1. 引言

20世纪50年代我国建立第一个国家自然保护区是为了保护南亚热带季雨林而建的，是位于广东的鼎湖山自然保护区[1]。红树林(Mangrove)是生长在热带、亚热带海岸潮间带，由红树植物为主体的常绿乔木或灌木组成的湿地木本植物群落，在净化海水、防风消浪、固碳储碳、维护生物多样性等方面发挥着重要作用[2]。根据统计，解放初期粤西的红树林约有1.45万ha，自成独特的红树林生态系统，当时就有“海底森林”之美称[3]。毛丽君使用景观格局指数的方法通过将1977年和2005年的遥感数据分类结果图像相减，分别生成高桥和营仔红树林保护区近30年间红树林湿地的变化图像，统计出在此期间高桥区红树林损失面积为63.81 ha，造林面积约为276.93 ha [4]。随着遥感技术的飞速发展，红树林的研究多了卫星遥感、航片GPS、地理信息系统等高新技术与方法被运用于对红树林的研究和保护中去[5]。雷达数据相较于光学遥感数据在精度、穿透性、作业效率、约束条件、多平台适应性和数据丰富性等方面具有明显优势[6]。王武霞采用面向对象的方法，对南海沿岸的红树林进行了深入研究，从而得出了其面积整体呈现减少趋势且减少速率正在加快的结论[7]。吴培强等人发现自1990年至2008年，广东省的红树林面积呈现出显著的增长趋势，总共增加了1860.1 ha，增长率高达24.05% [8]。韩淑梅通过景观斑块面积和数量的变化反映景观格局的变化，1996至2007年，东寨港的红树林湿地景观类型面积和景观构成比例呈现不同程度的变化，1988至1996年间，东寨港红树林湿地面积由1675.91 ha增加为1771.55 ha，1996至2007年间红树林湿地面积又减少到1744.53 ha [9]。

通过多时像的遥感数据，可以对红树林生态系统的变化进行趋势分析。这有助于揭示红树林变化的内在规律和驱动机制，为制定长期有效的保护和管理策略提供科学依据。

2. 研究区域

英罗湾位于北部湾廉江市龙头沙海域，其具体的地理位置介于东经109˚44'~109˚48'，北纬21˚28'~21˚34'。英罗湾是广东省著名的湿地生态环境之一，沿岸有丰富的红树林资源和大陆连片面积最大的国家级高桥红树林保护区。研究区内红树林分为三部分：东侧为高桥国家红树林保护区被称为湛江红树林，如图1所示，呈连片状分布；西侧为山口国家红树林保护区，英罗港红树林区下称山口红树林，如图1所示，沿岸呈条带状分布，还有在养殖池和滩涂周边呈散星点状分布的红树林。

Figure 1. Research region

图1. 研究区域

3. 研究内容和技术路线

本研究以英罗湾红树林为研究对象，采用了如下的技术路线来深入分析其时空分布变化及其原因。首先，从地理空间数据云平台精心选取了时间跨度接近五年的无云或低云量Landsat-8卫星数据。接下来，利用ENVI软件，对获取的遥感影像进行了预处理，以消除潜在的数据噪声和干扰。在预处理的基础上，引入了随机森林分类算法，这是一种高效且准确的机器学习技术，用于对影像中的红树林进行精确分类。完成分类后，利用Arcmap10.8软件生成了混淆矩阵，对分类结果进行了严格的精度验证。最后，借助Arcmap10.8制作了遥感专题图，通过可视化手段直观地展示了英罗湾红树林的面积变化和地物转移情况，为制定有效的生态保护和管理策略提供了科学依据。具体的研究技术路线如图2所示。

Figure 2. The technical route

图2. 技术路线

4. 随机森林法处理影像与红树林面积提取

随机森林是一种基于集成学习思想的算法，它采用了自举法的方式。通过构建多个独立的决策树并进行训练，然后将这些决策树的预测结果进行组合，通过投票或取平均值的方法，从而形成一个模拟模型。这种集成方法使得随机森林具有较高的预测精度，同时也展现出了出色的泛化能力，能够处理复杂的数据集并避免过拟合。

4.1. 构建随机森林模型与样本提取

首先导入预处理好的数据，对数据每个类别进行标签，包括红树林、滩涂、建筑用地、水体和其他植被，加上其他植被是为了将红树林与其他植被进行区分。将影像波段调成5、4、3波段假彩色，以便进行对地物地目视标签。从图像中提取出对应光谱特征的像元，目视手动提取训练样本。将选取的五个类别的样本，进行分类后构建模型，分类后的影像与原影像进行对比，对样本数量和特征加以调整。训练样本如图3(a)所示。

(a) (b)

Figure 3. Training samples and classification results of the study area

图3. 研究区训练样本及分类结果

4.2. 生成随机森林模型

将五种不同的训练样本导入裁剪后的图像中，进行模型训练，可以得到研究区域的分类结果。为了使得分类得到的结果得以更为广泛的应用，往往还需要对其加以进一步处理，即分类后处理。分类后由于处在误差，图中存在大大小小的散落像元点，需要对图像进行小斑块处理，处理后图中散落的像元点就使得分类后图像变得平滑，如下图3(b)所示。图中红色代表红树林，黄色代表滩涂，绿色代表其他植被，蓝色代表水体，棕色代表建筑用地。

5. 精度评定与结果分析

5.1. 精度评定

将手动绘制的、作为精度评定依据的ROI文件导入ENVI中，得到分类的总体精度与Kappa系数，并且将数据导出处理后生成所需的表格。

Kappa系数是一种利用多元统计技术的评估方法，它全面考虑了误差矩阵中的各项要素，旨在准确量化两幅图之间的一致性或精确匹配程度。具体来说，Kappa系数的计算公式能够为我们提供一个量化指标，帮助我们了解两幅图在多大程度上是吻合的。其公式为：

$K_h{}_{at}=P{\displaystyle {\sum }_{i=1}^n{P}_{i}i}-{\displaystyle {\sum }_{i=1}^n\left(P_{i+}{P}_{+i}\right)}/P^2-{\displaystyle {\sum }_{i=1}^n\left(P_{i+}{P}_{+i}\right)}$ (1)

在进行图像分类后的精度验证时，采用混淆矩阵对分类结果的准确性进行评估。对总体精度，Kappa系数，用户精度等，进行了解和总结。针对2021年随机森林算法处理后的数据，进行混淆矩阵作来进行主要的精度评价，可得2021年的总体精度是99.47%，Kappa系数是0.99，再对混淆矩阵进行计算，得到所需的分类精度。如表1分类精度汇总所示。

Table 1. Summary of classification accuracy

表1. 分类精度汇总

5.2. 结果分析

通过像元计算面积可得2023年红树林的面积为845.37 ha，2021年红树林的面积810.27 ha，2019年红树林的面积为781.56 ha。由图4可以看出英罗湾红树林主要集中在高桥红树林保护区和山口红树林保护区，呈较大连片分布以及英罗湾沿岸呈散星分布的点状红树林。

Figure 4. Distribution map of mangrove forests in Yingluo Bay in 2019, 2021, and 2023

图4. 2019、2021和2023年英罗湾红树林分布图

通过对比2019、2021、2023年这3年间处理后的遥感影像进行计算和分析得到2019年到2023年英罗湾红树林面积的分布变化。英罗湾红树林2019年的面积为781.56 ha，2021年的面积为810.27 ha，在这两年间，英罗湾红树林呈增长变化趋势，总共增长了28.71 ha，增长率为3.67%，每年增长率为1.82%。2021年的面积为810.27 ha，2023年英罗湾的面积为845.37 ha，在此两年间，英罗湾红树林也呈增长变化趋势，总共增长了35.1 ha，增长率为4.33%，每年增长率为2.14%。总而言之，自2019年至2023年英罗湾红树林呈增长变化趋势，4年间英罗湾的红树林共增长了63.81 ha，增长率为8.16%，年增长率为1.98%。

6. 研究结论

本文建立在多时像的Landsat-8卫星的遥感数据基础上对英罗湾红树林2019年、2021年和2023年三年的红树林分布及变化进行分析。主要结论如下：

1) 英罗湾红树林主要集中在高桥红树林保护区和山口红树林保护区，呈较大连片分布以及英罗湾沿岸呈散星分布的点状红树林。

2) 2019年红树林的面积为781.56 ha，2021年红树林的面积为810.27 ha，2023年红树林的面积为845.37 ha。总体上看，从2019年至2023年红树林呈增长趋势，增长总面积为63.81 ha，年增长率为1.98%，增长速率缓慢。

NOTES

^*通讯作者。

参考文献