尼日利亚红树林动态及其可持续性影响的持续年度监测:基于Sentinel-2、全球红树林监测项目及潮汐过滤技术的七年遥感分析
《Regional Studies in Marine Science》:Continuous annual monitoring of mangrove forest dynamics and sustainability implications in Nigeria: A seven-year remote sensing analysis using Sentinel-2, global mangrove watch, and tidal filtering
【字体:
大
中
小
】
时间:2026年01月16日
来源:Regional Studies in Marine Science 2.7
编辑推荐:
奥拉巴恩吉·奥杜纳约·阿拉德贾纳|巴巴图恩德·约瑟夫·法格博洪|伊斯雷尔·罗波·奥里莫洛耶|阿基诺拉·阿德苏吉·科莫拉费|吉莫赫·A·易卜拉欣 特立尼达和多巴哥圣奥古斯丁西印度大学测绘工程与土地管理系 摘要 红树林是高生产力的潮间带生态系统,能够提供碳封存、渔业支持以及海岸防护等
奥拉巴恩吉·奥杜纳约·阿拉德贾纳|巴巴图恩德·约瑟夫·法格博洪|伊斯雷尔·罗波·奥里莫洛耶|阿基诺拉·阿德苏吉·科莫拉费|吉莫赫·A·易卜拉欣 特立尼达和多巴哥圣奥古斯丁西印度大学测绘工程与土地管理系 摘要 红树林是高生产力的潮间带生态系统,能够提供碳封存、渔业支持以及海岸防护等重要服务,对这些沿海地区的可持续发展至关重要。然而,这些生态系统正面临着城市扩张、污染、森林砍伐以及气候变化带来的日益严重的压力。本研究利用在谷歌地球引擎云计算平台上处理的Sentinel-2影像,对尼日利亚五个关键沿海地区的红树林动态进行了为期七年的连续地理空间分析。为提高生态学精度,首先通过云层遮蔽对影像进行预处理,再利用FES2014潮汐模型过滤掉在不适宜的潮汐条件下获取的观测数据。随后生成年度中值NDVI合成图,并采用决策树分类方法,结合全球红树林监测数据及经过实地校准的光谱阈值,来绘制红树林分布范围。根据具有生态学意义的NDVI和NDWI阈值,将像素分类为红树林、非红树林或水域。分类准确率始终保持在较高水平,介于88.89%至95.19%之间,Kappa值在0.78至0.90之间。分析结果显示出各区域的差异:贝耶尔萨地区有轻微的净增长,卡拉巴尔-喀麦隆地区及哈科特港出现中度下降,拉各斯虽有少量但变化较大的损失,而瓦里地区则相对稳定。值得注意的是,处于过渡状态且分布零散的红树林有所减少,表明生态系统边缘正在退化。这些发现凸显了将地球观测数据与潮汐状况及基于云端的地理空间处理技术相结合的重要性,有助于制定针对性的保护、恢复措施以及沿海资源规划。该研究强调了制定适应不同区域的红树林管理策略的必要性,这也是实现更广泛可持续发展目标的重要举措。引言 红树林主要分布于热带地区,它们在潮间带形成了独特的生态系统(Kathiresan和Bingham,2001)。这类生态系统为众多海洋生物提供了重要的繁殖场所和食物来源,从而维持了丰富的生物多样性(Nagelkerken等人,2008;Souza等人,2018)。除了促进生物多样性外,红树林还能过滤污染物、稳定沉积物,保护海岸免受侵蚀和洪水侵袭(Geva?a等人,2019)。此外,红树林在碳封存方面也发挥着重要作用,同时还是当地渔业发展的基础,渔业的产量与红树林生境的健康状况密切相关(Primavera,1998;Primavera,1995)。在许多发展中国家,保护红树林对于维持鱼类资源及保障粮食安全具有重要意义(Glaser等人,2010)。尽管红树林具有如此重要的价值,但它们却面临着气候变化、森林砍伐以及城市化带来的日益严重的威胁,过去五十年来,全球红树林覆盖面积减少了20%至35%(Polidoro等人,2010)。如果这种趋势持续下去,到本世纪末,多达40%的红树林生态系统可能会消失,这将严重影响它们的生态功能以及所带来的社会经济利益(Duke等人,2007)。鉴于这些日益严重的威胁以及进行精准监测的迫切需求,卫星图像,尤其是Sentinel-2任务提供的数据,被广泛用于监测红树林的动态变化。最近的一些研究显示,印度奥里萨邦、中国以及塞内加尔等地的红树林面积有所增加(Mondal等人,2019;Parida和Kumar,2020;Zhang等人,2022)。由于对红树林进行深入研究需要处理海量数据,将Sentinel-2影像与谷歌地球引擎这样的云计算平台相结合,就能够生成高分辨率的全国范围红树林地图,从而更精准地识别小面积红树林区域,并提升整体分类的准确性(Hu等人,2020)。随着高分辨率卫星系统的出现,以及这些卫星在空间分辨率、光谱分辨率和纹理分辨率方面的提升,例如WorldView-3和IKONOS-2,红树林识别和绘图的精度也取得了显著进步(Everitt等人,2008;Heenkenda等人,2014;Xun和Wang,2015)。在卫星监测技术不断发展的基础上,人们采用了多种图像分类算法,用于中高分辨率影像下的红树林测绘与监测(Everitt等人,1996;Green等人,1998)。近年来,随机森林和卷积神经网络等集成模型和深度学习模型因其强大的预测能力而备受关注(Belgiu和Dr?gu?,2016)。不过,在生态学应用中,单一决策树分类器依然具有价值,因为它们能够提供明确且可追溯的光谱决策规则,这些规则可以与已知的植被和水体指数阈值直接对应,便于领域专家对分类依据进行验证或调整(Maurya等人,2023)。虽然这类方法的准确率可能低于集成型的“黑箱”模型,但其透明度有助于科学解读、为相关决策提供依据,同时也有助于更好地理解生态条件如何影响分类结果。尽管这些分类技术十分有效,但基于遥感技术的红树林测绘与监测仍面临两大挑战:潮汐变化以及与周边植被的光谱混合,这两者都可能导致多时相现场情况的错误呈现。许多研究仍然依赖单日期数据集,或是以稀疏且不规律的时间间隔收集的多时相数据,这会导致结果过于简化、出现平均化现象,还会掩盖生态变化的多样性,进而使过渡性变化难以察觉,同时在变化速率的评估中引入偏差(Boyle等人,2014)。在潮汐变化的背景下,这些问题尤为突出,因为在涨潮时,卫星影像会表现出极大的差异性,这不仅改变了潮间带的环境光谱特征,还增加了分类的难度(Fischer等人,2017)。当低潮和中等潮位的潮间带被水淹没时,红树林的光谱特征会发生改变,从而导致分类结果出现不一致(Zhang等人,2017;Zhang和Tian,2013)。例如,在塔斯马尼亚的塔马尔河口,潮汐状况显著影响了表面反射率与浊度之间的关系,涨潮时浊度与MODIS第1波段反射率之间的R2值从0.2958上升到了0.4784(Fischer等人,2017)。为了解决潮汐变化带来的问题,应在退潮时或特定潮汐条件下获取卫星影像,这样才能让红树林完整地显露出来,进而提高分类的准确性(Zhang等人,2017)。此外,红树林的光谱特征往往与周围的植被类型,如盐沼或陆地森林相似,这就导致了光谱混合现象。这种光谱重叠进一步增加了准确分类的难度,尤其是在使用中分辨率影像时(Li和Gong,2016)。为了解决这些问题,一些较新的方法将明确的潮汐分析与NDVI和NDWI等光谱指数相结合,以此增强植被区分度,减少错误分类。这种双重策略通过考虑潮汐引起的光谱变化,降低与周边植被的混淆,从而实现更准确的分类。通过每年生成密集的中值合成图,还可以在平衡时间覆盖范围和减少噪声之间取得良好效果,进而提升红树林测绘结果的一致性和可靠性。例如,Li等人(2011)利用四幅不同潮位下的HJ CCD卫星影像,提取了被水淹没的红树林的光谱特征。通过分析四波段在低潮和高潮时的特征,他们开发出了用于识别红树林的多层决策树算法。这样的阈值以及基于规则的框架,有助于人们直接理解不同潮汐状态下的光谱响应,同时也便于结合专家对当地潮汐与植被关系的了解。同样,Saravanan等人(2019)也采用了基于NDVI和NDWI指数的监督分类技术,来绘制穆图佩泻湖地区红树林分布的时空变化情况。此外,Zhang等人(2022)提出了一种新算法,该算法结合潮位和物候特征,能够在次大陆尺度上绘制包括红树林在内的潮汐湿地分布图,且分类精度很高。这些研究有效地解决了单日期数据集的局限性,同时也凸显了利用多时相影像进行精准红树林分类的潜力。此外,基于决策树的分类方法在计算效率方面也具有优势(Purwanto等人,2022),无需像随机森林这类集成方法那样需要大量的训练数据和复杂的参数调整,因此非常适合用于大规模、连续且多时相的红树林评估(Belgiu和Dr?gu?,2016)。虽然这些方法上的进步提升了分类的准确性,但要想实现有效的红树林测绘与监测,还必须有高质量的参考数据以及可靠的地面实测数据作为支撑。准确的测绘对于追踪这些受自然因素和人类活动共同影响的动态生态系统的变化至关重要。结合实地调查数据,全球数据库为评估红树林的分布范围、变化趋势以及恢复情况提供了坚实的基础。全球红树林监测项目(GMW)(Bunting等人,2022;Bunting等人,2018;Thomas等人,2017)便是这方面的重要成果,该项目利用了包括Landsat TM光学影像以及日本ALOS PALSAR雷达数据在内的多种来源数据。2010年,GMW制定了初始的红树林分布图,后来又利用同年获取的Sentinel-2影像对其进行了优化,最终达到了95.1%的准确率(Bunting等人,2022)。基于这些成果,GMW数据集成为了监测红树林变化的可靠全球基准。其标准化、统一的方法避免了区域数据集存在的不一致性问题,从而便于开展大范围的生态系统评估(Awty-Carroll等人,2019)。另外,利用Sentinel-1和ALOS PALSAR-2雷达数据,即使在云层覆盖、地处偏远或难以监测的地区,也能实现超过95%的分类准确率(Bunting等人,2018;Lymburner等人,2020)。GMW还提供了自1996年以来的历史数据记录,其中2010年和2015年等关键年份的数据有助于分析红树林的增减及恢复情况(Bunting等人,2022;Bunting等人,2018;Thomas等人,2017)。由于其易于获取且覆盖范围连贯,该数据集已成为研究人员以及保护工作的重要资源,尤其是在那些技术能力有限的地区。采用基于阈值或决策树的分类框架,与以往的成功经验相一致(Bunting等人,2018;Hamilton和Casey,2016),因此便于与GMW基准数据进行方法上的对比,从而便于不同研究之间的相互验证。对于非洲而言,了解这些全球性的进展尤为重要,因为那里的红树林虽然覆盖面积约为35,000平方公里,但却极易受到自然和人类活动的威胁(Diop等人,2002)。虽然气候变异、海岸侵蚀和沉积作用也会对红树林造成压力,但在西非地区,人类活动,尤其是森林砍伐、不可持续的资源开采以及工业污染,才是导致红树林减少的主要原因。尼日利亚南部,尤其是尼日尔三角洲和拉各斯地区,拥有约7300平方公里的红树林,占西非地区红树林总面积的三分之一(Onyena和Sam,2020)。尽管这些红树林具有重要的生态价值,但却面临着巨大的压力。石油泄漏尤其具有破坏性,尼日尔三角洲地区的石油泄漏事件导致了全球范围内约37%的红树林受损(Duke,2016)。其他主要威胁还包括森林砍伐、过度采伐、挖泥作业、城市扩张、湿地填埋,以及尼帕棕榈树等入侵物种的侵害(Nwobi等人,2020)。拉各斯等城市的工业污染进一步加剧了红树林的退化(Nkwoji等人,2020)。已有许多研究对尼日利亚红树林的时空动态进行了分析,结果一致表明,这些红树林是全球退化最严重且研究最少的红树林之一(Zabbey和Uyi,2014)。有鉴于此,本研究旨在监测2017年至2023年间尼日利亚南部的红树林分布变化情况。本研究以GMW数据集作为基准,再结合Sentinel-2系列影像以及从FES2014潮汐模型中获得的特定潮位信息,生成年度中值合成图,以便进行连续的时间序列分析。此外,还将利用基于NDVI和NDWI阈值的决策树方法来对红树林区域进行分类。研究区域 尼日利亚的红树林(见图1)沿着整个海岸线分布,从西部的拉各斯一直延伸到东部的卡拉巴尔,覆盖面积超过7300平方公里(Spalding,2010)。在西部地区(见图1E),拉各斯的沿海潮汐泻湖系统将东部的红树林与莱基泻湖相连,同时与邻国贝宁的科托努红树林相连接。不幸的是,由于过度开发和严重的污染,拉各斯的红树林已经出现了严重的退化现象。向东延伸,海岸线主要由…… 数据与方法 本研究采用了多种方法来评估红树林分布的变化情况(见图2)。所有的卫星数据获取、预处理和分析工作都是在谷歌地球引擎这一基于云端的地理空间处理平台上完成的(Gorelick等人,2017),该平台能够在云基础设施上直接处理大规模的卫星数据、去除云层影响并进行统计合成。Sentinel-2 Level-2A影像(经过大气校正的表面反射率影像)则是通过…… 潮位分析 通过分析尼日利亚南部各个红树林区域的潮汐数据,取第25百分位数和第75百分位数所对应的潮位范围,来确定用于筛选Sentinel-2影像的潮位阈值。表3显示,最低潮位阈值在卡拉巴尔-喀麦隆地区为-0.71米,而在拉各斯则为-0.48米;最高潮位阈值则在拉各斯为0.15米,而在卡拉巴尔-喀麦隆地区为0.22米。运用这些阈值进行筛选后,Sentinel-2影像所需分析的时间步数大幅减少。例如,在《尼日利亚红树林退化的区域驱动因素与管理意义》一文中提到,尼日利亚的红树林生态系统提供了重要的生态、经济和保护功能,但却日益受到各种人为压力的威胁。这些红树林主要分布在尼日尔三角洲,约占尼日利亚陆地面积的1%(Diop等人,2002年;Spalding,2010年)。导致红树林退化的关键因素包括快速的城市扩张、石油污染、如尼帕棕榈等入侵物种的蔓延,以及大规模的基础设施建设。
结论与建议:本研究利用全球红树林监测数据集和Sentinel-2卫星图像等遥感技术,对尼日利亚西南部和喀麦隆的红树林动态进行了为期七年的全面分析。与那些采用2到5年时间间隔的研究不同,我们的方法能够捕捉到每年的变化,没有时间上的遗漏,从而更精细地追踪生态系统的波动。通过使用经过云层遮蔽处理后的几何中值合成图像以及选择最佳的潮汐条件,确保了红树林数据的准确性。
CRediT作者贡献说明:
Israel Ropo Orimoloye:软件应用、研究方法、定量分析、数据整理、概念构建。
Babatunde Joseph Fagbohun:结果验证、研究指导、软件应用、研究方法、实地调查、定量分析。
Olabanji Odunayo Aladejana:文章润色与编辑、初稿撰写、结果验证、研究指导、项目管理、研究方法、定量分析、概念构建。
Ibrahim Jimoh A:数据可视化、结果验证、软件应用、资源协调、项目管理、定量分析。
资金支持:本研究未获得任何资金支持。
利益冲突声明:作者们声明自己不存在任何可能影响本文研究成果的已知财务利益或个人关系。所有作者均已阅读并批准了最终稿件,确认该研究内容为原创,未曾发表过,也不存在在其他地方投稿的情况。通讯作者承担代表所有共同作者提交稿件的全部责任。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号