-
红树林是生长在热带亚热带海岸潮间带，以红树植物为主体的具有高生产力的木本植物群落（林鹏，2001）。红树林湿地生态系统生境与功能独特，不仅在防浪护岸、环境净化、动物栖息地及保护生物多样性等方面价值显著，其碳储量及碳汇能力在全球碳平衡中的地位也极为重要（韩维栋等，2000）。作为海陆生态系统物质交换的场所，红树林湿地能捕获和储存来自大气和海洋的碳（Bouillon，2011；Donato et al.，2011）。红树林等滨海生态系统所固存的碳被称为海岸带“蓝碳”（blue carbon）。蓝碳生态系统具有高效的碳汇能力，而除去未统计的海草床生态系统，红树林碳储量在滨海湿地生态系统中居于首位（Daniel &Sandip，2015），其单位面积有机碳储量达陆地森林5倍之多（Bouillon，2011）。同时，全球红树林的沉积物碳埋藏速率达到38.3 Tg C·a-1，远远超过盐沼湿地的12.6 Tg C·a-1（Wang et al.，2021）。因此，在全球气候变化的背景下，红树林逐渐成为缓解气候变化研究的热点。
-
然而，人类活动导致全球红树林遭到破坏与退化。联合国粮食及农业组织（The Food and Agriculture Organization，FAO）统计数据显示，2020年全球红树林总面积约为1 480 × 104 hm2，远低于1980年的1 880 × 104 hm2（FAO，2023）。自20世纪80年代以来，全球范围内红树林面积减少了约35%（Valiela et al.，2001）。尽管各国开展了大量的红树林修复计划，但全球红树林面积在1996—2016年间仍减少了约58.1 hm2，碳储量净损失158.4 Mt，相当于排放540.8 Mt CO2（Richards et al.，2020）。我国红树林主要分布于海南、广西、广东、福建、台湾等地区，面积约为2.5×104 hm2（廖宝文和张乔民，2014）。我国也在积极保护并通过植树造林等方式恢复受到破坏的红树林生态系统（Ren et al.，2009）。
-
深圳湾湿地是我国最具代表性的红树林湿地之一。福田红树林作为深圳湾的重要组成部分，1979—1988年，随着城市扩张逐渐被其他景观替代。1988年国家级自然保护区建立后，通过采用育苗造林、引种优良外来红树植物以及人工造林等措施，红树林才逐渐得以修复（陈保瑜等，2012）。目前，福田红树林湿地仍受到外来种入侵和病虫害等因素的影响，作为我国最小的红树林自然保护区，其生态系统健康较为脆弱，因此对红树林生态系统进行物种分布及群落碳储量调查具有重要意义。
-
红树林的大面积实地调查相较于陆地森林生态系统难度较高，而遥感技术因成本低、数据更新周期短、空间分辨率高和覆盖面广等特点，被广泛应用于国内外红树林研究中（刘润红等，2017）。遥感分类是遥感技术中运用最为广泛的技术之一，红树林进行光学遥感冠层识别的基本原理是基于红树林物种间几何外观、光谱特征以及纹理特征的差异（苏岫等，2011），将区域内不同覆被类型作区分，以评估红树林物种组成和分布范围。目前，高分辨率的商用卫星为大面积红树林物种测绘提供了精细尺度的数据来源（Kuenzer et al.，2011）。同时，在以往的基于遥感影像对物种进行分类的研究中，分类方法已经由基于像素的分类方法向面向对象的分类方法转变，而后者通常比前者具有更高的准确度（Heumann，2011； Wang et al.，2018）。
-
碳储量是生态系统中储存的有机碳总量，包括土壤有机碳储量和植被有机碳储量（Howard et al.，2014）。我国红树林碳储量为（6.90 ± 0.57）Tg，其中81.74%位于表层1 m土壤，18.12%位于植被，0.08%位于地层（Liu et al.，2014）。然而，土壤的积累周期长，新建或恢复几年内的红树林生态系统土壤碳储量的增加并不明显（Sillanpää et al.，2017）。相比之下，红树林植被碳储量的年际变化更大（Liu et al.，2014），对红树林生态系统碳储量的影响更为重要。
-
本研究以广东内伶仃福田国家级自然保护区中的福田红树林为研究区域，基于WorldView-3高分辨遥感影像的光谱和纹理特征，利用面向对象的分类方法识别并绘制福田红树林自然保护区优势物种群落的分布范围，并结合样方实地数据定量分析各优势群落碳储量变化，以期评价保护区内各优势群落的固碳能力，为福田红树林的森林管理及生态修复提供科学指导。
-
1 研究区域与方法
-
1.1 研究区域概况
-
研究区域位于广东内伶仃福田国家级自然保护区中的福田红树林（114°00′ E、22°32′ N），属南亚热带海洋性季风气候，年均温22.4℃，年日照时数约2 000 h，年降雨量1 700~1 900 mm，年蒸发量1 500~1 800 mm。保护区面积为367.64 hm2，其中红树林分布面积近100 hm2。福田红树林保护区作为全国唯一地处城市腹地的国家级自然保护区，与一水之隔的香港米埔自然保护区，共同构成了具有国际意义的深圳湾湿地生态系统。福田红树林群落外貌简单，林分组成单一且大多呈聚集分布。保护区内冠层优势树种有秋茄（Kandelia obovata）、白骨壤（Avicennia marina）、木榄（Bruguiera gymnorhiza）、无瓣海桑（Sonneratia apetala）及海桑（S. caseolaris）。
-
1.2 数据获取
-
1.2.1 WorldView-3遥感影像
-
WorldView-3是DigitalGlobe公司在2014年8月13日发射升空的高分辨率光学卫星，运行高度为617 km。本研究用到的波段为全色和多光谱波段，其波谱范围分别为450~800 nm及400~1 040 nm，空间分辨率分别为0.31、1.24 m（表1）。其中，多光谱波段包括4个标准波段（blue、green、red和 NIR1）和4个附加波段（coastal blue、yellow、red-edge 和 NIR2）。研究表明，附加波段的加入可以提高植被冠层识别精度（Heenkenda et al.，2014）。
-
本研究使用了拍摄于2017年12月20日的高质量（云量覆盖＜ 10%、无条带等）影像。影像的预处理工作在 ENVI 5.3 软件（Exelis Visual Information Solutions，Colorado，USA）中进行，包括辐射定标、大气校正、影像融合、影像配准、影像裁剪等操作。其中，辐射定标是将数字量化值（digital number，DN）转化为辐射亮度、反射率和表面温度等数值；大气校正是将地物表面的反射信息从大气和太阳的信息中分离出来，本研究采用FLAASH的方法进行大气校正；影像融合是对图像进行重采样，使图像既具有全色的高分辨率又具有多光谱特征，本研究采用Gram-Schmidt Pan Sharpening工具进行影像融合；影像配准是将不同时间、不同传感器或不同条件（如气候、照度、拍摄位置及角度等）下获取的两幅或多幅影像进行匹配与叠加的过程，以减弱影像拍摄条件对反演结果的影响。为了更精确地从影像中提取红树林区域，降低冠层识别与后续计算的误差，本研究通过野外实地考察获取福田红树林分布边界并对影像进行裁剪，之后利用归一化植被指数（normalized differential vegetation index，NDVI）对非植被区域进行识别与分离，通过目视解译验证，剔除了NDVI小于0.38的区域。
-
1.2.2 优势群落分布地面点采集
-
本研究于2021年4—5月对福田红树林进行野外调查并获取优势群落的分布地面点，共选取 200个样本点，近均匀分布于保护区实验区（图1）。所有信息通过手持GPS定位仪（N80，南方测绘，中国）记录。将上述样本点按6∶4 的比例随机分为训练样本和测试样本，分别为121个和79个样本。物种类别和样本大小见表2。
-
1.2.3 优势群落样地内植物生长监测
-
为了测算不同优势红树群落碳储量，本研究根据《重要湿地监测指标体系》（GB/T27648—2011）及《红树林生态监测技术规程》（HY/T 081—2005）的规范，于2017年在福田红树林实验区选取了成熟的优势红树物种群落，并依据其群落大小建立不同数量的样方（表3），对样方内所有胸径大于1 cm的个体挂牌。同年开始并于每年进行群落调查，测量并记录样方内所有个体的胸径和树高。本研究使用2017年、2020年和2023年的样方调查数据。
-
1.3 数据分析
-
1.3.1 基于WorldView-3影像的红树林冠层识别
-
1.3.1.1 植被分类特征创建
-
本研究采用光谱信息和空间信息相结合来实现准确的冠层识别。其中，光谱特征信息由光谱波段及其衍生得到的植被指数组成，光谱波段信息包括影像中8个多光谱波段的平均值和标准差，以及平均亮度（brightness）和平均最大化差异度量（Max.diff）；植被指数包括NDVI、simple ratio 800/550（SRR）、enhanced vegetation index（EVI）、soil adjusted vegetation index（SAVI）、red-edge NDVI（ReNDVI）、simple ratio 800/650（SRG）、Datt 2、rede-dge index（NDRE）、rede-dge green NDVI（ReGNDVI）、anthocyanin reflectance index 2（ARI2）、green NDVI（GNDVI）、greenness index（GI）、normalized difference rede-dge blue index（NDREBI）、plant senescence reflectance index（PSRI）共计14个植被指数。空间特征信息则由灰度共生矩阵（gray level co-occurrence matrices）得到（Haralick et al.，1973），包括同质性（homogeneity，Hon）、对比度（contrast，Con）、熵值（entropy，Ent）、角二阶矩（angular second moment，ASM）、均值（mean）、标准差（standard deviation，StdDev）、相关性（correlation，Cor）、差异性（dissimilarity，Dis）共计8个纹理特征。本研究提取了WorldView-3影像分割后每个对象的属性，包括32个光谱特征（18个原始光谱波段特征和14个由光谱波段特征衍生的植被指数）和8个纹理特征，作为随机森林算法进行冠层识别分类的输入参数。
-
1.3.1.2 面向对象分类
-
面向对象的分类方法是基于通过影像分割获取的由多个像元组成的对象，再基于对象中的光谱和纹理信息将这些对象划分为不同的类别。该过程包括影像分割、参数调整和算法实现，均在eCogniton Developer 9.0（Trimble，Inc.，USA）的分类器模块中进行。
-
本研究使用多尺度分割（multiresolution segmentation，MRS）的影像分割算法。该算法是一种自下而上的区域合并技术，其从单个像元开始，根据同质性标准向上逐渐合并成较大的对象，直至达到分割参数所定义的均质阈值为止（Benz et al.，2004; Laliberte et al.，2007）。之后，本研究使用了随机森林（random forest） 算法进行对象分类。随机森林是Breiman（2001）开发的基于分类和回归树（CART）的监督分类集成算法，其结合了 CART、bootstrap 聚集和随机特征选择的特点来提高预测准确度。随机森林通过使用训练集的随机采样来建立决策树，并在决策树中的每一个节点随机选择一个输入特征子集来搜索最佳分割。随机森林中的每棵决策树都会基于其自身决策过程给出一个分类结果，综合比较森林中所有决策树得到的结果，选择概率最高的结果作为随机森林的分类结果。
-
图1 福田红树林冠层识别地面点位置
-
Fig.1 Field sample location for canopy recognition in Futian mangrove forest
-
本研究的分类过程包括4个步骤：（1）选择最优分割参数和图像分割；（2）从多光谱图像中提取对象特征；（3）使用随机森林算法进行分类；（4）利用混淆矩阵计算的总体精度（overall accuracy，OA）和 Kappa 系数评估分类精度。在对影像进行分割时测试了一系列的尺度参数和其他参数，从高到低，直到图像对象与研究区域的景观特征达到满意的匹配，最终的分割参数设置如下：Scale = 30、Color = 0.9、Shape = 0.1、Compact = 0.5、Smooth = 0.5。总体精度是各类别被正确分类的对象数之和（矩阵对角线值总和）占总对象数的比例，可以直接评价分类精度，其计算公式如下：
-
式中： N是所有对象总数； k是所有类别数； xi是类别i被正确分类的对象数。Kappa 系数在 20 世纪 80 年代早期被引入遥感领域（Congalton &Mead，1983），被广泛作为衡量分类精度的标准（Rosenfield &Fitzpatrick-lins，1986）。与总体精度相比，它还考虑了非对角线元素，并利用了整个误差矩阵的信息。其计算公式如下：
-
式中： N是地表真实分类中的对象总数； r是类别数量； xij是在影像中被分为i类别但是其真实类别为j的对象； xi+与x+i则分别代表在影像中被分为i类别的对象数量与地表真实类别为i的对象数量。
-
为了进一步减少分类误差、提高冠层识别准确度，我们在算法分类结果的基础上进行了分类后处理，包括小斑块去除、分类合并、分类叠加等等。
-
1.3.2 福田红树林碳储量年际变化分析
-
植物的碳储量是指植物体将光合作用同化的碳在体内储存并利用的碳元素的质量，而红树林的碳储量可以通过基于胸径与木材密度的异速生长方程估算得到。这一方法的基础是植物不同器官组织（如树叶、枝条、根组织等）的生长存在一定的比例关系，即“异速生长关系”，因而通过测量特定的生长参数指标（如胸径、树高或树干木材密度），就能够估算该植物的生长变化及其生物量（Enquist et al.，1998）。将植物生物量乘以植物含碳率即可得到该植物的碳储量（IPCC，2003）。由于不同物种的异速生长关系、木材密度及碳含量等会存在差异，本研究使用文献中针对特定红树物种采集测定的木材密度、碳含量及建立的异速生长方程，通过样方监测获得的胸径，计算样方内每棵树的地上、地下生物量及碳含量（表4），用群落中各样方总碳含量除以样方面积即可获得该群落的碳密度。
-
分别对不同年份各样方群落碳密度求平均值、标准差及标准误差，并将各群落碳密度数据与群落分布图相结合，使用Arcgis 10.3 （ESRI，Inc.，USA）绘制2017、2020、2023年福田红树林各群落碳储量分布图。
-
2 结果与分析
-
2.1 红树林群落分布
-
本研究基于实地调查获得的验证数据集对分类结果的精确性进行了评估，经分类处理之后，总体精度达到82.29%，Kappa系数为0.77，如表5所示。物种的生产者精度越高表示该物种被正确识别的样本数越多，而用户精度越高则说明其他物种被误分为该类的样本数越少。白骨壤的生产者精度最高（93.33%），秋茄次之（85.19%），并且二者的用户精度也很高，表明这两个物种绝大部分被准确区分与识别，仅少数对象被错分为秋茄和白骨壤。
-
基于随机森林识别反演的群落分布图（图2）显示，白骨壤主要分布在中部地区，无瓣海桑和海桑主要分布在海缘。秋茄的分布较为广泛，在有无瓣海桑和海桑生长的区域，秋茄分布在陆缘，而在没有无瓣海桑和海桑生长的区域则海缘和陆缘都有分布。木榄主要集中分布于保护区西北部，该区为木榄人工林，但同时也有少数木榄个体零散分布在秋茄林中（图2）。
-
对冠层识别结果进行统计后得到各优势物种群落的分布面积。其中，秋茄群落面积为49.96 hm2，白骨壤、海桑、无瓣海桑和木榄群落的面积分别为26.23、8.90、6.52、0.5 hm2，另外有1.73 hm2的冠层区域未能识别，总面积为93.84 hm2。
-
注： WAGB. 地上生物量（kg）; WBGB. 地下生物量（kg）; D. 胸径（cm）; ρ. 木材密度（g·cm3）。
-
Note: WAGB. Aboveground biomass (kg) ; WBGB. Belowground biomass (kg) ; D. Diameter at breast height (cm) ; ρ. Wood density (g·kg-3) .
-
2.2 红树林群落碳储量对比分析
-
如表6所示，在2017年和2020年这两次采样中，秋茄群落的碳密度在所有优势物种群落中最高，分别为（167.10±29.90）t·hm-2和（175.48±2.31）t·hm-2；而在2023年的采样中，秋茄群落碳密度下降至（133.84±5.20）t·hm-2，高于本地物种白骨壤、木榄群落，但低于外来物种无瓣海桑与海桑群落。白骨壤群落2017年碳密度为（128.12±64.03）t·hm-2，比外来物种无瓣海桑与海桑群落的碳密度高，但从2020年开始被无瓣海桑与海桑群落超越。木榄群落的碳密度在2017—2023年间变化不大且在所有群落中最低。两个外来引入种无瓣海桑和海桑群落碳密度在2017年相当且低于本地物种秋茄和白骨壤群落碳密度，但无瓣海桑群落碳密度在2020年增长超越海桑群落及白骨壤群落，并在2023年超越秋茄群落，达到（175.53±17.55）t·hm-2，在所有群落中最高。
-
图2 基于WorldView-3随机森林反演的福田红树林优势种群落分布图
-
Fig.2 Estimated distribution of mangrove communities dominated by different species in Futian mangrove forest based on WorldView-3 with random forest
-
各群落碳密度在2017—2023年间有不同的年际动态表现（图3）。秋茄群落碳密度在2017—2020年间有小幅提升，在2020—2023年间下降，但2017—2023年间下降趋势不显著（基于时间的线性拟合斜率为K=-5.54、显著度P=0.46，下同）。本地物种木榄群落的碳密度变化不明显（K=0.07，P=0.85），但白骨壤群落碳密度出现显著下降趋势（K=-9.84，P=0.08）。外来引入种无瓣海桑群落与海桑群落的碳密度在这6年间保持增长，但二者碳密度增长趋势并不显著（无瓣海桑：K=11.7，P=0.20；海桑：K=6.87，P=0.22）。
-
福田红树林碳密度分布图显示，福田红树林碳密度呈现东高西低的分布模式（图4：a），但西侧部分碳密度在2017—2023年间逐渐提高（图4：b，c），低碳密度区域的分布位置主要靠近红树林区域的北部（图4）。基于各优势群落分布面积及碳密度对福田红树林各群落进行总碳储量估算，本研究发现，在2017—2023年间，尽管秋茄群落总碳储量有所减少，但依然高于其他优势群落的总碳储量，其次是白骨壤群落，木榄群落的总碳储量在所有优势群落中最低。无瓣海桑群落总碳储量在2020年略高于海桑群落，而在2017和2023年皆低于后者（表7）。
-
3 讨论
-
3.1 随机森林算法在红树林冠层识别的适用性
-
本研究的结果显示，基于面向对象的随机森林识别算法对白骨壤和秋茄群落冠层的识别准确率最高，这是因为白骨壤和秋茄群落的分布边缘清晰且白骨壤的叶表面绿色且有灰色绒毛，冠层颜色偏灰白色，而秋茄冠层呈不规则圆形，冠层颜色亮绿，这些特征使得二者在光谱和纹理特征间的可区分度较高。同时，在整个福田红树林中，秋茄的分布面积最大，其次为白骨壤，二者在福田红树林的群落种类组成中占绝对优势（王伯荪等，2002），这也在一定程度上降低了冠层的识别难度。无瓣海桑和海桑在树高、生长范围和光谱特征等方面都较为相似，结果显示海桑有15.38%（2/13×100%）的概率被错分为无瓣海桑，而无瓣海桑被错分为海桑的概率则高达23.53%（4/17×100%）。因此，该算法可能低估了无瓣海桑群落的分布面积而高估了海桑群落的实际分布面积。木榄的生产者精度和用户精度最低，这是因为其触及冠层的个体在人工林以外较少，零散分布的木榄很难与大面积的秋茄冠层区分开。这可能说明红树林优势群落的冠层之间在光谱及空间特征信息方面的差异不够明显，分类器从中学习到的有效信息不足以区分如木榄和秋茄等冠层结构相似的物种。本研究使用的随机森林算法总体分类精度达到82.29%，与李想等（2018）在北部湾东部地区红树林分类结果中的85.85%相当。本研究中白骨壤以及秋茄的识别准确度较高，说明该算法在面对单一的或部分混合的红树林物种时提取效果最优。
-
图3 福田红树林不同群落的碳密度年际变化
-
Fig.3 Interannual change of carbon density across different communities in Futian mangrove
-
图4 福田红树林2017（a）、2020（b）和 2023年（c）碳密度分布图
-
Fig.4 Distribution map of carbon density in Futian mangrove in 2017 (a) , 2020 (b) and 2023 (c)
-
3.2 各群落碳密度比较
-
本研究结果显示福田红树林碳密度存在东高西低的分布模式，这可能与红树林中人为活动强度有关。福田红树林东侧片区以保护区核心区为主，该区红树林受人为活动干扰较西侧低且生长密度高。但西侧片区碳密度在2017—2023年间有明显提升，东高西低的分布模式逐渐向均一分布模式转变。另外，碳密度分布图显示，福田红树林中碳密度较低的区域其分布位置更靠近红树林北侧（即靠陆侧），红树林北侧靠近保护区道路与栈道，人为活动干扰相较于南侧（即靠海侧）更大。上述结果说明红树林群落碳密度可能与人为活动干扰及其强度有关。
-
深圳福田红树林各群落碳密度差异较大、各群落碳密度的年际变化明显，其中本地优势物种秋茄和白骨壤群落碳密度均有减少，其中白骨壤群落碳密度减少明显。这主要与本地优势物种个体数量减少及自然更新受阻有关。一方面，本地优势物种白骨壤与秋茄群落的生长速率趋于平缓，但却面临严重的虫害威胁（刘莉娜等，2013），其中以白骨壤受虫害最大，其正常繁衍和生长均受到了严重威胁（贾凤龙等，2001）；另一方面，福田红树林底栖无脊椎动物对白骨壤幼苗的采食对白骨壤的群落更新造成极大胁迫，导致群落更新缓慢，林下正常萌发生长的幼苗数量极少。另外，本研究结果发现福田红树林中木榄群落碳密度在所有优势物种群落中最低且其年际变化不明显。福田红树林中的木榄优势群落以位于高潮带区域的人工林为主，虽然该片人工林在种植后无人为管理干预而任其自然生长，但该区种植密度大、高潮带区域受环境干扰相对较小，因此该群落碳密度在本研究进行的6年间相对稳定。
-
本研究外来物种方面，无瓣海桑群落的碳密度在所有优势物种群落中最高。本研究发现无瓣海桑群落的碳密度在2017年为105.21 t·hm-2，高于彭聪姣等（2016）在福田红树林中测得的73.3 t·hm-2，并在2023年提升至175.53 t·hm-2，2017—2023年间增长明显。海桑的群落碳密度也在逐年上升，但其变化幅度总体上小于无瓣海桑。由此可见，2017—2023年福田红树林外来物种海桑与无瓣海桑群落的生物量、植被碳储量、碳密度均呈上升态势，二者的固碳能力尚未饱和。2020年无瓣海桑群落的植被碳密度达到了160.54 t·hm-2，尽管该数值略低于珠海淇澳岛人工次生无瓣海桑纯林群落碳密度168.38 t·hm-2（孙学超等，2022），但与其他红树林的碳密度相比，福田红树林无瓣海桑的植被碳密度也处于较高水平（胡懿凯等，2019；李翠华等，2020；Chen et al.，2021）。外来物种无瓣海桑与海桑群落快速提高的碳密度已在2023年高于本地物种秋茄、白骨壤和木榄群落的碳密度，表明外来引入种无瓣海桑和海桑具有比本地物种更强的固碳能力。从增强生态系统碳储量与碳汇能力的角度，无瓣海桑和海桑或可作为先锋树种，以改良裸露滩涂并提高红树林群落的碳汇能力。
-
作为重要的滨海蓝碳生态系统，红树林湿地具有较高的初级生产力且红树林中不易分解的木质凋落物更多、土壤表面温度更低，降低凋落物的分解率（Charles et al.，2020），从而获得较高的固碳能力。福田红树林的植被碳密度较高，土壤有机碳平均累计速率达4.82 Tg C·hm2·a1（Fu et al.，2020），在广东省各地区红树林生态系统中仅次于淇澳岛，碳汇潜力较大。由此可见，福田红树林具有高效的碳汇能力，在降低大气CO2 浓度、缓解全球气候变化方面具有重要作用。
-
4 结论
-
本研究基于超高分辨率WorldView-3影像精确绘制福田红树林群落分布图，并结合样方调查数据对各优势群落碳储量变化进行定量分析，得出的结论如下。
-
（1）基于随机森林算法利用WorldView-3高分辨率影像的光谱和空间信息可有效识别和分辨红树群落冠层。福田红树林中秋茄的分布面积最大，其余依次是白骨壤、海桑、无瓣海桑和木榄。
-
（2）福田红树林各群落碳密度年际变化明显。其中，秋茄群落碳密度先升高后降低，白骨壤群落碳密度则下降明显，需对其采取必要的保护与恢复措施；木榄的群落碳密度最小且总体变化不明显；海桑和无瓣海桑群落碳密度则保持增长，但趋势不明显。从碳密度角度出发，恢复红树林种植应优先考虑无瓣海桑、海桑和秋茄，但无瓣海桑和海桑属于外来红树植物，故选用时需针对其是否存在入侵性应从多方面考虑。总体而言，各优势群落中秋茄群落总碳储量最高，其次是白骨壤、海桑和无瓣海桑，木榄群落总碳储量最低。
-
参考文献
-
BENZ UC, HOFMANN P, WILLHAUCK G, et al. , 2004. Multi-resolution, object-oriented fuzzy analysis of remote sensing data for GIS-ready information [J]. ISPRS J Photogram Remote Sens, 58(3/4): 239-258.
-
BOUILLON S, 2011. Storage beneath mangroves [J]. Nat Geosci, 4(5): 282-283.
-
BREIMAN L, 2001. Random forests [J]. Mach Learn, 45(1): 5-32.
-
CHARLES SP, KOMINOSKI JS, ARMITAGE AR, et al. , 2020. Quantifying how changing mangrove cover affects ecosystem carbon storage in coastal wetlands [J]. Ecology, 101(2): e02916.
-
CHEN BY, SONG Y, ZAN QJ, et al. , 2012. Dynamics of the main landscape types at Shenzhen Bay during past three decades [J]. Acta Sci Nat Univ Sunyatsen, 51(5): 86-92. [陈保瑜, 宋悦, 昝启杰, 等, 2012. 深圳湾近30年主要景观类型之演变 [J]. 中山大学学报（自然科学版）, 51(5): 86-92. ]
-
CHEN L, LIN Q, KRAUSS KW, et al. , 2021. Forest thinning in the seaward fringe speeds up surface elevation increment and carbon accumulation in managed mangrove forests [J]. J Appl Ecol, 58(9): 1899-1909.
-
CONGALTON RG, MEAD RA, 1983. A quantitative method to test for consistency and correctness in photointerpretation [J]. Photogram Eng Remote Sens Environ, 49: 69-74.
-
DANIEL MA, SANDIP KM, 2015. Contribution of mangroves to coastal carbon cycling in low latitude seas [J]. Agric For Meteorol, 213: 266-272.
-
DHARMAWAN WS, SIREGAR CA, 2008. Soil carbon and carbon estimation of Avicennia marina (Forsk. ) Vierh. stand at Ciasem, Purwakarta [J]. J Penelitian Hutan Dan Konserv Alam, 5(4): 317-328.
-
DONATO DC, KAUFFMAN JB, MURDIYARSO D, et al. , 2011. Mangroves among the most carbon-rich forests in the tropics [J]. Nat Geosci, 4(5): 293-297.
-
ENQUIST BJ, BROWN HJ, WEST BG, 1998. Allometric scaling of plant energetics and population density [J]. Nature, 395(6698): 163-165.
-
FAO, 2023. The world’s mangroves 2000-2020 [DB]. Rome. https: //doi. org/10. 4060/cc7044en.
-
FU CC, LI Y, ZENG L, 2020. Stocks and losses of soil organic carbon from Chinese vegetated coastal habitats [J]. Glob Change Biol, 27(1): 202-214.
-
HAN WD, GAO XM, LU CY, et al. , 2000. The ecological values of mangrove ecosystems in China [J]. Ecol Sci, 19(1): 41-46. [韩维栋, 高秀梅, 卢昌义, 等, 2000. 中国红树林生态系统生态价值评估 [J]. 生态科学, 19(1): 41-46. ]
-
HARALICK RM, SHANMUGAM K, DINSTEIN I, 1973. Textural features for image classification [J]. IEEE Trans Syst Man Cybern, SMC-3: 610-621.
-
HEENKENDA M, JOYCE K, MAIER S, et al. , 2014. Mangrove species identification: Comparing WorldView-2 with Aerial Photographs [J]. Remote Sens, 6(7): 6064-6088.
-
HEUMANN BW, 2011. An object-based classification of mangroves using a hybrid decision tree — Support vector machine approach [J]. Remote Sens, 3(11): 2440-2460.
-
HOWARD J, HOYT S, ISENSEE K, et al. , 2014. Coastal blue carbon: methods for assessing carbon stocks and emissions factors in mangroves, tidal salt marshes, and seagrass meadows [M]. Arlington, Virginia, USA: International Union for Conservation of Nature: 31-32.
-
HU YK, ZHU NH, LIAO BW, et al. , 2019. Carbon density and carbon fixation rate of mangrove of different restoration types in Qi'ao Island [J]. J Cent S Univ For & Technol, 39(12): 101-107. [胡懿凯, 朱宁华, 廖宝文, 等, 2019. 淇澳岛不同恢复类型红树林碳密度及固碳速率研究 [J]. 中南林业科技大学学报, 39(12): 101-107. ]
-
ICRAF, 2022. Functional attributes and ecological database [DB/OL]. [2022-07-17]. http: //db. worldagroforestry. org/wd.
-
IPCC, 2003. IPCC guidelines for national greenhouse gas inventories [M]. Japan: Institute for Global Environmental Strategies (IGES).
-
JIA FL, CHEN HD, WANG YJ, et al. , 2001. The pest insects and analysis of its outbreaks’ cause in Futian mangrove, Shenzhen [J]. Acta Sci Nat Univ Sunyatsen, 40(3): 88-91. [贾凤龙, 陈海东, 王勇军, 等, 2001. 深圳福田红树林害虫及其发生原因 [J]. 中山大学学报（自然科学版）, 40（3）: 88-91. ]
-
KAUFFMAN JB, COLE TG, 2010. Micronesian mangrove forest structure and tree responses to a severe typhoon [J]. Wetlands Ecol Manage, 30(6): 1077-1084.
-
KAUFFMAN JB, DONATO DC, 2012. Protocols for the measurement, monitoring and reporting of structure, biomass and carbon stocks in mangrove forests [M]. Bogor, Indonesia: Center for International Forestry Research (CIFOR): 22.
-
KOMIYAMA A, ONG JE, POUNGPARN S, 2008. Allometry, biomass, and productivity of mangrove forests: A review [J]. Aquat Bot, 89(2): 128-137.
-
KOMIYAMA A, POUNGPARN S, KATO S, 2005. Common allometric equations for estimating the tree weight of mangroves [J]. J Trop Ecol, 21(4): 471-477.
-
KUENZER C, BLUEMEL A, GEBHARDT S, et al. , 2011. Remote sensing of mangrove ecosystems: A review [J]. Remote Sens, 3(5): 878-928.
-
LALIBERTE AS, FREDRICKSON EL, RANGO L, 2007. Combining decision trees with hierarchical object-oriented image analysis for mapping arid rangelands [J]. Photogram Eng Remote Sens, 73: 197-207.
-
LI CH, CAI RS, YAN XH, 2020. Analysis on the changes of carbon budget of mangrove wetland in Hainan Dongzhaigang during 2010-2018 [J]. Mar Sci Bull, 39(4): 488-497. [李翠华, 蔡榕硕, 颜秀花, 2020. 2010—2018年海南东寨港红树林湿地碳收支的变化分析 [J]. 海洋通报, 39（4）: 488-497. ]
-
LI X, LIU K, ZHU Y, et al. , 2018. Study on mangrove species classification based on ZY-3 image [J] Remote Sens Technol Appl, 33(2): 360-369. [李想, 刘凯, 朱远辉, 等, 2018. 基于资源三号影像的红树林物种分类研究 [J]. 遥感技术与应用, 33（2): 360-369. ]
-
LIAO BW, ZHANG QM, 2014. Area, distribution and species composition of mangroves in China [J]. Wetland Sci, 12(4): 435-440. [廖宝文, 张乔民, 2014. 中国红树林的分布, 面积和树种组成 [J]. 湿地科学, 12(4): 435-440. ]
-
LIN P, 2001. A review on the mangrove research in China [J]. J Xiamen Univ (Nat Sci Ed), 40(2): 592-603. [林鹏, 2001. 中国红树林研究进展 [J]. 厦门大学学报(自然科学版), 40(2): 592-603. ]
-
LIU H, REN H, HUI D, et al. , 2014. Carbon stocks and potential carbon storage in the mangrove forests of China [J]. J Environ Manage, 133: 86-93.
-
LIU LN, CHEN LE, WEI PP, et al. , 2013. Ecological problems and restoration countermeasures in Futian mangrove Nature Reserve, Shenzhen [J] Ocean Technol, 32(2): 125-132. [刘莉娜, 陈里娥, 韦萍萍, 等, 2013. 深圳福田红树林自然保护区的生态问题及修复对策研究 [J]. 海洋技术, 32（2）: 125-132. ]
-
LIU RH, LIANG SC, ZHAO HY, et al. , 2017. Progress of chinese coastal wetland based on remote sensing [J]. Remote Sens Technol Appl, 32 (6): 998-1011. [刘润红, 梁士楚, 赵红艳, 等, 2017. 中国滨海湿地遥感研究进展 [J]. 遥感技术与应用, 32（6）: 998-1011. ]
-
PENG CJ, QIAN JW, GUO XD, et al. , 2016. Vegetation carbon stocks and net primary productivity of the mangrove forests in Shenzhen, China [J]. Chin J Appl Ecol, 27(7): 2059-2065. [彭聪姣, 钱家炜, 郭旭东, 等, 2016. 深圳福田红树林植被碳储量和净初级生产力 [J]. 应用生态学报, 27（7）: 2059-2065. ]
-
REN H, LU H, SHEN W, et al. , 2009. Sonneratia apetala Buch. Ham in the mangrove ecosystems of China: An invasive species or restoration species [J] Ecol Eng, 35(8): 1243-1248.
-
RICHARDS DR, THOMPSON BS, WIJEDASA L, 2020. Quantifying net loss of global mangrove carbon stocks from 20 years of land cover change [J]. Nat Commun, 11(1): 1-7.
-
ROSENFIELD GH, FITZPATRICK-LINS K, 1986. A coefficient of agreement as a measure of thematic classification accuracy [J]. Photogram Eng Remote Sens Environ, 52: 223-227.
-
SILLANPÄÄ M, VANTELLINGEN J, FRIESS DA, 2017. Vegetation regeneration in a sustainably harvested mangrove forest in West Papua, Indonesia [J]. For Ecol Manage, 390: 137-146.
-
SU Y, ZHAO DZ, HUANG FR, et al. , 2011. Development of mangrove monitoring technology using high spatial-resolution satellite images [J]. Ocean Remote Sens, 30(3): 38-45. [苏岫, 赵冬至, 黄凤荣, 等, 2011. 基于高空间分辨率的红树林卫星遥感监测技术进展 [J]. 海洋遥感, 30（3）: 38-45. ]
-
SUN XC, HUANG ZP, ZHANG QR, et al. , 2002. The biological carbon storage change of artificial secondary Sonneratia apetala on Qi'ao Island, Zhuhai [J]. J S China Norm Univ (Nat Sci Ed), 54(4): 89-100. [孙学超, 黄展鹏, 张琼锐, 等, 2022. 珠海淇澳岛人工次生无瓣海桑纯林的植被碳储量变化 [J]. 华南师范大学学报(自然科学版), 54（4): 89-100. ]
-
VALIELA I, BOWEN JL, YORK JK, 2001. Mangrove forests: One of the World’s threatened major tropical environments [J]. BioScience, 51(10): 807-815.
-
WANG BS, LIAO BW, WANG YJ, et al. , 2002. Mangrove forest ecosystem and its sustainable development in Shenzhen Bay [M]. Beijing: Higher Education Press: 56-57. [王伯荪, 廖宝文, 王勇军, 等, 2002. 深圳湾红树林生态系统及其持续发展 [M]. 北京: 高等教育出版社: 56-57. ]
-
WANG D, WAN B, QIU P, et al. , 2018. Artificial mangrove species mapping using Pléiades-1: An evaluation of pixel-based and object-based classifications with selected machine learning algorithms [J]. Remote Sens, 10(2): 294.
-
WANG FM, SANDERS CJ, SANTOS IR, et al. , 2021. Global blue carbon accumulation in tidal wetlands increases with climate change [J]. Nat Sci Rev, 8(9): 140-150.
-
ZHU DH, HUI DF, WANG MQ, et al. , 2021. Allometric growth and carbon storage in the mangrove Sonneratia apetala [J]. Wetlands Ecol Manage, 29(1): 129-141.
-
摘要
红树林是热带亚热带地区特有的滨海蓝碳生态系统，然而其碳储量动态变化却鲜有报道。该文以深圳福田红树林为研究对象，基于2017年获取的WorldView-3高分辨率遥感影像以及地面样本点，采用面向对象的随机森林分类方法识别红树林优势群落冠层，反演并计算得到深圳福田红树林各优势群落面积。进一步，基于2017年、2020年和2023年3个时间段红树林群落实地调查数据，计算各优势群落碳储量，进而获得福田红树林群落碳储量空间分布及年际动态变化。结果表明：（1）随机森林算法的冠层识别总体精度为82.29%，Kappa系数为0.77；福田红树林分布面积为93.84 hm2，其中秋茄（Kandelia obovata）分布面积最大（49.96 hm2），白骨壤（Avicennia marina）、海桑（Sonneratia caseolaris）、无瓣海桑 （S. apetala）、木榄（Bruguiera gymnorhiza）的面积依次为 26.23、8.90、6.52、0.50 hm2。（2）秋茄群落总碳储量最高，其次是白骨壤、海桑和无瓣海桑，木榄群落总碳储量最低。无瓣海桑和海桑的群落碳密度呈上升趋势且无瓣海桑群落碳密度在五个优势群落中最高，秋茄群落碳密度先升后降，白骨壤群落碳密度呈下降趋势，木榄群落碳密度变化不明显。总体而言，福田红树林优势群落碳储量在2017—2023年间变化不大，秋茄、无瓣海桑和海桑群落碳固存能力较强，白骨壤群落的碳密度逐年减少，而木榄群落碳密度相对稳定。该研究结果为评估福田红树林各优势群落固碳能力提供了数据基础，并对后续红树林恢复与管理提供科学依据。
Abstract
Mangroves are unique coastal blue carbon ecosystems in tropical and subtropical areas. However, the dynamic changes of their carbon storage are rarely reported. Based on ground sample points and WorldView-3 high-resolution remote sensing images obtained in 2017, we identified the canopy of dominant mangrove communities in Futian mangrove utilizing random forest algorithm and object-oriented classification methods, and inverted and calculated the area of each dominant community. We then calculated the carbon storage of each dominant community combining the field survey data in 2017, 2020 and 2023, and obtained the spatial distribution and interannual dynamic changes of carbon storage of mangrove communities. The results were as follows: (1) The overall accuracy of the random forest algorithm for canopy identification was 82.29%, with a Kappa coefficient of 0.77; Futian mangrove spaned an area of 93.84 hm2, with Kandelia obovata having the largest distribution area of 49.96 hm2, followed by Avicennia marina, Sonneratia caseolaris, S. apetala, and Bruguiera gymnorhiza, with respective areas of 26.23, 8.90, 6.52, and 0.50 hm2. (2) The total carbon storage of Kandelia obovata community was the highest, followed by Avicennia marina, Sonneratia caseolaris, S. apetala, and Bruguiera gymnorhiza the lowest. The carbon density in Sonneratia apetala and S. caseolaris community showed an increasing trend, and S. apetala community revealed the highest among the five dominant communities. The carbon density of Kandelia obovata community increased first and then decreased, while Avicennia marina community showed a downward trend consistently, and carbon density in Bruguiera gymnorhiza community did not vary significantly. In summary, the carbon storage of mangrove dominant communities in Futian did not change much from 2017 to 2023. The carbon sequestration capacity of mangrove in Kandelia obovata, Sonneratia apetala and S. caseolaris communities was stronger. The carbon density of Avicennia marina community decreased year by year, while that of Bruguiera gymnorhiza community was relatively stable. These results provide foundational data for evaluating the carbon sequestration capacities of different dominant communities in Futian mangrove, in tandem with scientific support for subsequent mangrove restoration and management.
Keywords
mangroves ； carbon storage ； carbon density ； remote sensing image ； random forest ； interannual change
