基于36年密集Landsat和HLSv2.0时间序列，利用BTSAD和CBPA方法监测全球红树林空间演变与功能退化

《Remote Sensing of Environment》：Monitoring global mangrove spatial evolution and functional degradation using BTSAD and CBPA methods over a 36-year dense Landsat and HLSv2.0 time series

　　

•提出了一种新型双向时序状态感知检测方法（BTSAD），用于追踪全球红树林的二次扩张与流失。•揭示了全球红树林（1988—2024年）八种典型的演化轨迹。•巴西-RM表现出最大的红树林功能退化风险（4.535），而中国-BER则表现出最高的本征不稳定性（23.648）。•盐度和风力对红树林功能特征施加快速、瞬态的约束（1—2个月滞后），而降水和温度则施加累积性、滞后性控制（3—6个月滞后）。•2013—2018年间，红树林活力的主导驱动因子经历了从自然驱动向人-自然耦联影响的结构性转变。引言红树林是陆地与海洋生态系统之间关键过渡带，提供不可替的服务，对于实现联合国可持续发展目标（SDGs）和《全球生物多样性框架》至关重要（Lovelock等，2025）。尽管其生态意义重大，但1996年至2020年间，全球红树林面积下降了3.4%，流失速度是扩张速度的两倍（Bunting等，2022）。在气候变率、极端事件和人为扰动的叠加影响下，红树林的生理状况持续恶化，反映在叶绿素含量和整体植被活力等功能特征的下降（Yang等，2024）。红树林退化主要通过两条途径发生：一是直接的人为干扰（如水产养殖转化和砍伐），表现为空间面积流失和景观破碎化；二是环境胁迫因子（如水文干扰和季节性土壤盐渍化），表现为通过水分胁迫和叶绿素降解导致的功能性冠层衰退（Solangi等，2025；Gong等，2026；Ge等，2025）。因此，在当前红树林面临空间缩减与功能退化双重压力的背景下，亟需开发一种综合评估框架，能够同时监测空间动态、功能健康状况和潜在驱动机制，以促进基于证据的可持续红树林管理。目前监测红树林动态的方法主要依赖多时相图像分类或时序变化检测。前者利用机器学习或深度学习模型对不同时相的图像进行独立分类，随后通过比较不同时相的像元转换来推断变化（Parshakov等，2025；Solangi等，2025）。虽然该方法能有效检测离散变化，但往往难以捕捉演替过程的连续性，也难以量化渐进性和突变性变化的幅度。近期，基于GEE的时序方法（如LandTrendr和DECODER）通过函数拟合和变点检测追踪显著突变，推进了时空动态的研究（Huang等，2025）。然而，这些技术主要设计用于识别单一变化事件，从而忽略了长期演化轨迹的复杂性。特别是二次扩张和二次流失事件的检测仍然探索不足，制约了完整红树林演化路径的高分辨率重建。以往研究强调，仅凭空间格局变化不足以全面捕捉红树林生态状况（Friess等，2019），突显了通过功能特征变化评估生理状况的必要性。相关方法主要包括时序趋势分析和模式分解。传统技术如Mann-Kendall检验、Theil-Sen斜率估计和回归分析可以识别长时尺下功能特征变化的方向和速率（Pan等，2025）。然而，通过将复杂的时序动态简化为汇总趋势统计量，这些方法往往掩盖了特定阶段的变异性。时序分解方法（如STL、EEMD、BFAST）将功能特征序列分解为长期趋势、季节波动和扰动分量，能够检测变化方向和突变拐点。然而，由于它们独立地对单个像元时序序列进行操作，忽略了邻近像元间的空间相关性，从而掩盖了空间聚类特征。相比之下，时空模式挖掘（STPM）将时序信息融入Getis-Ord Gi*框架，能够同时评估时间持续性和空间聚类模式（Tian等，2025）。然而，STPM基于统计显著性对趋势进行分类，这可能掩盖未达显著性阈值区域中具有生态学意义的信号。将STPM与DTW-K均值聚类相结合为分析这些区域提供了互补视角，从而为全面刻画红树林功能特征动态提供了一种新的分析途径。与趋势分析表征整体生长轨迹不同，退化风险评估特别关注偏离定义的健全参考状态的幅度和性质（Wei等，2025a, b）。以往方法主要包括三类：阈值法、双时相指数差值法和时序趋势分析法。阈值法通过将植被指数（如NDVI、EVI、MVI）与专家定义的阈值进行比较来分类退化，低于阈值的值被解释为退化（Le等，2020）。然而，它们对经验定义的截止值的重度依赖导致标准不一致，且难以捕捉连续的功能性衰退。双时相差值法通过比较两个离散时间点的植被指数值来量化变化，将下降解释为退化证据（Etemadi等，2021）。虽然简便，但其稀疏的时间采样无法检测在演替阶段中逐渐累积的潜在退化风险。时序趋势分析法将显著的单调下降识别为退化信号。然而，由于集中于变化的总体方向，该方法未能充分利用时序序列中高、低频分量中嵌入的丰富多尺度信息，从而限制了定量风险分析的深度。因此，亟需一种不依赖阈值、基于时序的分析框架，能够系统性地利用高、低频信号来支持定量退化风险评估。理解红树林功能特征动态背后的驱动机制对于阐明生态系统变化的原因以及退化风险累积的过程至关重要。该领域的当前研究主要使用三种方法：统计相关分析、可解释机器学习和结构方程模型。统计相关方法具有结构简单和直观可解释性的优势，适用于跨多个站点或长时间尺度的潜在关键驱动因子的初步识别（Chopping等，2022）。然而，其捕捉复杂交互作用的能力有限。可解释机器学习模型擅长建模驱动因子之间的非线性关系和交互效应；通过特征重要性分析、SHAP和LIME等技术，能够定量评估环境因子对功能特征变异的相对贡献（Liu等，2025）。结构方程模型（SEM）提供了一个基于网络的框架，可以同时分析多因子的直接和间接效应，在解耦复杂因果路径方面具有独特优势（Sesnie等，2022）。尽管有这些优势，现有方法主要依赖同期时序分析，因此未能考虑许多环境影响对红树林功能特征所特有的时间滞后效应（Ding等，2020）。因此，有必要开发一种明确纳入时间滞后环境响应的结构方程模型框架，以实现对这些驱动机制的准确和全面解读。为弥补上述研究空白，本研究开发了一个综合遥感框架，整合BTSAD和CBPA方法，利用1988—2024年Landsat和HLSv2.0影像的36年密集时序数据监测全球红树林的空间演化和功能退化。该框架将时空动态监测、功能特征模式挖掘、生长异常检测和驱动机制分析相结合，以探索关键功能特征如何响应人为干扰和环境压力。主要贡献如下：（1）我们综合了1988—2024年间全球红树林动态的八种典型演化轨迹，并开发了双向时序状态感知检测（BTSAD）算法。该方法能够准确量化不同生境类型中的扩张和流失过程，实现对全球代表性红树林系统时空分布模式的连续、高保真监测。（2）我们设计了一种结合时空模式挖掘（STPM）与DTW-K均值聚类的联合时空挖掘策略。该方法能够识别和分解红树林功能特征的动态演化模式，为从功能特征角度评估红树林对环境梯度的差异性适应能力提供了一种新的分析视角。（3）我们提出了一种新型CEEMDAN-BIC-PELT分析（CBPA）框架，能够自适应地量化红树林生态系统时序信号中的生长不稳定性与退化风险。该框架揭示了由多种环境和人为因素相互作用驱动的系统性生长异常模式。（4）我们提出了一种时间滞后响应结构方程模型（TLR-SEM），在网络分析框架中明确纳入了环境驱动因子的滞后效应。该模型揭示了人类活动、气候变率和水文因子共同影响下全球红树林功能特征的综合滞后响应关系，从而为识别不同演替阶段主导驱动力的转变提供了坚实依据。章节摘要研究区域为系统调查不同主导驱动力量下红树林的时空演化格局，我们选择了全球六个代表性红树林区域，在三种生态背景——人为主导型、极端环境型和自然演替型——之间构建了比较梯度网络（图1）。这些区域在人为干扰强度、水文格局和气候背景方面表现出显著梯度，从而提供了理想的...方法我们的方法框架由四个核心组成部分构成（图2），旨在通过空间演化、功能响应、退化风险和环境驱动四个维度来表征红树林生态系统动态：（1）开发双向时序状态感知检测（BTSAD）算法，基于Google Earth Engine的1988—2024年时序数据集重建长期红树林空间演化轨迹，捕捉变化的时机、方向和空间...动态监测的精度评估双向时序状态感知检测（BTSAD）算法在六个研究区域的长期监测中表现出稳健的性能，得出两年期总体精度（OA）为0.730—0.934（图S4）和宏F1得分为0.717—0.945（图8）。两项评估指标均表现出高度一致的时空格局和年际波动。值得注意的是，出现了明显的纬度梯度：中低纬度区域（中国-BER、美国-ENP、印度-SW）持续取得...红树林空间扩张的异质性各研究站点的空间扩张格局和演化轨迹表现出显著的区域异质性，受内外部驱动因子的复杂交互影响。内部方面，这些动态受成熟森林群落自我更新能力的制约；外部方面，它们受到政策驱动的造林、水文潮汐侵蚀以及飓风等极端气象事件的主动调节。初始扩张主导了中国-BER，...结论本研究展示了整合空间演化与功能特征——红树林生态健康评估的两个关键维度——的潜力。具体而言，我们开发了一种新型BTSAD算法，利用36年多光谱时序数据（1988—2024年）监测全球红树林扩张与流失动态，并结合STPM与DTW-K均值聚类对功能特征进行了刻画。我们进一步提出了一种自适应CBPA框架，以定量评估潜在的功能性退化...CRediT作者贡献声明傅伯琳：写作—审阅与编辑、写作—原稿撰写、资金获取、概念化。易卫平：写作—审阅与编辑、写作—原稿撰写、软件、方法论。王叶乔：写作—审阅与编辑、监督指导。姚航：软件、方法论。贾明明：验证、监督指导。高尔涛：调查、数据整理。樊东林：调查、数据整理。资金本研究由国家自然科学基金委（项目编号42371341）、广西壮族自治区自然科学基金（项目编号2025GXNSFFA069008）和广西研究生教育创新项目（项目编号YCSW2025397）资助。利益冲突声明作者声明不存在可能影响本研究结果的竞争性经济利益或个人关联。傅伯琳|易卫平|王叶乔|姚航|贾明明|高尔涛|樊东林