賈凱，陳水森，3，蔣衛(wèi)國

1.廣東省科學(xué)院廣州地理研究所,廣州 510070;

2.北京師范大學(xué)地理科學(xué)學(xué)部,北京 100875;

3.南方海洋科學(xué)與工程廣東省實驗室(廣州),廣州 511458

1 引言

紅樹林是熱帶亞熱帶地區(qū)特有的海岸潮間帶濕地群落，以喬木或灌木紅樹植物為主體，具有凈化水體（黎夏等，2006）、促淤消浪（徐逸等，2021）、固碳儲碳（戴子熠等，2022）、固岸護(hù)堤（沈小雪等，2022）等功能，是生態(tài)系統(tǒng)服務(wù)功能最高的自然生態(tài)系統(tǒng)之一。它為鳥類、魚蝦等生物提供重要的棲息與繁殖場所，在維持生物多樣性方面發(fā)揮著重要作用。2020年6月8日，世界海洋日主題也被設(shè)定為“保護(hù)紅樹林，保護(hù)海洋生態(tài)”。

海岸潮間帶擁有廣闊的灘涂和淺海區(qū)域，不僅是紅樹林理想的宜林地，也為城市發(fā)展提供可觀的后備土地資源。然而，截止到20世紀(jì)末，世界上約35%的紅樹林已經(jīng)喪失，并在以每年1%—2%速度持續(xù)減少（智超等，2022；Wang 等，2019；Bosire等，2008）。2020年，寶爾森基金會、老?；饡⑸钲诩t樹林濕地保護(hù)基金會在深圳聯(lián)合發(fā)布中國首份全面評估紅樹林保護(hù)的研究報告《中國紅樹林保護(hù)及恢復(fù)戰(zhàn)略研究報告》，報告指出經(jīng)過六七十年代的圍海造田、八九十年代的圍塘養(yǎng)殖和九十年代的港口碼頭建設(shè)，到2000年中國紅樹林總面積僅為20世紀(jì)50年代初的45%（王文卿等，2021）。以上研究表明，經(jīng)濟(jì)的快速發(fā)展對紅樹林生態(tài)安全構(gòu)成巨大威脅，并導(dǎo)致紅樹林遭到大面積破壞，甚至消失。

2000年11月中國首次從國家層面提出維護(hù)國家生態(tài)安全的目標(biāo)（黃克亮，2020）。隨著中國對生態(tài)安全的日益重視，各級政府部門與科研院所合作，實施了一系列的紅樹林保護(hù)與修復(fù)工程，在21世紀(jì)初扭轉(zhuǎn)了紅樹林面積急劇下降的趨勢?；浉郯拇鬄硡^(qū)是中國經(jīng)濟(jì)發(fā)展最為迅速的地區(qū)之一，也曾是華南地區(qū)紅樹林的重要分布區(qū)（王樹功等，2005），紅樹林與城市間的距離十分接近，使得人地矛盾尤為突出。結(jié)合紅樹林長期動態(tài)監(jiān)測與演變過程分析，開展紅樹林保護(hù)與修復(fù)效益評估，對粵港澳大灣區(qū)海岸帶濕地生態(tài)系統(tǒng)保護(hù)和沿海生態(tài)安全屏障建設(shè)具有重要的現(xiàn)實意義。

紅樹林與其他海岸濕地都具有可達(dá)性差的特點（聞馨等，2020），傳統(tǒng)的人工地面調(diào)查手段難以實現(xiàn)全域監(jiān)測，不連續(xù)、可對比性差的歷史數(shù)據(jù)也難以滿足長期監(jiān)測的需求（艾金泉，2020）。遙感技術(shù)的發(fā)展，為紅樹林快速監(jiān)測和歷史回溯提供了高效且低廉的觀測手段。早期的紅樹林變化研究采用二時相遙感數(shù)據(jù)，對比分析起始年和終止年遙感圖像之間的差異。這種方法雖然簡單高效，但忽略了地表特征由量變到質(zhì)變的漸變過程，只能回答是否發(fā)生變化、變化了多少等問題，卻無法解釋如何變化、變化何時發(fā)生、持續(xù)性或趨勢如何，尤其當(dāng)時間跨度較長時，變化過程趨于復(fù)雜化和多元化，這種分析方法不再適用（Woodcock 等，2020）。為了細(xì)化中間過程，更多時相的遙感數(shù)據(jù)被采用。但隨著數(shù)據(jù)量增加，對用戶本地計算機(jī)的存儲與算力要求也大幅提高。為了權(quán)衡過程分析的精細(xì)化要求與本地算力不足之間的矛盾，研究者引入稀疏時間序列分析方法，即在時間軸上按一定間隔選取遙感數(shù)據(jù)，然后多次采用轉(zhuǎn)移矩陣、變化矢量分析等方法來簡化描述中間過程（閆文文等，2012；孫楠等，2017；宮萌等，2019；李婧賢等，2019）。如張蓉等（2019）以10年為間隔，選擇1980年、1990年、2000年、2010年和2015年的Landsat衛(wèi)星圖像構(gòu)成5個時期的稀疏時間序列，分析了大珠三角地區(qū)紅樹林的動態(tài)變化過程?？紤]到長時間跨度、成像質(zhì)量等因素，有時也非等間隔采樣，如劉凱等（2016）聯(lián)合KH-9、SPOT-2、ALOS、ZY-3 等多源高分辨率遙感數(shù)據(jù)構(gòu)成非等間隔的稀疏時間序列，研究廣東鎮(zhèn)海灣紅樹林的長期演變過程。通過縮短采樣周期，構(gòu)造更加密集的時間序列，能夠揭示更為詳細(xì)的變化過程，有利于長期過程、趨勢及驅(qū)動因素分析（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數(shù)據(jù)，構(gòu)造10期相對密集的非等間隔稀疏時間序列，揭示了不同時期深圳灣紅樹林的擴(kuò)張細(xì)節(jié)及驅(qū)動因素。

2010年，谷歌公司推出Google Earth Engine 云計算平臺，從而解決了用戶算力不足的行業(yè)痛點。研究人員不再局限于稀疏時間序列的簡化手段，而是有能力構(gòu)建中高分辨率的連續(xù)時間序列。本文中連續(xù)時間序列是指在研究時間尺度上（年、月、日等）能夠提供連續(xù)不間斷觀測的時間序列。近些年，隨著遙感數(shù)據(jù)可獲取性的提高，數(shù)據(jù)對遙感應(yīng)用的限制越來越小，基于遙感數(shù)據(jù)的時間序列分析及應(yīng)用也成為遙感領(lǐng)域的熱點之一，尤其是以Landsat 等30 m 或更高空間分辨率遙感圖像為基礎(chǔ)的長歷時分析，代表了遙感監(jiān)測從傳統(tǒng)的特定時間點（point-in-time）制圖和變化檢測向任意時間點對地連續(xù)監(jiān)測（continuous monitoring of changes at any point）的范式轉(zhuǎn)變（Woodcock 等，2020），豐富了遙感長期變化過程監(jiān)測的細(xì)節(jié)呈現(xiàn)。如王子予等（2020）基于GEE 平臺，構(gòu)建1986年—2018年共計33 期的連續(xù)時間序列，揭示了30年間廣東紅樹林面積變化趨勢在不同時間段的差異特征。Lymburner等（2020）收集1987年—2016年間覆蓋澳大利亞海岸Landsat 數(shù)據(jù)，以年為尺度重建了紅樹林的連續(xù)長時間序列，探索國家尺度上紅樹林的擴(kuò)張與收縮過程，及對熱帶氣旋的響應(yīng)。

近幾年，越來越多的文獻(xiàn)研究開始重視基于Landsat的連續(xù)長歷時分析（Dwyer等，2018；Jaafar等，2020；Wang 等，2020；Zhu 等，2020）。相較于AVHRR 或MODIS，Landsat 能夠提供更長的監(jiān)測周期、更高的空間分辨率、更多的相近光譜波段。然而，長歷時遙感監(jiān)測還處在由稀疏時間序列非連續(xù)探測向連續(xù)時間序列不間斷監(jiān)測的過渡階段，對長周期時空信息挖掘的精細(xì)化程度不夠（Ma等，2019）。本文在Google Earth Engine 云平臺的支持下，基于Landsat 系列衛(wèi)星數(shù)據(jù)，精細(xì)化挖掘粵港澳大灣區(qū)紅樹林的長期演變信息，重建紅樹林空間擴(kuò)張在時間上的階段性發(fā)展過程，利用連續(xù)時間序列提供的精確的變化時間點信息，揭示了以設(shè)立保護(hù)區(qū)和灘涂造林為代表的紅樹林保護(hù)與修復(fù)工程取得的積極成效，為粵港澳大灣區(qū)海岸帶生態(tài)屏障建設(shè)提供科學(xué)依據(jù)。

2 研究區(qū)概況與數(shù)據(jù)源

2.1 研究區(qū)

本文的研究區(qū)為粵港澳大灣區(qū)，包括香港和澳門兩個特別行政區(qū)，廣州、深圳、珠海、佛山、東莞、中山、江門、惠東、肇慶等9個地級市，總面積5.6 萬km2。平原面積占20%，主要分布在珠江三角洲沖積平原，四周被100—500 m 的低山丘陵包圍，形成大灣區(qū)外圍陸地生態(tài)安全屏障帶。大灣區(qū)南面臨海，地處海陸交互作用地帶，海岸線長達(dá)3200 km（含陸地和島嶼），灘涂、紅樹林、淺海等濕地資源豐富，共同構(gòu)成南部沿海生態(tài)防護(hù)帶。其中，紅樹林濕地是大灣區(qū)最為典型的濕地生態(tài)系統(tǒng)之一，具有防風(fēng)抗浪、水質(zhì)凈化、提供生物棲息地等多種生態(tài)服務(wù)功能，在大灣區(qū)生態(tài)安全屏障建設(shè)中具有重要意義。改革開放以來，大灣區(qū)城市發(fā)展迅速，成為中國經(jīng)濟(jì)活力最為強(qiáng)勁的地區(qū)之一。由于大灣區(qū)紅樹林距離城市較近，經(jīng)濟(jì)發(fā)展的同時也面臨著巨大的生態(tài)考驗，是研究紅樹林保護(hù)與修復(fù)成效的理想研究區(qū)。

2.2 數(shù)據(jù)源

Landsat 系列衛(wèi)星自20世紀(jì)70年代發(fā)射以來，提供了目前為止世界上最長的連續(xù)天基觀測記錄，是地表長時間尺度變化研究的重要數(shù)據(jù)源?？紤]到早期的Landsat 衛(wèi)星在光譜數(shù)量和空間分辨率上較后續(xù)衛(wèi)星差異較大，本研究選擇傳感器性能相近的Landsat 5 TM、Landsat 7 ETM+、Landsat 8 OLI/TIRS 作為數(shù)據(jù)源，時間跨度為1987年—2020年。在研究區(qū)內(nèi)，共收集到6402 景遙感影像，平均云覆蓋率為39.2%±1.7%。如圖2所示，在大灣區(qū)范圍內(nèi)每年大約可獲取188景遙感圖像。

圖2 研究區(qū)內(nèi)Landsat系列衛(wèi)星歷年數(shù)據(jù)量及云量Fig.2 The number of Landsat images and cloudiness in the study area

為了提高分類精度，本文引入高程數(shù)據(jù)作為遙感分類的輔助數(shù)據(jù)。本文采用的高程數(shù)據(jù)為SRTM（Shuttle Radar Topography Mission）第3 版，空間分辨率為30 m，反映2000年的地表起伏狀態(tài)。

3 研究方法

由于研究區(qū)位于熱帶亞熱帶多云多雨地區(qū)，大大降低了光學(xué)影像的成像質(zhì)量，這為遙感技術(shù)（尤其是光學(xué)遙感）在該地區(qū)的應(yīng)用帶來巨大挑戰(zhàn)（林琿和張鴻生，2021）。為了利用衛(wèi)星遙感多時相特征對云/陰影的有效剔除手段，本文收集時間段內(nèi)所有Landsat 圖像，構(gòu)成密集時間序列，借助Google Earth Engine 云平臺以滿足大數(shù)據(jù)量對算力的要求，最終合成1987年—2020年的濕地分類數(shù)據(jù)集，并在此基礎(chǔ)上挖掘紅樹林長歷時變化特征。

3.1 年度長時序濕地遙感分類數(shù)據(jù)集構(gòu)建方法

本文采用的分類算法為隨機(jī)森林算法，它采用分類樹的概念，以多個弱分類器進(jìn)行投票的方式，根據(jù)每個類別得票數(shù)多少得到最優(yōu)決策分類。該方法對數(shù)據(jù)缺失和變量間的多重共線性不敏感，尤其擅長應(yīng)對高維樣本，而無需降維操作。隨機(jī)森林算法在不增加運算量的同時，大大提高了分類精度，被譽為當(dāng)前最好的算法之一（Iverson 等，2008）。主要的分類步驟為：（1）利用衛(wèi)星多時相特征，合成年度無云多光譜產(chǎn)品；（2）制定本地化濕地分類系統(tǒng)；（3）構(gòu)建訓(xùn)練樣本集；（4）選擇特征變量。

（1）年度無云多光譜產(chǎn)品合成。GEE 可以高效創(chuàng)建用戶自定義的Landsat 合成圖像，它以Landsat大氣層頂反射率產(chǎn)品為基礎(chǔ)，提供一種基本云評分算法（Rudimentary Cloud Scoring Algorithm）（Li 等，2019），通過獲取多個云量經(jīng)驗指標(biāo)的最小值為每個像元分配一個云似然得分值（Simple Cloud Likelihood Score）（Müller 等，2016）。該值介于［0，100］，值越接近于100，表示可能的云量越多，但沒有考慮到云層陰影及積雪覆蓋的影響（Li 等，2019）。本研究區(qū)位于低緯度地區(qū)，不存在積雪問題。而在多次實驗中發(fā)現(xiàn)，當(dāng)云得分接近于0時，陰影的出現(xiàn)頻率會快速增加，從而影響合成圖像的質(zhì)量。為了去除陰影的污染，本文分兩步進(jìn)行多時相合成。首先，將云得分小于50作為無云像元，從而在時間序列上完成粗略的高質(zhì)量像元篩選；其次，在被篩選出的像元中，按波段計算反射率在時間上的頻率直方圖，取第T百分位處的反射率作為該像元在該波段的反射率值。經(jīng)過多年多次不同閾值的試驗和目視判讀發(fā)現(xiàn)，當(dāng)閾值T=40 時，能夠保證時間序列上合成圖像質(zhì)量的基本穩(wěn)定。這種合成方法集成了多時相信息，不僅有效去除云、陰影的影響，也避免了拼接過程中產(chǎn)生的縫隙或色差。

（2）制定本地化濕地遙感分類系統(tǒng)。參考Ramsar《濕地公約》（Ramsar Convention Secretariat，2006）和中國濕地分類標(biāo)準(zhǔn)（GB/T 24708-2009）（中華人民共和國國家質(zhì)量監(jiān)督檢驗檢疫總局和中國國家標(biāo)準(zhǔn)化管理委員會，2009），制定了適應(yīng)于海岸帶遙感監(jiān)測的濕地分類系統(tǒng)。如表1所示，共分成8個濕地和非濕地類別。

表1 海岸帶濕地遙感分類系統(tǒng)Table 1 Coastal wetland classification system of remote sensing

（3）構(gòu)建訓(xùn)練樣本集。考慮到時間跨度較長和地表環(huán)境的變化，本文針對每一年單獨構(gòu)造訓(xùn)練集。每年有3100—3500 個樣本點，34年共計約11 萬個樣本點，并保證最小類別樣本量不低于30個。

（4）選擇特征變量。隨機(jī)森林分類算法所需的特征變量包括以下3 部分：1）Landsat 多光譜波段；2）NDVI、mMNDWI 等特征指數(shù)，以突出植被、水體等地物信息；3）DEM 等高程信息，反映下墊面起伏及粗糙度差異。特征變量和計算法方法如表2所示。

表2 特征變量列表（沒有羅列Landsat多光譜波段）Table 2 The list of feature variables（The multispectral bands of Landsat are not listed）

3.2 分類精度評估方法

本文分別從總類別精度和紅樹林識別精度兩個方面對分類質(zhì)量進(jìn)行評估?？傤悇e精度采用隨機(jī)森林自帶的袋外誤差進(jìn)行評估。隨機(jī)森林在構(gòu)造每一顆樹時，采用隨機(jī)有放回抽樣方式選擇訓(xùn)練樣本，大概有三分之一的樣本并未參與樹的構(gòu)建，它們被稱為OOB（Out-Of-Bag）樣本。假設(shè)OOB樣本數(shù)為O，將這O個樣本代入分類器中，由于OOB 樣本的真實類別是已知的，可以得到錯分樣本數(shù)E，由式（1）可得隨機(jī)森林的袋外誤差（EOOB）：

袋外誤差是有關(guān)誤差的無偏估計，避免了使用交叉驗證的方法。在本文中，袋外誤差反映的是所有分類類別整體的誤差率。需要注意的是，根據(jù)Breiman（2001）和Mitchell（2011）的研究，隨機(jī)森林的袋外誤差是有條件的無偏估計，它更傾向于高估當(dāng)前誤差率（當(dāng)變量個數(shù)遠(yuǎn)遠(yuǎn)大于目標(biāo)個數(shù)時）。

為了專門體現(xiàn)紅樹林的識別精度，本文針對紅樹林進(jìn)行了獨立驗證。在紅樹林分布區(qū)，每年選擇大約220 個樣本點，34年共計7000 多個點。紅樹林識別精度可由式（2）計算：

式中，Am為每年的紅樹林識別精度，nε為每年的錯分樣本數(shù)，Nm為每年的樣本總數(shù)，m表示年份，ε表示錯分樣本。

3.3 時空信息挖掘方法

相較于二時相或稀疏時間序列分析方法，連續(xù)時間序列分析能夠提供更加精準(zhǔn)的時間信息，以及更加清晰的空間演變過程，在長期趨勢、過程與機(jī)制研究中具有重要作用。

時間變化具有明顯的階段性特征，本文將其分為平穩(wěn)期、增長期和下降期。平穩(wěn)期即線性估計趨勢的斜率最小的時間段，同時決定系數(shù)也很低（比如R2<0.4）。增長期即線性估計趨勢的斜率遠(yuǎn)大于0，且決定系數(shù)很高（如R2>0.8），下降期即線性估計趨勢的斜率遠(yuǎn)小于0，且決定系數(shù)很高。

空間信息由紅樹林出現(xiàn)頻率和平穩(wěn)期空間分布描述。其中，紅樹林出現(xiàn)頻率由式（3）計算：

式中，F(xiàn)表示紅樹林出現(xiàn)頻率，n表示時間序列中紅樹林出現(xiàn)的次數(shù)，N表示時間跨度（34年）。

平穩(wěn)期不僅可以表達(dá)某一時間段內(nèi)紅樹林的基本狀態(tài)，而且代表著增長期或下降期的最終結(jié)果。在本文中，平穩(wěn)期紅樹林空間分布被定義為平穩(wěn)期內(nèi)，出現(xiàn)次數(shù)最多的紅樹林空間分布狀態(tài)，即：

式中，D表示平穩(wěn)期地表類型，MODE（）為求眾數(shù)函數(shù)，n表示平穩(wěn)期時間序列長度，ci為平穩(wěn)期內(nèi)第i年的地表類型。

4 結(jié)果與分析

4.1 遙感分類數(shù)據(jù)集精度評估

濕地分類數(shù)據(jù)集的平均袋外誤差有6.6%±0.1%，具有時間分布不均衡的特征。高誤差年份集中于2002年—2012年，平均袋外誤差有7.3%±0.0%，低誤差年份集中于1992年—2001年，平均袋外誤差有5.8%±0.00%。

在紅樹林的識別能力方面，紅樹林分類數(shù)據(jù)集的平均分類精度為89.6%±0.1%，在時間分布上較為平穩(wěn)。其中，大部分年份（62%）的分類精度穩(wěn)定在90%以上，僅有個別年份精度稍差，如2017年—2018年、2011年—2012年、2004年，平均精度僅有73.5%、78.45%、79.5%。

經(jīng)濕地分類總體評估和紅樹林分類評估雙重評估論證，本研究構(gòu)建的濕地分類數(shù)據(jù)集（1987年—2020年）將總體分類誤差控制在7%以內(nèi)，紅樹林識別精度控制在89%以上，能夠滿足項目研究需求。

4.2 紅樹林空間分布現(xiàn)狀（2020年）

2020年，粵港澳大灣區(qū)現(xiàn)有紅樹林共計2174 ha，主要分布在深圳灣（23%）、淇澳島（22%）和鎮(zhèn)海灣（36%）3 個區(qū)域，占大灣區(qū)紅樹林總面積的81%。其中，深圳灣主要分布在深圳灣東部的深圳河入海口淺灘地帶，以深圳河為界分為南北兩部分；淇澳島紅樹林主要分布在該島北部和西部；鎮(zhèn)海灣紅樹林則沿灣內(nèi)河道兩側(cè)分布，是大灣區(qū)連片面積最大的紅樹林分布區(qū)。

4.3 紅樹林長期演變的階段性特征

根據(jù)紅樹林面積變化率特征，大灣區(qū)和重點區(qū)紅樹林可以劃分為兩個發(fā)展階段。整個大灣區(qū)的紅樹林以2003年為界，先后經(jīng)歷了平穩(wěn)期和快速增長期兩個階段。在平穩(wěn)期內(nèi)，紅樹林面積基本保持在596±46 ha的規(guī)模；之后經(jīng)過17年的快速增長，紅樹林面積擴(kuò)大了2倍。淇澳島紅樹林變化特征與之類似，只不過是以2002年為界，且增長速度十分顯著。淇澳島紅樹林在平穩(wěn)期內(nèi)（1987年—2002年）面積僅有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年間增長了30倍。

深圳灣紅樹林面積轉(zhuǎn)折點在2009年，由增長期逐漸過渡到平穩(wěn)期。經(jīng)過前22年的積累，紅樹林增加了近2倍，2009年以后逐漸維持在455±17 ha的規(guī)模。

鎮(zhèn)海灣紅樹林的一個顯著特點是在2002年以前處于下降期，15年間損失了17%。2002年以后，經(jīng)18年的發(fā)展，紅樹林面積增長了5倍。

從整個大灣區(qū)來看，2003年—2020年，大灣區(qū)共增加紅樹林1474 ha，3 個紅樹林重點分布區(qū)總共貢獻(xiàn)了增量的76%，其中又以鎮(zhèn)海灣紅樹林貢獻(xiàn)最多，貢獻(xiàn)量達(dá)40%。淇澳島和深圳灣的貢獻(xiàn)分別為28%和8%。因此，大灣區(qū)近20年來的紅樹林增長主要來源于鎮(zhèn)海灣和淇澳島紅樹林的保護(hù)與修復(fù)，深圳灣則在2009年以后便基本保持穩(wěn)定，對整個大灣區(qū)紅樹林面積的變化不再有顯著影響。

4.4 紅樹林空間擴(kuò)張過程

紅樹林的空間變化，與時間維特征密切相關(guān)。平穩(wěn)期被看作是增長期紅樹林?jǐn)U張結(jié)果的鞏固階段，而紅樹林面積的時間變化曲線為精確定位平穩(wěn)期所處時間段提供了有效方法（表3）。從表3可以看出，紅樹林的平穩(wěn)期在不同區(qū)域具有不同的時間節(jié)點和穩(wěn)定周期，揭示了發(fā)展過程的時空異質(zhì)性。

表3 紅樹林面積平穩(wěn)期劃分Table 3 Stationary phases of mangrove area

圖4 2020年粵港澳大灣區(qū)紅樹林重點分布區(qū)空間分布Fig.4 Key distributions of mangrove forests in GHM Greater Bay Area in 2020

圖5 粵港澳大灣區(qū)及重點區(qū)域紅樹林面積隨時間的變化（K表示趨勢線的斜率）Fig.5 Variations of mangrove area in time for GHM Greater Bay Area and key regions（K means the trend slope）

深圳灣早在80年代（1987年—1990年）就已經(jīng)形成了一片紅樹林核心區(qū)，規(guī)模在170 ha 左右。最顯著的兩次擴(kuò)張過程發(fā)生在90年代山貝河入海口西側(cè)的擴(kuò)張和2000年以后深圳河入?？谀蟼?cè)的擴(kuò)張。前者紅樹林從無到有向海推進(jìn)了243 m，后者借助濱海淺灘的優(yōu)勢向海推進(jìn)達(dá)451 m。

淇澳島紅樹林從2002年開始擴(kuò)張以來，基本上經(jīng)歷了從無到有的發(fā)展過程，兩次明顯的擴(kuò)張發(fā)生在2009年以前的西北海岸和近10年的西部海岸。前者在7年間向海平均推進(jìn)103 m，后者沿西部長條形海岸向海推進(jìn)107 m，同時西北部海岸紅樹林破碎斑塊逐漸連成一體，結(jié)構(gòu)趨于穩(wěn)定。

鎮(zhèn)海灣紅樹林呈現(xiàn)出完全不同于以上兩個地區(qū)的空間發(fā)展模式。1987年—1994年形成的紅樹林分布區(qū)，卻表現(xiàn)出較低的出現(xiàn)頻率（圖8），產(chǎn)生這一現(xiàn)象的原因是這些低頻區(qū)的紅樹林在隨后的發(fā)展中被破壞了。如圖8所示，1987年—2004年該區(qū)域經(jīng)歷了紅樹林被養(yǎng)殖池侵占后又在養(yǎng)殖池外圍種植新紅樹林的過程，直到2004年，鎮(zhèn)海灣重新形成相對穩(wěn)定的紅樹林海（河）岸基線，并在此基礎(chǔ)上開始8年的空間擴(kuò)張（2004年—2012年）。其中，西側(cè)河岸向河道中心推進(jìn)111 m，東側(cè)河岸推進(jìn)113 m，兩岸紅樹林種植進(jìn)度基本同步。

圖8 鎮(zhèn)海灣紅樹林出現(xiàn)頻率及空間擴(kuò)張過程Fig.8 Frequencies of mangrove occurrence and spatial expansion in Zhenhai Bay

圖6 深圳灣紅樹林出現(xiàn)頻率及空間擴(kuò)張過程Fig.6 Frequencies of mangrove occurrence and spatial expansion in Shenzhen Bay

圖7 淇澳島紅樹林出現(xiàn)頻率及空間擴(kuò)張過程Fig.7 Frequencies of mangrove occurrence and spatial expansion in Qi’ao Island

除了面積和擴(kuò)張方向之外，林道寬度也是紅樹林空間分布的重要特征之一，對紅樹林系統(tǒng)的結(jié)構(gòu)穩(wěn)定性和抗風(fēng)險能力都具有重要作用。根據(jù)紅樹林的空間擴(kuò)張分析，平穩(wěn)期Ⅲ可看作是近40年間紅樹林恢復(fù)的最終狀態(tài)。在這個時期，深圳灣是林道寬度最大的片區(qū)，平均林道寬度達(dá)309±27 m。其次是淇澳島，平均林道寬度為258±42 m。而鎮(zhèn)海灣雖然擁有大灣區(qū)面積最大的一片紅樹林，但因沿河岸兩側(cè)生長，有限的河道寬度限制了紅樹林的空間擴(kuò)張，平均林寬僅有82±6 m，生態(tài)系統(tǒng)反而更加脆弱。

圖9 紅樹林重點分布區(qū)在平穩(wěn)期Ⅲ內(nèi)形成的紅樹林林道寬度分布Fig.9 Width distribution of mangrove forests during stationary phase Ⅲfor the key regions

4.5 紅樹林保護(hù)成效分析

由圖10 可以看出，在自然保護(hù)區(qū)設(shè)立前后，紅樹林面積增長率具有顯著差異。保護(hù)區(qū)設(shè)立前，紅樹林面積變化不顯著（p>0.05）；保護(hù)區(qū)成立后，紅樹林面積呈顯著增加趨勢（p<0.01）。另外，本研究還發(fā)現(xiàn)，保護(hù)區(qū)成立時間與紅樹林面積變化轉(zhuǎn)折點存在較強(qiáng)的對應(yīng)關(guān)系，基本上集中在轉(zhuǎn)折點前后（圖10）。這說明，自然保護(hù)區(qū)的成立對紅樹林面積增加具有積極作用。

圖1 研究區(qū)概況Fig.1 The study area

圖10 自然保護(hù)區(qū)（表4）的建立與紅樹林面積變化之間的關(guān)系（*表示紅樹林面積增長率通過0.1的顯著性檢驗，**表示通過0.05的顯著性檢驗，***表示通過0.01的顯著性檢驗：-表示未通過顯著性檢驗（p值超過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））

深圳灣擁有米埔和福田兩個保護(hù)區(qū)，是大灣區(qū)成立時間最早的紅樹林保護(hù)區(qū)。這使得生長于深圳灣的紅樹林較早的處于被保護(hù)狀態(tài)，也是3個重點分布區(qū)中唯一一個形成紅樹林穩(wěn)定核心區(qū)的地區(qū)。根據(jù)深圳灣紅樹林面積變化特征來看，從保護(hù)區(qū)成立，經(jīng)快速擴(kuò)張到穩(wěn)定期，大概需要30年時間。而淇澳島和鎮(zhèn)海灣還處在面積高速增長期，仍需5—10年達(dá)到穩(wěn)定的空間格局。

灘涂造林是紅樹林保護(hù)與修復(fù)的另一有效手段。以保護(hù)區(qū)為依托，當(dāng)?shù)卣谘睾┩恳肆值貙嵤┝艘幌盗屑t樹林引種工程。其中，淇澳島紅樹林引種工程最具有代表性。90年代以來，淇澳島遭受互花米草等外來物種入侵（圖11），并占據(jù)大面積外圍灘涂，天然紅樹林難以向海擴(kuò)展（于凌云等，2019）。從圖11 中也可以看出，淇澳島的紅樹林在八九十年代僅僅保留了西北部（大圍灣）的很小一部分（約13 ha），到1996年互花米草已經(jīng)覆蓋整個西北部的海灣區(qū)域，而紅樹林依然被限制在1990年時的空間狀態(tài)。珠海市政府從1999年開始，與中國林業(yè)科學(xué)院熱帶林業(yè)研究所合作，引種大量海桑、無瓣海桑、木欖等速生樹種（彭輝武等，2011），通過生物演替的方法成功抑制互花米草的蔓延（彭輝武等，2011）。根據(jù)本文的監(jiān)測結(jié)果，淇澳島紅樹林面積由2000年的29 ha，增加到2020年的476 ha，20年增長了15倍。如圖11所示，到2020年，淇澳島已經(jīng)形成一片連接西部、西北部和北部海灣的大面積紅樹林連續(xù)分布帶，而原互花米草生長區(qū)則被紅樹植被完全占據(jù)。

表4 粵港澳大灣區(qū)主要的紅樹林保護(hù)區(qū)Table 4 The main mangrove reserves in GHM Greater Bay Area

5 討論

5.1 不確定性分析

年度多光譜數(shù)據(jù)的合成方法沒有考慮時間因素和潮位信息，潮位變化不僅體現(xiàn)在季節(jié)差異上，而且不同日期同一時刻的潮位也是不同的，潮位的變化對紅樹林的識別會造成一定影響。在淺海灘涂的自然海岸，部分紅樹林易被潮水淹沒，在遙感分類時產(chǎn)生椒鹽現(xiàn)象（張蓉等，2019）。在年度多光譜數(shù)據(jù)合成中，融入時間或潮位信息，是提高紅樹林分類精度的有效途徑之一。

圖12 展示了忽略時間因素和潮位信息對分析結(jié)果的影響，這種光譜差異造成某些年份的紅樹林被錯分為水體。與2014年相比，2017年被漏分的紅樹林的NDVI 下降，而體現(xiàn)水體特征的MNDWI增加，使得2014年—2017年紅樹林面積被低估。這種誤差在精度評估中也能體現(xiàn)出現(xiàn)，紅樹林分類精度在2017年—2018年形成一個低值區(qū)（圖3），平均精度僅有73.5%。

圖12 紅樹林被錯分為水體的典型區(qū)域（（a）—（d）為多光譜數(shù)據(jù)，RGB通道分別為短波紅外1、近紅外和綠波段）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）

本文選擇的時間段開始于20世紀(jì)80年代末，紅樹林已經(jīng)進(jìn)入增長期。伴隨著城市發(fā)展破壞大面積紅樹林帶來的生態(tài)壓力，本文并未給出充分證據(jù)。因此，有必要將監(jiān)測時間擴(kuò)大到70年代甚至更早。然而，早期的Landsat 衛(wèi)星只有80 m 分辨率的MSS 數(shù)據(jù)，難以滿足紅樹林識別的需求，應(yīng)借助于其他高分辨率衛(wèi)星的綜合觀測。如劉凱等（2016）引入1970年的美國間諜衛(wèi)星DISP 拍攝的KH-9影像獲取鎮(zhèn)海灣紅樹林的早期分布。

國際上，遙感長時序連續(xù)動態(tài)監(jiān)測方面已經(jīng)有了巨大進(jìn)步，2020年3月，Remote Sensing of Environment 期刊出版專刊“Time series analysis imagery special issue”（Woodcock 等，2020），收錄Landsat 相關(guān)的遙感長時序研究論文20 余篇。但研究者大部分精力都集中在數(shù)據(jù)集的構(gòu)建上，對連續(xù)長時序信息挖掘方法的探索不足，在方法論和可視化等方面依然是薄弱環(huán)節(jié)。

5.2 紅樹林保護(hù)面臨的風(fēng)險

通過設(shè)立保護(hù)區(qū)和灘涂造林，紅樹林保護(hù)與修復(fù)方面取得顯著進(jìn)步，但仍面臨著許多不可忽視的挑戰(zhàn)。深圳灣雖然較早的開展紅樹林保護(hù)工作，但由于其位于大城市腹地，紅樹林集中于深圳河入?？诟浇?，紅樹林面臨著嚴(yán)重的水環(huán)境污染問題。福田紅樹林濕地水質(zhì)指標(biāo)大部分都超過V類水質(zhì)標(biāo)準(zhǔn)（于凌云等，2019），汞、鎘等重金屬污染風(fēng)險較大（Li 等，2015），米埔紅樹林沉積物中農(nóng)藥含量超標(biāo)（Morton，2016），鋅、鉛等重金屬濃度甚至超過福田（Che，1999）。為了抑制互花米草的生長，淇澳島引入海桑、無瓣海桑等外來品種。它們生長快速、對環(huán)境的適應(yīng)能力強(qiáng)，在紅樹林面積快速增長的同時，也讓本地紅樹物種面臨潛在的入侵威脅。另外，淇澳島位于橫門、金星門等水道出口附近，同樣存在重金屬富集的問題，尤其以鎘污染最為嚴(yán)重（Wu 等，2014）。鎮(zhèn)海灣自建立保護(hù)區(qū)以來，退塘還林，同樣引種大量無瓣海桑?？梢姡┠昙t樹林面積的增加多為人工林的貢獻(xiàn)，相較于原生紅樹林群落，人工林物種單一，生物多樣性降低，在抵抗病蟲害、寒害等自然災(zāi)害時較為脆弱。以上問題，難以通過面積監(jiān)測的手段反映出來，但卻對紅樹林生境影響十分巨大，有必要將衛(wèi)星、無人機(jī)、地面監(jiān)測等綜合監(jiān)測納入紅樹林保護(hù)與修復(fù)評估工作之中。如徐逸等（2021）結(jié)合無人機(jī)高光譜與激光雷達(dá)點云數(shù)據(jù)實現(xiàn)紅樹林種間分類，對物種多樣性監(jiān)測具有重要的指導(dǎo)作用。

6 結(jié)論

本文借助Google Earth Engine 云平臺的強(qiáng)大計算能力，重構(gòu)1987年—2020年年尺度的紅樹林分布連續(xù)長時間序列，精細(xì)化挖掘紅樹林時空變化特征，揭示了紅樹林的空間擴(kuò)張過程及階段性發(fā)展特征，體現(xiàn)了設(shè)立自然保護(hù)區(qū)和灘涂造林在紅樹林保護(hù)與修復(fù)中的積極作用。

（1）從袋外誤差（總體分類誤差）和紅樹林精度兩方面對長時序濕地分類數(shù)據(jù)集進(jìn)行評價，該數(shù)據(jù)集的多年平均袋外誤差為6.6%±0.1%，多年平均紅樹林識別精度為89.6%±0.1%，能夠滿足本研究的數(shù)據(jù)精度需求。

（2）截止到2020年，大灣區(qū)現(xiàn)有紅樹林2174 ha，但空間分布不均，其中有81%的紅樹林集中分布在深圳灣、淇澳島和鎮(zhèn)海灣，各占紅樹林總面積的23%、22%和36%。

（3）大灣區(qū)的紅樹林經(jīng)歷了由平穩(wěn)發(fā)展（1987年—2003年）到快速增長（2003年—2020年）的變化過程，增長期內(nèi)面積翻了2倍，淇澳島與之類似，只是轉(zhuǎn)折點在2002年，增長期內(nèi)面積翻了30 倍；而深圳灣的紅樹林經(jīng)早期的快速增長（1987年—2009年）逐漸趨向于近些年（2009年—2020年）的平穩(wěn)波動，鎮(zhèn)海灣在早期（1987年—2002年）因灘涂養(yǎng)殖損失了17%的紅樹林，之后（2002年—2020年）快速增長，面積翻了5倍。

（4）2003年—2020年大灣區(qū)紅樹林的增加主要來源于鎮(zhèn)海灣和淇澳島紅樹林的快速增長，各占大灣區(qū)紅樹林增量的40%和28%，而深圳灣在2009年以后保持穩(wěn)定，對大灣區(qū)紅樹林的增量貢獻(xiàn)不大（8%）。

（5）深圳灣由于保護(hù)區(qū)設(shè)立時間較早，成為唯一一個形成穩(wěn)定核心區(qū)的紅樹林分布區(qū)，擁有最大的平均林道寬度，鎮(zhèn)海灣雖然擁有最大的紅樹林面積，但林道狹窄，景觀破碎，生態(tài)系統(tǒng)反而更加脆弱。

（6）設(shè)立自然保護(hù)區(qū)和灘涂造林都對紅樹林面積增長發(fā)揮了積極作用。

今后的研究中，將對連續(xù)長時序信息挖掘方法進(jìn)行更深入的探討，突出變化的過程性、階段性和時空聯(lián)系，爭取在可視化方面有所突破。隨著遙感技術(shù)的快速發(fā)展，新一代遙感衛(wèi)星平臺將組建更為強(qiáng)大的對地觀測網(wǎng)絡(luò)，實現(xiàn)更高頻次時間特征的監(jiān)測。如聯(lián)合Landsat 8 和Sentinel 2A/B構(gòu)成虛擬觀測星座，可實現(xiàn)全球地表2—4 d 的高頻觀測（Li 和Roy，2017）。在可預(yù)見的將來，遙感連續(xù)動態(tài)監(jiān)測將成為常態(tài)，而相對應(yīng)的信息挖掘方法將面臨巨大挑戰(zhàn)。