 图8(d)和图8(e)）。以三亚为例，统计年鉴数据表明果园面积从1991年的19.49 km2，增长到2020年的257.14 km2，增长非常迅速[50]。
从森林扰动面积随时间的变化上来看，森林扰动最频繁的2000—2010年，尤其是2005年，森林扰动面积为249.74 km2，占森林扰动总面积的9.87%。除因橡胶种植导致的扰动之外，导致这一变化的原因可以解释为以下2个方面。① 桉树产业的发展。1997年海南省开始从政策层面鼓励桉树种植用于工业用途，桉树种植园开始大幅增加[51-52]。在桉树种植初期，必然会有不少天然林转桉树林，引发森林扰动（图8(a)和图8(c)）。另外，速生桉树的轮作周期为6年左右，在2005年左右也迎来首次轮作的高峰期，增加森林扰动面积。但是，发展桉树产业随之而来的生态影响也饱受争议，发展速度也逐渐减缓[53-54]。② 自然灾害的影响。2003—2005年海南岛连续发生多年干旱，尤其是2005年非常严重[31,55]，还碰上了超强台风“达维”（最大风速50 m/s，海南橡胶种植史上最严重的风害记录）[30,44]。连续的严重干旱和台风灾害，一方面对不同的森林均造成了严重的破坏，增加了森林扰动的面积。在另一方面，用于遥感监测的植被指数也受到明显影响，也增加了LandTrendr算法检测的不确定性。

5.2 森林扰动监测算法

热带森林生态系统物种多样性丰富，在全球碳循环有着不可替代的作用，大面积及时准确监测森林扰动具有重要意义。已有不少学者在本地端运行LandTrendr算法监测森林扰动[6,8,56]，在影像数据预处理和LandTrendr算法执行中均消耗了大量时间。2018年，Kennedy等[57]将LandTrendr算法成功部署在了GEE遥感云平台，使得遥感数据预处理和算法执行速度有较大提高，大尺度长时序快速监测森林扰动更为高效。LandTrendr算法在像元尺度上进行监测，保证了扰动斑块面积的可识别性。但该算法需要建立在时间序列数据的基础上，遥感数据质量的好坏成为了影响算法精度的重要因素之一。由于热带地区常年多云多雨，严重影响了无云光学影像的获取[58]，使得热带森林扰动监测极具挑战性。在传统LandTrendr使用Landsat系列影像合成进行监测的基础上，本研究重构了1990—2020年影像数据，在无云影像数据缺乏的情况下，使用相邻两年的影像数据合成为一年的影像（如1990年的影像数据由1990年和1991年的像数据合成）。其次，在2015年之后的影像数据中，引入了Sentinel-2影像集参与年度影像的合成，不仅能有效的弥补单一传感器在数据获取方面的不足[12,56]，还大大增加（至少2倍）高质量观测的时间频率。尽管Sentinel-2发射时间较晚，但是对2015年后的年度合成影像的质量提升有重要影响，可以减少此段时间内因数据匮乏而带来的扰动监测误差。此外，海南岛有大量落叶橡胶林，我们选择了绿叶季而不是全年的光学影像进行年度合成，这也有利于提升扰动监测的精度。当该算法向其他地区进行拓展时，建议先对研究区域的森林类型进行考察分析，合理规化影像合成时间窗口，避免不合理时间窗口增加监测误差，同时也应争取较大时间窗口来克服热带地区多云雨天气导致的无云影像数据匮乏的问题。
在森林扰动监测过程中，植被指数被认为是比单个波段更好的输入变量，因为它们可以减少地形和大气等外部因素对地表反射率的影响。选择合适的植被指数对于成功检测不同的扰动类型至关重要，已有多个研究表明NBR是监测森林扰动的最优植被指数，也是本研究选择NBR的重要原因[14,40-41]。但是，考虑到不同指数对于不同地区的监测效果可能存在差异性，今后的研究可以尝试多个植被指数的比较，获取更精确的监测结果。为了进一步的验证算法的精度，后续可以采用国家森林资源连续清查资料，根据样点的地类、优势树种及林龄等信息，判断样点的变化情况，再与本研究森林扰动结果（如提取的面积）进行对比。

6 结论

本研究以1987年以来所有Landsat 5/7/8和Sentinel-2时间序列光学遥感影像为基础，在GEE遥感云平台利用LandTrendr算法快速监测了海南岛近30年的热带森林扰动时空动态，并探讨森林扰动的主要驱动因子。在多源大数据的支持下，建立的算法能够较好地克服热带地区多云雨天气和复杂景观的影响，具有很高的识别效率和精度（大量地面数据验证表明实测扰动年份和遥感监测的年份线性拟合R2达到了0.91，斜率为0.92）。结果表明：① 1990—2020年海南岛森林扰动相对较轻，总面积为2.53×103 km2，占2020年森林总面积的11.78%，年均扰动比例为0.38%；② 森林扰动主要发生在中部、北部和西北部地区，以儋州市为核心区域向外辐射，森林扰动面积排前三的市县分别是儋州市、琼中县和白沙县；③ 超过80%以上的森林扰动集中在海拔300 m和坡度25°相对平缓的区域，高海拔地区森林保存完好，鲜有大面积的森林扰动发生；④ 森林扰动在2000—2010年发生最频繁，其中2005年的扰动面积最大，主要受橡胶种植、桉树发展和严重干旱和超级台风“达维”共同驱动；近30年因橡胶种植导致的森林扰动面积占全岛森林扰动总面积的43.48%。
总体来说，1990—2020年海南岛森林扰动涉及区域较为集中，主要集中在低海拔平缓区域且三分之二以上的森林保存完好且呈“绿化”趋势。本研究摸清了海南岛森林的详细扰动情况，为森林健康经营、扩大生态建设规模、提升建设质量和可持续管理政策的制定提供一定的理论依据。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
De Marzo T, Pflugmacher D, Baumann M, et al. Characterizing forest disturbances across the Argentine Dry Chaco based on Landsat time series[J]. International Journal of Applied Earth Observation and Geoinformation, 2021, 98:102310. DOI:10.1016/j.jag.2021.102310

[2]
郁达威, 沈润平, 杨辰, 等. 武宁县森林扰动及驱动因子分析[J]. 生态与农村环境学报, 2013, 29(5):581-586.

[Yu D W, Shen R P, Yang C, et al. Analysis of forest disturbance and its driving factors in Wuning County[J]. Journal of Ecology and Rural Environment, 2013, 29(5):581-586.] DOI:10.3969/j.issn.1673-4831.2013.05.007

[3]
Cohen W B, Yang Z Q, Stehman S V, et al. Forest disturbance across the conterminous United States from 1985-2012: The emerging dominance of forest decline[J]. Forest Ecology and Management, 2016, 360:242-252. DOI:10.1016/j.foreco.2015.10.042

[4]
朱教君, 刘足根. 森林干扰生态研究[J]. 应用生态学报, 2004, 15(10):1703-1710.

[Zhu J J, Liu Z G. A review on disturbance ecology of forest[J]. Chinese Journal of Applied Ecology, 2004, 15(10):1703-1710.]

[5]
Fao. Global Forest Resources Assessment 2020—Key findings[Z]. 2020.

[6]
沈文娟, 李明诗, 黄成全. 长时间序列多源遥感数据的森林干扰监测算法研究进展[J]. 遥感学报, 2018, 22(6):1005-1022.

[Shen W J, Li M S, Huang C Q. Review of remote sensing algorithms for monitoring forest disturbance from time series and multi-source data fusion[J]. Journal of Remote Sensing, 2018, 22(6):1005-1022.] DOI:10.11834/jrs.20187089

[7]
Pflugmacher D, Cohen W B, Kennedy R E, et al. Using Landsat-derived disturbance and recovery history and lidar to map forest biomass dynamics[J]. Remote Sensing of Environment, 2014, 151:124-137. DOI:10.1016/j.rse.2013.05.033

[8]
Kennedy R E, Yang Z Q, Cohen W B. Detecting trends in forest disturbance and recovery using yearly Landsat time series: 1. LandTrendr-Temporal segmentation algorithms[J]. Remote Sensing of Environment, 2010, 114(12):2897-2910. DOI:10.1016/j.rse.2010.07.008

[9]
Huang C Q, Goward S N, Masek J G, et al. An automated approach for reconstructing recent forest disturbance history using dense Landsat time series stacks[J]. Remote Sensing of Environment, 2010, 114(1):183-198. DOI:10.1016/j.rse.2009.08.017

[10]
Verbesselt J, Zeileis A, Herold M. Near real-time disturbance detection using satellite image time series[J]. Remote Sensing of Environment, 2012, 123:98-108. DOI:10.1016/j.rse.2012.02.022

[11]
Zhu Z, Woodcock C E. Continuous change detection and classification of land cover using all available Landsat data[J]. Remote Sensing of Environment, 2014, 144:152-171. DOI:10.1016/j.rse.2014.01.011

[12]
Liu S S, Wei X L, Li D Q, et al. Examining forest disturbance and recovery in the subtropical forest region of Zhejiang Province using landsat time-series data[J]. Remote Sensing, 2017, 9(5):479. DOI:10.3390/rs9050479

[13]
黄金城. 中国海南岛热带森林可持续经营研究[D]. 北京: 中国林业科学研究院, 2006.

[Huang J C. Study on sustainable management of tropical forests in Hainan Island,China[D]. Beijing: Chinese Academy of Forestry, 2006.]

[14]
Li Y, Wu Z, Xu X, et al. Forest disturbances and the attribution derived from yearly Landsat time series over 1990—2020 in the Hengduan Mountains Region of Southwest China[J]. Forest Ecosystems, 2021, 8(1):73. DOI:10.1186/s40663-021-00352-6

[15]
胡小婵, 高宏华. 海南岛热带天然林概况及其保护[J]. 现代农业科技, 2008(22):76-77.

[Hu X C, Gao H H. General situation and protection of tropical natural forests in Hainan Island[J]. Modern Agricultural Science and Technology, 2008(22):76-77.] DOI:10.3969/j.issn.1007-5739.2008.22.053

[16]
Chen B Q, Xiao X M, Ye H C, et al. Mapping forest and their spatial-temporal changes from 2007 to 2015 in tropical Hainan Island by integrating ALOS/ALOS-2 L-band SAR and landsat optical images[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2018, 11(3):852-867. DOI:10.1109/jstars.2018.2795595

[17]
古晓威, 陈帮乾, 云挺, 等. 基于多源遥感数据的海南岛2007—2018年森林时空变化研究[J]. 热带作物学报, 2022, 43(2):418-429.

[Gu X W, Chen B Q, Yun T, et al. Spatio-temporal changes of forest in Hainan Island from 2007 to 2018 based on multi-source remote sensing data[J]. Chinese Journal of Tropical Crops, 2022, 43(2):418-429.] DOI:10.3969/j.issn.1000-2561.2022.02.023

[18]
张戈, 王树东, 夏建新. 海南岛近30年天然林、橡胶林、浆纸林生态调节功能价值演变研究[J]. 中央民族大学学报(自然科学版), 2020, 29(3):28-35.

[Zhang G, Wang S D, Xia J X. Research on evolution characteristics of pattern and service function for natural, rubber and wood pulp forests in Hainan, China[J]. Journal of Minzu University of China (Natural Sciences Edition), 2020, 29(3):28-35.]DOI:10.3969/j.issn.1005-8036.2020.03.005

[19]
王树东, 欧阳志云, 张翠萍, 等. 海南岛主要森林类型时空动态及关键驱动因子[J]. 生态学报, 2012, 32(23):7364-7374.

[Wang S D, Ouyang Z Y, Zhang C P, et al. The dynamics of spatial and temporal changes to forested land and key factors driving change on Hainan Island[J]. Acta Ecologica Sinica, 2012, 32(23):7364-7374.] DOI:10.5846/stxb201112231964

[20]
Bai J K, Meng Y C, Gou R K, et al. Mangrove diversity enhances plant biomass production and carbon storage in Hainan Island, China[J]. Functional Ecology, 2021, 35(3):774-786. DOI:10.1111/1365-2435.13753

[21]
Ren H, Chen H, Li L J, et al. Spatial and temporal patterns of carbon storage from 1992 to 2002 in forest ecosystems in Guangdong, Southern China[J]. Plant and Soil, 2013, 363(1):123-138. DOI:10.1007/s11104-012-1302-8

[22]
Meng Y C, Gou R K, Bai J K, et al. Spatial patterns and driving factors of carbon stocks in mangrove forests on Hainan Island, China[J]. Global Ecology and Biogeography, 2022, 31(9):1692-1706. DOI:10.1111/geb.13549

[23]
Chen B Q, Yun T, Ma J, et al. Correction: Chen et al. high-precision stand age data facilitate the estimation of rubber plantation biomass: A case study of Hainan Island, China. remote Sens. 2020, 12, 3853[J]. Remote Sensing, 2022, 14(19):5044. DOI:10.3390/rs12233853

[24]
Lin M Z, Ling Q P, Pei H Q, et al. Remote sensing of tropical rainforest biomass changes in Hainan Island, China from 2003 to 2018[J]. Remote Sensing, 2021, 13(9):1696. DOI:10.3390/rs13091696

[25]
王晓亮, 李光范, 胡伟, 等. 浅析吊罗山滑坡诱发因素及影响机理[J]. 自然灾害学报, 2014, 23(1):144-148.

[Wang X L, Li G F, Hu W, et al. Preliminary analysis of inductive factors and the influence mechanism of Diaoluo Mountain landslide[J]. Journal of Natural Disasters, 2014, 23(1):144-148.] DOI:10.13577/j.jnd.2014.0120

[26]
蒋必凤, 凌毅, 开潘栋. 海南台风强降雨对边坡稳定性的影响及防治[J]. 山西建筑. 2022, 48(19):76-79.

[Jiang B F, Ling Y, Kai P D. Influence of typhoon heavy rainfall on slope stability and prevention in Hainan[J]. Shanxi Architecture. 2022, 48(19):76-79.] DOI:10.13719/j.cnki.1009-6825.2022.19.019

[27]
罗红霞, 戴声佩, 李茂芬, 等. 海南岛1959—2015年气候变化特征分析[J]. 江苏农业科学, 2018, 46(15):261-268.

[Luo H X, Dai S P, Li M F, et al. Analysis of climatic change characteristics on Hainan Island from 1959 to 2015[J]. Jiangsu Agricultural Sciences, 2018, 46(15):261-268.] DOI:10.15889/j.issn.1002-1302.2018.15.066

[28]
胡盈盈, 戴声佩, 罗红霞, 等. 2001—2015年海南岛橡胶林物候时空变化特征分析[J]. 自然资源遥感, 2022, 34(1):210-217.

[Hu Y Y, Dai S P, Luo H X, et al. Spatio-temporal change characteristics of rubber forest phenology in Hainan Island during 2001—2015[J]. Remote Sensing for Natural Resources, 2022, 34(1):210-217.]

[29]
薛杨, 宿少锋, 林之盼, 等. 海南岛东北部5种森林土壤有机碳分布特征[J]. 热带作物学报, 2019, 40(11):2294-2299.

[Xue Y, Su S F, Lin Z P, et al. Soil organic carbon distribution in five forest types in the northeast of Hainan Island[J]. Chinese Journal of Tropical Crops, 2019, 40(11):2294-2299.] DOI:10.3969/j.issn.1000-2561.2019.11.027

[30]
张明洁, 张京红, 刘少军, 等. 基于FY-3A的海南岛橡胶林台风灾害遥感监测——以“纳沙”台风为例[J]. 自然灾害学报, 2014, 23(3):86-92.

[Zhang M J, Zhang J H, Liu S J, et al. TY-3A-based remote sensing monitoring of “Nesat” typhoon damage to rubber plantations in Hainan Island[J]. Journal of Natural Disasters, 2014, 23(3):86-92.] DOI:10.13577/j.jnd.2014.0311

[31]
张亚杰, 陈升孛, 吴胜安, 等. 基于综合气象干旱指数的海南岛干旱特征分析[J]. 海南大学学报(自然科学版), 2019, 37(1):41-50.

[Zhang Y J, Chen S B, Wu S G, et al. Characteristics of droughts in Hainan Island based on meteorological drought composite index[J]. Natural Science Journal of Hainan University, 2019, 37(1):41-50.] DOI:10.15886/j.cnki.hdxbzkb.2019.0007

[32]
Wu Q S. Geemap: A Python package for interactive mapping with Google Earth Engine[J]. Journal of Open Source Software, 2020, 5(51):2305. DOI:10.21105/joss.02305.

[33]
Wu Q S, Lane C R, Li X C, et al. Integrating LiDAR data and multi-temporal aerial imagery to map wetland inundation dynamics using Google Earth Engine[J]. Remote Sensing of Environment, 2019, 228:1-13. DOI:10.1016/j.rse.2019.04.015

[34]
李广洋, 寇卫利, 吴志祥, 等. 近30年海南岛橡胶林时空变化分析[J]. 南京林业大学学报(自然科学版), 2023: 47(1):189-198.

[Li G Y, Kou W L, Wu Z X, et al. Spatio-temporal changes of rubber plantations in Hainan Island over the past 30 years[J]. Journal of Nanjing Forestry University(Natural Sciences Edition). 2023: 47(1):189-198.] DOI:10.12302/j.issn.1000-2006.202109041

[35]
Hermosilla T, Wulder M A, White J C, et al. Prevalence of multiple forest disturbances and impact on vegetation regrowth from interannual Landsat time series (1985-2015)[J]. Remote Sensing of Environment, 2019, 233:111403. DOI:10.1016/j.rse.2019.111403

[36]
Vogelmann J E, Gallant A L, Shi H, et al. Perspectives on monitoring gradual change across the continuity of Landsat sensors using time-series data[J]. Remote Sensing of Environment, 2016, 185:258-270. DOI:10.1016/j.rse.2016.02.060

[37]
Chastain R, Housman I, Goldstein J, et al. Empirical cross sensor comparison of Sentinel-2A and 2B MSI, Landsat-8 OLI, and Landsat-7 ETM+ top of atmosphere spectral characteristics over the conterminous United States[J]. Remote Sensing of Environment, 2019, 221:274-285. DOI:10.1016/j.rse.2018.11.012

[38]
Schneibel A, Stellmes M, Röder A, et al. Assessment of spatio-temporal changes of smallholder cultivation patterns in the Angolan Miombo belt using segmentation of Landsat time series[J]. Remote Sensing of Environment, 2017, 195:118-129. DOI:10.1016/j.rse.2017.04.012

[39]
国家林业局调查规划设计院. 森林资源规划设计调查技术规程(GB/T 26424-2010)[S]. 北京: 中国标准出版社, 2011.

[Survey & Planning Institute of State Forestry Administration. Technical regulations for inventory for forest management planning and design(GB/T 26424-2010)[S]. Beijing: Standards Press of China, 2011.]

[40]
殷崎栋, 柳彩霞, 田野. 基于Landsat时序影像和LandTrendr算法的森林保护区植被扰动研究——以陕西柴松和太白山保护区为例[J]. 生态学报, 2020, 40(20):7343-7352.

[Yin Q D, Liu C X, Tian Y. Detecting dynamics of vegetation disturbance in forest natural reserve using Landsat imagery and LandTrendr algorithm: The case of Chaisong and Taibaishan Natural Reserves in Shaanxi, China[J]. Acta Ecologica Sinica, 2020, 40(20):7343-7352.] DOI:10.5846/stxb201910112115

[41]
钟莉, 陈芸芝, 汪小钦. 基于Landsat时序数据的森林干扰监测[J]. 林业科学, 2020, 56(5):80-88.

[Zhong L, Chen Y Z, Wang X Q. Forest disturbance monitoring based on time series of landsat data[J]. Scientia Silvae Sinicae, 2020, 56(5):80-88.]

[42]
鲁宁, 寇卫利, 徐伟恒, 等. 西双版纳12 a间森林扰动监测研究[J]. 森林与环境学报, 2017, 37(4):446-452.

[Lu N, Kou W L, Xu W H, et al. Forest disturbance monitoring of Xishuangbanna in the recent 12 years[J]. Journal of Forest and Environment, 2017, 37(4):446-452.] DOI:10.13324/j.cnki.jfcf.2017.04.012

[43]
Chen B Q, Xiao X M, Wu Z X, et al. Identifying establishment year and pre-conversion land cover of rubber plantations on Hainan Island, China using landsat data during 1987-2015[J]. Remote Sensing, 2018, 10(8):1240. DOI:10.3390/rs10081240

[44]
余伟, 张木兰, 麦全法, 等. 台风“达维”对海南农垦橡胶产业的损害及所引发的对今后产业发展的思考[J]. 热带农业科学, 2006, 26(4):41-43.

[Yu W, Zhang M L, Mai Q F, et al. Damage of typhoon damrey to the rubber industry in Hainan state farm bureau and its countermeasures for future development[J]. Chinese Journal of Tropical Agriculture, 2006, 26(4):41-43.]

[45]
黄海静, 杨再强, 王春乙, 等. 海南岛天然橡胶林台风灾害风险评价[J]. 气象与环境学报, 2019, 35(5):130-136.

[Huang H J, Yang Z Q, Wang C Y, et al. Evaluation of typhoon disaster risk for Hevea brasiliensis in Hainan Island[J]. Journal of Meteorology and Environment, 2019, 35(5):130-136.] DOI:10.3969/j.issn.1673-503X.2019.05.017

[46]
莫业勇. 天然橡胶供需形势和风险分析[J]. 中国热带农业, 2019(2):4-6,10.

[Mo Y Y. Supply and demand situation and risk analysis of natural rubber[J]. China Tropical Agriculture, 2019(2):4-6,10.] DOI:10.3969/j.issn.1673-0658.2019.02.002

[47]
陈朝辉. 海南省三亚市的生态环境建设[J]. 热带地理, 2001, 21(3):202-206,222.

[Chen C H. The construction of ecological environment in Sanya City of Hainan Province[J]. Tropical Geography, 2001, 21(3):202-206,222.] DOI:10.3969/j.issn.1001-5221.2001.03.003

[48]
任传帅, 叶回春, 崔贝, 等. 基于面向对象分类的芒果林遥感提取方法研究[J]. 资源科学, 2017, 39(8):1584-1591.

DOI

[Ren C S, Ye H C, Cui B, et al. Acreage estimation of mango orchards using object-oriented classification and remote sensing[J]. Resources Science, 2017, 39(8):1584-1591.] DOI:10.18402/resci.2017.08.14.

[49]
Luo H X, Dai S P, Li M F, et al. Comparison of machine learning algorithms for mapping mango plantations based on Gaofen-1 imagery[J]. Journal of Integrative Agriculture, 2020, 19(11):2815-2828.

DOI

[50]
三亚统计局. 三亚统计年鉴[M]. 北京: 中国统计出版社, 2020.

[Sanya Statistical Burear. Sanya statistical yearbook[M]. Beijing: China Statistics Press, 2020.]

[51]
张晓晖, 余雪标, 黄金城. 海南省桉树人工林生态系统服务功能价值评估[J]. 热带林业, 2006(3):25-27.

[Zhang X H, Yu X B, Huang J C. Assessment of Eucalyptus plantation forest ecosystem service function value in Hainan Province[J]. Tropical Forestry, 2006(3):25-27.]

[52]
朱美玲, 王旭, 王帅, 等. 海南儋州橡胶树、桉树人工林碳储量及其动态变化[J]. 生态科学, 2016, 35(3):43-51.

[Zhu M L, Wang X, Wang S, et al. Carbon storage and distribution of rubber and eucalyptus plantations in Danzhou, Hainan Island[J]. Ecological Science, 2016, 35(3):43-51.] DOI:10.14108/j.cnki.1008-8873.2016.03.007.

[53]
林伟新. 基于生态理念的桉树种植现状与可持续发展对策[J]. 林业科技情报, 2020, 52(1):23-25.

[Lin W X. Eucalyptus robusta planting status and sustainable development countermeasures based on ecological concept[J]. Forestry Science and Technology Information, 2020, 52(1):23-25.]

[54]
韦育凡. 桉树人工林现状及可持续发展[J]. 农村实用技术, 2021(6):122-123.

[Wei Y F. Current status and sustainable development of eucalyptus plantation forests[J]. Applicable Technologies for Rural Areas, 2021(6):122-123.]

[55]
张春花, 吴胜安. 高温对海南岛西南部干旱影响研究[J]. 气象科技进展, 2020, 10(4):96-101.

[Zhang C H, Wu S A. Analysis on the effect of high temperature on drought in southwestern Hainan Island[J]. Advances in Meteorological Science and Technology, 2020, 10(4):96-101.] DOI:10.3969/j.issn.2095-1973.2020.04.017

[56]
Schwantes A M, Swenson J J, Jackson R B. Quantifying drought-induced tree mortality in the open canopy woodlands of central Texas[J]. Remote Sensing of Environment, 2016, 181:54-64. DOI:10.1016/j.rse.2016.03.027

[57]
Kennedy R, Yang Z Q, Gorelick N, et al. Implementation of the LandTrendr algorithm on google earth engine[J]. Remote Sensing, 2018, 10(5):691. DOI:10.3390/rs10050691

[58]
Zhu Z, Wang S X, Woodcock C E. Improvement and expansion of the Fmask algorithm: Cloud, cloud shadow, and snow detection for Landsats 4-7, 8, and Sentinel 2 images[J]. Remote Sensing of Environment, 2015, 159:269277. DOI:10.1016/j.rse.2014.12.014

Options
Outlines

/

〈 〉