The Distribution Change of Mangrove in Shenzhen Bay from 2013 to 2023
This study aimed to conduct an in-depth investigation of the distribution changes of mangrove in Shenzhen Bay using Landsat-8 satellite imagery and Sentinel-2 satellite imagery data. By employing an object-oriented classification method to accurately classify the features in the images from 2013, 2018, and 2023, the analysis reveals that the mangrove area in Shenzhen Bay has continued to expand over the past decade, growing from 358.83 hectares to 441.41 hectares, with an annual growth rate of 1.8%. Notably, the growth is particularly evident in the mangrove conservation center area of Futian District. This research not only provides a scientific basis for the conservation of mangrove forests in Shenzhen Bay but also offers practical guidance for the protection and management of mangrove ecosystems.
Landsat-8 Satellite
深圳湾位于中国广东省深圳市与香港特别行政区之间，是珠江东岸的一个典型的河流出海口，其水域面积近100平方公里，岸线约40余公里。深圳河、大沙河等淡水汇入，赋予了深圳湾河口型海湾的生态环境特征，有着独特的生态价值，是中国海岸带的重要组成部分
本研究聚焦于中国深圳市福田区红树林生态保护区域，该区域位于深圳湾东北部，如
本文基于Landsat-8与Sentinel-2卫星遥感数据，对2013年、2018年和2023年三个时间点的遥感数据进行了系统的分析。首先，通过ENVI软件对获取的遥感数据进行预处理，以确保数据的准确性和一致性。其次，将预处理后的数据导入eCognition(易康)分类软件，进行多尺度分割，以适应不同地物在遥感影像上表现出的尺度差异。在Sentinel-2影像中，B11和B12短波红外波段因其独特的光谱特性，对红树林与其他植被的区分能力尤为显著。因此，在B1至B12的基础波段之上，本研究进一步引入了NDVI(归一化差值植被指数)与NDWI(归一化差值水体指数)两个指数，以增强红树林与其他地物的区分度。在数据分割完成后，采用支持向量机(SVM)分类方法，对分割后的数据进行分类处理，从而精准提取出三年内的红树林面积。SVM方法以其优秀的分类性能和泛化能力，在本研究中得以充分发挥。最后，将分类后得到的矢量数据导入ArcMap 10.3地理信息系统软件中，进行图像融合、地物面积计算以及专题图制作等后续处理。通过这些步骤，本研究对深圳湾地区近十年来的红树林面积变化进行了深入的分析和探讨，为红树林生态系统的保护和管理提供了有力的数据支持。具体的技术路线如
在深入探索遥感图像地物分类的技术实践中，我们经过反复的试验与验证，发现当采用特定算法进行图像分割时，将分割度设定为40能够显著优化图像的分割效果。这一发现对于提升地物分类的精度和效率具有重要意义。在实现地物分类的过程中，我们利用易康软件对遥感图像进行了系统而全面的分析。这一步骤不仅是整个分类流程中的关键环节，更对最终的分类效果产生了深远的影响。通过易康软件的高级功能，我们能够更加精确地识别出图像中的不同地物类型，为后续的深入分析提供了坚实的基础。值得注意的是，尽管易康软件在自动分类方面表现出了优异的性能，但在实际操作中，我们仍然发现了一些漏分和错分的现象。为了解决这些问题，我们采取了手动修改的方式，对识别结果中的色块进行了细致的调整和优化。这一过程虽然增加了工作量，但有效地提升了分类结果的准确性和可靠性。
为获取红树林物种分布情况，我们结合了目视解译与手动样本训练的方法，以实现对红树林及其周边地物类型的准确分类。首先，通过目视法仔细对照假彩色遥感影像，在ROI感兴趣区内选择特定的窗口，针对红树林的不同种类(包括秋茄、桐花树、无瓣海桑、海桑)以及水域、盐沼、人工用地和其他区域进行了样本点提取。为了避免混合象元对分类结果的影响和确保分类结果的准确性，我们提取了至少三个样本点，这些样本点都位于各种类型的地物的典型和纯净地带。在样本点提取完成后，对训练样本点进行了可分离性计算。这一步骤的目的是评估不同类别样本之间的统计距离，以判断它们是否能够在分类过程中被有效地区分开。采用了合适的统计距离度量方法，并计算了各类样本点之间的参数值。结果显示，各类样本点的参数值均位于1.9~2.0之间，这一范围表明各类样本在统计上是可分离的，即分类器能够较好地识别并区分这些不同的地物类型。基于上述合格的训练样本，采用了支持向量机(SVM)作为分类器进行地物类型的分类。SVM是一种基于统计学习理论的机器学习方法，具有出色的分类性能和泛化能力。调整SVM的参数确保其能够准确地识别并分类出红树林及其周边地物的不同类型。支持向量机分类结果如
对2013，2018年的遥感数据进行同样的处理，经过易康面向对象对卫星遥感图像解译分类与Arcmap专题图制作，红树林分布结果图如
通过观测红树林分布图可知，红树林主要集中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，已经形成较大的自然保护区；北部为福田红树林自然保护区，南部为香港米铺鸟类自然保护区。
本研究基于2013年、2018年和2023年三个时相的遥感影像数据，对深圳湾红树林的分布进行了相应时段的面积信息的提取。通过对比这三个时间节点的数据，我们分析了从2013年到2023年深圳湾红树林面积的动态变化情况。具体而言，深圳湾红树林在2013年的面积为358.83 ha，而到了2018年，这一数值增加至426.76 ha，表明在2013年至2018年的五年间，红树林面积呈现显著的增长趋势，具体增长量为67.93 ha，对应年增长率达到3.30%。进一步观察，至2023年，红树林的面积又增加至441.41 ha，相较于2018年，这五年间的增长量为14.64 ha，尽管仍呈现增长态势，但年增长率已降低至0.6%。综合以上数据，自2013年至2023年的十年间，深圳湾研究区的红树林总面积增加了82.58 ha，年平均增长率为1.8%，显示出红树林在研究区持续扩展的积极态势。
由
本文基于多时相的Landsat-8与Sentinel-2卫星遥感数据分析了深圳湾红树林2013年、2018年和2023年三个年份的红树林分布及变化情况。得出以下结论：
1) 2013年深圳湾红树林的面积为358.83 ha，2018年深圳湾红树林的面积为426.76 ha，2023年深圳湾红树林的面积为441.41 ha。总体上看，从2013年至2023年红树林呈增长趋势，增长总面积为82.58 ha，年增长率仅为1.8%。从2013年至2023年，深圳湾红树林面积呈增长趋势，但增长速率并不迅速。
2) 深圳湾红树林面积的显著增长区域可辨识为五个主要聚集点。这些增长区域多数为原有红树林的自然蔓延和扩展所致。具体而言，两处显著增长区位于深圳与香港之间的三角洲地带，特别是靠近深圳河的香港米铺鸟类自然保护区，红树林沿深圳河一线呈带状生长。其余三个增长区域则集中在福田红树林自然保护区内，分别位于邻近滨河大道、凤塘河以及沙咀社区的地带呈现出活跃的生长趋势。
3) 本研究利用了Landsat-8和Sentinel-2两种不同卫星的多时相遥感数据，这种多源数据的综合使用能够提供更全面、更准确的红树林分布和变化信息。通过对比不同年份的数据，能够分析出红树林面积的动态变化，为生态环境监测和保护提供了重要依据。
4) 我们不仅关注红树林面积的整体变化趋势，还进一步识别出五个显著增长的主要聚集点。这种精细化的分析能够更具体地反映红树林生长的空间分布和动态特征。通过对增长区域的分析，揭示了红树林增长的主要原因：自然蔓延和扩展，为红树林的保护和管理提供了科学依据。
5) 本文将红树林的生长情况与地理环境相结合，特别是与深圳与香港之间的三角洲地带以及福田红树林自然保护区等特定区域的关系进行了深入分析。这种结合地理环境和自然保护区的分析，有助于更好地理解红树林生长的生态条件和影响因素，可为制定针对性的保护措施提供了重要参考。
*通讯作者。