EN中文

自然资源遥感 >

2025 , Vol. 37 >Issue 2: 220 - 227

DOI: https://doi.org/10.6046/zrzyyg.2023368

海岸带空间资源及生态健康遥感监测专栏

基于GEE平台多源遥感数据的海南岛红树林碳储量估算

  • 李尉尉 ,
  • 薛志泳 ,
  • 朱建华 ,
  • 田震
展开
  • 国家海洋技术中心,天津 300112
朱建华(1977-),男,硕士,研究员,主要从事定标检验与遥感应用研究。Email: 。

李尉尉(1985-),女,硕士,工程师,主要从事海洋遥感应用研究。Email: 。

Copy editor: 陈昊旻

收稿日期: 2023-12-04

  修回日期: 2024-03-05

  网络出版日期: 2026-06-03

基金资助

海南省重点研发计划资助项目“南海珊瑚礁空天地海一体化监测关键技术研究与应用示范”(ZDYF2023GXJS023)

收起

Estimating the carbon stocks of mangrove forests in Hainan Island based on multisource remote sensing data and Google Earth Engine

  • LI Weiwei ,
  • XUE Zhiyong ,
  • ZHU Jianhua ,
  • TIAN Zhen
Expand
  • National Ocean Technology Center, Tianjin 300112, China

Received date: 2023-12-04

  Revised date: 2024-03-05

  Online published: 2026-06-03

Fold

摘要

碳储量变化是碳库功能的一个重要指标,有效准确评估碳储量对区域碳循环和碳源/汇研究、减缓气候变化和维持区域可持续发展具有重要意义。该文基于多时序遥感影像数据(Sentinel-1、Sentinel-2)和谷歌地球引擎(Google Earth Engine,GEE)云计算平台,匹配ICESat-2植被冠层的光子点数据反演红树林树高,通过大范围尺度的红树林“树高-生物量”模型反演生物量,最终得到海南岛红树林树高、地上生物量和碳储量估算结果,从而分析其分布及变化情况。结果显示: 海南岛红树林2016年、2019年和2022年平均高度分别为6.99 m,7.26 m和7.71 m,其中各区域红树林树高整体均呈上升趋势; 2016年、2019年和2022年海南岛红树林地上生物量总量分别为400 939.48 t,411 928.64 t和458 759.02 t,平均地上生物量分别为110.23 t/hm2,114.61 t/hm2和120.02 t/hm2,海南岛东北部的东寨港和八门湾区域地上生物量占总量的80%; 红树林植被碳储量的增长率在1%~4.45%之间,其中东寨港、八门湾的红树林植被碳储量增长率最大,分别为4.45%和3.17%。研究成果可为大范围尺度红树林碳储量核算提供基础数据和方法参考,作为海南岛红树林管理和保护的重要参数数据。

关键词： 红树林; 碳储量; 生物量; Google Earth Engine; 海南岛

本文引用格式

李尉尉 , 薛志泳 , 朱建华 , 田震 . 基于GEE平台多源遥感数据的海南岛红树林碳储量估算[J]. 自然资源遥感, 2025 , 37(2) : 220 -227 . DOI: 10.6046/zrzyyg.2023368

Abstract

The change in carbon stocks is recognized as an important indicator of the carbon pool function. The effective, accurate assessment of carbon stocks is of great significance for research on regional carbon cycle and carbon source/sink dynamics, climate change mitigation, and regional sustainable development. Based on multi-time series remote sensing images (Sentinel-1 and Sentinel-2) and the Google Earth Engine (GEE) cloud computing platform, this study matched the photon point data of ICESat-2-derived vegetation canopy for the inversion of mangrove forest heights. Then, the inversion of the biomass of mangrove forests was conducted using a large-scale tree height-biomass model. Consequently, the heights, above-ground biomass, and carbon stocks of mangrove forests in Hainan Island were obtained, and their distribution and variations were further analyzed. The results indicate that in 2016, 2019, and 2022, mangrove forests in Hainan Island exhibited average heights of 6.99 m, 7.26 m, and 7.71 m, respectively, with an increasing trend observed in the highlights across all regions in the three years. Their total above-ground biomass was 400 939.48 t, 411 928.64 t, and 458 759.02 t, respectively, with average densities of 110.23 t/hm2, 114.61 t/hm2, and 120.02 t/hm2, respectively. The above-ground biomass of Dongzhai Port and the Bamenwan area, both located in the northeastern part of Hainan, accounted for about 80% of the total. The carbon stocks of mangrove forests exhibited rates of increase ranging from 1% to 4.45% over the three years, with the top two growth rates occurring in Dongzhai Port and the Bamenwan area, respectively (4.45% and 3.17%). The results of this study can provide foundational data and a methodological reference for assessing carbon stocks of large-scale mangrove forests and serve as important parameters for mangrove forest management and protection in Hainan Island, holding THE value of widespread applications.

Key words： mangrove forest; carbon stock; biomass; Google Earth Engine; Hainan Island

0 引言

红树林是生长在热带和亚热带地区潮间带湿地,受周期性潮水浸淹,以红树植物为主体的生物群落[1],具有防风消浪、促淤护岸、固碳储碳和维持生物多样性等重要功能[2]。有研究表明,红树林仅覆盖了地球表面0.1%的面积,却固定了大气中5%的碳[3],准确估算红树林碳储量是定量研究其生态系统生产力和生态系统碳循环的重要内容[4]。
遥感具有宏观、综合、动态、快速和可重复等优势,已成为大规模、长时序红树林调查监测、生态修复和碳汇评估的主要技术手段。同时,随着遥感数据量的爆发式增长,对地物变化过程分析的精细化要求与本地算力不足之间的矛盾日益突出,谷歌地球引擎(Google Earth Engine,GEE)是Google推出的基于云计算的地理信息处理平台,其海量的数据资源、强大的后台处理能力以及完整的生态开发环境解决了用户算力紧张的行业痛点[5]。目前,众多学者基于GEE平台对红树林开展研究,Chen等[6]利用GEE平台处理了Landsat和Sentinel-1共计2 000余幅影像,绘制了2015年中国红树林分布图,统计中国红树林总面积2万多公顷; Hu等[7]利用Sentinel-1和Sentinel-2数据,通过GEE平台绘制了10 m分辨率的中国红树林范围产品; Singha等[8]采用GEE云计算方法,基于ALOS PALSAR、Sentinel-1数据分析了1996—2017年孙德尔本斯红树林的变化并估算了地上生物量; Aseran等[9]基于GEE平台的Landsat数据对印度尼西亚Segara Anakan红树林开展了长时序的生物量估算工作。以上研究利用GEE平台实现了快捷、大范围尺度的红树林面积提取和生物量/碳储量估算,但仅使用了单一或2种类型的遥感数据源,有研究表明,任何单一的遥感技术都存在局限性,多传感器的集成应用能够弥补单一数据源的不足,有效提高估算精度[10]。因此,本文基于多时序遥感影像数据(Sentinel-1,Sentinel-2)和GEE云平台,以海南岛沿海红树林为研究对象,匹配ICESat-2植被冠层的光子点数据反演红树林树高信息,通过大范围尺度的红树林“树高-生物量”模型反演生物量,最终得到海南岛红树林树高、地上生物量和碳储量估算模型结果,进而分析2016年、2019年和2022年多时序的地上生物量和碳储量空间分布特征和变化情况,以期为国家及地方的红树林湿地保护与恢复工程提供基础数据和技术支撑。

1 研究区概况及数据源

1.1 研究区概况

海南岛是我国第二大岛屿,属于热带季风海洋性气候,年平均气温22.5~25.6℃。岛上红树植物种类丰富,群落类型多样,拥有我国发育最好、最高大、最古老的红树林,具有热带型、古老性、珍稀性等特点。我国天然分布的26种真红树植物在海南均有分布,有半数以上树种仅在海南有天然分布[11-12]。本文研究区域是海南岛沿岸水边线2 km范围内的红树林,海南岛红树林主要分布在东北部的海口东寨港国家级自然保护区和文昌清澜港省级自然保护区(八门湾),东南部的三亚市和陵水黎族自治县,西北部的临高县、澄迈县和儋州市,西南部的东方市[11],如图1所示。其中,连片面积较大的天然红树林集中在海南岛北部的海口东寨港、东北部的文昌八门湾、西部的儋州新英湾以及跨儋州和临高的新盈湾、北部的澄迈花场湾,这几个地区的红树林面积占了全省红树林总面积的3/4,也是本文研究的重点区域。
图1 研究区域示意图

Fig.1 Schematic diagram of the research area

1.2 数据源

本文使用的Sentinel-1/2数据来自GEE平台。Sentinel-1提供了双极化C波段合成孔径雷达(synthetic aperture Radar,SAR)数据,由于SAR对云层不敏感,且红树林一般分布在多云地区,因此SAR在监测红树林方面具有一定的优势。该数据集合包含了所有地面范围探测(grourd range detected,GRD)产品,利用Sentinel-1工具箱进行预处理,包括滤波和地形校正,以生成校正产品。本文使用垂直极化(VV)和垂直-水平极化(VH)波段,根据研究需要筛选2016年、2019年、2022年影像数据共414景。Sentinel-2为中高空间分辨率影像,包括13个波段,其中1个海岸波段(B1),蓝、绿、红3个可见光波段(B2—B4),3个红边波段(B5—B7),2个近红外波段(B8、B8a),1个水汽波段(B9),1个卷云波段(B10)以及2个短波红外波段(B11、B12)共13个波段。Sentinel-2较好兼顾了空间分辨率和光谱分辨率,其引入的红边波段使地物光谱信息更加丰富,是植被信息提取的最佳数据源之一[13]。本研究选择已经过大气校正处理的Sentinel-2A HARMONIZED数据集,选取B2—B9,B11,B12共计10个波段作为原始数据集影像。筛选云量低于20%的影像,并进行去云处理,中值合成无云影像。根据研究需要筛选2016年、2019年、2022年影像数据共875景。
新一代冰、云和陆地高程卫星(ICESat-2)搭载了先进地形激光测高系统 (advanced topographic laser altimeter system,ATLAS),该系统采用微脉冲光子计数激光雷达技术,可描述森林垂直结构和林下地形,并用于估算森林生物量和森林冠层覆盖度[14-16]。ICESat-2共有21种产品,分别命名为ATL01—ATL21,其中,ATL08 植被冠层高度数据空间分辨率为100 m,ATL03地形高程数据提供了每个光子的经度、纬度、高程和时间,空间分辨率为70 cm,2种数据产品时间分辨率均为91 d,范围覆盖全球。本文利用ATL08植被冠层高度分类结果和ATL03光子点数据进行匹配,得到植被冠层的光子点数据,作为样本进行红树林树高反演。本文下载了2019年东寨港和八门湾区域005数据集(https://www.earthdata.nasa.gov/)中的ATL08和ATL03数据作为植被冠层高度反演样本,筛选出光子条带共22条。

2 研究方法

本文使用的海南岛红树林范围采用了团队提取海南岛红树林的工作成果[17],在此基础上,利用Sentinel-1数据的后向散射系数、Sentinel-2数据的波段特征指数、植被覆盖度(fractional vegetation cover,FVC)等遥感信息要素与ICESat-2植被冠层高度数据建立联系反演得到红树林树高,进而利用树高信息估算地上生物量并得到红树林植被碳储量,研究技术路线如图2所示。
图2 技术路线图

Fig.2 Technical flow chart

2.1 树高反演

冠层高度即树高是估算生物量的重要参数[18]。根据前人研究经验,结合SAR数据的VV,VH极化波段和FVC特征能很好的反演出植被冠层高度信息[19-20]。因此,本文将提取的ICEsat-2光子点数据与海南岛红树林范围进行匹配,筛选出的植被冠层高度作为训练样本,利用随机森林算法,与Sentinel-1/2数据及红树林的植被覆盖度进行高度预测模型的拟合,反演得到研究区域的红树林高度信息。

2.2 生物量估算

红树林地上生物量是表征红树林固碳能力的重要指标。已有研究表明红树林生物量和树高直接相关,估算较为便捷且精度较高[21-23]。红树林生物量估算的基础方法是利用异速生长方程,即通过树高和胸径的测量值与生物量之间构建的经验模型,利用异速生长方程估算生物量,该方法较为便捷且精度较高[24-25]。调研的文献中由于红树林类型、树龄和地理位置的不同,其所构建的异速生长方程也不相同[26],为此本文综合考虑实际研究情况及遥感特性,选取了一种适用于大尺度研究的并非基于单株的异速生长方程[27],利用反演的树高信息计算得到研究区域的地上生物量。本文选用红树林异速生长方程如下所示:
A G B = 10.8 H + 34.9 ,
式中: AGB为红树林地上生物量; H为红树林冠层高度,即树高。

2.3 碳储量估算

红树林植被碳储量的大小直接反映了红树林的碳汇潜力,是评估红树林湿地碳汇价值的重要指标。结合生物量与碳储量之间的关系得到红树林植被碳储量。对于碳储量的估算,Kauffman等[28]指出,将红树林生物量乘以0.46~0.5转化为碳是常见的方法,目前通常使用的转化系数为0.5[29],因此参考前人研究成果,本文中碳转化系数设为0.5。

3 结果与分析

3.1 树高反演结果与精度

将2019年ICESat-2数据作为植被冠层高度反演样本,经过GEE平台反演模型训练得到红树林高度模型,其计算效果较好,相关系数R2为0.89,均方根误差(root mean squared error,RMSE)为1.14 m,平均相对误差(mean absolute percentage error, MAPE)为11.36%,能较好地反映出研究区域红树林的整体树高,评价结果如图3所示。从图3可以看出,估算得到的树高在低树处存在高估偏差,在高树处存在低估偏差,且低估偏差更大,这可能与高植被点样本较少有关。同时,ICEsat-2冠层高度的均值和分布与总体反演植被高度相似。
图3 反演植被高度结果精度评价

Fig.3 Precision evaluation of inversion vegetation height results

经过模型计算得到的海南岛2016年、2019年和2022年红树林高度分布如图4所示。海南岛红树林2016年、2019年和2022年平均高度分别为6.99 m,7.26 m和7.71 m。东寨港红树林高度的高值区集中在南部,北部区域高度较低; 八门湾红树林在文昌河口和文教河口位置较高,在湾口潮滩处的红树林树高值较低; 新英湾和新盈湾的红树林湾口处树高较低,湾内红树林树高较为高大; 澄迈县花场湾红树林树高分布较为均匀,树高低值区零散分布。其中各区域红树林树高从2016—2022年整体均呈上升趋势,说明海南岛红树林在2016—2022年生长状态良好。
图4 海南岛红树林主要分布区域2016年、2019年、2022年红树林树高分布

Fig.4 Mangrove tree height distribution in main areas of Hainan Island in 2016, 2019 and 2022

3.2 地上生物量估算

本文研究区域是海南岛全域,为此,选取了基于树高的大尺度范围的异速生长方程来计算研究区域的地上生物量,估算得到2016年、2019年和2022年海南岛红树林地上生物量总量分别为400 939.48 t,411 928.64 t和458 759.02 t,这与Wang等[30]估算的海南省红树林生物量(474 199 t),闻馨等[25]估算的(438 459 t)均为接近。2016年、2019年、2022年海南岛红树林的平均地上生物量分别为110.23 t/hm2,114.61 t/hm2和120.02 t/hm2,与Wang评估海南岛东北部红树林平均地上生物量(119.26 t/hm2)较一致[30]。
图5展示了2016年、2019年和2022年海南岛红树林地上生物量空间分布。由图5可知,东寨港红树林南部区域地上生物量明显高于北区区域,特别是河口、湾口边缘较高,主要原因是该区域生长的红树林植物多为高大的无瓣海桑、海莲和尖瓣海莲等红树植物,而北部区域主要以角果木、红海榄等红树植物为主; 八门湾红树林拥有海南省最高的植物、最古老的森林,其中文昌河口附近生长着较为高大、古老的海莲群落,所以河口内侧的地上生物量要大于河口外侧。
图5 海南岛红树林主要分布区域2016年、2019年、2022年红树林地上生物量分布

Fig.5 Aboveground biomass of mangroves distribution in 2016, 2019 and 2022 in main areas of mangrove distribution in Hainan Island

表1列出了2016年、2019年和2022年海南岛主要红树林分布区域地上生物量总量情况。海南岛红树林地上生物量主要集中在北部,特别是东北部的东寨港和八门湾,占全岛总地上生物量的80%。东寨港、八门湾地上生物量从2016—2022年呈逐年上升的趋势,总量分别由199 271.30 t上升到258 811.84 t,86 243.73 t上升到104 017.41 t,东寨港、八门湾区域分别是国家级和省级自然保护区,人工破坏影响较小,受保护程度较好; 新英湾、花场湾和新盈港等区域均呈现先减少再增加的趋势,主要原因是这些地方红树林保护等级较低,难以得到全面的保护,曾大多受到不同程度破坏,如海岸线养殖和建筑侵占红树林,影响了红树林生态系统的稳定。以花场湾为例,2016—2019年花场湾红树林遭受了围填海破坏,导致了大量红树林毁坏、枯死,地上生物量总量明显减小。但2019年以来,海南省持续开展红树林保护与修复工作,大规模实施退塘还林还湿,越来越多的红树林纳入保护地管理并制定总体规划,2019年至今海南岛红树林生物量全面增长。
表1 海南岛红树林重点研究区域2016年、2019年和2022年地上生物量

Tab.1 Aboveground biomass of mangroves in the main distribution areas of Hainan Island in 2016, 2019 and 2022 (t)

区域 2016年 2019年 2022年
东寨港 199 271.30 219 478.22 258 811.84
八门湾 86 243.73 87 071.20 104 017.41
新英湾 37 282.54 33 981.76 39 778.56
花场湾 25 147.34 23 679.41 29 617.70
新盈港 23 761.44 21 411.70 27 759.74

3.3 碳储量估算与变化分析

碳储量的变化主要受气候变化、人类活动和生态系统管理等方面的影响。2016年、2019年和2022年海南岛红树林主要分布区域植被碳储量分别为200 469.74 t,205 964.32 t和229 379.51 t,岛东北部地区的红树林碳储量最高。表2列出了海南岛红树林主要分布区域2016年、2019年和2022年植被碳储量及年均变化率。可以看出,2016—2022年以来,海南岛红树林在生态恢复驱动下植被碳储量已得到不同程度地提高,增长率在1%~4.45%之间。东寨港、八门湾的红树林植被碳储量一直呈现逐年增长的趋势,新英港、花场湾和新盈港的红树林植被碳储量呈先降低再增大的趋势。其中东寨港、八门湾的年均变化率最大,以东寨港为例,这可能与2014年东寨港红树林受台风威马逊的影响有关,受台风影响,海莲、无瓣海桑等高大的树木折木和倒树的比例较大,导致2016年碳储量偏低,通过近些年人工修复和自然恢复,东寨港和八门湾的红树林植被碳储量增速较快,分别达到了4.45%和3.17%。
表2 海南岛红树林重点研究区域2016年、2019年、2022年植被碳储量变化

Tab.2 Changes of vegetation carbon storage in key distribution areas of mangrove forests in Hainan Island in 2016, 2019 and 2022 (t)

区域 2016年 2019年 2022年 年均变化率/%
东寨港 99 635.65 109 739.11 129 405.92 4.45
八门湾 43 121.86 43 535.60 52 008.71 3.17
新英湾 18 641.27 16 990.88 19 889.28 1.09
花场湾 12 573.67 11 839.71 14 808.85 2.76
新盈港 11 880.72 10 705.85 13 879.87 2.62

4 结论与展望

本文在岛屿尺度利用多源遥感数据和GEE平台实现了经济、快速、有效估算红树林地上生物量和植被碳储量。主要得到以下结论:
1)利用ICESat-2植被冠层的光子点数据,匹配Sentinel-1/2数据信息用以进行红树林树高反演。反演模型R2为0.89,RMSE为1.14 m,MAPD为11.36%,较好反映出研究区域红树林的整体树高。经模型计算得到海南岛红树林2016年、2019年和2022年平均高度分别为6.99 m,7.26 m和7.71 m,各区域红树林树高整体均呈上升趋势,说明海南岛红树林在2016—2022年生长状态良好。
2)基于大范围尺度的红树林“树高-生物量”异速生长模型,估算得到2016年、2019年和2022年海南岛红树林地上生物量总量分别为400 939.48 t,411 928.64 t和458 759.02 t,平均地上生物量分别为110.23 t/hm2,114.61 t/hm2和120.02 t/hm2。海南岛红树林生物量基本集中在岛东北部的东寨港和八门湾,占海南岛总地上生物量的80%。
3)经过多年自然保护和人工修复,海南岛红树林植被碳储量的增长率在1%~4.45%之间,其中东寨港、八门湾的红树林植被碳储量增长率最大,分别为4.45%和3.17%。
一方面,本研究结果可能会受到卫星遥感影像质量、红树林在幼苗阶段卫星可识别程度有限等因素的影响; 另一方面,地上生物量估算是利用ICESat-2植被冠层高度数据计算,存在光子点稀疏造成了树高较高的红树植物被低估的现象。在下一步研究中,第一是将尝试使用LiDAR密集点云建立模型来改进较高的红树植物树高信息被低估的问题; 第二将注重更长时间序列的观测,以估算红树林碳汇功能和价值; 第三将结合高光谱影像,利用面向对象或支持向量机等分类方法,进一步实现海南岛红树林种间生物量和碳储量估算研究。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
自然资源部海洋预警监测司. 红树林生态系统碳储量调查与评估技术规程[S]. 北京: 自然资源部, 2023.

Marine Warning and Monitoring Department,Ministry of Natural Resources. Technical specification for investigation and assessment of carbon stocks in mangrove ecosystem[S]. Beijing: Ministry of Natural Resources, 2023.

[2]
陈光程, 陈顺洋, 陈彬, 等. 红树林生态修复手册[R]. 厦门: 自然资源部第三海洋研究所, 2021.

Chen G C, Chen S Y, Chen B, et al. Mangrove ecological restoration manual[R]. Xiamen: Third institute of oceanography,Ministry of Natural Resources, 2021.

[3]
Omar H, Misman M A, Ismail P. Status of mangroves in malaysia[M]. Kuala Lumpur: Forest research Institute Malaysia, 2020.

[4]
Tian Y, Huang H, Zhou G, et al. Aboveground mangrove biomass estimation in Beibu Gulf using machine learning and UAV remote sensing[J]. Science of the Total Environment, 2021, 781:146816.

[5]
贾凯, 陈水森, 蒋卫国. 粤港澳大湾区红树林长时间序列遥感监测[J]. 遥感学报, 2022, 26(6):1096-1111.

Jia K, Chen S S, Jiang W G. Long time-series remote sensing monitoring of mangrove forests in the Guangdong-Hong Kong-Macao Greater Bay Area[J]. National Remote Sensing Bulletin, 2022, 26(6):1096-1111.

[6]
Chen B, Xiao X, Li X, et al. A mangrove forest map of China in 2015:Analysis of time series Landsat 7/8 and Sentinel-1A imagery in Google Earth Engine cloud computing platform[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2017, 131:104-120.

[7]
Hu L, Xu N, Liang J, et al. Advancing the mapping of mangrove forests at national-scale using sentinel-1 and sentinel-2 time-series data with Google Earth Engine:A case study in China[J]. Remote Sensing, 2020, 12(19):3120.

[8]
Singha C, Swain K C. Quantifying changes in Sundarbans mangrove forest through GEE cloud computing approach[M]//Proceedings of International Joint Conference on Advances in Computational Intelligence. Singapore: Springer Nature Singapore, 2022:113-129.

[9]
Aseran A W, Darmawan S, Hernawati R. Estimation of mangrove biomass using Landsat data on Google Earth Engine(GEE) platform[C]// The 42nd Asian Conference on Remote Sensing. Vietnam: Can Tho University, 2021:1-6.

[10]
李尉尉, 朱建华, 赵文璇, 等. 基于遥感的红树林地上生物量估算研究进展[J]. 海洋技术学报, 2023, 42(5):1-9.

Li W W, Zhu J H, Zhao W X, et al. Research advances in estimating aboveground biomass of mangroves based on remote sensing[J]. Journal of Ocean Technology, 2023, 42(5):1-9.

[11]
Li M S, Lee S Y. Mangroves of China:A brief review[J]. Forest Ecology and Management, 1997, 96(3):241-259

[12]
Meng Y, Gou R, Bai J, et al. Spatial patterns and driving factors of carbon stocks in mangrove forests on Hainan Island,China[J]. Global Ecology and Biogeography, 2022, 31(9):1692-1706.

[13]
徐芳. 基于Sentinel-2的红树林提取及碳储量估算研究[D]. 兰州: 兰州交通大学, 2020.

Xu F. Mangrove extraction and carbon storage estimation by using Sentinel-2 images[D]. Lanzhou: Lanzhou Jiaotong University, 2020.

[14]
董佳臣, 倪文俭, 张志玉, 等. ICESat-2植被冠层高度和地表高程数据产品用于森林高度提取的效果评价[J]. 遥感学报, 2021, 25(6):1294-1307.

Dong J C, Ni W J, Zhang Z Y, et al. Performance of ICESat-2 ATL08 product on the estimation of forest height by referencing to small footprint LiDAR data[J]. National Remote Sensing Bulletin, 2021, 25(6):1294-1307.

[15]
Chen B, Pang Y, Li Z, et al. Potential of forest parameter estimation using metrics from photon counting LiDAR data in Howland Research Forest[J]. Remote Sensing, 2019, 11(7):856.

[16]
Neuenschwander A L, Magruder L A. The potential impact of vertical sampling uncertainty on ICESat-2/ATLAS terrain and canopy height retrievals for multiple ecosystems[J]. Remote Sensing, 2016, 8(12):1039.

[17]
赵阳, 田震, 李尉尉, 等. 基于Sentinel-2 MSI影像与面向对象相结合的红树林树种精细化分类方法研究[J]. 海洋通报, 2023, 42(3):352-360.

Zhao Y, Tian Z, Li W W, et al. Study on the refined classification method of mangrove tree species based on Sentinel-2 MSI images combined with object-oriented[J]. Marine Science Bulletin, 2023, 42(3):352-360.

[18]
Fatoyinbo T, Feliciano E A, Lagomasino D, et al. Estimating mangrove aboveground biomass from airborne LiDAR data:A case study from the Zambezi River delta[J]. Environmental Research Letters, 2018, 13(2):025012.

[19]
邓皓天. 基于光学和SAR多源遥感数据的中国东北地区森林参数反演[D]. 长春: 吉林大学, 2022.

Deng H T. Research on forest parameter inversion method in northeastern China based on optical and SAR multi-source remote sensi-ng data[D]. Changchun: Jilin University, 2022.

[20]
Ghosh S M, Behera M D, Paramanik S. Canopy height estimation using Sentinel series images through machine learning models in a mangrove forest[J]. Remote Sensing, 2020, 12(9):1519.

[21]
Simard M, Rivera-Monroy V H, Mancera-Pineda J E, et al. A systematic method for 3D mapping of mangrove forests based on Shuttle Radar Topography Mission elevation data,ICEsat/GLAS waveforms and field data:Application to Ciénaga Grande de Santa Marta,Colombia[J]. Remote Sensing of Environment, 2008, 112(5):2131-2144.

[22]
Huang Z, Tian Y, Zhang Q, et al. Estimating mangrove above-ground biomass at Maowei Sea,Beibu Gulf of China using machine learning algorithm with Sentinel-1 and Sentinel-2 data[J]. Geocarto International, 2022, 37(27):15778-15805.

[23]
吴培强, 任广波, 张程飞, 等. 无人机多光谱和LiDAR的红树林精细识别与生物量估算[J]. 遥感学报, 2022, 26(6):1169-1181.

Wu P Q, Ren G B, Zhang C F, et al. Fine identification and biomass estimation of mangroves based on UAV multispectral and LiDAR[J]. National Remote Sensing Bulletin, 2022, 26(6):1169-1181.

[24]
朱远辉, 柳林, 刘凯, 等. 红树林植物生物量研究进展[J]. 湿地科学, 2014, 12(4):515-526.

Zhu Y H, Liu L, Liu K, et al. Progress in researches on plant biomass of mangrove forests[J]. Wetland Science, 2014, 12(4):515-526.

[25]
闻馨, 刘凯, 曹晶晶, 等. 基于森林冠层高度和异速生长方程的中国红树林地上生物量估算[J]. 热带地理, 2023, 43(1):1-11.

DOI

Wen X, Liu K, Cao J J, et al. Estimation of mangrove aboveground biomass in China using forest canopy height through an allometric equation[J]. Tropical Geography, 2023, 43(1):1-11.

DOI

[26]
Howard J, Hoyt S, Isensee K, et al. Coastal blue carbon:Methods for assessing carbon stocks and emissions factors in mangroves,tidal salt marshes,and seagrasses meadows[M].Arlington,Virginia,USA:Conservation International, Intergovern- mental Oceanographic Commission of UNESCO,International Union for Conservation of Nature, 2014.

[27]
Saenger P, Snedaker S C. Pantropical trends in mangrove above-ground biomass and annual litterfall[J]. Oecologia, 1993, 96(3):293-299.

DOI PMID

[28]
Kauffman J B, Arifanti V B, Basuki I, et al. Protocols for the measurement,monitoring,and reporting of structure,biomass,carbon stocks and greenhouse gas emissions in tropical peat swamp forests[M]. Indonesia: Center for International Forestry Research (CIFOR), 2016.

[29]
张莉. 海南清澜港红树林土壤有机碳及其与土壤因子关系研究[D]. 洛阳: 河南科技大学, 2013.

Zhang L. Soil organic carbon in mangrove forests and its relationship with soil factor in qinglangang,Hainan[D]. Luoyang: Henan University of Science and Technology, 2013.

[30]
Wang D, Wan B, Liu J, et al. Estimating aboveground biomass of the mangrove forests on northeast Hainan Island in China using an upscaling method from field plots,UAV-LiDAR data and Sentinel-2 imagery[J]. International Journal of Applied Earth Observation and Geoinformation, 2020, 85:101986.

Options
文章导航

/

〈 〉