0 引言
红树林是生长在热带和亚热带沿海潮间带的植物群落,是沿岸生态系统中不可或缺的一部分,被称为“海底森林”,具有丰富的生物资源和生态价值,包括保护生物多样性、海洋防风、改善土壤等[1]。然而,由于沿海养殖的经济需求,红树林被不断地砍伐和破坏,全球38%的红树林在1996—2010年消失[2-3]。海南岛是中国红树种类最多、分布和保存面积最大的区域之一,红树林面积占全国的33%,在中国乃至世界红树林中占有重要位置, 具有极为重要的保护价值[4]。在2006年以前的近50 a的发展中,海南岛在红树林也在持续减少,自2006年出台《海南红树林保护规划 (2006—2015) 》后, 红树林面积开始有增加的趋势[5]。海南绝大部分红树林分布在海口市和文昌市[6],其中主要分布在东寨港、八门湾区域,近几年人为破坏、开垦对红树林生态造成了严重影响[7-8]。
鉴于红树林生态价值的重要性和遭受破坏的严重程度,各国学者纷纷对红树林进行监测,遥感作为其中重要的手段,被研究者广泛利用于红树林变化研究中[9-10]。Gopalakrishnan等[11]利用多年遥感数据,对马来西亚半岛红树林面积进行了测定,确定在1944—2018年间,马来西亚半岛红树林面积损失超过400 km2,占红树林面积的31%; Rahman等[12]利用Landsat数据绘制和分析了孟加拉国巴古纳区的地物类型变化,发现1990—2017年间,红树林植被从9.32%增加到19.02%; 马云梅等[13]利用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(support vector machines,SVM)分类方法,对广西海岸带红树林开展种间精细分类研究,得到7种红树的分布面积; 徐晓然等[14]利用1964—2015年间6期遥感影像对八门湾红树林区域进行土地利用分类和景观动态分析,确定红树林面积占比由15%下降到5.25%,红树林由大面积连续集中分布趋向于小面积孤立分散分布。
Google Earth Engine(GEE)云平台是一个集科学分析以及地理信息数据可视化的综合性平台[15]。该平台集成Landsat5/7/8,MODIS历史遥感数据以及云端算法,依托Google公司全球百万台服务器,将这种数据密集分析、海量的计算资源和高端可视化科学范式落到实地。Hansen等[16]最早将GEE应用于全球森林分布和变化监测,实现了2000—2012年30 m尺度的全球森林变化监测; Chen等[17]对2015年中国红树林进行研究,得到了30 m分辨率的中国红树林地图; 薛朝辉等[18]基于GEE利用物候信息采用随机森林(random forest,RF)方法得到恒河三角洲孙德尔本斯地区2016年红树林范围; 刘凯等[19]基于GEE实现越南玉显县红树林、红树林-虾塘、不透水面-裸地和水体4种地物的专家知识决策树分类和土地覆盖的制图,并基于分类结果监测该区域1993—2017年的红树林年际动态变化。
综上所述,在以往的研究中都是对红树林直接进行分类提取,很少建立具有区分性的特征,往往也是考虑和陆地地物的区分,缺乏对相近地物的区分研究和大范围、长时间尺度的动态监测,且对于红树林保护政策后的变化情况研究较少,缺乏近几年的变化分析。另外,基于遥感的研究也都需要收集海量数据,对研究硬件需求较高。针对这些问题本研究以GEE云平台提供的海量数据和强大的分析功能作为支撑,对海南八门湾区域红树林2009—2021年的变化情况进行监测分析,选取Landsat系列卫星影像对红树林进行分类提取,并基于分类结果分析其变化情况,以期对近几年红树林变化情况进行研究,为生态环境保护工作者提供科学支撑。
1 研究区概况与数据源
1.1 研究区概况
本文选择八门湾水边线向岸扩充2 km区域作为研究区,地理坐标为E110°44'~110°56',N19°31'~19°40',如图1所示。八门湾位于海南省文昌市的东南部,毗邻文城镇、东郊镇、文教镇、龙楼镇、东阁镇,八门湾红树林保护区于1981年批建,现为省级自然保护区,同时也是文昌市重点建设的自然旅游景区。随着文昌市的快速发展,八门湾红树林保护区不断遭到人为干预,分析八门湾红树林变化情况对红树林生态保护有重要意义。
图1
1.2 数据源
本文使用GEE云平台存储的影像数据(
表1 数据集
Tab.1
| 年份 | 卫星 | 数量/景 |
|---|---|---|
| 2009年 | Landsat5 | 18 |
| 2013年 | Landsat8 | 4 |
| 2014年 | Landsat8 | 14 |
| 2015年 | Landsat8 | 10 |
| 2016年 | Landsat8 | 4 |
| 2017年 | Landsat8 | 5 |
| 2018年 | Landsat8 | 12 |
| 2020年 | Landsat8 | 9 |
| 2021年 | Landsat8 | 15 |
2 研究方法
2.1 分类系统确定
本文考虑研究区红树林变化情况和破坏重建等因素,构建研究区分类体系,并进行地物分类提取,主要包括红树林、建筑物、坑塘、滩涂、草地-耕地、裸地、树木、水体8种土地类型,在短波红外、近红外和红光波段的假彩色合成下各类型的影像特征和解译标志如表2所示。
表2 研究区目标地物影像特征和解译标志
Tab.2
 |
2.2 样本及分类特征选择
在研究区范围内以上文解译标志为参考,随机均等生成训练样本,并参照Google Earth中各历史时期影像,确定各地物类型样本点位置。分类特征的选择是地物分类的关键步骤,以2021年Landsat8在实验区的影像为基准,选择各地物类型随机样本统计各地物大气表观反射率(top of atmosphere reflectance,TOA)均值,并绘制目标地物光谱特征曲线,如图2所示。从图中可以看出植被和非植被类型的光谱差异很大,植被在近红外波段有一个反射率峰值,可以将建筑物、坑塘、滩涂、裸地、水体等非植被类型区分开。非植被类型地物也有不同的光谱特征,裸地在蓝光和绿光波段反射率较低,红光波段开始反射率上升且都高于其他地物; 建筑物从近红外波段开始反射率上升且反射率高于滩涂、坑塘和水体; 滩涂、坑塘和水体反射率都较低,但也有变化差异,滩涂类型全波段都相对一致,坑塘在近红外波段反射率降低并在短波红外保持低反射率,水体在红光波段反射率降低并在近红外和短波红外保持低反射率。植被类型中草地-耕地、树木和红树林的光谱特征曲线变化趋势具有一致性,草地-耕地的反射率高于红树林和树木; 但是,红树林和树木的光谱曲线重合程度较高,在可见光波段几乎重叠在一起,只有在近红外波段和短波红外波段有反射率差异,因此,对于红树林和树木的区分应用近红外波段和短波红外波段来进行区分。
图2
式中:
鉴于红树林生长环境为滩涂湿地,为了进一步提高分类精度,添加DEM数据作为分类特征,更好地区分红树林和其他地物类型。
2.3 分类方法
本研究利用具有解决小样本、非线性和高维模式识别等优势的SVM[23]的监督分类方法进行分类。SVM方法的原理即寻找“超平面”,使得训练样本空间里不同类别的点落在“超平面”两侧。在GEE云平台中调用SVM方法进行研究区分类,然后采用人工判读的方法进行后处理,最终得到八门湾区域2009—2021年9个时期的地物分类结果。
2.4 分析方法
本研究使用随机抽样200个验证样本点结合Google Earth中的影像对分类后处理结果进行精度评价,评价指标是基于混淆矩阵计算得到的总体分类精度、Kappa系数和每一类地物的用户精度、制图精度。
3 结果与分析
3.1 目标地物分类精度评价
基于上述分析,以2021年为例,在研究区随机选择200个点作为精度评价验证样本点,将对应点上的GEE分类后处理结果和Google Earth中的高清影像进行对比验证,计算混淆矩阵,其分类精度评价结果如表4所示。
表4 分类精度评价结果
Tab.4
| 地物类型 | 总体精度 | Kappa系数 | 用户精度 | 制图精度 |
|---|---|---|---|---|
| 红树林 | 0.91 | 0.89 | 0.96 | 0.86 |
| 建筑物 | 0.80 | 0.92 | ||
| 坑塘 | 0.83 | 1.00 | ||
| 滩涂 | 1.00 | 0.67 | ||
| 草地-耕地 | 0.96 | 0.85 | ||
| 裸地 | 1.00 | 0.90 | ||
| 树木 | 0.89 | 0.86 | ||
| 水体 | 1.00 | 0.97 |
从表4可看出,总体分类精度达到0.91,Kappa系数为0.89,说明本文提出的基于SVM分类方法对八门湾地区遥感影像的分类方案具有可行性,对分类特征的选择优化了分类结果,能很好地区分该地区各地物类型,进而分析各年份的土地覆被变化情况。GEE平台为研究提供了充分的数据和计算支撑,有助于快速获取并分析红树林和其他地物的时空变化,为高效研究地物信息和环境变化提供方便。评价结果中,建筑物的用户精度相对较低,主要是受制于影像的分辨率和云的影响,海南居民建筑主要分散在植被中,存在大量混合像元,对分类有一定困难。滩涂的制图精度相对较低,主要是因为其在河口分布,影像特征较为混淆,河口水质较为浑浊时区分困难。但是,建筑物距离红树林区较远,滩涂和红树林区分明显,故不会对红树林变化分析造成影响。
3.2 红树林年际变化监测
图3-1
图3-1
2009—2021年研究区地物类型分类结果
Fig.3-1
Classification results of ground objects in the study area from 2009 to 2021
图3-2
图3-2
2009—2021年研究区地物类型分类结果
Fig.3-2
Classification results of ground objects in the study area from 2009 to 2021
图4
图4
2009—2021年研究区主要土地类型面积
Fig.4
Area of main land types in the study area from 2009 to 2021
从图3结果中可以发现,研究区西部区域A红树林部分消失,东部区域B红树林缓慢增加。在区域A,红树林斑块迅速减少,在2009—2014年间不断减少,到2015年只剩下东南角部分红树林,其红树林消失区建筑物的面积不断增加,原本红树林的区域变成建筑物,表明在该区域红树林破坏的主要原因是建筑侵占,但在2016年后红树林范围基本保持不变。在区域B,2016年之前红树林斑块数量和面积基本维持稳定,2016年后红树林缓慢增加,基本是在坑塘区域外围和河道两侧,在2020年后该区域外围大部分地物类型由坑塘变成滩涂,且与红树林增加区域重合,说明主要是退塘活动使得红树林有自然空间在缓慢的恢复。研究区其他位置红树林斑块变化不是很明显,且在2015年后红树林没有出现大面积消失的情况。
另外,从图4中统计到的红树林及周边地物面积变化情况看,研究时期内红树林先减少后增加,总体呈现减少趋势。在2009—2013年,红树林面积减少,从748.40 hm2减少到673.83 hm2,坑塘面积从2 602.35 hm2增加至2 909.30 hm2,滩涂面积基本不变。在2014—2016年,红树林、坑塘、滩涂面积浮动变化,基本保持相对稳定。在2017—2021年,红树林、滩涂面积开始逐渐增加,红树林面积增加到715.36 hm2,滩涂面积增加到1 379.19 hm2,坑塘面积从3 053.44 hm2逐渐减少至1 990.76 hm2。红树林和坑塘面积呈现负相关关系,说明坑塘养殖的发展和退塘还林的保护是红树林变化的主要因素,文昌市在2017年印发的《清澜红树林省级自然保护区退塘还林还湿工作方案》中提及在未来逐步实现红树林保护修复,实施计划与本文红树林变化趋势相一致。
为进一步分析红树林变化转移情况,将2009—2021年研究区分类结果进行土地利用转移矩阵的计算,得到土地利用转移结果,如图5所示,由此可知红树林变化转移情况。可以从图5中看出,2009—2021年减少的红树林大部分转变为坑塘,但转变面积逐渐降低,2009—2013年期间,红树林面积减少了74.57 hm2,转变为坑塘的面积为58.90 hm2,且与由坑塘转化为红树林的面积相差较大,说明该时期红树林主要是被破坏成为坑塘,但在2020—2021年期间,红树林转变为坑塘的面积为13 hm2,与之前的破坏程度相比得到极大的改善。2015年之后红树林面积变化幅度很小,减少和增加的面积大致为60 hm2,有可能是分类的边缘误差导致的,说明该时期红树林基本不变,没有被持续破坏,保护成效显著。2017—2021年由坑塘转变为红树林的面积明显多于红树林转变为坑塘的面积,总计有154.63 hm2坑塘转化为红树林,说明该时期部分地区显示出红树林恢复成效,时间节点与文昌市颁布相关政策基本吻合。综上所述,红树林主要是和坑塘之间相互转化,说明其生存环境与坑塘有很大的重叠性,对其保护修复应做到坑塘养殖和治理之间的平衡。
图5
图5
2009—2021年研究区土地利用类型转移
Fig.5
Transfer of land use types in the study area from 2009 to 2021
4 结论
本文为研究八门湾区域2009—2021年红树林年际变化,利用GEE平台强大数据存储和计算能力,选取研究区实验年份去云Landsat遥感影像,计算特征指数,构建分类特征集,使用SVM分类方法进行地物类型分类,基于分类结果对红树林年际变化进行了分析,结果表明:
1)红树林在对温度、湿度敏感的近红外、短波红外波段与陆地树木有较大的反差,是区分红树林和树木的最佳波段。利用其反射光谱差异,使用包含红外波段的特征指数作为分类特征,结合GEE平台上的DEM数据,对研究区进行地物分类以识别和区分红树林,结果的总体精度达到0.91,分类精度较高,可准确分析红树林年际变化。
2)凭借GEE平台的长时序数据对研究区红树林进行年际上的分类识别,进而对其进行变化监测。分类结果显示: 研究区红树林面积有先减少后增加的变化特征,在2009—2013年减少,2014—2016年基本保持不变,2017—2021年缓慢增加。红树林增加和坑塘减少的时间节点相吻合,都是在“南红北柳”政策及文昌市红树林保护修复政策颁布之后,说明该研究区红树林保护政策成效显著。地物转移矩阵揭示了红树林主要是和坑塘相互转化,表明在八门湾区域对红树林变化影响最大的因素是人为毁林造塘和退塘还林保护。
参考文献
红树林及其在海洋生态中的作用
[J].
Mangrove and its effects on ocean ecosystem
[J].
Distribution and drivers of global mangrove forest change,1996—2010
[J].
Depletion of the mangroves of continental Asia
[J].
海南岛红树林资源现状及保护对策
[J].
Status of mangrove resources in Hainan Island and its conservation measures
[J].
海南红树林资源现状与预警研究
[J].
The studies on current status and pre-warning mechanism of mangroves in Hainan
[J].
海南红树林湿地生态系统服务价值评估
[J].
Ecological functions assessment of mangrove wetland in Hainan Province
[J].
浅谈文昌市清澜港红树林湿地生态系统存在问题和发展对策
[J].
Discussion on the existing problems and development countermeasures of mangroves wetland ecosystem in Qinglangang,Wenchang
[J].
2002—2013年海南东寨港自然保护区湿地变化分析
[J].
Change analysis in Hainan Dongzhai Wetland Reserve based on remote sensing data obtained during 2002—2013
[J].
A bibliometric analysis of tropical mangrove forest land use change from 2010 to 2020
[J].
Remote sensing techniques:Mapping and monitoring of mangrove ecosystem:A review
[J].
Using Historical archives and Landsat imagery to explore changes in the mangrove cover of Peninsular Malaysia between 1853 and 2018
[J].
Spatio-temporal analysis of land use and land cover changes in Barguna District of Bangladesh using remote sensing techniques:Focusing on mangrove vegetation
[J].
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].
DOI:10.12082/dqxxkx.2021.210494
[本文引用: 1]
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。
Fine classification and mapping of mangroves in Guangxi coastal zone based on spectral characteristics of GF images
[J].
1964—2015年海南省八门湾红树林湿地及其周边土地景观动态分析
[J].
Dynamic analysis of landscape changes in Bamen port and the surrounding lands of Hainan Province from 1964 to 2015
[J].
Google Earth Engine:A new cloud-computing platform for global-scale earth observation data and analysis
[C]//
High-resolution global maps of 21st-century forest cover change
[J].
DOI:10.1126/science.1244693
PMID:24233722
[本文引用: 1]
Quantification of global forest change has been lacking despite the recognized importance of forest ecosystem services. In this study, Earth observation satellite data were used to map global forest loss (2.3 million square kilometers) and gain (0.8 million square kilometers) from 2000 to 2012 at a spatial resolution of 30 meters. The tropics were the only climate domain to exhibit a trend, with forest loss increasing by 2101 square kilometers per year. Brazil's well-documented reduction in deforestation was offset by increasing forest loss in Indonesia, Malaysia, Paraguay, Bolivia, Zambia, Angola, and elsewhere. Intensive forestry practiced within subtropical forests resulted in the highest rates of forest change globally. Boreal forest loss due largely to fire and forestry was second to that in the tropics in absolute and proportional terms. These results depict a globally consistent and locally relevant record of forest change.
A mangrove forest map of China in 2015:Analysis of time series Landsat7/8 and Sentinel-1A imagery in Google Earth Engine cloud computing platform
[J].
融合Landsat8与Sentinel-2数据的红树林物候信息提取与分类研究
[J].
Fusion of Landsat8 and Sentinel-2 data for mangrove phenology information extraction and classification
[J].
基于Google Earth Engine的红树林年际变化监测研究
[J].
DOI:10.12082/dqxxkx.2019.180354
[本文引用: 1]
遥感技术已广泛应用于红树林资源调查与动态监测中,但仍然存在遥感数据获取困难、数据预处理工作量大、监测时间长而周期过大等问题,影响了学者对红树林演变过程的精细刻画与理解。本文基于Google Earth Engine（GEE）云遥感数据处理平台,选取Landsat系列卫星数据,生成长时间序列年际极少云影像集（云量少于5%）,利用3个红外波段反射率（NIR、SWIR1、SWIR2）和3个特征指数（NDVI、NDWI、NDMI）建立阈值规则集,实现对实验区越南玉显县红树林、红树林-虾塘、不透水面-裸地、水体4种目标地物的专家知识决策树分类和土地覆盖的制图,并基于分类结果监测该区域1993-2017年的红树林年际动态变化。结果表明：GEE平台可满足多云多雨地区红树林的长时间序列年际变化监测需求;本文阈值分类方法可以有效提取红树林及红树林-虾塘,实验区有86%年份的影像分类精度达到80%以上;年际变化监测可精细刻画实验区红树林面积先增后减再增的变化过程,也能准确反映红树林与红树林-虾塘养殖系统面积之间的负相关关系。红树林年际动态监测结果可以降低红树林演变分析的不确定性,并能更精细地量化红树林与其他土地覆盖类型的转化过程,从而评估经济发展、政策等因素对红树林演变的影响。
Monitoring the inter-annual change of mangrove based on the Google Earth Engine
[J].
利用温湿度指数提高红树林遥感识别精度
[J].
Application of the temperature-moisture index to the improvement of remote sensing identification accuracy of mangrove
[J].
基于决策树方法的Landsat8 OLI影像红树林信息自动提取
[J].
Decision tree algorithm of automatically extracting mangrove forests information from Landsat8 OLI imagery
[J].
The measurement of mangrove characteristics in southwest Florida using SPOT multispectral data
[J].
基于转移矩阵的土地利用变化信息挖掘方法探讨
[J].土地利用变化是全球变化中的重要组成部分。本文以土地利用转移矩阵为基础，构建了土地利用净变化量、交换变化量、总变化量的计算方法，并计算了随机状态下各地类间相互转换的理论频数，通过实际转换量与理论转换量进行对比，构建判断土地利用转换规则的方法，从而能够更加清晰地判断土地利用变化的系统过程。应用上述方法对山东省德州市临邑县土地利用变化进行了实证分析，结果显示：临邑县耕地总变化量最大，其次是园林地和未利用地，最后是建设用地和其他土地，其中耕地几乎全部都是交换变化，而未利用地则相反，园林地和其他土地以交换变化为主，建设用地以净变化为主；从新增的角度来说，未利用地转化为其他土地最具有转换优势，其次是未利用地转换为园林地；从流失的去向看，其他土地转换为园林地最具转换优势，其次是耕地转换为园林地。结果表明该方法可以有效获取各土地利用类型动态变化信息，更清晰地辨别土地利用类型间的转换规则，能够为土地利用空间分析和建模提供更有用的信息。
Methods for detecting land use changes based on the land use transition matrix
[J].Land use change is a key component for global environment change, and also a representation of the impact of human activities on the environment. The cross-tabulation matrix is a fundamental tool in analyses of land use change, but many studies seem to be short of analyzing the matrix in terms of its various components, failing to obtain as much insight as possible concerning the potential processes that determine a general pattern of land use change. This paper aims to use the cross-tabulation matrix to assess the total land use change on the basis of the net change and transfer change. The relative differences between the observed transition and expected transition, which were generated by random transitions, can be used to extract systematic inter-category transitions. An example of changes among five land use categories in Linyi County in Shandong Province illustrated the effectiveness of the suggested method. The amount of total change for cropland was found largest, followed by forest land, unused land, construction land and others. The change in cropland was nearly a pure swap-type of change. In contrast, the unused land indicated no swap change but net change. Changes in others consisted of both swap and net change. The most prominent transition was the conversion from cropland to forest, accounting for 2.63% of the landscape, followed by the conversion from unused land to cropland, and cropland to construction land. If the gains occurred at random categories, it replaced the unused land at a rate eight times of the expected rate. The large conversion from cropland to forest could be attributed to the largest cropland in all categories, since the quantity of the conversion was almost equivalent to what would be expected from a random process. If the processes of loss occurred at random categories and the other land lost, forest tended to replace it at a rate exceeding two times of the expected rate. A relatively large conversion from cropland to forest could be as a result of the smallest area of forest in all land use categories, since the quantity of the conversion was larger than what would be expected from a random process. It was concluded that these methods can facilitate detection of the strongest signals from systematic land use transitions, which would be greatly helpful for analyses and modeling of land use change.
