利用遥感与人工智能技术综合分析印度尼西亚三宝垄沿海地区的红树林动态及蓝碳潜力

《Regional Studies in Marine Science》：Remote sensing and artificial intelligence for integrated analysis of mangrove dynamics and blue carbon potential in the Semarang coastal area, Indonesia

　　尤莉安娜·苏西洛瓦蒂|阿尤贝拉·安格莱伊尼·莱克索诺|艾尔莎·拉克米·德维|苏奇安蒂尼|瓦万·亨德里亚万·努尔|德维·普斯皮塔萨里·莱克索诺|普特里·拉拉萨蒂·莱克索诺|拉赫米迪安·武兰达纳•运用综合遥感与人工智能技术绘制2000年至2024年三宝垄沿海地区红树林变化图。•在四种人工智能分类算法中，随机森林的准确率最高，达到78.7%。•红树林损失面积为2,173.69公顷，相当于减少了217万吨二氧化碳当量的蓝碳。•通过恢复措施可重新种植2,000公顷红树林，从而固定100万吨二氧化碳当量的碳（价值1090万至2170万美元）。•此类措施有助于印度尼西亚实现其国家自主贡献目标。引言红树林是重要的蓝碳生态系统，因其能够将大量有机碳储存在生物量及沉积物中，所以在减缓气候变化及增强海岸带抵御能力方面发挥着关键作用（Alongi, 2012; Donato等人，2011）。其厌氧、积水型的土壤可减缓有机物分解速度，使得每公顷红树林储存的碳量是大多数陆地森林的四倍，因此红树林堪称全球最有效的天然碳汇之一（Alongi, 2014; Donato等人，2011）。在印度尼西亚，红树林生态系统的碳储量估计为820–1,090兆克碳/公顷，这一数值凸显了其全球重要性，也表明亟需通过强有力的治理措施及多方协作来保障其持续保护（Sidik等人，2018）。然而，侵蚀、海床堆积、土地开垦等海岸带活动会降低红树林的碳储存能力，还会增加其遭受洪水侵袭和栖息地丧失的风险（Friess等人，2019）。因此，保护和恢复这些生态系统不仅有助于碳封存与减排，还能带来诸多协同效益，比如生物多样性保护、海岸线稳定，以及通过碳信用机制改善当地居民的生活条件（Howard等人，2017; Mcleod等人，2011）。印度尼西亚推出的红树林修复计划以及参与REDD+框架等国家举措，展现了将碳金融与社区参与式保护相结合的有效路径，有助于提升生态系统的抵御能力并推动可持续的海岸管理（Murdiyarso等人，2015; Donato等人，2011）。鉴于上述需求，对红树林及海岸线的动态变化进行测绘与监测，对于了解海岸地貌过程以及制定有效的保护与恢复策略至关重要。本研究聚焦印度尼西亚重要且变化频繁的三宝垄沿海地区，该地区正日益受到海岸退化、地面沉降以及城市工业发展压力的影响。本研究借助遥感技术与人工智能技术，对印度尼西亚三宝垄沿海地区的红树林动态及蓝碳潜力进行了综合分析。三宝垄海岸面临着城市扩张、工业发展、土地开垦以及地面沉降等严重威胁，这些因素导致了红树林的严重退化以及海岸线的不断后退（Marfai等人，2008; Cahyadi等人，2011）。先前的研究显示，1991年至2009年间，由于海平面上升速度高达每年12.83毫米，加上地面沉降速率在每年8–13厘米之间，尤其是格努克、丹戎马斯和特尔博约等地，已有超过1,700公顷的土地遭到破坏（Suripin & Helmi, 2010）。由于全球变暖以及地面沉降的加剧，相对海平面上升现象愈发严重，而在印度尼西亚三宝垄等地，由于地下水抽取导致地面沉降速度可达每年10厘米，这进一步加剧了侵蚀现象，提升了海岸带的灾害风险（Mentaschi等人，2018）。尽管面临诸多挑战，但在曼古恩哈乔、曼康和塔帕克等地开展的基于社区的恢复工作已取得了显著的生态恢复效果，同时也提升了海岸线的稳定性（Martuti等人，2022），为将生态系统修复与碳金融及改善居民生计相结合的更广泛的蓝碳项目提供了支撑（Donato等人，2011）。近期的一些研究表明，遥感技术作为工具，在各类地区的海岸监测、生态系统评估以及气候适应性管理工作中发挥着越来越重要的作用。遥感技术可通过持续观测土地利用变化、海岸线迁移以及海平面上升情况，为海岸保护提供有力支持（Masria, 2024）；而一些大规模的脆弱性评估研究则揭示了工业化、污染以及城市扩张如何加剧中国大陆地区的红树林脆弱性（She等人，2025）。尽管存在技术和环境方面的挑战，但无人机以及不断提升的当地监测能力为巴布亚新几内亚的红树林监测提供了重要机遇（Mohan等人，2025）；此外，诸如Setiawan等人所应用的马里托雷纳模型这类基于遥感反射率的模型，可为印度尼西亚的气候适应工作提供高精度的水质评估结果。多传感器生态学研究也展现了类似的优势：Amone-Mabuto等人（2024）利用Sentinel-2卫星数据、无人机影像以及机器学习技术，检测到马普托湾的海草草甸面积减少了33.4%；而Sofue等人（2025）则将卫星数据与当地社区的观察结果相结合，用于绘制菲律宾和印度尼西亚地区的红树林变化图。在海岸线分析方面，Cabarcas-Mier等人（2025）运用基于经验正交函数的方法，识别出了圣安德烈斯的典型横向侵蚀模式；还有其他研究展示了遥感技术如何捕捉极端的地貌变化，比如印度尼西亚三宝垄的萨永地区每年发生25米的严重侵蚀现象（Muskananfola等人，2020），以及土耳其萨姆松地区的由建筑活动引发的侵蚀与海床堆积循环现象（Ayalke, 2023）。自动海岸线提取技术的精度现已超过91%（Chai等人，2025）；而查尔库克里穆克里岛因沉积物作用而形成的26.44平方公里陆地面积的增加，也证明了该技术能够有效识别长期的地貌变化趋势（Karmaker等人，2025）。混合碳评估方法同样受益于遥感技术，通过结合生物量测量与卫星数据，人们将海榄雌红树林生态系统中的碳储量估算值从116.58兆克碳/公顷提高到了127.89兆克碳/公顷（Singh等人，2023）。综上所述，这些研究都表明，遥感技术以及随机森林、支持向量机、卷积神经网络等新兴的机器学习/深度学习技术，为理解海岸变化以及制定基于数据的可持续海岸管理策略提供了强大且高效的工具。尽管在大规模红树林测绘方面遥感技术发挥了重要作用，但仍存在一些难题，尤其是在识别小型红树林斑块以及混合土地覆盖类型时存在困难；高分辨率影像受成本和获取条件的限制，而像Landsat这样的中分辨率卫星虽然覆盖范围更广，但细节表现不足（Chen等人，2017; Giri等人，2011）。不过，借助Sentinel-1合成孔径雷达数据以及Sentinel-2多光谱数据，再加上Google Earth Engine之类的平台，目前已实现了更高的空间和时间分辨率，从而能够进行更加精确的大规模测绘，甚至在国家层面也能实现此类测绘，中国沿海红树林的相关研究便体现了这一点（Manna等人，2018; Chen等人，2017）。Luojia Hu等人（2020）总结了红树林测绘领域的最新进展，指出将高分辨率的多传感器时间序列数据，如整合在Google Earth Engine中的Sentinel-1和Sentinel-2数据，应用于分类任务，可以提高分类精度，进而帮助识别较小的红树林斑块。然而，目前大多数研究主要关注测绘精度，而对于影响红树林动态变化的驱动因素及其相互关联机制，尤其是这些因素与海岸线变化以及人类活动之间的联系，研究力度仍显不足。在三宝垄这样复杂的海岸系统中，地貌过程、地面沉降以及城市发展之间的非线性相互作用共同决定了红树林的变化趋势，因此填补这一研究空白显得尤为重要。本研究通过整合遥感技术与人工智能方法，分析了2000年至2024年三宝垄沿海地区红树林土地覆盖变化的时空动态特征。我们利用2000年至2024年的多时相Landsat卫星影像来分析红树林及海岸线的变化情况。虽然Sentinel卫星数据的空间分辨率更高，但其数据仅从2015年开始获取，而Landsat卫星则拥有长期、连续的观测数据，这为我们分析数十年的变化趋势及其背后的驱动因素提供了有力支持。通过遥感与人工智能技术的结合，本研究不仅能够绘制出红树林的变化图，识别出不同的土地覆盖类型转变，还能分析红树林损失与海岸线后退之间的关系，确定优先进行恢复的区域，同时估算因森林砍伐产生的碳排放量以及通过碳交易实现红树林恢复所带来的经济价值。这项研究从空间维度全面揭示了自然因素与人为因素如何共同影响红树林的动态变化，为制定具有针对性且基于实证的海岸管理策略提供了重要依据。材料与方法本研究分析了过去25年（2000–2024年）三宝垄沿海地区红树林土地覆盖变化的时空动态特征。我们利用多时相Landsat卫星影像对红树林、水域、建筑区以及其他植被类型的分布变化进行了分类与量化分析。为了确保较高的分类精度，我们采用了四种基于人工智能的分类算法，即分类回归树算法、K最近邻算法、随机森林算法以及梯度提升树算法。红树林动态变化图5、图6、图7和图8共同展示了如何运用四种基于人工智能的分类模型——分类回归树算法、K最近邻算法、随机森林算法以及梯度提升树算法，来分析2000年至2024年三宝垄沿海地区土地覆盖变化的时空动态特征。三宝垄沿海地区的总面积约为37,058公顷，其四种主要土地覆盖类型——水域（蓝色）、红树林（黄色）、建筑区（红色）以及其他植被类型——之间发生了显著的变化。讨论政府政策与管理措施在塑造三宝垄沿海地区的红树林及海岸带状况方面发挥了重要作用。在过去的二十年中，当地政府部门、科研机构、非政府组织以及沿海社区纷纷实施了各种红树林修复与海岸保护项目，旨在应对海岸侵蚀、潮汐洪水以及生态系统退化等问题。在西部沿海区域，尤其是曼古恩哈乔等地，……结论本研究证明，将遥感技术与先进的人工智能分类及预测建模技术相结合，能够为分析2000年至2024年三宝垄地区的海岸变化提供全面而有力的框架。在各项测试算法中，随机森林算法和梯度提升树算法的表现最为出色，它们能够精准捕捉海岸土地覆盖变化所具有的非线性及复杂性特征。研究结果表明，该地区的海岸系统正在发生从自然状态向高度……资金支持我们感谢电子与信息研究组织以及国家研究与创新机构提供的资金支持。此项研究属于电子与信息研究组织、国家研究与创新机构旗下的地理信息学原型创新研究成果计划的一部分。关于写作过程中生成式人工智能及人工智能辅助技术的声明在撰写本研究报告时，作者使用了ChatGPT来优化语言表达和提升文本可读性。在使用该工具后，作者对内容进行了必要的审核与修改，并对最终发表的内容承担全部责任。关于利益冲突的声明作者声明自己不存在任何可能影响本研究结果的已知财务利益或个人关系。致谢我们感谢电子与信息研究组织以及国家研究与创新机构提供的资金支持。同时，我们也感谢国家研究与创新机构的气候与大气研究中心给予我们的支持以及宝贵的意见交流。