夏清，李建華，代碩，張涵，邢學(xué)敏

1.長沙理工大學(xué) 交通運輸工程學(xué)院,長沙 410114;

2.云南農(nóng)業(yè)大學(xué) 水利學(xué)院,昆明 650201

1 引言

紅樹林是生長在熱帶、亞熱帶海岸潮間帶的木本植物群落（林鵬和傅勤，1995；Giri 等，2011；Vo 等，2013；Wang 等，2019），由于其獨特的地理位置，紅樹林是兼具陸地和海洋特性的生態(tài)系統(tǒng)，在維持海岸帶生態(tài)平衡、防風(fēng)固沙、凈化水質(zhì)污染和保護生態(tài)多樣性等方面發(fā)揮至關(guān)重要的作用（Kuenzer 等，2011；Monsef 和Smith，2017；Pastor-Guzman等，2018）。然而，隨著沿海經(jīng)濟帶的開發(fā)和氣候條件的變化，灘涂養(yǎng)殖、圍海造田、沿海區(qū)域經(jīng)濟建設(shè)等諸多人類活動的侵占和自然因素的干擾，導(dǎo)致紅樹林生存環(huán)境惡化、面積萎縮、種類減少等（黃可 等，2022；薛朝暉等，2022）。由于紅樹林生態(tài)系統(tǒng)脆弱，遭到破壞后，較難在短時間內(nèi)恢復(fù)原狀（Long 和Giri，2011；Kirui 等，2013；王浩 等，2020）。隨著各種國家、地方、區(qū)域相關(guān)紅樹林保護政策的出臺，紅樹林生態(tài)系統(tǒng)的安全及可持續(xù)發(fā)展問題日益突顯出來（Brown 等，2018；Maurya 等，2021，賈凱 等，2022）。因此，快速、準確地實現(xiàn)中國紅樹林高分遙感制圖是紅樹林生態(tài)系統(tǒng)科學(xué)管理、保護與監(jiān)測的前提與基礎(chǔ)。

采用傳統(tǒng)的野外調(diào)查方法實現(xiàn)全國紅樹林的制圖工作，費時費力、勞動強度大，對于向海側(cè)潮灘上的紅樹林，野外工作者難以到達，導(dǎo)致紅樹林制圖不全面、不準確。遙感技術(shù)由于具有實時、準確、多尺度等優(yōu)點廣泛用于紅樹林遙感制圖中（Green 等，1998；范航清和王文卿，2017；Wang 等，2019）。最初，學(xué)者們利用中低分辨率的遙感影像（如Landsat、Sentinel 系列、MODIS等），結(jié)合各類影像分類算法實現(xiàn)紅樹林的遙感制圖（Tuominen 和Pekkarinen，2005；Kuenzer 等，2011；Koedsin 和Vaiphasa，2013）。然而，受限于空間分辨率，向海側(cè)瑣碎、零星分布的紅樹林難以被精確解譯出來。隨著高空間分辨率遙感衛(wèi)星發(fā)射的成功（如QuickBird、IKONOS、WorldView、高分系列等），因其具有提供精細紋理、形狀等空間信息的能力，可彌補中低分遙感影像的不足，逐漸在紅樹林遙感制圖中廣泛應(yīng)用，高分影像結(jié)合影像分類算法可實現(xiàn)紅樹林高空間分辨率的遙感制圖工作（Wang 等，2004；Neukermans 等，2008；Zhang等，2012；唐煥麗 等，2015）。

由于紅樹林特殊的地理位置，潮汐是不可或缺的重要考慮因素。無論利用何種遙感數(shù)據(jù)源解譯紅樹林時，只有獲得最低潮位影像才能精準解譯其空間分布范圍，然而獲得某時間某區(qū)域內(nèi)有效的最低潮位影像是十分困難的，這為紅樹林遙感制圖帶來極大的不確定性（李天宏 等，2002；Heumann，2011；王樂 等，2018；Jia 等，2019；Xia 等，2021）。學(xué)者們嘗試采用多時相遙感數(shù)據(jù)表達潮汐動態(tài)變化，進而實現(xiàn)紅樹林的遙感制圖（Zhang 和Tian，2013；Rogers 等，2017；Jia 等，2019）。如Li 等（2019b）利用多時相HJ-CCD 影像捕捉潮汐的動態(tài)變化，結(jié)合決策樹方法實現(xiàn)紅樹林制圖。隨著對潮汐現(xiàn)象及影響規(guī)律認識的逐漸深入，學(xué)者們利用長時間序列遙感影像，借助大數(shù)據(jù)影像處理平臺GEE（Google Earth Engine）結(jié)合影像分類算法完成紅樹林的遙感制圖（Chen等，2017；Zhao 和Qin，2020；Hauser 等，2020；Gilani 等，2021）。此外，為了更加精準解譯紅樹林，學(xué)者們通過構(gòu)建專門的紅樹林淹沒指數(shù)輔助解譯紅樹林（Diniz 等，2019；Ghorbanian 等，2021）。如Zhang 等（2017）基于多時相Landsat 數(shù)據(jù)，分析潮汐淹沒紅樹林光譜特性，基于決策樹方法逐層解譯紅樹林，實現(xiàn)紅樹林遙感制圖。Xia等（2018）利用多時相國產(chǎn)高分一號數(shù)據(jù)，構(gòu)建能反映紅樹林被潮汐淹沒的指數(shù)，即紅樹林淹沒指數(shù)SMRI（Submerged Mangrove Recognition Index），再結(jié)合支持向量機分類方法解譯紅樹林，其分類精度可達94%，紅樹林制圖精度得到很大的提高。

目前，中國大多國家尺度的紅樹林遙感制圖工作均是基于中等分辨率遙感數(shù)據(jù)，如賈明明等（2021）基于Landsat 數(shù)據(jù)集實現(xiàn)中國30 m 紅樹林空間分布時序制圖；Zhao 和Qin（2020）基于Sentinel 數(shù)據(jù)，利用GEE 大數(shù)據(jù)平臺，采用分位數(shù)法合成高低潮位影像，完成中國10 m 空間分辨率的紅樹林遙感制圖。雖然現(xiàn)有學(xué)者研究各種顧及潮汐影響的指數(shù)應(yīng)用到紅樹林遙感解譯中，但大多研究均是針對小尺度研究的，唯有Zhao 和Qin（2020）針對全國尺度、顧及潮汐影響進行了紅樹林遙感制圖的工作，但所采用的數(shù)據(jù)源空間分辨率有待提高，對潮汐影響的考慮還不夠充分、具體，目前，尚無采用紅樹林指數(shù)作為顧及潮汐影響的表征參數(shù)，進而實現(xiàn)全國尺度紅樹林高分遙感制圖的數(shù)據(jù)集。

本文采用國產(chǎn)高分二號為數(shù)據(jù)源，利用面向?qū)ο蠖喑叨确指罘椒?，將紅樹林淹沒指數(shù)作為顧及潮汐影響的表征參數(shù)，結(jié)合高分數(shù)據(jù)提供的精細紋理、形狀特征在隨機森林分類算法中實現(xiàn)紅樹林遙感解譯，生產(chǎn)2020 年中國紅樹林高分遙感數(shù)據(jù)集，分析基于現(xiàn)勢高分數(shù)據(jù)集上中國紅樹林空間分布情況，探索顧及潮汐對紅樹林遙感制圖的影響及本文方法的適用性。本文研究可為中國紅樹林生態(tài)系統(tǒng)的監(jiān)測與評估提供現(xiàn)勢空間分辨率最高的遙感制圖數(shù)據(jù)集，為實現(xiàn)2030 年“碳達峰”評估提供基礎(chǔ)數(shù)據(jù)支撐與科學(xué)依據(jù)。

2 研究區(qū)與數(shù)據(jù)源

2.1 研究區(qū)

中國紅樹林的分布橫跨8個省區(qū)，主要分布在廣西、廣東、福建、浙江、海南5大省區(qū)，香港特別行政區(qū)、澳門特別行政區(qū)和中國臺灣省分別有少量紅樹林分布，最北端分布邊界為浙江省舟山市，最南端分布邊界為海南省三亞市（18°12'N—29°32'N，108°03'E—122°00'E），其沿海海岸線長達14700 km（賈明明 等，2021）。中國紅樹林分布區(qū)屬于熱帶、亞熱帶海洋性季風(fēng)氣候，夏季炎熱多雨，冬季溫暖潮濕，氣溫的年變化及日變化較小，日照充足，年平均氣溫21 ℃—25 ℃，雨量充沛，相對濕度較大，年平均降水量為1200—2200 mm。東南沿海地勢低洼，海岸線類型多樣，包括淤泥質(zhì)海岸、砂質(zhì)海岸和基巖海岸。潮汐類型同樣多樣化，福建省和浙江省多為規(guī)則半日潮，廣東省和臺灣省東部為不規(guī)則半日潮，北部灣沿海是規(guī)則全日潮，海南東部和臺灣西部為不規(guī)則全日潮（圖1）。

圖1 研究區(qū)示意圖（賈明明 等，2021）Fig.1 Location of study area（Jia et al.，2021）

本文將沿著海岸線雙向（向內(nèi)陸、向海）10 km 緩沖區(qū)確定為中國紅樹林潛在分布區(qū)，潛在分布區(qū)外的紅樹林不做考慮。10 km 緩沖區(qū)的確定依據(jù)主要有兩點：一是根據(jù)Google Earth 上提供的高分影像，初步目視判讀向內(nèi)陸一側(cè)紅樹林分布的最遠邊界及向海一側(cè)島嶼周邊紅樹林的最遠分布邊界；二是根據(jù)實地野外調(diào)查，向內(nèi)陸分布的紅樹林主要分布在河道兩側(cè)，將紅樹林郁閉度小于20%的區(qū)域作為向內(nèi)陸的最遠延伸邊界。根據(jù)相關(guān)文獻統(tǒng)計（范航清和王文卿，2017；楊盛昌 等，2017；賈明明 等，2021）、中國濕地保護官方網(wǎng)站（http：//www.shidi.org/［2022-02-10］）及全國自然保護區(qū)名錄（http：//www.gov.cn/guoqing/［2022-02-10］）調(diào)查，截止目前，中國紅樹林濕地保護區(qū)共計48 個，包括7 個國家級自然保護區(qū)，分別為海南東寨港、廣西山口、廣西北侖河口、廣東湛江、福建漳江口、浙江樂清及福田紅樹林國家級自然保護區(qū)，其中5 個為國際重要濕地。10 個省級自然保護區(qū)，分別為海南清瀾、福建九龍江口、福建泉州灣河口、廣東珠海淇澳島、香港米埔、廣西欽州茅尾海、臺灣淡水河口、廣東海豐、澳門路氹城、海南東方紅樹林省級自然保護區(qū)及31個市級自然保護區(qū)。

2.2 數(shù)據(jù)源

本文所用的遙感數(shù)據(jù)源為國產(chǎn)高分二號（GF-2），GF-2衛(wèi)星發(fā)射于2014年8月，是中國自主研制的首顆空間分辨率優(yōu)于1 m的民用光學(xué)遙感衛(wèi)星，搭載有兩臺高分辨率1 m 全色、4 m 多光譜相機，于2015年3月GF-2數(shù)據(jù)正式投入使用。GF-2數(shù)據(jù)從中國資源衛(wèi)星應(yīng)用中心訂購，數(shù)據(jù)級別為2A 級，已經(jīng)過系統(tǒng)幾何校正和輻射校正。為了顧及潮汐的影響，在計算紅樹林淹沒指數(shù)時，需要同一區(qū)域相近時間內(nèi)的兩景GF-2 影像，盡量篩選在衛(wèi)星過境時同一區(qū)域接近高潮位及低潮位的影像，根據(jù)Google Earth 上提供的高分影像，預(yù)先目視判定紅樹林存在區(qū)域，篩選的影像覆蓋紅樹林存在區(qū)域，對于沒有紅樹林存在的區(qū)域，尚未選取GF-2 影像。經(jīng)過篩選，共選取2020 年1 月至2021年12月共312景GF-2影像（圖2）。潮汐水位查詢從國家海洋科學(xué)數(shù)據(jù)中心平臺上獲取（http：//mds.nmdis.org.cn/pages/tidal Current.html［2022-02-10］）。利用ENVI 5.3 軟件對GF-2 影像產(chǎn)品進行幾何精校正、輻射定標及大氣校正等預(yù)處理，對于一些可用影像較少的區(qū)域或者云遮擋區(qū)域，本文選取24 景GF-1 影像補充缺失區(qū)域。本文將1 m 全色影像與4 m 多光譜影像采用NNNDiffuse Pan-Sharpening Algorithm（NNDiffuse 融合算法）方法進行融合（Sun等，2014），得到空間分辨率為1 m的GF-2 融合影像數(shù)據(jù)集（其中GF-1 融合影像空間分辨率為2 m）。

圖2 研究區(qū)高分一號、高分二號影像覆蓋圖Fig.2 Image coverage of GF-1 and GF-2 in the study area

地面樣本點調(diào)查于2020 年8 月開展的。利用手持GPS 調(diào)查紅樹林及周邊土地覆蓋類型對其位置進行定位與記錄，手持GPS 野外定位精度為1 m，對于向海側(cè)被潮汐淹沒的紅樹林，研究人員劃船到其位置處進行定位并記錄。采用隨機抽樣的方式，采集真實的地面調(diào)查樣本點有4103 個，利用Google Earth 提供的高空間分辨率遙感影像在影像上選取樣本點6677 個，本研究共采集樣本點10780個（圖3），7217個樣本點用于訓(xùn)練，3563個樣本點用于驗證（表1）。

表1 樣本類別及數(shù)量表Table 1 The type and quantity of sample points

圖3 研究區(qū)樣本點分布圖Fig.3 Distribution of sample points in the study area

3 顧及潮汐影響的中國紅樹林高分遙感制圖

由于本文采用的紅樹林淹沒指數(shù)是根據(jù)同一區(qū)域具有不同潮汐水位的兩景高分影像計算得出的，因此，312 景GF-2 影像是由同一地區(qū)兩個時相的156 景影像組成的。首先，對GF-2 影像進行面向?qū)ο蠓指睿儆嬎慵t樹林淹沒指數(shù)，本文采用的紅樹林淹沒指數(shù)是本文作者之前研究提出的紅樹林淹沒指數(shù)SMRI，之前的研究僅限于構(gòu)建了SMRI 指數(shù)，并在小區(qū)域內(nèi)進行了可行性驗證，但是尚未將SMRI 指數(shù)應(yīng)用到全國大區(qū)域尺度及各區(qū)域適應(yīng)性驗證，本文研究內(nèi)容是作者之前工作的深入探討與研究。SMRI 指數(shù)作為顧及潮汐影響的特征，然后解析空間特征，空間特征包括紋理特征和形狀特征。最后，將潮汐特征、空間特征及GF-2 影像的光譜信息進行圖層疊加（疊加權(quán)重均為1），合成為一個圖層，將疊加的圖層作為輸入量輸入到隨機森林分類方法中，實現(xiàn)紅樹林的高分遙感制圖，具體流程如圖4。

圖4 顧及潮汐影響的中國紅樹林高分遙感制圖流程Fig.4 The flowchart of high-resolution mangrove forest mapping under the tide in China

3.1 面向?qū)ο蠓指?/h3>

面向?qū)ο蠓指钍侵笇⒄b感影像分割成具有同質(zhì)性像素構(gòu)成的各個對象的過程（Conchedda等，2008；Kamal 等，2015；Chen 等，2018）。采用面向?qū)ο蠓指羁梢詼p少紅樹林語義信息的損失，同時避免“椒鹽現(xiàn)象”（Cao 等，2018；Wang 等，2018）。確定適宜的分割參數(shù)是面向?qū)ο蠓指畹年P(guān)鍵，分割對象內(nèi)部同質(zhì)性及對象間的異質(zhì)性是確定適宜分割參數(shù)的重要考慮因素（Blaschke，2010；Hossain和Chen，2019；Watkin和Van Niekerk，2019）。本文采用標準差衡量對象內(nèi)部同質(zhì)性，公式為

式中，n為分割對象總數(shù)；ai為第i個對象的面積；vi為第i個對象光譜亮度平均值的標準差。

用全局莫蘭指數(shù)MI（Moran’s Index）衡量對象間的異質(zhì)性，公式為

式中，yi、yj為第i，j個對象的光譜均值；為全部對象光譜均值；wij為空間關(guān)系權(quán)重，若對象i與對象j鄰接，則wij=1，否則wij=0。

采用全局分割質(zhì)量評價值綜合評價對象內(nèi)部同質(zhì)性和對象間異質(zhì)性，進而確定最優(yōu)分割參數(shù)。本文的面向?qū)ο蠓指钤趀Congnition 9.2 中完成。

3.2 紅樹林淹沒指數(shù)

本文利用Xia 等（2018）構(gòu)建的紅樹林淹沒指數(shù)SMRI 作為顧及潮汐影響的特征參數(shù)，SMRI 是基于高分一號數(shù)據(jù)源，通過分析高、低潮汐水位下的紅樹林與相鄰地類光譜差異特征構(gòu)建的，該指數(shù)能夠?qū)Τ毕珓討B(tài)淹沒部分的紅樹林進行有效識別，公式如下：

式中，NDVI 為歸一化植被指數(shù)，NDVIl和NDVIh分別是低、高潮水位時的NDVI值，NIRl和NIRh分別是低、高潮水位時近紅外波段值。

3.3 空間特征量

紋理和形狀是空間特征的重要表征。利用計算機圖形學(xué)理論中的像元形狀指數(shù)（PSI）提取紋理特征量，PSI 可以描述紋理在不同方向、間隔、變化幅度及快慢的綜合信息（Li，2016；Kong 和Liu，2021），計算公式如下：

式中，PSIx，y表示為中心像元(x，y)的形狀指數(shù)，di=[d1，d2，d3，…，dD]是方向線長度。

本文采用的形狀特征量包括：長/寬比LW（Length Width）、面積/周長比PA（Perimeter Area）、鄰接比NI（Neighboring Index）、邊界指數(shù)BI（Border Index）。具體公式計算及說明如表2所示。

表2 形狀特征量的構(gòu)建Table 2 The construction of shape quantity

3.4 隨機森林分類法

本文利用隨機森林分類法對紅樹林進行解譯。隨機森林屬于一種典型的非參集成模式識別算法，具有分類精度高、學(xué)習(xí)速度快與泛化誤差低的特點（Li 等，2019a；Elmahdy 等，2020；Ghorbanian等，2021）。其基本分類原理為以CART 決策樹為基分類器，由CART決策樹隨機組成，并通過全部決策樹投票，確定獲取票數(shù)最多的分類結(jié)果成為最終決策結(jié)果（Pimple等，2018；Behera等，2021；Jiang等，2021）。

隨機森林的抽象表示如下：若其由K棵CART決策樹組合而成，則第i棵決策樹函數(shù)如下：

式中，x是輸入向量，Θ是獨立同分布隨機向量，一種用于訓(xùn)練樣本的機制。因此，隨機森林表示如下：

式中，K為森林規(guī)模。

隨機森林投票機制的形式如下：

式中，I(·)是示性函數(shù)，取值范圍0 和1，當括號中的條件成立時取值1，否則0，隨機森林就是選擇投票最多的類別作為樣本數(shù)據(jù)的最終類別。

將上述構(gòu)建的SMRI指數(shù)、空間特征量及GF-2影像的光譜信息進行圖層疊加，然后作為輸入量輸入到隨機森林分類法中進行紅樹林分類，輸出最終的分類結(jié)果。再采用目視解譯方法對紅樹林分類結(jié)果進行后處理，剔除明顯非紅樹林斑塊。

3.5 精度驗證

本文利用混淆矩陣進行分類精度評價，混淆矩陣是一種適用于遙感影像分類的精度驗證及精度評價的標準格式，通過將每個地表真實像元的位置與分類影像中的相應(yīng)位置相比較計算的，包括總體分類精度、用戶精度、制圖精度及Kappa系數(shù)。

4 結(jié)果與討論

4.1 本文方法適宜性分析

在中國范圍內(nèi)，選取5個典型紅樹林分布研究區(qū)，即圖5（a）廣西壯族自治區(qū)防城港海域、圖5（b）廣東省湛江附近海域、圖5（c）廣東省陽江市海陵島附近海域、圖5（d）海南省東寨港、圖5（e）浙江省樂清市西門島。這5個研究區(qū)涵蓋了中國紅樹林空間分布的典型類型，即廣西壯族自治區(qū)紅樹林空間分布密度最大，廣東省紅樹林空間分布類型多、面積最大，海南省紅樹林種類最多，紅樹林樹高較其他省份較高，浙江省紅樹林稀疏、矮小。5 個典型研究區(qū)的紅樹林空間分布結(jié)果如圖5，可見在各個研究區(qū)內(nèi)無論是位于潮灘上的還是非潮灘上的紅樹林，無論是生長茂密還是稀疏的紅樹林，采用本文方法均能有效的解譯出來，并且減少了陸生植被的干擾。根據(jù)野外調(diào)查及Google Earth軟件，選取研究區(qū)圖5（a）的樣本點102個，其中紅樹林61個，非紅樹林41個；研究區(qū)圖5（b）的樣本點56個，其中紅樹林27個，非紅樹林29個，研究區(qū)圖5（c）的樣本點92 個，其中紅樹林45 個，非紅樹林47個；研究區(qū)圖5（d）的樣本點89個，其中紅樹林41 個，非紅樹林48 個；研究區(qū)圖5（e）的樣本點42個，其中紅樹林22個，非紅樹20個對每個研究區(qū)進行精度評價（表3）。

表3 典型研究區(qū)紅樹林分類精度評價混淆矩陣Table 3 Confusion matrix in typical study areas

圖5 典型研究區(qū)紅樹林解譯結(jié)果Fig.5 Mangrove forests mapping results in typical study areas

由混淆矩陣可見，研究區(qū)圖5（a）—（e）的總體分類精度分別為93%、93%、91%、92%、90%，Kappa 系數(shù)分別為0.86、0.86、0.83、0.84、0.81，說明本文研究方法在不同類型的紅樹林分布研究區(qū)的適用性良好，取得了較好的分類精度。對于研究區(qū)圖5（e），紅樹林分布矮小、稀疏，其總體分類精度及Kappa系數(shù)相比與其他研究區(qū)而言，結(jié)果略微偏低，表明本文的研究方法對生長密集的紅樹林區(qū)域解譯結(jié)果比生長稀疏的紅樹林區(qū)域解譯結(jié)果略好，但仍然能夠有效解譯稀疏區(qū)域的紅樹林。研究區(qū)圖5（a）—（e）的紅樹林用戶精度分別為95%、90%、89%、93%、91%，制圖精度分別為93%、96%、93%、90%、91%，說明本文研究方法對于不同地域（從南到北）、不同類型（密集或稀疏紅樹林）、處于不同潮汐類型（全日潮或半日潮）的紅樹林遙感制圖均適用，而且取得較好的分類結(jié)果與精度。

4.2 2020年中國紅樹林空間分布特征

表4 是根據(jù)實地野外調(diào)查與Google Earth 上采集的樣本驗證點對紅樹林遙感制圖結(jié)果進行精度評價生成的混淆矩陣。2020 年紅樹林高分遙感制圖結(jié)果的總體分類精度為92%，Kappa 系數(shù)為0.89，制圖結(jié)果與實地實際情況一致性較高。其中，紅樹林的用戶精度和制圖精度分別為95%和92%，這表明紅樹林的高分遙感制圖精度較高，結(jié)果可靠、準確，可用于進一步的分析。

表4 2020年紅樹林高分遙感制圖結(jié)果的混淆矩陣Table 4 Confusion matrix of mangrove forest mapping in 2020

2020 年中國紅樹林高分遙感制圖結(jié)果如圖6。由結(jié)果可知，紅樹林沿海岸線呈狹長狀分布，總體呈現(xiàn)由南向北紅樹林面積逐漸減小、密度逐漸降低的趨勢，紅樹林分布密集區(qū)多位于國家級或省、市級紅樹林保護區(qū)范圍內(nèi)，其余紅樹林大部分呈分散狀分布。對紅樹林空間分布進行全國及各省份面積統(tǒng)計，結(jié)果表明2020 年中國紅樹林面積達29576.48 ha，其中95%的紅樹林位于廣東、廣西、海南海岸線沿岸，面積分別為15604.47 ha、7785.75 ha、4153.4 ha，廣西壯族自治區(qū)的紅樹林空間分布密度最大，廣東省的海岸線最長，紅樹林面積最大，海南省的紅樹林面積位居第三，據(jù)研究資料顯示，海南省的紅樹林種類最多。剩余5%的紅樹林分別位于福建、浙江省及臺灣省，面積分別為1011.93 ha、19.8 ha、356.09 ha。由于浙江省位于中國紅樹林分布的最北端，其氣溫偏低，不適合大多數(shù)紅樹林樹種的生長，只有耐寒的秋茄得以存活，因此浙江省的紅樹林面積最小。

圖6 2020年中國紅樹林高分遙感制圖結(jié)果Fig.6 The result of high-resolution mangrove forest mapping in China in 2020

在此基礎(chǔ)上，本文統(tǒng)計了國家級及省級紅樹林自然保護區(qū)內(nèi)的紅樹林面積（表5）。由統(tǒng)計結(jié)果可知，省級以上紅樹林自然保護區(qū)內(nèi)的紅樹林面積占全國總面積的39.29%（其中國家級占21.85%，省級占17.40%），相當一部分的中國紅樹林分布在省級以上保護區(qū)內(nèi)。對于全國7個國家級紅樹林自然保護區(qū)中，廣東、廣西、海南、福建、浙江國家級紅樹林保護區(qū)占全國總面積依次為9.22%、6.87%、5.32%、0.40%、0.04%，廣東、廣西占比較大，由于這兩個地區(qū)紅樹林保護區(qū)多、紅樹林生長面積大。

表5 國家級、省級紅樹林自然保護區(qū)內(nèi)紅樹林面積統(tǒng)計Table 5 Mangrove forests area statistics in national and provincial mangrove nature reserve

4.3 潮汐對紅樹林遙感制圖的影響分析

本文選取3 個典型研究區(qū)，即圖7 中A 為廣西壯族自治區(qū)欽州茅尾海、圖7 中B 為廣東省湛江雷州市附近海域、圖7中C 為廣東省陽江市海陵島附近海域（圖7）。選取的這3 個研究區(qū)橫跨廣西、廣東，3 個區(qū)域紅樹林平均樹高2.5 m，最大樹高3.5 m，據(jù)潮汐水位數(shù)據(jù)記載，最大潮位差可達6.25 m，平均潮位差2.45 m，是典型的受潮汐影響的紅樹林淹沒區(qū)。

圖7 顧及潮汐及未顧及潮汐影響的中國紅樹林高分解譯結(jié)果Fig.7 Mangrove forests mapping results with and without the influence of tide

利用本文方法生成顧及潮汐影響的紅樹林高分遙感制圖結(jié)果，再生成未顧及潮汐影響的紅樹林遙感制圖結(jié)果，即在本文方法中剔除SMRI 指數(shù)，其他流程、參數(shù)一致（圖7）。由結(jié)果圖統(tǒng)計，顧及潮汐影響的全國紅樹林面積為29576.48 ha，尚未顧及潮汐影響的全國紅樹林面積為27045.24 ha，潮汐淹沒的紅樹林有2531.24 ha，紅樹林淹沒率為8.56%。由此可見，在進行全國尺度紅樹林制圖研究中，如果忽略潮汐淹沒的影響，將會降低紅樹林的制圖面積，導(dǎo)致紅樹林制圖結(jié)果不精準。由3 個研究區(qū)細節(jié)圖可見，通過在紅樹林分類方法中顧及潮汐的影響，可以將潮汐淹沒部分的紅樹林很好的解譯出來，其制圖準確度得到很大程度的提升。由于本文是人工手動分別選取同一地區(qū)兩景高潮、低潮高分影像，采用紅樹林淹沒指數(shù)對位于影像上處于低潮與高潮水位之間的淹沒紅樹林可以進行有效的解譯，對于位于低潮水位下的淹沒紅樹林可能具有一定的解譯能力，這是由于SMRI指數(shù)的設(shè)計是基于淹沒與非淹沒紅樹林的光譜差異構(gòu)建的，但此部分的研究有待后續(xù)進一步探索。

4.4 與其他紅樹林遙感制圖結(jié)果對比

已有學(xué)者完成了中國紅樹林遙感制圖工作，并取得了不錯的研究成果，為本文研究的開展奠定了良好的基礎(chǔ)。例如：Jia 等（2021）生產(chǎn)了2020 年30 m 空間分辨率的紅樹林遙感數(shù)據(jù)集，該數(shù)據(jù)集是基于Landsat 影像，采用決策樹方法統(tǒng)計出2020 年紅樹林面積為28010 ha。此外，Zhao 和Qin（2020）生產(chǎn)了2019 年10 m 空間分辨率的紅樹林遙感數(shù)據(jù)集，該數(shù)據(jù)集基于Sentinel 影像，采用分位數(shù)方法分別生成高、低潮汐水位結(jié)果，在此基礎(chǔ)上統(tǒng)計中國紅樹林面積為25585 ha。本文生產(chǎn)的數(shù)據(jù)集中紅樹林面積為29576.48 ha，比Jia 等（2021）30 m 數(shù)據(jù)集紅樹林面積多出1475.48 ha，比Zhao和Qin（2020）10 m數(shù)據(jù)集紅樹林面積多出3991.48 ha。選取4.3節(jié)中的3個典型研究區(qū)，分別采用本文研究方法、賈明明等（2021）及Zhao 和Qin（2020）方法開展對比性結(jié)果研究（圖8、9）。由圖8、9 結(jié)果可見，本研究方法的紅樹林制圖結(jié)果高的主要原因如下：由于本文的數(shù)據(jù)源采用高分辨率遙感影像，對地物的空間表達更為精細，許多位于養(yǎng)殖池、沿著河道兩側(cè)細碎的紅樹林斑塊被解譯出來；對于在低分影像上包含紅樹林的混合像元，其在高分影像上表示為純紅樹林像元，這部分像元被解譯為紅樹林，使解譯結(jié)果更準確；此外，本文方法顧及了潮汐的影響，將被潮汐水位淹沒部分的紅樹林解譯出來，增加了紅樹林面積。雖然Zhao和Qin（2020）的研究考慮了潮汐的影響，但是對于低分位數(shù)下的紅樹林解譯有待驗證，而且受限于所用遙感數(shù)據(jù)源空間分辨率的限制，許多零星分布的紅樹林無法很好的解譯出，導(dǎo)致其解譯結(jié)果偏低。

圖8 本文方法與Jia等（2021）研究方法紅樹林對比結(jié)果（本文方法結(jié)果包括藍色區(qū)域）Fig.8 The comparative results of mangrove forest mapping between the proposed method in this study and Jia et al.’s study

圖9 本文方法與Zhao等（2020）研究方法紅樹林對比結(jié)果（本文方法包括綠色區(qū)域）Fig.9 The comparative results of mangrove forest mapping between the proposed method in this study and Zhao et al.’s study

選取圖8 中的研究區(qū)A—C 的樣本點224 個，其中紅樹林121 個，非紅樹林103 個，對以上所述3 種方法進行精度驗證（表6）。由混淆矩陣可見，本文方法、Jia等（2021）方法及Zhao和Qin（2020）方法的總體分類精度分別為92%、88%、90%，Kappa 系 數(shù)分別為0.84、0.76、0.79，雖然Jia 等（2021）及Zhao 和Qin（2020）方法取得了較好的分類精度，但由于本文方法及高分數(shù)據(jù)源結(jié)合能夠解譯出更為精細的紅樹林斑塊，導(dǎo)致漏分的紅樹林數(shù)量減少，取得了更高的分類精度。綜合以上分析，本文采用高分二號1 m空間分辨率遙感數(shù)據(jù)為數(shù)據(jù)源，可以提供更為精細的空間信息，而且顧及潮汐對紅樹林淹沒的影響，可將被淹沒的紅樹林進行有效解譯，所產(chǎn)生的全國紅樹林空間分布數(shù)據(jù)集是目前空間分辨率最高的制圖結(jié)果。

表6 3種對比方法紅樹林分類精度評價混淆矩陣Table 6 Confusion matrix for three comparative methods

5 結(jié)論

本文基于國產(chǎn)高分二號遙感數(shù)據(jù)，顧及潮汐影響生產(chǎn)中國高空間分辨率遙感數(shù)據(jù)集，是目前空間分辨率最高的中國紅樹林遙感制圖結(jié)果。對2020 年中國紅樹林空間分布特征及本文方法的適應(yīng)性做了進一步探討，得出以下結(jié)論：

（1）2020年中國紅樹林面積達29576.48 ha，其總體分類精度為92%，Kappa 系數(shù)為0.89，2020 年中國紅樹林空間分布由北向南呈現(xiàn)由稀疏到密集的特征，95%的紅樹林位于廣西、廣東、海南，面積分別為15604.47 ha、7785.75 ha、4153.4 ha。

（2）討論了紅樹林遙感制圖中顧及潮汐影響的必要性，顧及潮汐影響的全國紅樹林面積為29576.48 ha，尚未顧及潮汐影響的全國紅樹林面積為27045.24 ha，潮汐淹沒的紅樹林有2531.24 ha，如果紅樹林遙感制圖中不考慮潮汐的因素，會導(dǎo)致解譯結(jié)果偏小。

（3）將本文方法應(yīng)用到5個典型紅樹林分布研究區(qū)中，本文方法能夠較好的解譯出不同地域、不同分布類型、處于不同潮汐類型區(qū)域的紅樹林，其總體分類精度均大于90%，Kappa 系數(shù)均大于0.81，說明本文方法適用性良好，分類精度較高。本文的研究為紅樹林生態(tài)功能的恢復(fù)、保護、管理提供科學(xué)、可靠的數(shù)據(jù)支持。