《Trees, Forests and People》：Mask R-CNN-Based Detection and Segmentation of Mangrove Ecosystems in Lantau Island, Hong Kong
编辑推荐：
本研究针对红树林生态系统长期监测中因植被破碎化和高分辨率历史数据缺乏所面临的挑战，提出了一种结合Sentinel-2 MSI影像与Mask R-CNN深度学习模型的识别方法。研究人员对香港大屿山的水口和东涌两个关键红树林区域2016-2024年的动态变化进行了量化分析，结果显示水口红树林面积持续萎缩（从0.77 ha减少至0.39 ha），而东涌则呈现扩张趋势（从3.28 ha增长至3.59 ha）。研究进一步揭示了悬浮泥沙浓度（SSC）和波浪能量等环境因子是导致这种分异趋势的关键驱动因素，为制定针对性的红树林保护与管理策略提供了重要科学依据。
在热带和亚热带海岸线的潮间带，生长着一类独特的盐生植物群落——红树林。它们构成了陆地与海洋生态系统之间至关重要的过渡界面。尽管红树林在全球的分布面积仅占热带森林覆盖率的不到1%，但其作为重要的全球碳汇，在碳固存和减缓气候变化方面发挥着不可或缺的作用。然而，这些宝贵的生态系统正日益受到海平面上升和日益加剧的人为压力的威胁。在20世纪后半叶，由于快速城市化、工业发展以及海平面上升的影响不断升级，红树林面积以每年1-2%的惊人速度减少。因此，精确绘制和监测红树林的分布对于有效的保护、生态恢复和海岸带风险评估至关重要。
长期监测红树林的动态变化是一项艰巨的任务。传统的野外调查方法往往受限于复杂的地形、可达性差以及难以捕捉区域尺度的变化，尤其是在复杂的潮汐环境中。近年来，遥感技术为红树林监测提供了强大的工具。特别是2015年发射的哨兵2号（Sentinel-2）卫星，提供了空间分辨率为10米、每五天覆盖全球一次的多光谱影像，为研究像红树林生态系统这样的小区域动态变化提供了理想的数据源。然而，如何从这些海量的遥感数据中准确、高效地提取红树林信息，并精确刻画其破碎化斑块的边界，仍然是当前面临的关键挑战。
深度学习方法的出现为克服红树林解译中的关键挑战提供了新的途径。与传统遥感方法相比，深度学习能够改善对光谱相似植被的区分能力，增强在破碎化海岸景观中的边界划定，并能够更可靠地检测出传统方法可能忽略的细微生态变化。在众多深度学习模型中，实例分割框架Mask R-CNN因其能够同时检测图像中的实例并为所有检测到的实例生成高质量的掩模预测图而备受青睐。该架构特别适合处理红树林这种常常以零散、斑块状结构出现，并与水体、泥滩交织分布的生态系统，能够有效区分离散的红树林斑块及其在复杂海岸镶嵌体中的边界。
在此背景下，发表在《Trees, Forests and People》上的这项研究，聚焦于香港大屿岛的两个代表性红树林群落——水口和东涌，旨在解决上述挑战。研究人员开展了一项综合性的研究，旨在：（1）通过定量精度指标评估Mask R-CNN模型在红树林制图中的性能；（2）量化2016年至2024年间水口和东涌红树林范围的时空变化；（3）识别导致各地区红树林扩张和退缩的主要环境驱动因子；（4）比较实例分割（Mask R-CNN）与语义分割模型在划定红树林边界方面的性能。
为开展此项研究，研究人员综合运用了几项关键技术方法。研究核心是构建了一个红树林识别模型（MIM），其基础是实例分割框架Mask R-CNN。该模型利用来自全球十个区域的哨兵2号MSI影像的表面反射波段（蓝、绿、红、近红外），并结合了三个光谱指数——增强型植被指数（EVI）、陆地表面水指数（LSWI）和红树林植被指数（MVI），以及来自哥白尼DEM GLO-30的高程数据。模型训练采用了ResNet-50骨干网络结合特征金字塔网络（FPN），并经过多阶段的微调优化。为了分析红树林的动态变化，研究采用了数字岸线分析系统（DSAS）来计算岸线变化速率，并利用线性回归率（LRR）作为衡量长期变化趋势的主要指标。植被健康状况则通过转化型叶绿素吸收反射指数（TCARI）结合LandTrendr（LT）时间序列分割算法进行评估，以探测红树林的扰动和恢复模式。此外，研究还采用了半经验辐射传输（SERT）模型来估算研究区域的悬浮泥沙浓度（SSC），以探讨沉积物可用性与红树林动态之间的关系。模型的精度通过平均绝对百分比误差（MAPE）和均方根误差（RMSE）等指标进行严格评估，并利用包括谷歌地球影像、LREIS全球红树林数据集和香港土地利用（LUHK）红树林数据集在内的多源数据进行验证。
3.1. 红树林识别模型（MIM）的验证
MIM的验证采用了多源方法，涵盖了全球不同红树林生物群系的15个代表性区域。定量评估结果表明，该模型在红树林面积估算方面达到了很高的预测精度，MAPE为6.91%，RMSE为0.04 × 104ha。与ESA参考数据集的比较显示，MIM衍生的红树林分割结果具有很强的一致性。特别是在各种海岸地貌环境中，如河口、三角洲和海湾，该模型都能准确地捕捉到红树林的分布，保持了复杂的边界结构和狭窄的潮汐水道。与现有的高分辨率验证数据集相比，MIM能够识别出其他数据集未捕捉到的破碎化或濒死红树林斑块，显示了其在区域红树林制图方面的有效性和可靠性，为后续的时空分析奠定了坚实基础。
3.2. 红树林面积和岸线动态的变化
从2016年到2024年，水口和东涌的红树林生态系统在面积和岸线动态方面表现出显著不同的轨迹。水口的红树林面积呈现持续下降趋势，从0.77公顷缩减到仅0.39公顷，平均每年损失约0.048公顷。相反，东涌的红树林面积则逐步增加，从3.28公顷扩大到3.59公顷，对应年均增长0.059公顷。在岸线层面，水口的动态以侵蚀为主，侵蚀段占总红树林岸线数量的92%，而淤积段仅占8%，平均岸线退缩速率达-3.07米/年。与之形成鲜明对比的是，东涌则主要表现为淤积趋势，扩张岸线段占72%，远高于侵蚀段的28%，平均岸线扩张速率为0.85米/年。这种截然相反的趋势表明，水口正经历更严重的红树林退化和岸线侵蚀，而东涌则处于相对有利的发育环境中。
3.3. 示例分割结果
通过结合LandTrendr算法和TCARI指数对红树林变化和植被健康状况进行分析，揭示了两个区域不同的生态过程。在水口经历红树林损失的区域内，TCARI值随时间呈现一致下降，反映了植被健康状况的逐渐恶化。而在东涌的红树林增长区则表现出两种不同的时间模式：一个子区域伴随着TCARI值的稳步上升，表明植被活力逐步改善；另一个子区域则在早期扩张后，TCARI值趋于稳定，表明植被健康状况进入平台期。这些结果与观测到的红树林面积变化和岸线动态相吻合，进一步证实了环境压力对红树林生理状态的影响。
4.1. 不同模型的比较
为了评估Mask R-CNN的性能，研究还训练了Unet、FPN、DeepLabV3和DeepLabV3+等语义分割模型进行对比。尽管某些语义分割模型在交并比（IoU）上略有优势，但Mask R-CNN在多项指标上表现出竞争性强且稳健的性能，其总体精度（OA）达到94.34%，对红树林类别的精确度（Precision）为80.15%，F1分数为85.59%。更重要的是，在空间分割效果上，Mask R-CNN模型在边界划定和细节保存方面 consistently 优于其他模型，特别是在复杂的、异质性的或线性的红树林生境中，能有效减轻误分类，提供更精确和详细的分割结果。这表明实例分割框架在处理红树林这类具有复杂边界和破碎分布特点的地物时具有独特优势。
4.2. 悬浮泥沙浓度（SSC）的影响
沉积物的供应对红树林的生长和维持至关重要。对水口和东涌SSC的分析显示，两地SSC变化趋势存在差异。在2020年之前，由于香港国际机场第三跑道建设相关的大规模填海工程，两地的SSC均显著上升。2020年工程完成后，SSC开始下降。尽管东涌的SSC始终高于水口，但SSC的减少直接削弱了红树林生境的垂直淤积能力。水口海域SSC的显著下降（从2020年的0.052 g/L降至2024年的0.032 g/L）与观测到的向海区域红树林损失和TCARI值显示的植被健康恶化相一致。而在东涌，尽管子区域2在2018年后受到扰动，TCARI值趋于稳定而非继续上升，也暗示SSC的下降可能限制了植被健康的进一步改善。充足的沉积物供应是支持红树林长期向海进积的关键，SSC的减少无疑对红树林的发育产生了不利影响。
4.3. 海洋动力学的影响
生长在浅水潮间带的红树林极易受到波浪动力学的影响。分析表明，水口和东涌的波浪主要来自西至东北东方向，但波浪能量强度存在显著对比。水口面临强烈的波浪能量，超过0.8米高的波浪占比达6.3%，现场观测也发现了红树林气根裸露和濒死植株。与之相反，东涌的条件则平静得多，72.7%的波高低于0.2米，没有记录到超过0.8米的波浪，现场可见新建立的红树林幼苗向海扩张。水口持续的高能波浪影响可能是导致其红树林大面积向陆退缩的主要驱动力，这反映在其高达-3.37米/年的岸线侵蚀速率上，而东涌的侵蚀速率（-0.47米/年）则低得多。2018年两地均观测到的波高峰值与东涌子区域2出现的扰动在时间上吻合，波致应力可能中止了该区域植被状况的进一步改善。此外，根据昂坪潮汐站的记录，两地海平面上升速率缓慢（0.3毫米/年），远低于根据DEM坡度计算的平均垂直沉积物淤积速率（东涌12.36毫米/年，水口3.84毫米/年），表明海平面上升目前并非这两个区域红树林的主要威胁。
4.4. MIM的数据集差异与分割挑战
视觉对比揭示了MIM结果与LREIS全球红树林数据集以及LUHK数据集在水口区域存在明显差异，特别是在破碎化和濒死的红树林斑块方面。野外调查证实，MIM能够更准确地划定与谷歌地图影像对应的破碎化红树林斑块，有效捕捉了这些小斑块的空间异质性。然而，在植被复杂的环境中，MIM仍面临一些分割挑战，例如在红树林与盐沼植物或低矮灌木共存的过渡带可能出现误分类，阴影、潮水影响和混合像元效应会降低细边界的可分离性，以及由于哨兵2号10米分辨率的限制，小而稀疏的幼苗集群难以被持续检测到。
本研究通过整合深度学习、岸线变化建模、SSC估算和植被健康评估，为在数据稀缺和形态复杂条件下的长期红树林监测提供了一个综合性框架。主要结论包括：首先，应用Mask R-CNN框架结合哨兵2号影像建立的高精度红树林识别模型，在划定具有复杂边界的破碎化红树林斑块方面优于语义分割模型。其次，大屿岛两个代表性红树林群落在2016-2024年间表现出显著分异的趋势，水口红树林面积持续萎缩且岸线剧烈侵蚀，而东涌则呈现稳态扩张和岸线淤积。最关键的是，这种空间分异主要受不同的水动力和沉积物机制控制，水口的高波浪暴露和SSC下降共同导致了生境破碎化和岸线侵蚀加剧，而东涌则受益于更温和的波浪状况和有利的沉积动力学，为红树林的自然扩张提供了稳定的沉积底质。这些发现强调了波浪-沉积物耦合过程对红树林演替模式的关键控制作用。该研究成果不仅深化了对小尺度红树林动态的理解，也为在动态海岸系统中更广泛地应用深度学习模型进行生物物理制图提供了见解，对于制定针对性的保护策略以增强红树林在持续环境变化下的恢复力具有重要的指导意义。
