粤港澳大湾区红树林长时间序列遥感监测

贾凯，陈水森，3，蒋卫国

1.广东省科学院广州地理研究所,广州 510070;

2.北京师范大学地理科学学部,北京 100875;

3.南方海洋科学与工程广东省实验室(广州),广州 511458

1 引言

红树林是热带亚热带地区特有的海岸潮间带湿地群落，以乔木或灌木红树植物为主体，具有净化水体（黎夏等，2006）、促淤消浪（徐逸等，2021）、固碳储碳（戴子熠等，2022）、固岸护堤（沈小雪等，2022）等功能，是生态系统服务功能最高的自然生态系统之一。它为鸟类、鱼虾等生物提供重要的栖息与繁殖场所，在维持生物多样性方面发挥着重要作用。2020年6月8日，世界海洋日主题也被设定为“保护红树林，保护海洋生态”。

海岸潮间带拥有广阔的滩涂和浅海区域，不仅是红树林理想的宜林地，也为城市发展提供可观的后备土地资源。然而，截止到20世纪末，世界上约35%的红树林已经丧失，并在以每年1%—2%速度持续减少（智超等，2022；Wang 等，2019；Bosire等，2008）。2020年，宝尔森基金会、老牛基金会、深圳红树林湿地保护基金会在深圳联合发布中国首份全面评估红树林保护的研究报告《中国红树林保护及恢复战略研究报告》，报告指出经过六七十年代的围海造田、八九十年代的围塘养殖和九十年代的港口码头建设，到2000年中国红树林总面积仅为20世纪50年代初的45%（王文卿等，2021）。以上研究表明，经济的快速发展对红树林生态安全构成巨大威胁，并导致红树林遭到大面积破坏，甚至消失。

2000年11月中国首次从国家层面提出维护国家生态安全的目标（黄克亮，2020）。随着中国对生态安全的日益重视，各级政府部门与科研院所合作，实施了一系列的红树林保护与修复工程，在21世纪初扭转了红树林面积急剧下降的趋势。粤港澳大湾区是中国经济发展最为迅速的地区之一，也曾是华南地区红树林的重要分布区（王树功等，2005），红树林与城市间的距离十分接近，使得人地矛盾尤为突出。结合红树林长期动态监测与演变过程分析，开展红树林保护与修复效益评估，对粤港澳大湾区海岸带湿地生态系统保护和沿海生态安全屏障建设具有重要的现实意义。

红树林与其他海岸湿地都具有可达性差的特点（闻馨等，2020），传统的人工地面调查手段难以实现全域监测，不连续、可对比性差的历史数据也难以满足长期监测的需求（艾金泉，2020）。遥感技术的发展，为红树林快速监测和历史回溯提供了高效且低廉的观测手段。早期的红树林变化研究采用二时相遥感数据，对比分析起始年和终止年遥感图像之间的差异。这种方法虽然简单高效，但忽略了地表特征由量变到质变的渐变过程，只能回答是否发生变化、变化了多少等问题，却无法解释如何变化、变化何时发生、持续性或趋势如何，尤其当时间跨度较长时，变化过程趋于复杂化和多元化，这种分析方法不再适用（Woodcock 等，2020）。为了细化中间过程，更多时相的遥感数据被采用。但随着数据量增加，对用户本地计算机的存储与算力要求也大幅提高。为了权衡过程分析的精细化要求与本地算力不足之间的矛盾，研究者引入稀疏时间序列分析方法，即在时间轴上按一定间隔选取遥感数据，然后多次采用转移矩阵、变化矢量分析等方法来简化描述中间过程（闫文文等，2012；孙楠等，2017；宫萌等，2019；李婧贤等，2019）。如张蓉等（2019）以10年为间隔，选择1980年、1990年、2000年、2010年和2015年的Landsat卫星图像构成5个时期的稀疏时间序列，分析了大珠三角地区红树林的动态变化过程。考虑到长时间跨度、成像质量等因素，有时也非等间隔采样，如刘凯等（2016）联合KH-9、SPOT-2、ALOS、ZY-3 等多源高分辨率遥感数据构成非等间隔的稀疏时间序列，研究广东镇海湾红树林的长期演变过程。通过缩短采样周期，构造更加密集的时间序列，能够揭示更为详细的变化过程，有利于长期过程、趋势及驱动因素分析（艾金泉，2018）。如Feng等（2020）收集1988年、1991年、1995年、1998年、2001年、2004年、2006年、2009年、2013年、2017年等Landsat数据，构造10期相对密集的非等间隔稀疏时间序列，揭示了不同时期深圳湾红树林的扩张细节及驱动因素。

2010年，谷歌公司推出Google Earth Engine 云计算平台，从而解决了用户算力不足的行业痛点。研究人员不再局限于稀疏时间序列的简化手段，而是有能力构建中高分辨率的连续时间序列。本文中连续时间序列是指在研究时间尺度上（年、月、日等）能够提供连续不间断观测的时间序列。近些年，随着遥感数据可获取性的提高，数据对遥感应用的限制越来越小，基于遥感数据的时间序列分析及应用也成为遥感领域的热点之一，尤其是以Landsat 等30 m 或更高空间分辨率遥感图像为基础的长历时分析，代表了遥感监测从传统的特定时间点（point-in-time）制图和变化检测向任意时间点对地连续监测（continuous monitoring of changes at any point）的范式转变（Woodcock 等，2020），丰富了遥感长期变化过程监测的细节呈现。如王子予等（2020）基于GEE 平台，构建1986年—2018年共计33 期的连续时间序列，揭示了30年间广东红树林面积变化趋势在不同时间段的差异特征。Lymburner等（2020）收集1987年—2016年间覆盖澳大利亚海岸Landsat 数据，以年为尺度重建了红树林的连续长时间序列，探索国家尺度上红树林的扩张与收缩过程，及对热带气旋的响应。

近几年，越来越多的文献研究开始重视基于Landsat的连续长历时分析（Dwyer等，2018；Jaafar等，2020；Wang 等，2020；Zhu 等，2020）。相较于AVHRR 或MODIS，Landsat 能够提供更长的监测周期、更高的空间分辨率、更多的相近光谱波段。然而，长历时遥感监测还处在由稀疏时间序列非连续探测向连续时间序列不间断监测的过渡阶段，对长周期时空信息挖掘的精细化程度不够（Ma等，2019）。本文在Google Earth Engine 云平台的支持下，基于Landsat 系列卫星数据，精细化挖掘粤港澳大湾区红树林的长期演变信息，重建红树林空间扩张在时间上的阶段性发展过程，利用连续时间序列提供的精确的变化时间点信息，揭示了以设立保护区和滩涂造林为代表的红树林保护与修复工程取得的积极成效，为粤港澳大湾区海岸带生态屏障建设提供科学依据。

2 研究区概况与数据源

2.1 研究区

本文的研究区为粤港澳大湾区，包括香港和澳门两个特别行政区，广州、深圳、珠海、佛山、东莞、中山、江门、惠东、肇庆等9个地级市，总面积5.6 万km²。平原面积占20%，主要分布在珠江三角洲冲积平原，四周被100—500 m 的低山丘陵包围，形成大湾区外围陆地生态安全屏障带。大湾区南面临海，地处海陆交互作用地带，海岸线长达3200 km（含陆地和岛屿），滩涂、红树林、浅海等湿地资源丰富，共同构成南部沿海生态防护带。其中，红树林湿地是大湾区最为典型的湿地生态系统之一，具有防风抗浪、水质净化、提供生物栖息地等多种生态服务功能，在大湾区生态安全屏障建设中具有重要意义。改革开放以来，大湾区城市发展迅速，成为中国经济活力最为强劲的地区之一。由于大湾区红树林距离城市较近，经济发展的同时也面临着巨大的生态考验，是研究红树林保护与修复成效的理想研究区。

2.2 数据源

Landsat 系列卫星自20世纪70年代发射以来，提供了目前为止世界上最长的连续天基观测记录，是地表长时间尺度变化研究的重要数据源。考虑到早期的Landsat 卫星在光谱数量和空间分辨率上较后续卫星差异较大，本研究选择传感器性能相近的Landsat 5 TM、Landsat 7 ETM+、Landsat 8 OLI/TIRS 作为数据源，时间跨度为1987年—2020年。在研究区内，共收集到6402 景遥感影像，平均云覆盖率为39.2%±1.7%。如图2所示，在大湾区范围内每年大约可获取188景遥感图像。

图2 研究区内Landsat系列卫星历年数据量及云量Fig.2 The number of Landsat images and cloudiness in the study area

为了提高分类精度，本文引入高程数据作为遥感分类的辅助数据。本文采用的高程数据为SRTM（Shuttle Radar Topography Mission）第3 版，空间分辨率为30 m，反映2000年的地表起伏状态。

3 研究方法

由于研究区位于热带亚热带多云多雨地区，大大降低了光学影像的成像质量，这为遥感技术（尤其是光学遥感）在该地区的应用带来巨大挑战（林珲和张鸿生，2021）。为了利用卫星遥感多时相特征对云/阴影的有效剔除手段，本文收集时间段内所有Landsat 图像，构成密集时间序列，借助Google Earth Engine 云平台以满足大数据量对算力的要求，最终合成1987年—2020年的湿地分类数据集，并在此基础上挖掘红树林长历时变化特征。

3.1 年度长时序湿地遥感分类数据集构建方法

本文采用的分类算法为随机森林算法，它采用分类树的概念，以多个弱分类器进行投票的方式，根据每个类别得票数多少得到最优决策分类。该方法对数据缺失和变量间的多重共线性不敏感，尤其擅长应对高维样本，而无需降维操作。随机森林算法在不增加运算量的同时，大大提高了分类精度，被誉为当前最好的算法之一（Iverson 等，2008）。主要的分类步骤为：（1）利用卫星多时相特征，合成年度无云多光谱产品；（2）制定本地化湿地分类系统；（3）构建训练样本集；（4）选择特征变量。

（1）年度无云多光谱产品合成。GEE 可以高效创建用户自定义的Landsat 合成图像，它以Landsat大气层顶反射率产品为基础，提供一种基本云评分算法（Rudimentary Cloud Scoring Algorithm）（Li 等，2019），通过获取多个云量经验指标的最小值为每个像元分配一个云似然得分值（Simple Cloud Likelihood Score）（Müller 等，2016）。该值介于［0，100］，值越接近于100，表示可能的云量越多，但没有考虑到云层阴影及积雪覆盖的影响（Li 等，2019）。本研究区位于低纬度地区，不存在积雪问题。而在多次实验中发现，当云得分接近于0时，阴影的出现频率会快速增加，从而影响合成图像的质量。为了去除阴影的污染，本文分两步进行多时相合成。首先，将云得分小于50作为无云像元，从而在时间序列上完成粗略的高质量像元筛选；其次，在被筛选出的像元中，按波段计算反射率在时间上的频率直方图，取第T百分位处的反射率作为该像元在该波段的反射率值。经过多年多次不同阈值的试验和目视判读发现，当阈值T=40 时，能够保证时间序列上合成图像质量的基本稳定。这种合成方法集成了多时相信息，不仅有效去除云、阴影的影响，也避免了拼接过程中产生的缝隙或色差。

（2）制定本地化湿地遥感分类系统。参考Ramsar《湿地公约》（Ramsar Convention Secretariat，2006）和中国湿地分类标准（GB/T 24708-2009）（中华人民共和国国家质量监督检验检疫总局和中国国家标准化管理委员会，2009），制定了适应于海岸带遥感监测的湿地分类系统。如表1所示，共分成8个湿地和非湿地类别。

表1 海岸带湿地遥感分类系统Table 1 Coastal wetland classification system of remote sensing

（3）构建训练样本集。考虑到时间跨度较长和地表环境的变化，本文针对每一年单独构造训练集。每年有3100—3500 个样本点，34年共计约11 万个样本点，并保证最小类别样本量不低于30个。

（4）选择特征变量。随机森林分类算法所需的特征变量包括以下3 部分：1）Landsat 多光谱波段；2）NDVI、mMNDWI 等特征指数，以突出植被、水体等地物信息；3）DEM 等高程信息，反映下垫面起伏及粗糙度差异。特征变量和计算法方法如表2所示。

表2 特征变量列表（没有罗列Landsat多光谱波段）Table 2 The list of feature variables（The multispectral bands of Landsat are not listed）

3.2 分类精度评估方法

本文分别从总类别精度和红树林识别精度两个方面对分类质量进行评估。总类别精度采用随机森林自带的袋外误差进行评估。随机森林在构造每一颗树时，采用随机有放回抽样方式选择训练样本，大概有三分之一的样本并未参与树的构建，它们被称为OOB（Out-Of-Bag）样本。假设OOB样本数为O，将这O个样本代入分类器中，由于OOB 样本的真实类别是已知的，可以得到错分样本数E，由式（1）可得随机森林的袋外误差（EOOB）：

袋外误差是有关误差的无偏估计，避免了使用交叉验证的方法。在本文中，袋外误差反映的是所有分类类别整体的误差率。需要注意的是，根据Breiman（2001）和Mitchell（2011）的研究，随机森林的袋外误差是有条件的无偏估计，它更倾向于高估当前误差率（当变量个数远远大于目标个数时）。

为了专门体现红树林的识别精度，本文针对红树林进行了独立验证。在红树林分布区，每年选择大约220 个样本点，34年共计7000 多个点。红树林识别精度可由式（2）计算：

式中，Am为每年的红树林识别精度，nε为每年的错分样本数，Nm为每年的样本总数，m表示年份，ε表示错分样本。

3.3 时空信息挖掘方法

相较于二时相或稀疏时间序列分析方法，连续时间序列分析能够提供更加精准的时间信息，以及更加清晰的空间演变过程，在长期趋势、过程与机制研究中具有重要作用。

时间变化具有明显的阶段性特征，本文将其分为平稳期、增长期和下降期。平稳期即线性估计趋势的斜率最小的时间段，同时决定系数也很低（比如R2<0.4）。增长期即线性估计趋势的斜率远大于0，且决定系数很高（如R2>0.8），下降期即线性估计趋势的斜率远小于0，且决定系数很高。

空间信息由红树林出现频率和平稳期空间分布描述。其中，红树林出现频率由式（3）计算：

式中，F表示红树林出现频率，n表示时间序列中红树林出现的次数，N表示时间跨度（34年）。

平稳期不仅可以表达某一时间段内红树林的基本状态，而且代表着增长期或下降期的最终结果。在本文中，平稳期红树林空间分布被定义为平稳期内，出现次数最多的红树林空间分布状态，即：

式中，D表示平稳期地表类型，MODE（）为求众数函数，n表示平稳期时间序列长度，ci为平稳期内第i年的地表类型。

4 结果与分析

4.1 遥感分类数据集精度评估

湿地分类数据集的平均袋外误差有6.6%±0.1%，具有时间分布不均衡的特征。高误差年份集中于2002年—2012年，平均袋外误差有7.3%±0.0%，低误差年份集中于1992年—2001年，平均袋外误差有5.8%±0.00%。

在红树林的识别能力方面，红树林分类数据集的平均分类精度为89.6%±0.1%，在时间分布上较为平稳。其中，大部分年份（62%）的分类精度稳定在90%以上，仅有个别年份精度稍差，如2017年—2018年、2011年—2012年、2004年，平均精度仅有73.5%、78.45%、79.5%。

经湿地分类总体评估和红树林分类评估双重评估论证，本研究构建的湿地分类数据集（1987年—2020年）将总体分类误差控制在7%以内，红树林识别精度控制在89%以上，能够满足项目研究需求。

4.2 红树林空间分布现状（2020年）

2020年，粤港澳大湾区现有红树林共计2174 ha，主要分布在深圳湾（23%）、淇澳岛（22%）和镇海湾（36%）3 个区域，占大湾区红树林总面积的81%。其中，深圳湾主要分布在深圳湾东部的深圳河入海口浅滩地带，以深圳河为界分为南北两部分；淇澳岛红树林主要分布在该岛北部和西部；镇海湾红树林则沿湾内河道两侧分布，是大湾区连片面积最大的红树林分布区。

4.3 红树林长期演变的阶段性特征

根据红树林面积变化率特征，大湾区和重点区红树林可以划分为两个发展阶段。整个大湾区的红树林以2003年为界，先后经历了平稳期和快速增长期两个阶段。在平稳期内，红树林面积基本保持在596±46 ha的规模；之后经过17年的快速增长，红树林面积扩大了2倍。淇澳岛红树林变化特征与之类似，只不过是以2002年为界，且增长速度十分显著。淇澳岛红树林在平稳期内（1987年—2002年）面积仅有18±6 ha，2002年以后，以21 ha/a 的速度由15 ha，迅速增加至2020年的476 ha，18年间增长了30倍。

深圳湾红树林面积转折点在2009年，由增长期逐渐过渡到平稳期。经过前22年的积累，红树林增加了近2倍，2009年以后逐渐维持在455±17 ha的规模。

镇海湾红树林的一个显著特点是在2002年以前处于下降期，15年间损失了17%。2002年以后，经18年的发展，红树林面积增长了5倍。

从整个大湾区来看，2003年—2020年，大湾区共增加红树林1474 ha，3 个红树林重点分布区总共贡献了增量的76%，其中又以镇海湾红树林贡献最多，贡献量达40%。淇澳岛和深圳湾的贡献分别为28%和8%。因此，大湾区近20年来的红树林增长主要来源于镇海湾和淇澳岛红树林的保护与修复，深圳湾则在2009年以后便基本保持稳定，对整个大湾区红树林面积的变化不再有显著影响。

4.4 红树林空间扩张过程

红树林的空间变化，与时间维特征密切相关。平稳期被看作是增长期红树林扩张结果的巩固阶段，而红树林面积的时间变化曲线为精确定位平稳期所处时间段提供了有效方法（表3）。从表3可以看出，红树林的平稳期在不同区域具有不同的时间节点和稳定周期，揭示了发展过程的时空异质性。

表3 红树林面积平稳期划分Table 3 Stationary phases of mangrove area

图4 2020年粤港澳大湾区红树林重点分布区空间分布Fig.4 Key distributions of mangrove forests in GHM Greater Bay Area in 2020

图5 粤港澳大湾区及重点区域红树林面积随时间的变化（K表示趋势线的斜率）Fig.5 Variations of mangrove area in time for GHM Greater Bay Area and key regions（K means the trend slope）

深圳湾早在80年代（1987年—1990年）就已经形成了一片红树林核心区，规模在170 ha 左右。最显著的两次扩张过程发生在90年代山贝河入海口西侧的扩张和2000年以后深圳河入海口南侧的扩张。前者红树林从无到有向海推进了243 m，后者借助滨海浅滩的优势向海推进达451 m。

淇澳岛红树林从2002年开始扩张以来，基本上经历了从无到有的发展过程，两次明显的扩张发生在2009年以前的西北海岸和近10年的西部海岸。前者在7年间向海平均推进103 m，后者沿西部长条形海岸向海推进107 m，同时西北部海岸红树林破碎斑块逐渐连成一体，结构趋于稳定。

镇海湾红树林呈现出完全不同于以上两个地区的空间发展模式。1987年—1994年形成的红树林分布区，却表现出较低的出现频率（图8），产生这一现象的原因是这些低频区的红树林在随后的发展中被破坏了。如图8所示，1987年—2004年该区域经历了红树林被养殖池侵占后又在养殖池外围种植新红树林的过程，直到2004年，镇海湾重新形成相对稳定的红树林海（河）岸基线，并在此基础上开始8年的空间扩张（2004年—2012年）。其中，西侧河岸向河道中心推进111 m，东侧河岸推进113 m，两岸红树林种植进度基本同步。

图8 镇海湾红树林出现频率及空间扩张过程Fig.8 Frequencies of mangrove occurrence and spatial expansion in Zhenhai Bay

图6 深圳湾红树林出现频率及空间扩张过程Fig.6 Frequencies of mangrove occurrence and spatial expansion in Shenzhen Bay

图7 淇澳岛红树林出现频率及空间扩张过程Fig.7 Frequencies of mangrove occurrence and spatial expansion in Qi’ao Island

除了面积和扩张方向之外，林道宽度也是红树林空间分布的重要特征之一，对红树林系统的结构稳定性和抗风险能力都具有重要作用。根据红树林的空间扩张分析，平稳期Ⅲ可看作是近40年间红树林恢复的最终状态。在这个时期，深圳湾是林道宽度最大的片区，平均林道宽度达309±27 m。其次是淇澳岛，平均林道宽度为258±42 m。而镇海湾虽然拥有大湾区面积最大的一片红树林，但因沿河岸两侧生长，有限的河道宽度限制了红树林的空间扩张，平均林宽仅有82±6 m，生态系统反而更加脆弱。

图9 红树林重点分布区在平稳期Ⅲ内形成的红树林林道宽度分布Fig.9 Width distribution of mangrove forests during stationary phase Ⅲfor the key regions

4.5 红树林保护成效分析

由图10 可以看出，在自然保护区设立前后，红树林面积增长率具有显著差异。保护区设立前，红树林面积变化不显著（p>0.05）；保护区成立后，红树林面积呈显著增加趋势（p<0.01）。另外，本研究还发现，保护区成立时间与红树林面积变化转折点存在较强的对应关系，基本上集中在转折点前后（图10）。这说明，自然保护区的成立对红树林面积增加具有积极作用。

图1 研究区概况Fig.1 The study area

图10 自然保护区（表4）的建立与红树林面积变化之间的关系（*表示红树林面积增长率通过0.1的显著性检验，**表示通过0.05的显著性检验，***表示通过0.01的显著性检验：-表示未通过显著性检验（p值超过0.1））Fig.10 The relationship between the establishments of the nature reserves（in Table 4）and the changes of mangrove areas（*indicates it passed the significance test of p=0.1 for the increasing rates of mangrove areas，**indicates it passed p=0.05 and***indicates it passed p=0.01；-indicates it didn’t pass the significance test（p>0.1））

深圳湾拥有米埔和福田两个保护区，是大湾区成立时间最早的红树林保护区。这使得生长于深圳湾的红树林较早的处于被保护状态，也是3个重点分布区中唯一一个形成红树林稳定核心区的地区。根据深圳湾红树林面积变化特征来看，从保护区成立，经快速扩张到稳定期，大概需要30年时间。而淇澳岛和镇海湾还处在面积高速增长期，仍需5—10年达到稳定的空间格局。

滩涂造林是红树林保护与修复的另一有效手段。以保护区为依托，当地政府在沿海滩涂宜林地实施了一系列红树林引种工程。其中，淇澳岛红树林引种工程最具有代表性。90年代以来，淇澳岛遭受互花米草等外来物种入侵（图11），并占据大面积外围滩涂，天然红树林难以向海扩展（于凌云等，2019）。从图11 中也可以看出，淇澳岛的红树林在八九十年代仅仅保留了西北部（大围湾）的很小一部分（约13 ha），到1996年互花米草已经覆盖整个西北部的海湾区域，而红树林依然被限制在1990年时的空间状态。珠海市政府从1999年开始，与中国林业科学院热带林业研究所合作，引种大量海桑、无瓣海桑、木榄等速生树种（彭辉武等，2011），通过生物演替的方法成功抑制互花米草的蔓延（彭辉武等，2011）。根据本文的监测结果，淇澳岛红树林面积由2000年的29 ha，增加到2020年的476 ha，20年增长了15倍。如图11所示，到2020年，淇澳岛已经形成一片连接西部、西北部和北部海湾的大面积红树林连续分布带，而原互花米草生长区则被红树植被完全占据。

表4 粤港澳大湾区主要的红树林保护区Table 4 The main mangrove reserves in GHM Greater Bay Area

5 讨论

5.1 不确定性分析

年度多光谱数据的合成方法没有考虑时间因素和潮位信息，潮位变化不仅体现在季节差异上，而且不同日期同一时刻的潮位也是不同的，潮位的变化对红树林的识别会造成一定影响。在浅海滩涂的自然海岸，部分红树林易被潮水淹没，在遥感分类时产生椒盐现象（张蓉等，2019）。在年度多光谱数据合成中，融入时间或潮位信息，是提高红树林分类精度的有效途径之一。

图12 展示了忽略时间因素和潮位信息对分析结果的影响，这种光谱差异造成某些年份的红树林被错分为水体。与2014年相比，2017年被漏分的红树林的NDVI 下降，而体现水体特征的MNDWI增加，使得2014年—2017年红树林面积被低估。这种误差在精度评估中也能体现出现，红树林分类精度在2017年—2018年形成一个低值区（图3），平均精度仅有73.5%。

图12 红树林被错分为水体的典型区域（（a）—（d）为多光谱数据，RGB通道分别为短波红外1、近红外和绿波段）Fig.12 Representative area where mangroves are misclassified as water（（a）—（d）are the multispectral images，RGB channels are the composition of SWIR 1，NIR and Red）

本文选择的时间段开始于20世纪80年代末，红树林已经进入增长期。伴随着城市发展破坏大面积红树林带来的生态压力，本文并未给出充分证据。因此，有必要将监测时间扩大到70年代甚至更早。然而，早期的Landsat 卫星只有80 m 分辨率的MSS 数据，难以满足红树林识别的需求，应借助于其他高分辨率卫星的综合观测。如刘凯等（2016）引入1970年的美国间谍卫星DISP 拍摄的KH-9影像获取镇海湾红树林的早期分布。

国际上，遥感长时序连续动态监测方面已经有了巨大进步，2020年3月，Remote Sensing of Environment 期刊出版专刊“Time series analysis imagery special issue”（Woodcock 等，2020），收录Landsat 相关的遥感长时序研究论文20 余篇。但研究者大部分精力都集中在数据集的构建上，对连续长时序信息挖掘方法的探索不足，在方法论和可视化等方面依然是薄弱环节。

5.2 红树林保护面临的风险

通过设立保护区和滩涂造林，红树林保护与修复方面取得显著进步，但仍面临着许多不可忽视的挑战。深圳湾虽然较早的开展红树林保护工作，但由于其位于大城市腹地，红树林集中于深圳河入海口附近，红树林面临着严重的水环境污染问题。福田红树林湿地水质指标大部分都超过V类水质标准（于凌云等，2019），汞、镉等重金属污染风险较大（Li 等，2015），米埔红树林沉积物中农药含量超标（Morton，2016），锌、铅等重金属浓度甚至超过福田（Che，1999）。为了抑制互花米草的生长，淇澳岛引入海桑、无瓣海桑等外来品种。它们生长快速、对环境的适应能力强，在红树林面积快速增长的同时，也让本地红树物种面临潜在的入侵威胁。另外，淇澳岛位于横门、金星门等水道出口附近，同样存在重金属富集的问题，尤其以镉污染最为严重（Wu 等，2014）。镇海湾自建立保护区以来，退塘还林，同样引种大量无瓣海桑。可见，近些年红树林面积的增加多为人工林的贡献，相较于原生红树林群落，人工林物种单一，生物多样性降低，在抵抗病虫害、寒害等自然灾害时较为脆弱。以上问题，难以通过面积监测的手段反映出来，但却对红树林生境影响十分巨大，有必要将卫星、无人机、地面监测等综合监测纳入红树林保护与修复评估工作之中。如徐逸等（2021）结合无人机高光谱与激光雷达点云数据实现红树林种间分类，对物种多样性监测具有重要的指导作用。

6 结论

本文借助Google Earth Engine 云平台的强大计算能力，重构1987年—2020年年尺度的红树林分布连续长时间序列，精细化挖掘红树林时空变化特征，揭示了红树林的空间扩张过程及阶段性发展特征，体现了设立自然保护区和滩涂造林在红树林保护与修复中的积极作用。

（1）从袋外误差（总体分类误差）和红树林精度两方面对长时序湿地分类数据集进行评价，该数据集的多年平均袋外误差为6.6%±0.1%，多年平均红树林识别精度为89.6%±0.1%，能够满足本研究的数据精度需求。

（2）截止到2020年，大湾区现有红树林2174 ha，但空间分布不均，其中有81%的红树林集中分布在深圳湾、淇澳岛和镇海湾，各占红树林总面积的23%、22%和36%。

（3）大湾区的红树林经历了由平稳发展（1987年—2003年）到快速增长（2003年—2020年）的变化过程，增长期内面积翻了2倍，淇澳岛与之类似，只是转折点在2002年，增长期内面积翻了30 倍；而深圳湾的红树林经早期的快速增长（1987年—2009年）逐渐趋向于近些年（2009年—2020年）的平稳波动，镇海湾在早期（1987年—2002年）因滩涂养殖损失了17%的红树林，之后（2002年—2020年）快速增长，面积翻了5倍。

（4）2003年—2020年大湾区红树林的增加主要来源于镇海湾和淇澳岛红树林的快速增长，各占大湾区红树林增量的40%和28%，而深圳湾在2009年以后保持稳定，对大湾区红树林的增量贡献不大（8%）。

（5）深圳湾由于保护区设立时间较早，成为唯一一个形成稳定核心区的红树林分布区，拥有最大的平均林道宽度，镇海湾虽然拥有最大的红树林面积，但林道狭窄，景观破碎，生态系统反而更加脆弱。

（6）设立自然保护区和滩涂造林都对红树林面积增长发挥了积极作用。

今后的研究中，将对连续长时序信息挖掘方法进行更深入的探讨，突出变化的过程性、阶段性和时空联系，争取在可视化方面有所突破。随着遥感技术的快速发展，新一代遥感卫星平台将组建更为强大的对地观测网络，实现更高频次时间特征的监测。如联合Landsat 8 和Sentinel 2A/B构成虚拟观测星座，可实现全球地表2—4 d 的高频观测（Li 和Roy，2017）。在可预见的将来，遥感连续动态监测将成为常态，而相对应的信息挖掘方法将面临巨大挑战。