鄧維熙，尤號(hào)田，雷 鵬，李卯森，陳建軍

（桂林理工大學(xué) 測繪地理信息學(xué)院，廣西 桂林 541004）

紅樹林是一種生長在海陸過渡地帶的特殊珍稀木本植物群落[1]，不僅具有較高的經(jīng)濟(jì)價(jià)值[2]，還能提供多種生態(tài)服務(wù)功能，如提供棲息地和養(yǎng)育功能[3]、避免海岸線侵蝕[4]、凈化水質(zhì)和固碳[5]以及減災(zāi)防災(zāi)[6]等。然而，由于自然和人為干擾的雙重影響，使得紅樹林資源受到嚴(yán)重威脅，面積急劇下降[7]。自1980年以來，全球約有35%的紅樹林消失[8]，紅樹林的嚴(yán)重退化受到世界各國的廣泛關(guān)注，紅樹林資源保護(hù)工作已迫在眉睫[9]。紅樹林資源的準(zhǔn)確獲取與動(dòng)態(tài)變化監(jiān)測是紅樹林科學(xué)保護(hù)工作順利開展的前提，不僅對(duì)于紅樹林易受災(zāi)區(qū)域和適宜恢復(fù)位置預(yù)測具有重要意義，而且能為針對(duì)性保護(hù)政策的制定提供數(shù)據(jù)支撐。

然而，由于紅樹林所處海陸過渡地帶多云雨，常用的中高空間分辨率光學(xué)影像數(shù)據(jù)，如Landsat-8、Sentinel-2 影像，雖然空間分辨率相對(duì)較高，但因受云雨天氣影響致使可用高質(zhì)量影像數(shù)據(jù)相對(duì)較少，難以為中高空間分辨率紅樹林資源動(dòng)態(tài)變化監(jiān)測提供連續(xù)的數(shù)據(jù)源，導(dǎo)致常見的大區(qū)域紅樹林資源動(dòng)態(tài)變化監(jiān)測研究周期多為年際變化，如：賈明明[10]基于Landsat 影像對(duì)1973—2013年中國紅樹林資源的年際動(dòng)態(tài)變化進(jìn)行研究，結(jié)果表明1973—2000年中國紅樹林面積不斷減少，2000年后才開始回升；張威等[11]基于Landsat 影像對(duì)1978—2014年廣西北部灣紅樹林資源的年際動(dòng)態(tài)變化進(jìn)行研究，結(jié)果表明廣西山口紅樹林面積在1978—1989 不斷縮減，之后緩慢恢復(fù)。上述研究結(jié)果表明，基于遙感數(shù)據(jù)能夠?qū)崿F(xiàn)紅樹林資源年際動(dòng)態(tài)變化監(jiān)測，但受限于有效的可用數(shù)據(jù)導(dǎo)致現(xiàn)有的絕大多數(shù)研究都停留在年際動(dòng)態(tài)變化監(jiān)測，鮮有將動(dòng)態(tài)變化監(jiān)測時(shí)間頻率提升至月變化。常用的低分辨率光學(xué)遙感影像數(shù)據(jù)，如MODIS 數(shù)據(jù)，雖然數(shù)據(jù)重訪周期短，但由于數(shù)據(jù)空間分辨率低，在離散斑塊紅樹林精確提取方面存在一定的不足，導(dǎo)致針對(duì)紅樹林的研究相對(duì)較少[12]。因此，如何有效利用現(xiàn)有數(shù)據(jù)的不同優(yōu)勢，如：Landsat、Sentinel-2 影像的空間分辨率、MODIS 數(shù)據(jù)的時(shí)間分辨率，通過一定的算法實(shí)現(xiàn)連續(xù)高質(zhì)量光學(xué)影像數(shù)據(jù)的重建是實(shí)現(xiàn)紅樹林資源月尺度連續(xù)動(dòng)態(tài)變化監(jiān)測的基礎(chǔ)。

時(shí)空融合模型為基于現(xiàn)有離散光學(xué)影像重建連續(xù)高質(zhì)量光學(xué)影像提供了可能，即通過高空間分辨率影像與低空間分辨率影像結(jié)合，從而預(yù)測出某一時(shí)期的影像，現(xiàn)階段主要有時(shí)空自適應(yīng)反射率融合模型[13-14]、時(shí)空自適應(yīng)反射率變化模型[15]、增強(qiáng)的時(shí)空自適應(yīng)反射率融合模型[16]和靈活的時(shí)空數(shù)據(jù)融合模型[17]（Flexible Spatialtemporal Data Fusion，F(xiàn)SDAF）等，其中FSDAF 模型是Zhu 等提出的一種靈活的時(shí)空融合方法，能夠利用一對(duì)基礎(chǔ)影像完成預(yù)測，不僅減少了模型對(duì)影像的需求，而且能捕捉土地覆蓋變化引起的反射率變化，較適用于異質(zhì)景觀，同時(shí)該模型還引入了薄板樣條插值[18]（Thin Plate Spline，TPS）算法，能夠?qū)⒋址直媛实挠跋窨s小為精細(xì)分辨率影像，實(shí)現(xiàn)更好地分配殘差。由于該模型具有良好的優(yōu)勢，因此已成功應(yīng)用于內(nèi)陸區(qū)域影像的重建，如：王杰等[19]利用FSDAF 模型融合出研究區(qū)缺失的TM 數(shù)據(jù)，從而對(duì)賽里木湖流域與石河子地區(qū)的植被覆蓋度與植被指數(shù)進(jìn)行了研究；Zhai 等[20]將FSDAF 模型與線性像素分解方法結(jié)合，基于Landsat 和MODIS 數(shù)據(jù)融合出吉林省松原市農(nóng)作物的葉面積指數(shù)（Leaf Area Index，LAI）產(chǎn)品，結(jié)果表明基于FSDAF 模型能生成高精度的LAI 產(chǎn)品。相較于內(nèi)陸區(qū)域，紅樹林生長的海陸過渡地帶更為復(fù)雜、可用影像更加稀少，因此，F(xiàn)SDAF模型在紅樹林研究的適用性有待進(jìn)一步驗(yàn)證。

因此，本研究擬采用FSDAF 模型將Landsat-8、Sentinel-2 中高分辨率影像與低分辨率MODIS 影像進(jìn)行融合，以期構(gòu)建連續(xù)月尺度時(shí)間序列影像數(shù)據(jù)，最大程度彌補(bǔ)單一數(shù)據(jù)源難以形成連續(xù)高質(zhì)量影像數(shù)據(jù)的不足，并利用面向?qū)ο蠓诸惙椒▽?shí)現(xiàn)紅樹林空間分布提取，從而實(shí)現(xiàn)紅樹林資源月尺度動(dòng)態(tài)變化監(jiān)測，為紅樹林資源保護(hù)提供更加及時(shí)高效的數(shù)據(jù)支持。

1 研究區(qū)概況與研究數(shù)據(jù)

1.1 研究區(qū)概況

本研究以北部灣為研究區(qū)，主要包括北海、欽州、防城港、湛江等部分區(qū)域，具體位置如圖1所示。研究區(qū)主要為熱帶和亞熱帶季風(fēng)氣候，受海風(fēng)、洋流等影響，年平均氣溫約為22℃?；趫D1所示Landsat-8 和Sentinel-2 影像圖幅，將整個(gè)研究區(qū)劃分為欽州附近區(qū)域、北海及廣東雷州半島附近區(qū)域兩個(gè)區(qū)域。

圖1 研究區(qū)示意圖Fig.1 Study Area

1.2 數(shù)據(jù)介紹及預(yù)處理

由于紅樹林多生長于海陸過渡地帶，多云雨，導(dǎo)致雨季很難獲得可用的高質(zhì)量Landsat 8 OLI、Sentinel-2 以及MODIS 數(shù)據(jù)，同時(shí)，前期研究表明，紅樹林在8—9月中旬達(dá)到物候期的最大值，隨后不斷下降[21]，因此，為了保證研究結(jié)果的準(zhǔn)確性，本研究選擇2018—2020年8—12月的Sentinel-2、Landsat 8 OLI 和MOD09GA 數(shù)據(jù)，具體如表1所示。其中Sentinel-2 數(shù)據(jù)為來自歐空局的L1C 級(jí)數(shù)據(jù)；Landsat-8 OLI 數(shù)據(jù)為來自USGS的L2 級(jí)產(chǎn)品；MOD09GA（每日地表反射率數(shù)據(jù)）數(shù)據(jù)來自NASA 官網(wǎng)。其中，Sentinel-2 數(shù)據(jù)先在Sen2Cor 軟件中進(jìn)行大氣校正，再在SNAP 軟件中采用最近鄰法進(jìn)行重采樣，隨后進(jìn)行拼接和裁剪；Landsat-8 OLI 數(shù)據(jù)先在ENVI5.3 軟件中進(jìn)行裁剪，再以Sentinel-2 數(shù)據(jù)為底圖在ENVI Classic 5.3軟件中進(jìn)行幾何校正，校正后保證RMSE 保持在0.5 個(gè)像元以下；MOD09GA 數(shù)據(jù)先在MRT 軟件中進(jìn)行重投影，將投影坐標(biāo)系轉(zhuǎn)換為WGS_1984_UTM_Zone_49N，再在ENVI Classic 5.3 軟件中采用最近鄰法進(jìn)行重采樣，然后以Sentinel-2 數(shù)據(jù)為底圖進(jìn)行幾何校正，校正結(jié)果的RMSE 在0.5 個(gè)像元以下，最后在ENVI 5.3 軟件中裁剪。

表1 研究數(shù)據(jù)日期?Table 1 The time of research data

1.3 樣本數(shù)據(jù)

通過對(duì)GF-2 影像以及無人機(jī)影像等高空間分辨率影像進(jìn)行目視解譯以選擇樣本數(shù)據(jù)，且樣本盡量分布于整個(gè)研究區(qū)。將研究區(qū)地物大致分為紅樹林、陸地植被（包括森林、農(nóng)田、灌木）、水體（包括河流、湖泊、坑塘）和其他（包括建筑物、道路、裸地等），每類地物均選擇300 個(gè)樣本點(diǎn)。同時(shí)為了盡可能降低樣本不一對(duì)分類結(jié)果的影響，對(duì)每類樣本均按7∶3 劃分，最后將劃分后的樣本整合為訓(xùn)練集與驗(yàn)證集。

2 研究方法

2.1 FSDAF 模型

FSDAF 是由Zhu 等提出的一種靈活的時(shí)空數(shù)據(jù)融合方法，主要思想是先對(duì)T1時(shí)期高空間分辨率影像進(jìn)行分類，然后估計(jì)兩幅低空間分辨率影像T1、T2的對(duì)應(yīng)類別在這個(gè)時(shí)間段的變化，再根據(jù)這個(gè)變化預(yù)測T2時(shí)刻的高空間分辨率影像并且分配殘差。FSDAF 模型默認(rèn)使用的是非監(jiān)督分類中的ISODATA 分類，對(duì)輸入的影像自動(dòng)進(jìn)行ISODATA 分類。隨后計(jì)算低空間分辨率影像的某一像素時(shí)間變化。

式（1）中：xi、yi表示低空間分辨率中像素所在位置，ΔT表示T1、T2時(shí)期像素的差值。低空間分辨率影像的時(shí)間變化是分類影像中的類別在這個(gè)時(shí)間段中的變化的和，通常這個(gè)和是加權(quán)和，即每個(gè)類別需要分別計(jì)算權(quán)重。

理論上只要計(jì)算出了時(shí)間變化，根據(jù)高空間分辨率影像就可以計(jì)算出預(yù)測日期的影像，但是在實(shí)際情況中，通常兩個(gè)不同時(shí)間點(diǎn)的影像的在某些像元上的分類效果會(huì)不同，考慮到這些不同，需要對(duì)其進(jìn)行殘差分配，通過殘差分配來近似模擬影像在T1、T2時(shí)刻中的精確變化：

式（2）～（4）中：n表示分類類別數(shù)，R表示殘差，T2-pre表示基于T1時(shí)期影像預(yù)測得到的影像，T1表示原始影像，fTPS表示TPS 插值法，a0、a1、a2表示參數(shù)，m表示低空間分辨率影像的亞像元數(shù)，ξ表示不同傳感器之間的系統(tǒng)誤差，通過給予限定條件bi等于0，當(dāng)公式（4）取最小值時(shí)，即可求得各參數(shù)。在計(jì)算出殘差以及權(quán)重和后就可以得到預(yù)測影像的值：

式（5）中：Kj為對(duì)應(yīng)第j類的權(quán)重，Rj為對(duì)應(yīng)第j類的殘差，ΔT表示變化值。

為了進(jìn)一步確保FSDAF 模型的精確性，Zhu等引入TPS 函數(shù)，通過TPS 函數(shù)讓低空間分辨率影像通過殘差分配從而更精確地縮小到高空間分辨率，從而更精確實(shí)現(xiàn)指定日期影像的預(yù)測。

2.2 特征提取

對(duì)預(yù)處理后的影像數(shù)據(jù)進(jìn)行特征提取，主要包括指數(shù)特征、紋理特征、光譜特征，具體如表2所示。其中，指數(shù)特征主要有歸一化植被指數(shù)（Normalized Difference Vegetation Index，NDVI）、歸一化 建筑指數(shù)（Normalized Difference Built-Up Index，NDBI）、改進(jìn)的歸一化水體指數(shù)[22]（Modified Normalized Difference Water Index，MNDWI）、增強(qiáng)型植被指數(shù)（Enhanced Vegetation Index，EVI）、比值植被指數(shù)（Ratio Vegetation Index，RVI）；紋理特征通過灰度共生矩陣計(jì)算得到共384 個(gè)；光譜特征則包括最大化差異度量（Max.diff）、影像各波段反射率以及色度-飽和度-強(qiáng)度（Hue-Saturation-Intensity，HSI） 等共16 個(gè)，所有特征均在eCognition 9.0.1 軟件、ENVI5.3 軟件中計(jì)算完成。

表2 特征提取統(tǒng)計(jì)表Table 2 Statistical table of feature extraction

2.3 紅樹林空間分布提取

2.3.1 海陸邊界線提取

紅樹林通常生活在海岸附近，通過提取海陸邊線可以分離出生活在海洋的紅樹林，然后再識(shí)別河岸附近的紅樹林。通常采用NDWI 能夠?qū)⑺w與其他地物區(qū)分，但由于研究區(qū)內(nèi)的海陸邊線復(fù)雜，建筑物、農(nóng)田、紅樹林混雜，NDWI 提取出的地物的邊界容易產(chǎn)生畸變，而MNDWI 能更好地保留海陸邊界的空間信息。因此在ENVI 5.3軟件中采用MNDWI 指數(shù)進(jìn)行海陸的分離提取，同時(shí)在ArcGIS 10.6 軟件中依據(jù)NDVI 數(shù)據(jù)對(duì)提取后的邊界線進(jìn)行修改。NDVI 與MNDWI 計(jì)算公式如下所示：

式（6）～（7）中：G表示綠波段，SWIR 表示短波紅外波段，R表示紅波段。

2.3.2 基于面向?qū)ο蟮募t樹林提取

利用eCognition9.0.1 軟件對(duì)影像進(jìn)行多尺度以及光譜差異分割，考慮到可能存在過分割或欠分割現(xiàn)象，因此通過反復(fù)試驗(yàn)，最終確定分割尺度為40、緊致度參數(shù)（Compactness）為0.3、形狀參數(shù)（Shape parameter）為0.5，此時(shí)各地物邊界較為合理，同時(shí)圖斑不會(huì)過于破碎。確定分割尺度后進(jìn)行特征優(yōu)選，由于研究區(qū)過大，所以傳統(tǒng)地添加所有特征進(jìn)行優(yōu)選會(huì)導(dǎo)致無法計(jì)算出結(jié)果。因此本研究分區(qū)域選取少量樣本，分別測試各類特征對(duì)樣本分離的貢獻(xiàn)度，然后再綜合選取樣本，同時(shí)將每類特征貢獻(xiàn)度前5 的特征加入特征空間進(jìn)行計(jì)算，最后得到最優(yōu)特征組合，利用特征組合再對(duì)研究區(qū)進(jìn)行隨機(jī)森林分類。

2.3.3 精度評(píng)價(jià)

將研究所用樣本數(shù)據(jù)按7∶3 分為訓(xùn)練樣本和檢驗(yàn)樣本，利用混淆矩陣進(jìn)行精度評(píng)價(jià)，其中所用評(píng)價(jià)指標(biāo)主要包括：總體精度、用戶精度、生產(chǎn)者精度和Kappa 系數(shù)，具體計(jì)算公示如式（8）～（11）所示。

式（8）～（11）中：OA 代表總體精度，n為總像元數(shù)，N為總類別數(shù)，aii表示第i類樣本中正確分類的像元數(shù)；UA 代表用戶精度，aik表示分為第i類樣本的像元數(shù)；PA 代表生產(chǎn)者精度，aki表示第i類樣本的真實(shí)像元數(shù)；K代表Kappa 系數(shù)。

3 結(jié)果與分析

3.1 FSDAF 模型融合月尺度影像

基于FSDAF 模型融合所得月尺度影像如表3所示。對(duì)表3所示結(jié)果進(jìn)行分析可知，基于FSDAF 模型可生成所需月份的中高分辨率影像以構(gòu)建連續(xù)月尺度時(shí)間序列影像數(shù)據(jù)，為紅樹林資源月尺度動(dòng)態(tài)變化監(jiān)測提供基礎(chǔ)數(shù)據(jù)，如：對(duì)于北海及廣東雷州半島附近區(qū)域，2018年僅有10月份的可用Sentienl-2 影像，通過FSDAF 模型分別融合出9、11 和12月的影像。2019年利用11月的Sentienl-2 影像，基于FSDAF 模型分別融合出8、9 和10月的影像。

表3 FSDAF 模型融合影像?Table 3 The fused image of the FSDAF model

通過對(duì)FSDAF 模型融合出的影像進(jìn)行分析可知，融合影像能夠剔除云的干擾，相對(duì)于原始影像，可獲取更多的信息，具體如圖2所示。圖2（a）為2018-09-29 原始影像與2018-09-30 融合影像對(duì)比圖（RGB 分別為543 波段），從圖中可以看出，原始影像由于有云覆蓋，導(dǎo)致部分區(qū)域無法進(jìn)行紅樹林的提取，而經(jīng)過FSDAF 模型融合生成的影像則不存在云覆蓋的問題。

為了進(jìn)一步確定原始影像與融合影像的相關(guān)性，對(duì)FSDAF 融合影像和原始影像的11 波段的有云區(qū)域進(jìn)行相關(guān)性分析，并繪制散點(diǎn)圖，如圖2b 所示，R2為0.73。再對(duì)無云區(qū)域進(jìn)行相關(guān)性分析，如圖2c 所示，R2為0.92，相關(guān)性較高，因此認(rèn)為通過FSDAF 模型融合生成的影像是可以用于紅樹林的提取。

圖2 原始影像與FSDAF 融合影像對(duì)比：（a）2018-09-29 原始影像與2018-09-30 融合影像對(duì)比圖（543 波段）；（b）有云區(qū)域的融合影像與原始影像11 波段散點(diǎn)圖；（c）無云區(qū)域的融合影像與原始影像11 波段散點(diǎn)圖Fig.2 Comparison of the original image and the FSDAF fused image：(a) The comparison between 2018-09-29 original image and 2018-09-30 fused image (543bands); (b) 11 band scatter plot of the fused image and the original image in the cloud region; (c) 11 band scatter plot of the fused image and the original image in the cloud-free region.

3.2 最優(yōu)特征選擇

本研究以2019年11月22日的欽州附近區(qū)域的Sentinel-2 影像為例，在此影像上分割出了部分小區(qū)域：水體占多的區(qū)域、紅樹林占多的區(qū)域、陸地植被占多的區(qū)域。然后對(duì)各個(gè)小區(qū)域進(jìn)行紋理特征的初步優(yōu)選，結(jié)果發(fā)現(xiàn)Cor、Ent、Mean、Std 等紋理特征對(duì)紅樹林的提取效果優(yōu)于其他紋理特征。隨后再分別討論不同方向的紋理特征，發(fā)現(xiàn)在0°和90°時(shí)，對(duì)紅樹林的提取效果最好，因此最終將紋理特征的范圍縮小為96 個(gè)特征，隨后再進(jìn)行進(jìn)一步的優(yōu)選，直到選出5 個(gè)樣本分離度最好的紋理特征。對(duì)于光譜特征及指數(shù)特征則直接進(jìn)行優(yōu)選計(jì)算，最后獲得的最優(yōu)特征具體如表4。

表4 2019-11-22 時(shí)期特征組合Table 4 Feature combination of 2019.11.22

通過計(jì)算特征空間的最優(yōu)特征分離度（圖3）發(fā)現(xiàn)當(dāng)特征維度為12 時(shí)，樣本的分離度最好，達(dá)到了1.08，相比于15 個(gè)特征全部參與的1.00 更好，因此選用12 個(gè)優(yōu)選特征組合進(jìn)行紅樹林空間分布提取。

圖3 2019-11-22 時(shí)期最優(yōu)特征維度Fig.3 Optimal feature dimension of 2019-11-22

3.3 紅樹林空間分布提取結(jié)果

基于面向?qū)ο蟮碾S機(jī)森林分類方法，對(duì)研究區(qū)內(nèi)的所有影像數(shù)據(jù)進(jìn)行紅樹林空間分布提取，因分類結(jié)果較多，在此僅以2019年11月22日Sentinel-2 影像提取結(jié)果為例進(jìn)行說明，具體分類精度評(píng)價(jià)結(jié)果如表5所示，空間分布結(jié)果如圖4所示。對(duì)表5所示結(jié)果進(jìn)行分析可知，分類總體精度為96.84%，Kappa 系數(shù)為0.88，其中紅樹林的生產(chǎn)者精度為98.85%，用戶精度稍低為80.83%，這主要是因?yàn)椴糠株懙刂脖坏奶卣髋c紅樹林相似，在大尺度范圍內(nèi)難以完全將兩者分開所致。由圖4所示結(jié)果可知，2019年11月紅樹林面積為99.08 km2，其中主要集中分布在珍珠灣、茅尾海和北海港附近，絕大部分紅樹林分布在海岸線附近，零星的紅樹林分布在河道邊上。

圖4 2019-11-22 時(shí)期紅樹林分布圖Fig.4 Mangrove distribution of 2019-11-22

表5 分類精度評(píng)價(jià)表Table 5 Classification accuracy evaluation

3.4 紅樹林月尺度動(dòng)態(tài)變化監(jiān)測結(jié)果

基于FSDAF 模型重建月尺度時(shí)間序列影像紅樹林空間分布提取結(jié)果如表6所示，對(duì)表6所示結(jié)果進(jìn)行分析可得2018—2020年各年月尺度紅樹林面積變化圖，具體如圖5a 所示，同時(shí)對(duì)表6所示結(jié)果進(jìn)行分析可得2018—2019年、2019—2020年各月紅樹林面積變化圖，具體如圖5b 所示。對(duì)圖5a 所示結(jié)果進(jìn)行分析可知，紅樹林面積在2018—2020年分別增長了0.61、0.37、0.33 km2。對(duì)圖5b 所示結(jié)果進(jìn)行分析可知，2018—2020年8月到12月各月紅樹林面積分別增加了0.15、0.52、0.41、0.24、0.02 km2。2018—2019年9—12月 各月紅樹林面積分別變化了-0.01、0.13、0.01、-0.09；2019—2020年8—12月各月紅樹林面積分別增加了0.15、0.53、0.28、0.23、0.11 km2。

圖5 研究區(qū)紅樹林面積變化：（a）研究區(qū)紅樹林月尺度面積變化；（b）各時(shí)期紅樹林面積對(duì)比Fig.5 Mangrove area change: (a) Mangrove area changes of the monthly scale; (b) Comparison of mangrove areas in different period

表6 各時(shí)期研究區(qū)紅樹林面積提取結(jié)果Table 6 Extraction results of the mangrove areas in each period km2

圖6c 展示出研究區(qū)內(nèi)所有紅樹林的分布情況，選取紅樹林分布較為緊湊的珍珠灣和安鋪港區(qū)域進(jìn)行細(xì)節(jié)展示（圖6a、d），從年際變化中可以看出，在2018—2019年9月，兩個(gè)區(qū)域的紅樹林呈現(xiàn)向海洋方向移動(dòng)的趨勢，但在2019—2020年9月，兩個(gè)區(qū)域的紅樹林卻沒有向海洋方向移動(dòng)，并且在向陸地方向出現(xiàn)了部分紅樹林。在兩個(gè)區(qū)域各選擇一塊紅樹林進(jìn)行月尺度變化展示，以月為尺度的細(xì)節(jié)變化相較于年際變化更能展現(xiàn)紅樹林的細(xì)節(jié)變化。珍珠灣區(qū)域A（圖6b）離海岸較遠(yuǎn)，沒有呈現(xiàn)明顯的向海洋移動(dòng)趨勢；而安鋪港區(qū)域A（圖6e）在海岸邊，在9月能夠明顯地看出向海洋移動(dòng)的趨勢。同時(shí)，兩處區(qū)域的紅樹林都出現(xiàn)了紅樹林的增長。

從影像自身來考慮紅樹林面積的變化，由于研究區(qū)的影像日期不同，導(dǎo)致各時(shí)期的潮位也不同，因此在同一區(qū)域提取到的潮間紅樹林也存在差異，這可能是造成2018—2019年紅樹林向海洋方向移動(dòng)的原因之一；從圖6b、e 中可看出很多區(qū)域出現(xiàn)了新的紅樹林，由于自然狀態(tài)下的紅樹林繁殖較為緩慢，而月尺度監(jiān)測的時(shí)間間隔短、能夠更形象地描述紅樹林變化，因此出現(xiàn)的新紅樹林可能是人工種植的紅樹林。

圖6 紅樹林分布及細(xì)節(jié)展示：（a）珍珠灣各年9月紅樹林面積對(duì)比；（b）珍珠灣區(qū)域A 2019年各月紅樹林變化；（c）研究區(qū)紅樹林分布矢量圖；（d）安鋪港各年9月紅樹林面積對(duì)比；（e）安鋪港區(qū)域A 2019年各月紅樹林變化Fig.6 Mangrove distribution and detail display: (a) Comparison of mangrove area in September of each year in Pearl Bay;(b) Monthly mangrove changes in Pearl Bay in 2019;(c) Vector map of mangrove distribution in the study area;(d) Comparison of the mangrove area in September of each year in Anpu Port; (e) Monthly mangrove changes in Anpu Port in 2019

從影像中地物的變化方面來考慮紅樹林面積的變化，對(duì)圖7中的A 區(qū)域分析，由于2020年A區(qū)域修建了海堤（道路），占據(jù)了原本紅樹林可以繁殖的灘涂，導(dǎo)致紅樹林只能向海洋方向的灘涂繁殖，所有出現(xiàn)整體向海洋方向移動(dòng)的現(xiàn)象。因此出現(xiàn)紅樹林向海洋方向移動(dòng)的原因大致有兩種，一種是因?yàn)槌蔽徊顚?dǎo)致部分紅樹林被淹沒無法準(zhǔn)確提取，從而影響紅樹林的面積變化；另一種是由于修建海堤（道路）等，促使紅樹林向海洋方向移動(dòng)。

4 討 論

4.1 基于FSDAF 融合影像能夠?qū)崿F(xiàn)紅樹林空間分布的較精確提取

本研究基于優(yōu)選特征組合的面向?qū)ο箅S機(jī)森林分類法能夠?qū)崿F(xiàn)紅樹林空間分布的較精確提取，為便于與其他同行研究進(jìn)行對(duì)比驗(yàn)證，將合并后的研究區(qū)內(nèi)的紅樹林按行政區(qū)域劃分為廣西（由于影像數(shù)據(jù)限制，廣西區(qū)域未提取北侖河口的紅樹林）和廣東雷州半島左側(cè)，分別統(tǒng)計(jì)各時(shí)期廣西壯族自治區(qū)紅樹林空間分布信息（圖8），可得出廣西區(qū)域的紅樹林處于增長狀態(tài)。2019年廣西紅樹林的平均面積約為89.76 km2，與自然資源部2019年公布的廣西紅樹林面積93.30 km2存在約3.9%的誤差。

圖8 廣西紅樹林面積變化Fig.8 Changes of the mangrove area in Guangxi Province

謝亮亮等[23]利用最大似然法分類對(duì)2017年廣西紅樹林空間分布進(jìn)行提取研究，結(jié)果面積為41.42 km2；王浩等[24]采用支持向量機(jī)對(duì)2019年廣西紅樹林空間分布進(jìn)行提取，最終所得面積為73.76 km2。Xiao 等[25]結(jié)合機(jī)器學(xué)習(xí)算法，同時(shí)將基于像元的分類方法與基于對(duì)象的分類方法相結(jié)合構(gòu)建了2018—2020年全球10 m 分辨率紅樹林分布圖，其中按本研究區(qū)進(jìn)行劃分后，紅樹林面積為92.67 km2。本研究通過FSDAF 模型融合出完整時(shí)間序列影像，并基于優(yōu)選特征組合，利用面向?qū)ο蠓指铍S機(jī)森林分類法，對(duì)研究區(qū)紅樹林空間分布進(jìn)行提取，結(jié)果2018—2020年廣西紅樹林面積分別為89.37、89.76、90.10 km2。

4.2 基于FSDAF 融合影像可提高紅樹林空間分布動(dòng)態(tài)監(jiān)測的頻率

2020年，自然資源部發(fā)布了紅樹林保護(hù)修復(fù)專項(xiàng)行動(dòng)計(jì)劃（2020—2025年），旨在修復(fù)受破壞嚴(yán)重的紅樹林，并保護(hù)受破壞較輕或未破壞的紅樹林。通過將時(shí)間序列數(shù)據(jù)中的紅樹林進(jìn)行對(duì)比，并從景觀格局上對(duì)紅樹林斑塊進(jìn)行分析可得出各紅樹林區(qū)域受破壞的程度，從而可按破壞程度對(duì)紅樹林進(jìn)行先后修復(fù)，合理且不浪費(fèi)地利用資源。但傳統(tǒng)的紅樹林動(dòng)態(tài)變化監(jiān)測頻率通常為年尺度，年尺度動(dòng)態(tài)變化監(jiān)測可能導(dǎo)致忽略部分紅樹林變化。而本研究基于FSDAF 模型生成的月尺度時(shí)序影像數(shù)據(jù)獲取的紅樹林月尺度動(dòng)態(tài)變化監(jiān)測結(jié)果在一定程度上可提高監(jiān)測的時(shí)間頻率，為紅樹林資源保護(hù)與恢復(fù)提供更好的數(shù)據(jù)支持。因此，在未來紅樹林空間分布動(dòng)態(tài)變化監(jiān)測研究中采用月尺度變化監(jiān)測結(jié)果，能夠提高監(jiān)測的時(shí)間頻率，從而更好地為紅樹林資源保護(hù)與恢復(fù)提供數(shù)據(jù)支持。

4.3 紅樹林空間分布的影響因素分析

中國紅樹林目前主要的威脅有污染、圍墾、基建與城市建設(shè)、過渡捕撈和外來物種入侵[26]，其中圍墾以及基建與城市建設(shè)可通過遙感圖像的目視解譯和對(duì)比分析來進(jìn)行，對(duì)每幅影像進(jìn)行分析后可發(fā)現(xiàn)，海岸線邊沿修建海堤（道路）占據(jù)了部分紅樹林，同時(shí)也存在圍墾的現(xiàn)象，如圖7所示，但總體面積較小。從紅樹林月尺度面積變化來看，影響其面積變化的主要因素是潮汐以及人工種植紅樹林；從紅樹林年度面積變化來看，影響紅樹林面積變化的因素不僅有潮汐和人工種植紅樹林，還存在由于海堤導(dǎo)致紅樹林無法向內(nèi)陸繁殖，只能向海洋方向移動(dòng)的因素。

自然狀態(tài)下，隨著海平面的上升，紅樹林應(yīng)該逐漸向內(nèi)陸移動(dòng)[27]，但中國紅樹林卻在向海洋方向移動(dòng)[28]。Doyle 等[29]認(rèn)為海平面上升使得紅樹林不得不向內(nèi)地一側(cè)后退，然而海堤卻阻擋了紅樹林向內(nèi)陸移動(dòng)，威脅了紅樹林的生存。李春干等[30]分析了2001—2007、2007—2010年廣西紅樹林的變化，前者自然面積為55.33 km2，人工造林為2.43 km2；后者自然面積為56.83 km2，人工造林為5.41 km2。由此可見，人工種植紅樹林對(duì)紅樹林影響較大。大量的人工林占據(jù)了鄰近海岸線的灘涂，導(dǎo)致紅樹林只能橫向生長或者向海洋方向生長，這或許會(huì)導(dǎo)致自然林的面積增長速率會(huì)降低，甚至自然林面積會(huì)緩慢地減少。國家海洋局2003年和2006年對(duì)全國重點(diǎn)岸段調(diào)查顯示，大部分岸段的侵蝕速度仍在加快，隨著紅樹林對(duì)堤岸的保護(hù)，這種侵蝕得到緩解，但海平面上升導(dǎo)致紅樹林需要向內(nèi)陸移動(dòng)，而海堤等又限制了紅樹林的移動(dòng)。盡管中國在灘涂造林上取得了諸多成就，但后續(xù)需要更多地考慮自然林的生長空間，更多地考慮退塘還林，如利用廢棄的沿海養(yǎng)殖場來種植紅樹林。

4.4 研究不足

本研究表明潮汐淹沒對(duì)紅樹林空間分布提取結(jié)果存在一定的影響，因此在未來研究中一方面利用時(shí)間序列多源高分辨率遙感影像研究潮汐淹沒對(duì)紅樹林空間分布提取的影響以期校正潮汐的影響，另一方面基于多源遙感影像提取新的變量實(shí)現(xiàn)潮汐淹沒下紅樹林空間分布的精確提取，從而減弱潮汐淹沒對(duì)紅樹林空間分布提取的影響。同時(shí)，雖然本研究重構(gòu)了2018—2020年8—12月的高分辨率影像，但由于MODIS 數(shù)據(jù)在夏季月份幾乎被云覆蓋，因此也只能放棄重構(gòu)整年的高分辨率影像，后續(xù)考慮采用改進(jìn)的NSPI 去云算法[31]并疊加時(shí)空融合算法來重構(gòu)整年12 個(gè)月的高分辨率影像以期實(shí)現(xiàn)紅樹林空間分布的連續(xù)月尺度變化監(jiān)測，為紅樹林資源保護(hù)與恢復(fù)提供更加及時(shí)的數(shù)據(jù)支持。

5 結(jié) 論

本研究以中高空間分辨率Landsat-8、Sentinel-2 影像和每日地表反射率數(shù)據(jù)MOD09GA數(shù)據(jù)為數(shù)據(jù)源，基于FSDAF 模型構(gòu)建月尺度時(shí)間序列影像數(shù)據(jù)，通過海岸線提取，結(jié)合面向?qū)ο蟮碾S機(jī)森林分類方法提取北部紅樹林空間分布，進(jìn)而實(shí)現(xiàn)紅樹林空間分布月尺度動(dòng)態(tài)變化監(jiān)測，所得結(jié)論主要如下：

1）基于FSDAF 模型不僅可生成所需月份的影像數(shù)據(jù)，且生成的融合影像與原始影像相關(guān)系數(shù)較高，可用于紅樹林月尺度動(dòng)態(tài)變化監(jiān)測。如：將FSDAF 模型所得融合影像與原始影像進(jìn)行相關(guān)性分析，發(fā)現(xiàn)在無云區(qū)域R2為0.92，有云區(qū)域相對(duì)較低，R2為0.73，這主要是因?yàn)槿诤嫌跋衲軌蚰M原始影像中被云覆蓋的地物光譜反射率，而原始影像則是云覆蓋的地物光譜反射率，因此導(dǎo)致有云區(qū)域相關(guān)性較低，這也從側(cè)面證明本研究所用方法的可行性。

2）基于優(yōu)選特征組合的面向?qū)ο箅S機(jī)森林分類法能夠?qū)崿F(xiàn)紅樹林空間分布的精確提取，總體分類精度達(dá)到96.84%，Kappa 系數(shù)為0.88，紅樹林用戶精度為80.83%，生產(chǎn)者精度為98.85%。其中2019年紅樹林面積提取結(jié)果為89.76 km2，與自然資源部2019年公布的廣西紅樹林面積93.30 km2存在約3.9%的誤差。

3）基于FSDAF 模型生成的月尺度時(shí)序影像數(shù)據(jù)可實(shí)現(xiàn)紅樹林月尺度動(dòng)態(tài)變化監(jiān)測，提高了監(jiān)測的時(shí)間頻率，有利于發(fā)現(xiàn)紅樹林的變化并及時(shí)采取措施，為紅樹林資源保護(hù)與恢復(fù)提供更加及時(shí)的數(shù)據(jù)支持。如：2018—2020年9—12月紅樹林面積分別增加了0.61、0.37 和0.33 km2，而2018—2020年8—12月各月紅樹林面積分別增加了0.15、0.52、0.41、0.24、0.02 km2，由此可知2018—2020年不同月份紅樹林面積變化差異不同。