1990年—2020年粤港澳大湾区红树林动态变化遥感监测

袁艺馨，温庆可，徐进勇，王晨，赵晓丽，刘朔，解睿

1.中国科学院空天信息创新研究院 国家遥感应用工程技术研究中心,北京 100101;

2.生态环境部卫星环境应用中心 水生态环境遥感部,北京 100094

1 引言

粤港澳大湾区是中国开放程度最高的地区，在经济发展中起重要的引领和带动作用；粤港澳大湾区同时也是陆地、海洋及河流的交汇区，是中国海岸带的重要组成部分，有着独特的生态价值（陈吉宁，2016）。要实现粤港澳大湾区可持续发展，必须维护好湾区的生态环境（张修玉和施晨逸，2019）。已有研究表明，广泛分布于湾区海岸沿海潮间带的红树林在海洋生态中发挥着重要作用。在消浪减风方面，红树林发达的根系在一定程度上能够减小风浪对海岸的侵蚀，同时起到防灾功能，降低台风天气对沿海地区造成的灾害损失（楼坚 等，2009；陈玉军，2012）；在保护生物多样性方面，红树林湿地能够为鱼类、鸟类等野生动物提供栖息地，从而丰富物种多样性，稳定生态环境平衡（何斌源 等，2007）；在净化海水方面，根系发达的红树林加速了悬浮物、泥沙的沉积，而且能够吸收部分放射性物质，起到降污减污的效果（于晓玲 等，2009）；在固碳方面，每公顷红树林的碳含量约1023 mg，能够有效缓解温室气体排放所导致的全球变暖（Donato 等，2011）。开展粤港澳大湾区红树林动态变化监测研究对该地区保护红树林、充分发挥其生态作用具有现实意义。

遥感具有覆盖范围广、获取信息速度快、重返周期短、成本低等特点（赵英时，2013），且遥感影像产品种类多、易获取，适合用于长时序、大范围监测红树林的动态变化。在第二次全国湿地资源调查的基础上，但新球等（2016）采用3S技术和现地调查相结合方式，重点对全国红树林湿地进行了调查，该方法重点依靠实地调查，其时间成本、人力成本较高，且由于调查方式受限，部分地区的红树林湿地并没有被调查统计覆盖。为了应对实地调查方法带来的挑战，Jia等（2018）利用Landsat 影像采用面向对象和决策树分类的方法，完成了1973 年、1980 年、1990 年、2000 年、2010 年及2015 年的全国红树林提取，但该研究采用的是传统遥感影像获取、处理与分类方法，计算效率与信息获取的时效性都较低。以上两项研究基本实现了长时序下可比的红树林分布数据，但都尚未将数据集更新至2020 年。此外，目前现有的红树林动态变化研究存在只考虑了不同年份间红树林面积整体变化的对比，而不能表明各时段每个红树林图斑的动态时空信息的问题，进而无法了解每个红树林斑块的变化情况，包括该红树林图斑的面积变化及其相应的土地利用类型转入与转出等情况（王子予 等，2020）。因此，本文拟采用现状监测和动态更新的方法完成粤港澳大湾区红树林湿地的长时序遥感监测，将该区红树林分布数据更新至2020 年，确保历史数据与更新数据一致可比，了解该区红树林30年的动态变化。

在红树林遥感分类及其动态变化研究的算法选择方面，Buitre 等（2019）认为在有限训练数据集的情况下，采用支持向量机方法SVM（Support Vector Machine）进行影像分类是最好的方法之一，其通过对1987 年—2016 年Landsat 影像的分类结果进行总面积统计分析和景观指数分析，得到研究区红树林动态变化结果。Kanniah 等（2015）通过对比最大似然法MLC（Maximum Likelihood Classification）和SVM 算法对Landsat 影像的分类结果，认为MLC 算法对红树林的分类效果优于SVM 算法，之后根据分类图像，在ArcCatalog 软件中勾画各土地利用/覆盖类型对应的多边形文件，用于分析该地区25 年间红树林的动态变化。Elmahdy 等（2020）采用Landsat 和QuikBird 两 种数据，对比了随机森林RF（Random Forest）、核型逻辑回归KLR（Kernel logistic regression）和朴素贝叶斯树NB（Naive Bayes Tree）3 种机器学习方法，结果显示RF 算法的分类准确性较高，之后通过ID 算法确定不同年份间红树林图像的DN 值差异，以此监测1990年—2000年、2000年—2010年、2010 年—2019 年、1990 年—2019 年阿拉伯联合酋长国北部的红树林动态变化。Jhonnerie 等（2015）对比RF 和MLC 两种分类算法，对Landsat 和Alos Palsar 影像进行监督分类，获得印度尼西亚孟加拉邦根邦河包括红树林在内的土地覆盖图，同样证明了RF 算法对红树林分类效果最好。上述各项研究中采用了不同方法识别研究区的红树林分布，其中RF 算法效果最好，但都采用了较为传统的工具获取、处理影像，对于长时间、大范围监测红树林的动态变化研究来说效率相对较低。

GEE 平台能够很好地应对传统计算方法效率相对较低的问题（Kumar 和Mutanga，2018；郝斌飞 等，2018；Gorelick 等，2017；修晓敏 等，2019）。GEE 是Google 公司提供的可在线可视化计算和分析处理的云平台，其存储了全球尺度的Landsat、Sentinel 等海量多样遥感影像数据，并且具有高效强大的数据处理与分析能力，能够为本研究高效识别长时序、大范围下的红树林分布及变化提供有效支撑。目前，GEE 已应用于林业（Reiche 等，2016；Hansen 等，2013）、农业（Xiong 等，2017）等领域，且已有部分学者利用GEE 开展红树林动态变化监测研究。刘凯等（2019）基于GEE 平台，利用其Landsat 数据集，并使用阈值法对红树林进行基于专家知识的决策树分类，该学者认为GEE 平台既能提供充足的、已完成预处理的遥感影像用于长时序、大范围的红树林遥感监测，又能快速计算得到红树林提取结果。GEE 平台不仅便于长时序红树林分布快速提取，还能实现大尺度范围的红树林分布高效提取，Chen 等（2017）结合Landsat 和Sentinel-2 两种数据在GEE 平台上计算得到2015 年中国红树林分布图，其提出年均归一化植被指数（NDVI）有利于减小在红树林识别过程中的潮汐动态影响。王子予等（2020）基于GEE 平台，采用随机森林的方法对Landsat 数据进行分类，快速准确提取了1986 年—2018 年广东省的红树林分布，实现了广东省红树林年际变化监测。以上各项研究都证明了GEE 能够为长时序、大范围红树林研究同时提供数据和技术支持。

为保证粤港澳大湾区1990 年—2020 年的红树林分布数据具有可比性，本文研究采用现状监测和动态更新相结合的方法完成该区域30 年间的红树林动态变化监测。本文的其余部分安排如下：第2节详细介绍了研究区及研究所用的数据源，包括遥感数据和样本数据（训练样本及验证样本）；第3节按照现状监测方法、动态更新方法及验证方法的顺序介绍了本文的研究方法；结果与分析在第4节中进行了描述和分析，由实验结果分析、动态更新方法分析及精度评价分析构成；第5节总结和讨论了本文的实验结果与研究方法，并为后续的红树林动态更新工作提供了建议。

2 研究区及数据

2.1 研究区概况

本文以粤港澳大湾区为研究区，考虑到红树林主要生长于沿海地区的海岸潮间带，实施监测的具体范围为粤港澳大湾区地理区域范围内的15 个沿海区/县/市，包括广州市番禺区和南沙区、深圳市南山区、福田区、龙岗区和宝安区、珠海市金湾区、香洲区和斗门区、台山市、江门市新会区、惠州市惠阳区、惠东县、东莞市和中山市，以及香港、澳门2 个特别行政区。粤港澳大湾区地处中国华南地区，属于亚热带季风气候，全年温暖湿润，雨热同期，年均温21 ℃—23 ℃，年均降水量1500 mm 以上，有大量红树林分布，据但新球等（2016）统计，除香港、澳门外，2013 年该区红树林面积占全中国红树林面积的9.2%，因此，监测该区红树林动态变化具有重要的生态意义。

2.2 数据源

2.2.1 遥感数据

红树林遥感监测时段为1990 年—2020 年的4 个时段，具体为1990 年—2000 年、2000 年—2010 年、2010 年—2018 年以及2018 年—2020 年。各监测时期使用的遥感影像数据均经过裁剪、镶嵌、几何校正等一系列预处理。几何校正以中科院中国1∶10 万土地利用数据库同步构建的以地形图为基准的2000 年遥感影像标准库为基准（刘纪远 等，2005），采用Albers 正轴等面积双标准纬线割圆锥投影方式，面积不变形的投影可确保面积测度的准确性，为确保不同年份间红树林动态变化的可比性，其他年份的影像均以2000 年影像为基准，经过人工选点进行几何纠正，并以平原区不大于1个像素、山区不大于2个像素的误差标准进行全域对比自查。对于用于机器算法研究的影像进行了大气校正。其中，1990 年、2000 年及2010 年红树林分布数据采用的是目视解译动态更新方法，对应遥感影像无需进行大气校正；2018 年红树林信息提取采用算法分类的方法，遥感影像进行了大气校正，具体使用欧洲空间宇航局ESA（European Space Agency）官方提供的SNAP 软 件（http：//step.esa.int/main/toolboxes/snap/［2021-01-21］）中的Sen2cor（Sentinel-2 Level-2A Atmospheric Correction Processor）方法完成的大气校正；2020 年采用的遥感影像来自GEE 平台中由Sen2cor 方法进行过大气校正后的2A 级数据产品Sentinel-2。

具体地，2018年红树林识别使用的是Sentinel-2B 的B1、B2、B3、B4、B5、B6、B7、B8、B8A、B9、B10、B11和B12波段（简称B1-12 波段），由于GEE 平台中Sentinel-2 数据产品没有B10 波段，2020 年红树林识别使用的是Sentinel-2 影像的B1、B2、B3、B4、B5、B6、B7、B8、B8A、B9、B11和B12波段，其中，蓝（B2）、绿（B3）、红（B4）和近红外（B8）波段地面像素采样空间分辨率为10 m，红色边缘（B5）、近红外（B6、B7 和B8A）和短波红外（B11 和B12）波段的地面像素采样空间分辨率为20 m，沿海气溶胶（B1）和卷云（B10）波段的地面像素采样空间分辨率为60 m。考虑到重采样处理信息的有效性及其与早期Landsat 影像的可衔接性，选择使用最邻近内插法对波段进行重采样，重采样后的空间分辨率均为20 m，既利于实现高精度的红树林识别，又能为1990 年—2010 年动态更新研究区红树林分布提供可靠、准确的数据基础。其中，2018 年的研究使用的是3 月份影像（利用特征参数重要性排序确定的最佳月份）；受少云标准的制约，2020 年的研究使用的是利用GEE 平台既有算法将1—9 月份影像数据拼接成的能够覆盖全域的影像。

而1990 年、2000 年和2010 年的红树林识别采用的是Landsat TM/ETM+影像，空间分辨率均为30 m。由于11 月份是南方地区相对易于区分土地类型尤其是植被类型的季相（Zhang 等，2014），1990年、2000年和2010年的研究都选择11月前后的影像为主要数据源。其中，由于早期遥感影像数量与质量的双重制约，1990 年、2000 年和2010 年的红树林识别实际使用的影像时间分别为1987年、2000年和2010年前后一年。

红树林大多生长于潮间带上，潮汐现象会对红树林的遥感监测产生一定的影响，但由于淹没植被在Sentinel 数据的红边波段仍存在较强的反射（Jia等，2019），因此在由潮汐现象造成的红树林面积统计误差方面，Sentinel 数据源对红树林的提取结果优于Landsat 数据源，即相较于早期，2018 年和2020 年粤港澳大湾区红树林分布结果受潮汐现象影响小。

2.2.2 样本数据

样本数据包括用于随机森林分类模型训练的训练样本数据以及用于红树林专题图结果验证的验证样本数据。

训练样本以深圳市福田区及香港为样区，该区域拥有集中连片分布的典型红树林，同时也有沿海分布的狭长形红树林地带，在全域红树林提取中具有代表性。训练样本采用专家判读的方法选取红树林样本19 处、易于与红树林混分的其他沿海植被样本11 处、其他样本48 处。易于与红树林混分的其他沿海植被，是指地理分布区位上与红树林相近的植被，尤其是立地土壤水分较大区域的木本和草本植被，主要包括分布于沿岸丘陵的木本植被及分布于滩涂区域的其他木本植被和草本植被。其他类，包括水域15 处、人工用地与裸地15 处、云和云阴影17 处。样本均为不规则面状数据。在该区域训练稳定的模型，进而区域外推用于生成2018 年红树林遥感监测专题图。训练样本选择示例及样本分布如图1。之后在2018 年红树林监测矢量结果的基础上选择样本点，作为2020年红树林监测的训练样本。

图1 深圳市福田区及香港训练样本区分布与示例Fig.1 Spatial distribution and examples of training samples in Futian District，Shenzhen and Hong Kong

为了验证红树林提取精度，验证样本在以粤港澳大湾区海岸线为基准、半径为5 km 的缓冲区范围内，采用随机抽取的方法选择验证样本。验证样本包括红树林和非红树林两种类型，其中，非红树林样本以易于与红树林混分的沿岸丘陵的木本植被及分布于滩涂区域的其他木本植被和草本植被为主，1990 年、2000 年、2010 年、2018 年和2020 年红树林验证样本个数分别为47、69、82、107 和106 处，非红树林样本个数分别为195、185、162、107和108处。

3 研究方法

本文采用现状监测和动态更新相结合的方法来完成粤港澳大湾区红树林动态变化长时序遥感监测，本文选择以2018 年为现状年，通过目视解译和随机森林算法进行特征选择与分类，得到2018 粤港澳大湾区红树林分布遥感监测专题图。为实现1990 年—2020 年粤港澳大湾区红树林动态变化监测，本文采用目视解译动态更新的方法完成1990 年、2000 年、2010 年、2020 年4 个时间节点的红树林分布遥感监测专题图，确保更新数据与历史数据矢量图斑共用界线的一致，得到粤港澳大湾区红树林各期可比的动态变化数据。具体研究方法流程图如图2。

图2 研究方法流程图Fig.2 Flowchart of the methodology

3.1 全区域红树林湿地本底信息提取

本文选择以深圳市福田区及香港为样区进行特征选择与模型训练，以确定最佳识别红树林的季节与分类模型。

在特征选择方面，Sentinel-2B 影像中B11 和B12短波红外波段具备最好的红树与其他植被的区分能力，但综合B1-12 波段后大片红树林分类结果好，仅存在少量的漏分，在B1-12 波段的基础上加入DEM作为输入特征后同样显示分类结果好，但在DEM 更新不及时之处存在较严重的类型混分问题，且没有解决少量漏分问题，本研究再次尝试在B1-12 波段的基础上加入NDVI、DVI、RVI、MSAVI2、IRECI、PSSRa、MCARI、NDI45、NDWI、NDWI2、MNDWI、NDPI、NDTI、TNDVI、S2REP、REIP 及MTCI 共计17 个水体和植被指数，其中仅有前13 个指数对红树林提取有效，但与B1-12 波段作为输入特征相比并不能提高分类精度。因此本研究最终选择Sentinel-2B 影像中B1-12 作为模型的输入特征。

考虑到植被的时间光谱特性有利于区分红树林与其他植被，本研究选择年度NDVI 的最大值、最小值、平均值及标准差和月份重要性排序两种方法分别学习植被的时间光谱特性，再根据分类效果选其一。具体地，前者将统计量作为波段与B1-12波段共同作为模型的输入特征，后者采用随机森林算法对2018 年1—12 月各月各波段（B1-12）进行特征参数重要性排序，以确定最佳月份的影像作为模型输入。

在模型训练方面，本研究利用ENVI 软件的EnMap-box插件（Van der Linden 等，2015），采用随机森林算法训练采集样本，设置决策树数目多次试验，确定该研究所需的随机森林分类模型，并将其应用于整个研究区，得到2018 年粤港澳大湾区红树林分布的初步提取结果。

通过人工目视检查分类结果发现各地类中有许多小碎斑的存在，这是由于避免不了自动分类带来的椒盐噪声问题而导致各地类不完整，影响红树林分布的提取结果的准确性。针对这一问题，本文采用人机交互目视解译的方法，对分类结果进行研究区全区的验证与修改，最小上图图斑为2×4 个像素对应面积，对于2018 年实际使用的20 m 空间分辨率遥感影像而言，最小上图面积为宽度不少于40 m，面积不小于3200 m2，最终生成2018 年粤港澳大湾区红树林湿地遥感监测专题图，即完成红树林湿地现状监测。

3.2 红树林湿地历史时期及最新变化动态更新

1990 年、2000 年、2010 年和2020 年的红树林分布数据均是在2018 年粤港澳大湾区红树林湿地遥感监测专题图的基础上，通过动态更新的方法得到。不同的是，1990 年、2000 年及2010 年红树林分布数据是直接经目视解译勾绘动态图斑完成的，而2020 年是根据GEE 分类结果勾绘动态图斑完成的。最小上图图斑为2×4个像素对应面积，各期红树林最小上图面积因各期影像分辨率不同而不同。2020 年影像分辨率与2018 年影像分辨率一致，因此最小上图面积一致；1990 年、2000 年及2010 年影像分辨率为30 m，因此最小上图面积为宽度不少于60 m，面积不小于7200 m2。

具体地，生成1990 年、2000 年及2010 年的红树林湿地遥感监测专题图是以中国1∶10万比例尺土地利用遥感监测数据库为参考（张增祥 等，2012），对比前后两个时间节点的遥感影像，目视地物动态变化，在2018 年红树林湿地遥感监测专题图的基础上，对动态图斑进行数字化勾绘，并为该动态图斑添加动态类型编码。而生成的2020年红树林湿地遥感监测专题图是以2020 年的分类结果为参考，进行动态更新得到的，动态更新方法与上述方法一致。其中，2020 年分类结果是基于GEE 平台，利用70%的样本数据训练随机森林模型，并应用于整个研究区得到的，GEE 平台已集成随机森林方法，可直接调用该方法并迭代试验不同决策树数目对分类精度的影响，迭代一次仅10 s左右，能够快速确定分类效果最优地模型参数，之后利用30%的样本数据对分类结果进行测试。

动态类型编码采用6 位编码制，前3 位编码代表前一个时间节点的地物类型，后3位编码代表后一个时间节点的地物类型。地物类型的分类体系参考中科院中国1∶10万比例尺土地利用分类体系（刘纪远 等，2005），根据研究区土地利用实际情况及与红树林动态变化相关性考虑，将土地利用分类体系归纳为盐沼（10）、红树林（20）、光滩（30）、河流和湖泊（40）、坑塘（43）、人工用地（50）、海域（99）和其他类型（60），解译标志见表1。图3 的编码表示盐沼转化为红树林，即红树林湿地面积增加。对于类型代码为2 位的分类类型，采用末尾补“0”的方法进行处理，确保前3 位代表变化前时间节点的土地利用类型，后3 位代表变化后的土地利用类型。

表1 粤港澳大湾区遥感影像解译标志Table 1 Features for interpretation of different landcover types using remote sensing image in Guangdong-Hong Kong-Macao Greater Bay Area

图3 动态类型编码Fig.3 Dynamic type coding

通过该动态类型编码既可以生成新时间节点的红树林湿地遥感监测专题图，又可以记录地物类别的动态转化，利于分析红树林动态变化与其他土地利用类型的转化关系，进一步服务于红树林湿地保护决策的制定。此外，动态图斑与原有土地利用类型图斑共用边界线，使得生成新的红树林湿地遥感监测专题图后，能够确保多期数据间共用边界线完全吻合，减小红树林动态变化分析误差。

根据上述动态更新方法完成1990年、2000年、2010 年及2020 年红树林湿地遥感动态监测，形成了1990 年—2020 年期间共计4 个时段的红树林动态变化数据库，通过合并与拆分的基本地理空间分析方法，生成了1990 年—2020 年共计4 期的粤港澳大湾区红树林湿地分布专题图。

3.3 红树林专题图验证方法

本研究以生成可面向管理使用的红树林数据库为主要目标之一，因此，在整个研究和数据制作过程中，采用目视解译的方法严格控制红树林提取精度；从数据制作流程上，把控了红树林分布专题图的属性准确度。

由于野外验证的时间、经济成本较高，本研究选择高空间分辨率影像（图4），并结合粤港澳大湾区红树林湿地公园文本信息，对1990 年、2000 年、2010 年、2018 年以及2020 年粤港澳大湾区红树林分布专题图进行验证。具体地，为了验证红树林的提取精度，本研究利用Google Earth 平台提供的高空间分辨率影像，逐一对验证样本进行专家判读，确定验证样本的类别属性，并与预测的样本类别属性进行对比，参考广东省红树林自然保护区和湿地公园名录以及网络搜索结果中可查找到的所有红树林自然保护区和湿地公园信息，即包括台山市镇海湾红树林国家湿地公园、中山市翠亨湾国家湿地公园、珠海市淇澳岛湿地生态园、广州市南沙湿地公园、深圳市红树林博览园、深圳市宝安西湾红树林公园、深圳市福田红树林生态公园、香港米埔自然保护区以及惠州市大亚湾红树林城市湿地公园的文本信息，验证有无遗漏大面积红树林统计的情况，评价红树林提取结果的错分误差、漏分误差和总体精度。如图4 所示，Sentinel-2（图4（a））显示不出植被纹理，易被错分为红树林，但高空间分辨率影像（图4（b））显示中间呈团状纹理的植被为红树林，两侧并不具备团状纹理的植被为非红树林。

图4 Sentinel-2影像B8、B4、B3波段和高空间分辨率影像B4、B3、B2波段对比Fig.4 Comparison of Sentinel-2 image illustrated using a false color composite（near-infrared，red and green bands）and high spatial resolution image illustrated using a true color composite（red，green and blue bands）

4 结果与分析

4.1 1990 年—2020 年粤港澳大湾区红树林监测结果分析

本研究完成了1990 年—2020 年粤港澳大湾区红树林监测，包括1990 年、2000 年、2010 年、2018 年和2020 年的红树林分布数据及各时间节点间的红树林动态变化数据，结果分析如下。

4.1.1 2020年粤港澳大湾区红树林湿地现状分析

提取结果显示，2020 年红树林总面积约21.73 km2，江门市、珠海市、香港特别行政区及深圳市沿海红树林面积相对较多，分别为6.48 km2、5.29 km2、4.58 km2、1.51 km2，占粤港澳大湾区红树林面积的比例分别为29.82%、24.34%、21.08%和6.95%，合计82.19%。

其中，红树林分布较为集中的共有5处，分别为台山市北陡镇沿海地区（图5（a））、香港元朗区沿海地区（图5（b））、台山市崖山（图5（c））、珠海市淇澳岛（图5（d））和深圳福田和香港米埔沿海地区（图5（e））。总体上粤港澳大湾区红树林分布相对集中，只有少数零散分布在海岸潮间带上。

图5 2020年粤港澳大湾区红树林集中分布区Fig.5 Concentrated distribution areas of mangrove in Guangdong-Hong Kong-Macao Greater Bay Area in 2020

4.1.2 1990 年—2020 年粤港澳大湾区红树林动态变化分析

（1）1990 年—2020 年粤港澳大湾区红树林面积总体变化。根据1990 年—2020 年的红树林分布监测结果统计，粤港澳大湾区红树林面积变化总体呈先减少后增加的趋势，如图6，转折点出现于2000 年前后。1990 年红树林面积约11.52 km2，而2000年红树林面积减少到6.92 km2，减少了4.6 km2，反映出1990 年—2000 年间该地区的红树林遭到了巨大破坏。但到2010 年红树林面积回弹，增长到13.04 km2，已经超过1990 年红树林总面积，说明2000 年—2010 年间该地区红树林得到了恢复。2010 年至今该地区红树林面积仍然保持增长趋势，2018 年红树林总面积增加到19.97 km2，2020 年红树林总面积再次增加到21.73 km2，其中2000 年到2010 年增幅约88.44%，2010 年到2020 年增幅约66.64%，反映出粤港澳大湾区红树林面积增速逐渐趋于缓慢，部分原因是由于红树林生长需要一定的淤泥堆积环境，而光滩是新增红树林来源最多的土地利用类型，随着光滩不断被开发利用，带来其转化为红树林的后续动力不足的问题。此外，海域、河流和湖泊、坑塘和盐沼也是新增红树林面积的土地来源。1990 年至2020 年，光滩、海域、河流和湖泊、坑塘和盐沼提供新增红树林的土地面积分别为6.17 km2、4.50 km2、3.00 km2、2.43 km2、2.36 km2，分别占新增红树林面积的32.77%、23.88%、15.94%、12.89%、12.55%，比例合计98.03%。

图6 1990年—2020年粤港澳大湾区红树林面积变化Fig.6 Overall dynamic changes of mangrove area in Guangdong-Hong Kong-Macao Greater Bay Area from 1990 to 2020

（2）1990 年—2020 年粤港澳大湾区各阶段的红树林面积变化。1990 年—2020 年粤港澳大湾区红树林面积净增加了10.21 km2，增加幅度为88.63%，如图7，除1990 年—2000 年红树林面积净变化为负值（即红树林总面积减少）外，2000年后红树林面积净变化为正值（即红树林总面积增加），反映出2000年后粤港澳大湾区对红树林实施的保护与恢复措施是有效的。

图7 1990年—2020年粤港澳大湾区各阶段红树林动态变化Fig.7 Dynamic changes of mangrove area at various stages in the Guangdong-Hong Kong-Macao Greater Bay Area from 1990 to 2020

（3）1990 年—2020 年粤港澳大湾区各区域的红树林面积变化。监测结果显示，粤港澳大湾区中的珠海市、江门市、中山市、广州市、深圳市、惠州市、东莞市以及香港和澳门两个特别行政区存在红树林的分布，30 年来这些城市的红树林面积整体上都呈净增长状态，说明其重视红树林湿地的保护与恢复，各城市的红树林面积增减变化如图8所示。

图8 1990年—2020年粤港澳大湾区各地区红树林动态变化Fig.8 Dynamic changes of mangrove area in different administrative regions in Guangdong-Hong Kong-Macao Greater Bay Area from 1990 to 2020

具体地，江门市新会区、珠海市香洲区和台山市的红树林面积流失较多，分别为3.62 km2、2.31 km2和1.44 km2，占总减少面积的85.60%。随着各地区重视对红树林湿地的保护与恢复，到2020年，粤港澳大湾区红树林共增长了18.83 km2。30年来台山市、珠海市香洲区、香港特别行政区、中山市及广州市南沙区红树林面积增长最多，分别为5.32 km2、4.67 km2、2.80 km2、1.63 km2及0.95 km2，占总增加面积的81.67%。此外，在1990 年—2020 年间，仅有江门市新会区、惠州市惠阳区及深圳市龙岗区的红树林面积呈净减少，其他地区的红树林面积都呈净增长，反映出粤港澳大湾区的红树林保护与恢复政策起到了积极作用。从30 年的增减变化来看，广州市番禺区、惠州市惠东县、深圳市宝安区、东莞市、澳门及珠海市斗门区红树林面积只增不减，但仅有深圳市龙岗区红树林面积只减不增，其红树林面积减少出现于1990 年—2000 年间，被养殖坑塘占用，需要加强对红树林的保护与恢复。

4.1.3 1990 年—2020 年粤港澳大湾区红树林动态变化原因

造成粤港澳大湾区红树林面积变化的原因是多重的，既有自然因素，也有人为因素，其中，人为因素对红树林面积变化影响较大（Thomas等，2017）。2000 年以前各地区没有认识到红树林湿地重要的生态作用，为了满足经济发展、城市扩张的需要，人们占用了红树林湿地区域用以养殖坑塘、人工用地等建设，严重破坏了红树林湿地，使得1990 年—2000 年减少的红树林面积最大，占1900 年—2020 年红树林减少面积的93.39%，监测表明，30 年来红树林减少的面积主要流向河流和湖泊、人工用地及其他类型。2000 年左右各地对红树林的保护意识开始加强，通过建设红树林湿地公园、设立红树林湿地自然保护区，重视对红树林的保护修复，包括台山市镇海湾红树林国家湿地公园、中山市翠亨湾国家湿地公园、珠海市淇澳岛湿地生态园、广州市南沙湿地公园、深圳市红树林博览园、深圳市宝安西湾红树林公园、深圳市福田红树林生态公园、香港米埔自然保护区以及惠州市大亚湾红树林城市湿地公园等，使得红树林面积不断增加，据红树林监测结果显示，大量、连片的红树林分布于以上的公园和自然保护区中，证实了人为因素对红树林面积变化有着较大影响。如图9，深圳福田红树林生态公园和香港米埔自然保护区内红树林得到了较好的恢复和保护。

图9 深圳福田红树林生态公园和香港米埔自然保护区红树林动态变化Fig.9 Dynamic changes of mangrove distribution in Futian Mangrove Ecological Park（Shenzhen）and Maipu Nature Reserve（Hong Kong）illustrated using a false color composite（near-infrared，red，green bands）

4.2 1990 年—2020 年粤港澳大湾区红树林监测结果精度评价结果

本研究目的在于利用遥感技术监测粤港澳大湾区红树林分布及动态变化情况，因此选择错分误差、漏分误差和总体精度3个评价指标验证各个时期的红树林提取精度。其中，错分误差代表分类判定为红树林但经验证应为非红树林的情况；漏分误差是指分类判定为非红树林类型但经验证应为红树林的情况；总体精度是针对红树林和非红树林（红树林之外其他类型的合计）两种大类型区分的总体精度。结果显示各个时期的红树林提取精度都在95%以上，精度评价结果如表2所示。

表2 粤港澳大湾区红树林提取精度评价结果Table 2 Classification accuracy for mangrove identification in the Guangdong-Hong Kong-Macao Greater Bay Area

经验证的红树林湿地分布专题图，反映了红树林在不同时段的基本分布态势；红树林动态变化数据库，反映了红树林面积增减变化的土地来源与去向，直观揭示了红树林面积变化的原因。

4.3 红树林现状监测与动态更新方法分析

（1）红树林现状监测方法的特征选择分析。在学习时间光谱特性方面，与将年度NDVI 统计量作为模型输入相比，确定最佳月份影像作为模型输入的分类效果较好。月份重要度排序结果显示，5 月、3 月红树林与其他植被区分度最好，但由于研究区范围内5 月份的影像存在团状云，而3 月份的影像云覆盖率低于1%，因此本研究选择3 月份（3 月21 日）影像作为2018 年红树林遥感识别的基础数据。

（2）红树林动态更新方法的效率提升分析。1990 年、2000 年及2010 年粤港澳大湾区红树林动态更新是采用传统工具完成的，而2020 年粤港澳大湾区红树林动态更新是利用GEE 平台完成的。在数据准备方面，传统方法下载一年的影像覆盖全域需要5 景Sentinel 数据，挑选、下载、大气校正耗时合计约需3 天时间。利用GEE 平台可在线直接调用已经经过大气校正的影像数据产品，节省了全部下载影像和大气校正的时间；挑选影像可通过代码对云覆盖及影像需求时间进行严格定义，并可在线实现全景原始分辨率的可视化目视确认，相比快试图确认更便捷，全流程仅需若干分钟时间即可完成。在解译勾绘动态图斑方面，2020 年动态更新可依据分类结果，已知红树林分布位置，依次勾绘每个红树林图斑，速度比完全依靠目视解译勾绘红树林图斑快。因此，2020 年红树林快速动态更新方法的时间效率较高，使得红树林年际变化甚至是月际变化大范围及时更新成为可能。

此外，在计算分类结果方面，2018 年红树林提取结果通过采用单机版计算机进行以12 个波段为输入的粤港澳大湾区全域分类得到，耗时合计约需1 天时间，而利用GEE 平台，可直接调用已集成的随机森林分类函数，约10 s 即可完成粤港澳大湾区全域分类的计算，后续研究可利用GEE平台分类来节省时间成本。

5 结论

本文研究表明随机森林算法适合应用于红树林的识别提取，分类精度达95%以上。传统分类后对比的动态变化监测方法会使得同一地物的共用边界出现不重合等误差问题，而本文所采用的现状监测及动态更新的方法能够较好地应对这一问题，减小红树林面积变化误差。且动态编码记录了每一个红树林动态变化斑块的具体土地利用类型的转变，能够切实了解人类活动对红树林湿地的影响，更好地为恢复、保护红树林湿地的决策提供数据支持与依据。同时未来可以继续采用动态更新的方法完成对粤港澳大湾区红树林动态变化遥感监测，也对其他地物动态变化长时序监测研究具有借鉴意义。

此外，考虑到GEE 平台的计算能力与计算效率，其适合用于粤港澳大湾区红树林动态变化监测的未来更新，或者用于其他地区长序列、大范围的红树林动态监测中，并且也适合用于1990 年—2020 年间的粤港澳大湾区红树林年际乃至月际动态变化研究中，能够大大降低研究的时间成本，及时更新红树林动态变化。

为分析红树林监测结果的客观性，本文选择了两种红树林湿地监测数据与本文进行分析对比：一是以第二次全国湿地资源调查为基础，结合3S技术与实地调查，得到中国红树林湿地分布数据（但新球 等，2016）；二是采用分类回归树算法，遥感监测得到1985 年—2015 年广东省红树林湿地分布数据（Ma 等，2019）。其中，前者的2013 年红树林湿地调查结果显示，除香港、澳门两个特别行政区外，粤港澳大湾区范围内的红树林面积为31.71 km2，而本文结果显示2010 年、2018 年湾区红树林面积为13.04 km2、19.97 km2，这是由于本文红树林分布数据是利用遥感技术提取得到的，受影像分辨率限制，未计入2×4个像素对应的红树林面积，且但新球等（2016）的研究主要依靠实地调查完成，将任何生长阶段的红树林都算入总面积中，受生长初期的红树林在影像上难以识别的限制，本文也未记入生长初期的红树林面积，但本文不仅在低时间、经济成本的条件下完成了不同时期湾区红树林的分布提取，也监测了其动态变化情况，用以分析影响红树林存量面积变化的因素，为恢复、保护红树林建言献策。后者的监测结果显示，除香港、澳门两个特别行政区外，1985 年、1995年、2005年及2015年粤港澳大湾区范围内的红树林面积分别为27.50 km2、14.17 km2、12.50 km2、16.25 km2，整体上与本文的红树林总面积结果相近，间接反映出本文红树林分布提取方法可行。

综上所述，相较于其他红树林研究，本文提供了每个红树林斑块的更新时段与历史时段可比数据、2020 年粤港澳大湾区红树林分布数据以及快速更新红树林动态变化的方法，完整地实现了对1990 年—2020 年粤港澳大湾区红树林动态变化遥感监测。结论如下：

（1）1990 年—2020 年粤港澳大湾区红树林面积呈现先减少再增加的趋势，2000 年以前红树林遭到了巨大破坏，面积表现为净减少，2000 年红树林面积约为6.92 km2，2000年后至今，红树林面积表现为净增加，到2020 年，粤港澳大湾区红树林面积共计21.73 km2。其中，珠海、江门和香港红树林面积占比较多，占粤港澳大湾区河口红树林面积的76.2%。

（2）自2000 年以后粤港澳大湾区红树林面积持续增加，红树林面积增幅有减小趋势。其中，2000年—2010年红树林面积净增加6.12 km2，增幅约88.44%；2010 年—2020 年红树林面积净增加8.69 km2，增幅约66.64%。

（3）人为因素是影响粤港澳大湾区红树林面积变化的主要因素。人为扰动在2000 年以前对红树林产生了负面影响，主要表现为养殖坑塘、人工用地等土地无序开发活动造成的红树林面积大量减少问题；2000 年之后该地区通过建设红树林公园及自然保护区来恢复和保护红树林，使得红树林面积持续增加。

（4）粤港澳大湾区红树林分布形式呈现多样化。2010 年之后各地逐渐开始设立红树林湿地公园，这使得红树林湿地不再像2010 年之前一样仅分布于沿海潮间带上，也开始分布于靠近海岸的内陆区域。

目前，粤港澳大湾区红树林增速放缓，侧面反映出光滩不能成为新增红树林的持续来源，湾区对红树林的保护与恢复政策有待进一步创新。而设立在内陆的红树林公园，虽然使湾区红树林面积增加，但与潮间带上的红树林相比，内陆的红树林并不能起到消风减浪、净化海水的生态作用，仅对保护生物多样性、减轻温室效应有一定的积极意义。