孙德尔本斯红树林长期动态与环境关联研究：遥感、机器学习与可解释人工智能的集成应用

《Remote Sensing》：Long-Term Mangrove Dynamics and Environmental Associations in the Sundarbans, Bangladesh: Integrating Remote Sensing, Machine Learning, and Explainable AI

　　

红树林生态系统尽管提供生物多样性保护、海岸防护和蓝碳储存等生态服务，却日益受到人为干扰和气候变化的威胁。针对红树林动态及其关联环境条件的长期评估仍然有限，尤其是在全球最大的红树林——孙德尔本斯地区。本研究利用多时相Landsat影像（1990–2025年）、随机森林（Random Forest, RF）、极限梯度提升（Extreme Gradient Boosting, XGBoost）和SHapley加性解释（SHapley Additive exPlanations, SHAP），考察了孟加拉国孙德尔本斯红树林生态系统的时空动态。模型性能通过全球红树林观察（Global Mangrove Watch, GMW）数据集和空间分块留出验证进行评估。在内部验证和空间分块验证下，分类精度较高（94.56–100%和93.5–99.8%），而与GMW的比较则产生较低的精度（66.4–95.7%）。变化检测显示，红树林面积从1990年的2096.66 km2扩展到2025年的3875.95 km2，净增加近1779.29 km2，期间存在显著的期际变异，并在2000–2005年间出现明显的制图面积下降。SHAP分析表明，模型预测因子的相对贡献随时间发生变化，近年来归一化差异植被指数（NDVI）对模型预测的贡献强于归一化差异水体指数（NDWI）和归一化差异水分指数（NDMI）。红树林的增加、减少和净变化与气旋暴露度和高程存在统计学关联，而降水与河流径流的关联则较不一致。本研究突显了一种监测脆弱沿海生态系统光谱动态的实用方法，并支持红树林保护工作。

论文解读

一、研究背景与意义

红树林是生长于热带、亚热带及部分干旱地区潮间带的常绿木本植物群落，在泥泞厌氧土壤、高盐度、高温、极端潮汐和过量沉积等严酷环境中形成了特殊适应性。红树林被视为地球上生产力最高的生态系统之一，承担蓝碳固存、岸线稳定、风暴潮防护、养分循环、生物多样性保护以及渔业和木材等直接经济收益等多重生态与生物物理功能。然而，全球红树林现存面积已不足历史水平的一半，且大部分处于退化状态，主要压力来自人口与发展压力、频繁风暴、海平面上升、海岸侵蚀和气候变化。

孙德尔本斯红树林位于孟加拉湾恒河、布拉马普特拉河和梅克纳河三角洲西南角，是全球最大的红树林生态系统，面积约10,000 km²，其中孟加拉国境内约6017 km²。该区域拥有528种维管植物、120种鱼类、35种爬行动物、270种鸟类和42种哺乳动物，先后被认定为全球生物圈保护区（1989年）、联合国教科文组织世界遗产地（1997年）和拉姆萨尔湿地（1992年）。然而，该区域正面临海平面上升、气候变化、海岸侵蚀、农业扩张、水产养殖（主要为虾塘）、盐业提取和基础设施建设等多重压力，加之2006年以来Sidr、Aila和Amphan等系列风暴的破坏，红树林生态系统持续退化。

已有研究主要集中于红树林范围测量、短期变化检测或孤立生态系统评估，缺乏跨越30年以上的长期生态动态综合评估；同时，以往基于机器学习的研究主要关注分类性能提升，对模型预测的可解释性及指示变量随时间的变化关注不足。本研究创新性地将多时相Landsat观测（1990–2025年）、随机森林（RF）和XGBoost分类以及基于SHAP的可解释人工智能相结合，量化孙德尔本斯红树林的长期动态，并揭示遥感派生预测因子相对贡献的时间变化，填补了上述知识空白。

二、主要技术方法

研究人员利用Google Earth Engine（GEE）平台获取1990、1995、2000、2005、2010、2015、2020和2025年共八个年份的Landsat 5 TM、Landsat 8 OLI和Landsat 9 OLI-2无云影像。影像经辐射与大气校正、云和阴影掩膜、年度中值合成、镶嵌和裁剪等预处理后，生成归一化差异植被指数（NDVI）、归一化差异水体指数（NDWI）和归一化差异水分指数（NDMI）等光谱指数，并结合NDVI派生植被指数（NDVI-VI）和数字高程模型（DEM）作为分类预测因子。研究人员采用随机森林（RF，200棵决策树，最大深度12）和极限梯度提升（XGBoost，300棵提升树，学习率0.05，最大深度6）两种机器学习算法，将研究区分为红树林、水体和非红树林三类。训练和验证样本通过分层随机抽样和目视解译生成，每年样本量3000至4200个，70%用于训练、30%用于验证。模型性能通过内部验证、空间分块留出验证（10 km空间分块）和外部GMW数据集比较三种方式评估。此外，研究人员利用CHIRPS v3降水数据、Copernicus GloFAS（v5.0）河流径流数据和NOAA IBTrACS v04r01气旋路径数据，通过混合效应回归模型和聚类普通最小二乘回归分析红树林变化与环境因子的统计关联。SHAP分析采用TreeExplainer解释XGBoost模型预测，评估各预测因子的相对贡献。

三、研究结果

3.1 红树林时空分布

研究期间孙德尔本斯红树林覆盖面积呈现显著时间波动。红树林面积从1990年的2096.66 km²减少至1995年的1827.97 km²，年损失率达53.74 km²·yr^?1；2000–2005年间出现最大损失率，达408.01 km²·yr^?1。1995–2000年和2005–2010年则出现显著增长期，年增长率分别为330.64 km²和231.51 km²。经误差校正后，红树林面积从1990年的2608.14 km²增至2025年的2978.77 km²，净增加370.63 km²。1990–2025年间，制图红树林覆盖总面积增加约1779.29 km²（年均50.84 km²·yr^?1）。空间上，红树林减少主要集中在东部和中部区域，西部区域覆盖相对较高。景观破碎化指标显示，斑块数量从1995年的52,776个降至2025年的2298个，斑块密度从31.22降至0.64个·km^?2，而最大斑块指数保持相对稳定（7.19–9.14%），表明大型红树林斑块在研究期间持续存在。

3.2 分类精度评估

RF分类器的总体精度范围为94.56%至100%，精确率、召回率和F1分数在0.95至1.00之间。2025年分类精度最高（100%），1995年最低（94.56%）。空间分块留出验证的总体精度为93.5–99.8%，而外部GMW比较的总体精度较低且波动较大（66.4–95.7%），2015–2025年间一致性较高。RF与XGBoost的像素级一致性为96.12–98.70%，RF在代表性年份（1990、2015、2025）中表现优于或等同于XGBoost，因此被选为主要分类模型。跨年迁移性分析显示，2010年训练的模型总体精度范围为0.365–0.790，2020年训练的模型范围为0.415–0.835，表明模型跨时间泛化能力存在显著变异。

3.3 红树林变化检测

1990–2000年间红树林损失最大（约855.52 km²），但增益占主导（约2240.07 km²）；2000–2015年间损失保持中等水平（约469.64 km²），增益减少（约347.37 km²），非红树林面积增加539.12 km²；2015–2025年间稳定红树林面积最大（约3281 km²），增益再次加速至约594.96 km²。增益和损失区域集中于孙德尔本斯中部，表明红树林与非红树林环境之间仍存在动态转换。

3.4 预测因子贡献与生态关联

SHAP分析显示，1990年NDWI是最大相对贡献者（占53.67%），而到2015年NDVI的贡献升至77.00%，2025年仍保持74.72%的主导地位。剔除NDVI-VI的敏感性分析确认了这一时间变化趋势并非由NDVI-VI引起。生态关联分析表明，红树林增益与降水（β = ?0.551）和气旋暴露度（β = ?0.149）呈负相关，与高程呈正相关（β = 0.223）；红树林损失与气旋暴露度呈正相关（β = 0.044），与高程呈负相关（β = ?0.100）；净变化与降水（β = ?0.599）、气旋暴露度（β = ?0.788）和河流径流（β = ?0.122）呈负相关，与高程呈正相关（β = 0.840）。敏感性分析表明气旋暴露度与高程的关联较为稳定，而降水和河流径流的关联一致性较低。

四、讨论与结论

讨论部分指出，研究期间红树林制图面积的净增加应被视为遥感制图范围的扩展而非生态系统健康状况改善的直接证据。红树林变化与气旋暴露度和高程的稳定关联与已有研究一致，表明严重风暴可破坏冠层并改变海岸条件。与泰国春武里府等跨区域研究的比较强调了方法论的可迁移性，但区域泛化仍需进一步验证。研究还讨论了传统制图方法（如最大似然分类、支持向量机）与本研究框架的差异，指出本研究结合SHAP可解释人工智能的优势。在保护管理方面，研究建议维持淡水流入、保护现有红树林、修复退化生态系统、减少不可持续的土地利用方式，并为脆弱沿海社区提供替代生计和定向金融支持。

研究结论表明，1990–2025年间孙德尔本斯红树林制图面积总体呈净增加趋势，但存在显著的期际波动和空间异质性；分类模型预测因子的相对贡献随时间发生变化，从NDWI主导转向NDVI主导；红树林增益、损失和净变化与气旋暴露度和高程存在统计学关联，而降水和河流径流的关联一致性较低。研究强调，所观测的变化应视为遥感红树林范围的变化而非生态变化的直接测量，未来研究需结合实地数据、沉积动力学和恢复记录，以区分生态恢复与遥感相关的不确定性。