EN中文

Remote Sensing for Natural Resources >

2025 , Vol. 37 >Issue 2: 274 - 284

DOI: https://doi.org/10.6046/zrzyyg.2023344

GEE-based fine-scale classification of mangrove species in Hainan Island considering polarization and topographic features

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

Received date: 2023-11-14

  Revised date: 2024-01-11

  Online published: 2026-06-03

Fold

Abstract

Based on multitemporal remote sensing (Sentinel-1/2) image data, the digital elevation model (DEM), and the Google Earth Engine (GEE) platform, this study achieved the large-scale dynamic monitoring of the ranges and interspecific distributions of mangrove forests in Hainan Island in 2016, 2019, and 2022. The effects of Sentinel-1 polarization and DEM-derived topographic features were considered in distinguishing mangrove species. Compared to the species identification using only Sentinel-2 image data, the identification method incorporating polarization or topographic features improved the classification accuracy by 3.34 and 3.35 percentage points, respectively. Moreover, incorporating both polarization and topographic features into the identification process was more effective for the interspecific classification of mangrove forests, raising the classification accuracy by 4.07 percentage points and enabling more accurate extraction of different species information. The monitoring results indicate that the areas of mangrove forests in Hainan Island in 2016, 2019, and 2022 were 3628.738 hm2, 3634.129 hm2, and 3881.212 hm2, respectively, showing an overall increase at an average annual rate of 1.127% over six years. Regarding population dynamics, the dominant species included Ceriops tagal and Rhizophora stylosa in the northern mangrove forest in Dongzhai port, and Bruguiera sexangula in the southern portion. The northern estuary of Bamen Bay was dominated by Bruguiera sexangula, while the Wenjiao River mouth exhibited richer species. In the Xinying, and Huachang bays, and Maniao Port, the dominant mangrove species shifted from Ceriops tagal and Rhizophora stylosa to Kandelia obovata and Lumnitzera racemosa over six years, with Sonneratia apetala spreading at the bay mouths. In Xinying Port, the dominant mangrove species shifted from Rhizophora stylosa and Rhizophora stylosa to Lumnitzera racemose. The distribution of Kandelia obovata in Dongfang City expanded gradually, while the species composition in Sanya City remained almost stable, with the growth area occupied primarily by Ceriops tagal. Overall, the method used in this study enhances the identification accuracy of mangrove species, allowing a fine-scale analysis of the evolutionary process of mangrove species, thereby supporting the formulation of the mangrove forest protection policy.

Key words： mangrove forest; Google Earth Engine; mangrove species; Hainan Island

Cite this article

XUE Zhiyong , LI Weiwei , TIAN Zhen , ZHU Mingjie , ZHU Jianhua . GEE-based fine-scale classification of mangrove species in Hainan Island considering polarization and topographic features[J]. Remote Sensing for Natural Resources, 2025 , 37(2) : 274 -284 . DOI: 10.6046/zrzyyg.2023344

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]。受海水污染和人为经济活动等因素影响,1980—2005年世界上已经有19%的红树林消失[3]。海南岛是中国红树种类最多、分布和保存面积最大的区域之一,红树林面积占全国的33%,在中国乃至世界红树林中占有重要位置,具有极为重要的保护价值[4]。在海南岛近50 a的发展中红树林持续减少,自2006年出台《海南省红树林保护规划(2006—2015)》后, 红树林面积才有增加的趋势[5]。
遥感以其宏观、综合、动态、快速、可重复等特点,已成为大规模、长时序红树林调查监测、生态修复、碳汇评估的主要手段。随着遥感数据量的爆发式增长,对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。Google Earth Engine(GEE)云平台是一个集合了科学分析以及地理信息数据可视化的综合性平台[6]。Singha等[7]采用GEE云计算方法,基于ALOS PALSAR和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; 贾凯等[8]基于GEE平台分析了1987—2020年粤港澳大湾区红树林的时间阶段性特征和空间扩张过程,揭示了保护区设立与滩涂造林等工程在红树林保护与修复中的积极成效; 石敏等[9]利用GEE平台提取了2000年、2010年、2020年广西山口自然保护区红树林分布信息,结合景观分析方法监测了该区域红树林时空变化特征并揭示其驱动因素。
在红树林树种遥感分类上,很多研究者往往注重利用高分辨率卫星和无人机遥感进行研究。Cao等[10]利用无人机平台上商用高光谱成像传感器(UHD 185)获得无人机高光谱图像,基于目标的图像分析技术对七鳌岛红树林物种进行分类; 李想等[11]利用资源三号卫星影像基于像元的随机森林法对北部湾的东部地区红树林进行遥感信息提取和精细分类; 徐逸等[12]利用无人机高光谱影像和LiDAR点云数据基于极端梯度提升算法(XGBoost)对深圳福田红树林进行物种分类。
在以往的研究中大部分是对小范围内红树林进行提取,缺乏大尺度范围的动态监测; 对于红树林的精细化分类研究较少,往往注重小尺度高分辨率研究,在大尺度中应用有所局限,且对各树种的分类研究大部分只考虑了光学特征。本文基于GEE地理云平台,以海南岛红树林为研究区域,通过考虑后向散射特征和地形因素,选取Sentinel系列卫星影像及SRTM数字高程模型(digital elevation model,DEM)数据,开展了2016年、2019年以及2022年红树林信息提取和种间类型分类研究,并基于分类结果分析其变化情况,以期为地方及国家的红树林湿地保护与监测提供技术支撑与服务。

1 研究区概况及数据源

1.1 研究区概况

研究区海南岛(图1),拥有我国种类最丰富、发育最好、最高大、最古老的红树林,据统计,我国拥有27种真红树植物(含外来引种的2种真红树植物),海南岛基本全部覆盖[4]。2001年以来,通过对原有红树林严格的保护和大规模的人工造林,海南岛红树林面积快速增加,与2001年相比,2019年海南岛红树林面积净增加了41%,是全国红树林面积增加最快的省份[5]。
图1 研究区域位置示意图

Fig.1 Schematic diagram of the study area

海南岛东北部红树林主要分布在东寨港国家级自然保护区和清澜港省级自然保护区,东南部红树林分布在三亚市和陵水黎族自治县,西北部红树林分布在临高县、澄迈县和儋州市,西南部红树林主要分布在东方市[13]。本文提取和分析的红树林研究区范围是水边线2 km范围内的缓冲区,如图1所示。

1.2 数据源及其预处理

1.2.1 Sentinel数据

使用的Sentinel-1/2数据均从GEE平台获取(https://developers.google.com/earth-engine/datasets/catalog/sentinel)。Sentinel-1提供了5.405 GHz(C波段)双偏振C波段合成孔径雷达(synthetic aperture Radar, SAR)数据,该数据集包含了所有地面范围检测(ground range detected,GRD)场景,使用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,本研究使用VV和VH单极化波段。根据研究需要筛选2016年、2019年、2022年数据共414景,如表1所示。Sentinel-2数据以高空间分辨率和丰富的光谱信息被广泛应用于植被、土壤和海洋等监测和分类领域。本研究选择已经过大气校正的Sentinel-2A HARMONIZED数据集,选取B2—B9,B11和B12共计10个波段作为原始数据集影像。由于云及阴影的噪声影响,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年数据共875景,如表1所示。
表1 研究使用的Sentinel影像数量

Tab.1 Number of Sentinel images used in the study (景)

数据 2016年 2019年 2022年
Sentinel-2 207 418 250
Sentinel-1 68 204 142

1.2.2 DEM高程数据

利用红树林生活在潮间带平缓滩涂上的特点,结合地形数据能够有效增强红树林的可分性。本研究使用的高程数据(SRTM DEM)直接从GEE获取,空间分辨率为30 m,并生成海拔和坡度用作特征参数波段。

2 研究方法

首先利用Sentinel-2卫星数据,选取特征波段及特征指数进行红树林信息的提取,其次将树种样本结合Sentinel-2的特征指数、Sentinel-1的极化特征和DEM地形信息建立海南岛红树林树种分类模型,对提取到的红树林进行种间分类,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 红树林信息提取和种间分类

在进行红树林树种分类之前需要提取红树林的范围,根据之前对八门湾红树林的研究[13],使用Sentinel-2卫星数据进行红树林信息提取。利用近红外、短波红外波段相关的3个特征指数进一步区分红树林[14-16],分别为归一化植被指数(normalized difference vegetation index, NDVI)、归一化水体指数(normalized difference water index, NDWI)、归一化湿度指数(normalized difference moisture index, NDMI),计算公式分别为:
N D V I = ρ N I R - ρ R ρ N I R + ρ R ,
N D W I = ρ G - ρ N I R ρ G + ρ N I R ,
N D M I = ρ N I R - ρ S W I R 1 ρ N I R + ρ S W I R 1 ,
式中 ρ G, ρ R, ρ N I R和 ρ S W I R 1分别为影像绿光、红光、近红外和短波红外1波段的反射率。
选取Sentinel-1数据VV和VH极化波段、Sentinel-2数据10个波段及NDVI,NDWI和NDMI这3个特征指数以及DEM数据中的海拔和坡度信息作为红树林树种精细化分类模型特征参数将红树林树种信息区分开来。
利用已采集的红树林种间样本信息进行红树林种间分类,可分为红海榄、海莲、角果木、榄李、秋茄以及无瓣海桑6类[17]。选取已有模型分类研究结果作为本研究中2022年的样本参照,建立平均样本数据,进而实现6类红树林的提取。

2.2 分类及反演方法

本研究中涉及的分类和反演算法为随机森林算法,其在构建预测模型方面具有良好的性能[18-20]。随机森林是一种以多个决策树为基本学习器的机器学习算法,其基本单元是决策树。该方法采用Bagging方法为每棵决策树生成独立的同分布训练样本集,最终的分类/反演结果取决于所有决策树的投票。理论上决策树N的数量越多其分类准确率越高,时间成本也越高,因此,在本研究中选取生成决策树的数量为100,其他参数均为默认。

3 结果与分析

3.1 精度评价

以2022年为例,在研究区随机选择200个点作为精度评价验证样本点,将对应点上的GEE分类后处理结果和Google Earth中高清影像进行对比验证,计算混淆矩阵,其分类精度评价结果如表2所示。
表2 红树林分类精度评价结果

Tab.2 Evaluation results of mangrove classification accuracy

地物类型 总体精度/% Kappa系数 用户精度/% 制图精度/%
红树林
非红树林		 94.66 0.93 92.23
97.08		 96.94
92.59
从表2可看出,总体分类精度达到94.66%,Kappa系数0.93,红树林的用户精度为92.23%,制图精度略高为96.94%。说明本文提出的基于随机森林分类方法对海南岛红树林提取的分类方案具有可行性,提取特征的选择增强了红树林的识别精度。
将所选种间样本按照7∶3的比例随机分为训练样本和验证样本,为了更好地对比加入极化特征和地形特征后对种间分类精度的影响,进行添加后的对照组实验。实验组1为只有Sentinel-2数据及特征指数,实验组2为在实验组1的数据中添加Sentinel-1的VV和VH极化特征,实验组3为在实验组1的数据中添加DEM的海拔和坡度特征,实验组4为在实验组1的数据中添加VV和VH极化特征以及海拔、坡度特征,计算各实验组的混淆矩阵,其种间分类精度评价结果如表3所示。
表3 各组种间分类精度评价结果

Tab.3 Evaluation of classification accuracy of each group

评价指标 实验组1 实验组2 实验组3 实验组4
总体精度/% 92.24 95.58 95.59 96.31
Kappa系数 0.89 0.94 0.94 0.95
由表3可知,各组的总体分类精度都达到90%以上,Kappa系数均高于0.8,整体精度较高,因此,随机森林算法适用于红树林种间分类,能很好地识别红树林不同树种。从结果中可以看出,实验组1在只利用Sentinel-2数据及特征指数进行红树林种间分类的情况下分类精度为92.24%; 实验组2和3的分类精度和Kappa系数基本一致,分别为95.5%左右和0.94,精度比实验组1分别提高了3.34百分点和3.35百分点,说明增加Sentinel-1极化特征和增加DEM地形特征这2种情况都可以使分类精度提高,提高红树林树种的分类结果; 实验组4的分类精度为96.31%,Kappa系数为0.95,精度比实验组1提高了4.07百分点,比实验组2和3分别提高了0.73百分点和0.72百分点,说明同时添加极化特征和地形特征对于红树林的种间分类更加有效,可以更精准提取不同树种信息,因此本文对海南岛红树林树种的监测识别中使用实验组4的特征波段。
虽然使用随机森林的分类方法使得结果较为准确可信,但也使得结果小斑块较多。为了更方便研究及使得结果一致性较高,在GEE平台中对分类结果进行中值滤波,使得结果更为聚集,消除“椒盐”现象。

3.2 海南岛红树林分布及变化分析

经分类处理得到2016年、2019年、2022年海南岛红树林分布,选取8个重点区域进行展示,如图3所示。
图3 海南岛重点区域2016年、2019年、2022年红树林分布

Fig.3 Mangrove distribution map in key areas of Hainan Island in 2016, 2019 and 2022

由图3可知,红树林主要分布在海南岛河口、湾口和河道附近,依托内陆河道,呈现多斑块状。根据得到的海南岛红树林分布结果,红树林主要分布在西北部,东部和南部分布较少,可能与经济发展和人口分布有关系,东南部养殖虾塘较多。大片的分布区主要聚集在东寨港、八门湾、新英湾、花场湾、新盈港、马袅港、东方和三亚8个区域,其中以东寨港和八门湾自然保护区域分布最广,因东寨港国家红树林保护区成立最早, 所以东寨港区红树林成片分布且面积最大。海南岛以及其8个重点区域红树林面积的变化情况汇总如表4所示,2016年、2019年和2022年海南岛红树林面积分别为3 628.738 hm2,3 634.129 hm2和3 881.212 hm2,2016—2022年6 a内红树林总体呈增加趋势,年均增长率为1.127%。这期间东寨港红树林区是增加面积最多的区域,马袅港红树林区是年均红树林增长率最高的区域,但新盈港是唯一整体上呈现减少趋势的红树林分布区,其保护修复力度有待加强。
表4 2016年、2019年、2022年红树林面积变化

Tab.4 Mangrove area changes in 2016, 2019 and 2022

地区 2016年/
hm2		 2019年/
hm2		 2022年/
hm2		 年均变
化率/%
东寨港 1 636.080 1 765.391 1 991.453 3.330
八门湾 651.270 644.140 766.214 2.746
新英湾 293.841 284.280 296.555 0.153
花场湾 202.084 174.084 204.543 0.202
新盈港 199.912 171.657 198.115 -0.150
三亚 71.860 70.576 109.267 7.234
东方 58.903 50.320 86.156 6.543
马袅港 27.830 32.580 57.363 12.811
海南岛 3 628.738 3 634.129 3 881.212 1.127
由上述结果可以发现,虽然2016年国家出台了“南红北柳”政策,对红树林有一定保护,但2016—2019年3 a间红树林的面积增长不显著,仅仅增加了5.391 hm2,说明在这3 a内红树林保护力度较小,此外这可能也与红树林生长成林时间有关,3 a时间成长到卫星可识别的程度有限。随着近几年对红树林保护修复工作的持续展开,其中包括《海南省红树林保护规定(2020)》《海南省临高县新盈红树林湿地自然保护区总体规划(2021—2030年)》《海南省澄迈县花场湾红树林县级自然保护区总体规划(2020—2030年)》等政策实施,在2019—2022年3 a间可识别的红树林开始明显增长,面积增加了247.083 hm2,红树林逐渐大面积扩张。此外2019年红树林面积除东寨港和马袅港外都比2016年减少,可能是因为在其他区域存在保护恢复措施滞后现象,且后续维护力度不大。
另外,2016年、2019年和2022年这3 a的红树林分布区域和范围大致相同,但还是可以在红树林种植区和自然恢复区等局部区域看到红树林增长,具体示例如图4和图5所示。种植区的红树林基本是在已有红树林成片区边沿滩涂呈条状或者片状向外扩展; 恢复区的红树林由于是在适宜滩涂自然生长,基本在退塘还林区呈碎片状增加,从图中可以看出,海南岛在红树林的人工修复种植和自然恢复上都有所成效。
图4 东寨港红树林种植区示例

Fig.4 Example of mangrove planting area in Dongzhaigang

图5 八门湾红树林恢复区示例

Fig.5 Example of mangrove restoration area in Bamen Bay

3.3 海南岛红树林种间变化分析

经分类处理得到2016年、2019年、2022年海南岛红树林种间类型分布,选取8个重点区域进行展示,如图6所示。
图6 海南岛重点区域2016年、2019年、2022年红树林树种分布

Fig.6 Distribution map of mangrove species in key areas of Hainan Island in 2016, 2019 and 2022

由图6可知,东寨港红树林北部以角果木、红海榄为优势种,南部以海莲为优势种,2016—2022年在整体分布上没有明显差异,在树种分布中可以发现在内陆修复区及潮沟处无瓣海桑做为优势种在逐渐扩张,但在红树林南部片区秋茄扩张明显; 八门湾红树林北部河口处以海莲为优势种,南部湾口处以无瓣海桑为优势种,可以发现在2016—2022年北部秋茄逐渐扩张,存在海莲逐步被秋茄所替代的可能,文教河口自然恢复的红树林树种丰富性较高,几乎6种红树林都存在; 新英湾、花场湾和马袅港红树林2016年都是以角果木、红海榄为优势种,但经过6 a生长,在2022年主要以秋茄、榄李为优势种,且无瓣海桑出现扩散趋势,无瓣海桑分布区均在靠近湾口处,与其耐盐性相吻合; 新盈港红海榄面积逐步减少,从2016年以红海榄为优势种逐步变为以榄李为优势种; 东方存在秋茄范围逐渐扩张的趋势; 三亚识别的树种基本保持稳定,增长区域以角果木为主。海南岛红树林树种面积变化情况如表5所示,除角果木、海莲和红海榄之外,其他红树林群落自2016—2022年间呈现增加趋势,秋茄、榄李和无瓣海桑的种群面积分别增加了709.119 hm2,534.471 hm2和415.229 hm2; 红海榄、海莲群落自2016—2022年呈逐步减少趋势,面积分别减少了408.828 hm2和332.588 hm2; 角果木群落面积虽然减少,但减少面积较少,为94.929 hm2。
表5 2016年、2019年、2022年红树林各树种面积变化

Tab.5 Area changes of mangrove species in 2016, 2019 and 2022 (hm2)

年份 秋茄 榄李 角果木 无瓣海桑 海莲 红海榄
2016年 117.068 496.963 734.596 519.050 896.174 864.887
2019年 314.803 589.266 857.744 665.726 723.210 483.380
2022年 826.187 1031.434 639.667 934.279 563.586 456.059
由于各个物种对栖息地环境的需求与适应性不同,其生长状态也不尽相同,使得其树冠形态存在差异,尤其是近几年种植恢复及人工引进等人为因素对其产生影响,从而使得海南岛红树林树种分布形成不同格局。各红树林主要分布区出现的红树林优势种的变化情况和种群群落面积变化情况,可能与不同红树林树高有关[21-22],红海榄等为常绿灌木或小乔木; 无瓣海桑树形高大,为低潮带滩涂的先锋树种之一; 秋茄也为先锋树种之一,成长适应性强,在海南多为人工种植。由于人为因素及树种生长特性差异,且卫星光谱信息只能反映树冠最高层,因此,随着树种生长,识别到的先锋生长树种替代了角果木等生长在高潮带的树种。通过红树林种群的变化结果显示,适宜滩涂基本不变的情况下,生长在低潮滩的先锋树种更容易侵占处于高潮带靠近岸边树种的生存空间,可为红树林的保护政策提供借鉴。

4 结论

结合Sentinel-1/2数据和DEM地形数据实现了2016年、2019年和2022年海南岛红树林范围提取及种间分类,基于提取结果对海南岛红树林变化情况及红树林树种分布情况进行分析,结果表明:
1)增加Sentinel-1极化特征和增加DEM地形特征这2种情况都可以提高红树林树种分类精度,分类精度分别提高了3.34百分点和3.35百分点,且同时添加极化特征和地形特征对于红树林的种间分类更加有效,分类精度比只利用Sentinel-2数据进行分类的结果提高了4.07百分点,可以更精准提取不同树种信息。
2)面积方面,2016年、2019年和2022年海南岛红树林面积分别为3 628.738 hm2,3634.129 hm2和3881.212 hm2,6 a内红树林总体呈现增加趋势,年均变化率为1.127%,可以明显看出红树林增加区域分布在修复种植区和退塘恢复区。
3)种群方面,整个海南岛秋茄、榄李和无瓣海桑的种群面积呈现增加态势,2016—2020年分别增加了709.119 hm2,534.471 hm2和415.229 hm2; 红海榄、海莲、角果木群落自2016—2022年呈逐步减少趋势,面积分别减少了408.828 hm2,332.588 hm2和94.929 hm2。红树林种群分布变化显示,适宜滩涂基本不变的情况下,生长在低潮滩的先锋树种更易侵占处于高潮带靠近岸边树种的生存空间。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[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, 2023:3.

Marine Early Warning Monitoring Division of Ministry of Natural Resources. Technical regulations for carbon storage investigation and assessment in mangrove ecosystems[S]. Beijing: Ministry of Natural Resources of the People’s Republic of China, 2023:3.

[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. Manual of mangrove ecological restoration[R]. Xiamen: Third Institute of Oceanography,Ministry of Natural Resources, 2021.

[3]
Krauss K W, Friess D A. World atlas of mangroves[J]. Wetlands:The Journal of the Society of Wetland Scientists, 2011(5):1003-1005.

[4]
莫燕妮, 庚志忠, 王春晓. 海南岛红树林资源现状及保护对策[J]. 热带林业, 2002, 30(1):46-50.

Mo Y N, Geng Z Z, Wang C X. Status of mangrove resources in Hainan Island and its conservation measures[J]. Tropical Forestry, 2002, 30(1):46-50.

[5]
黄小兰, 张婷, 谭人纲. 海南红树林资源现状与预警研究[J]. 江西师范大学学报(自然科学版), 2018, 42(3):236-241.

Huang X L, Zhang T, Tan R G. The studies on current status and pre-warning mechanism of mangroves in Hainan[J]. Journal of Jiangxi Normal University(Natural Science Edition), 2018, 42(3):236-241.

[6]
Moore R T, Hansen M C. Google Earth Engine:A new cloud-computing platform for global-scale earth observation data and analysis[J]. AGU Fall Meeting Abstracts, 2011.

[7]
Singha C, Swain K C. Quantifying changes in Sundarbans mangrove forest through GEE cloud computing approach[C]// Proceedings of International Joint Conference on Advances in Computational Intelligence. Singapore:Springer, 2022:113-129.

[8]
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.

[9]
石敏, 李慧颖, 贾明明. 基于GEE云平台与Landsat数据的山口自然保护区红树林时空变化分析[J]. 自然资源遥感, 2023, 35(2):61-69.doi:10.6046/zrzyyg.2022209.

Shi M, Li H Y, Jia M M. Spatio-temporal variations in mangrove forests in the Shankou Mangrove Nature Reserve based on the GEE cloud platform and Landsat data[J]. Remote Sensing for Natural Resources, 2023, 35(2):61-69.doi:10.6046/zrzyyg.2022209.

[10]
Cao J J, Leng W C, Liu K, et al. Object-based mangrove species classification using unmanned aerial vehicle hyperspectral images and digital surface models[J]. Remote Sensing, 2018, 10(1):89.

[11]
李想, 刘凯, 朱远辉, 等. 基于资源三号影像的红树林物种分类研究[J]. 遥感技术与应用, 2018, 33(2):360-369.

DOI

Li X, Liu K, Zhu Y H, et al. Study on mangrove species classification based on ZY-3 image[J]. Remote Sensing Technology and Application, 2018, 33(2):360-369.

[12]
徐逸, 甄佳宁, 蒋侠朋, 等. 无人机遥感与XGBoost的红树林物种分类[J]. 遥感学报, 2021, 25(3):737-752.

Xu Y, Zhen J N, Jiang X P, et al. Mangrove species classification with UAV-based remote sensing data and XGBoost[J]. National Remote Sensing Bulletin, 2021, 25(3):737-752.

[13]
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.

[14]
张雪红. 基于决策树方法的Landsat8 OLI影像红树林信息自动提取[J]. 国土资源遥感, 2016, 28(2):182-187.doi: 10.6046/gtzyyg.2016.02.28.

Zhang X H. Decision tree algorithm of automatically extracting mangrove forests information from Landsat8 OLI imagery[J]. Remote Sensing for Land and Resources, 2016, 28(2):182-187.doi: 10.6046/gtzyyg.2016.02.28.

[15]
刘凯, 彭力恒, 李想, 等. 基于Google Earth Engine的红树林年际变化监测研究[J]. 地球信息科学学报, 2019, 21(5):731-739.

DOI

Liu K, Peng L H, Li X, et al. Monitoring the inter-annual change of mangrove based on the Google Earth Engine[J]. Journal of Geo-Information Science, 2019, 21(5):731-739.

[16]
Yang G, Huang K, Sun W, et al. Enhanced mangrove vegetation index based on hyperspectral images for mapping mangrove[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2022, 189:236-254.

[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]
Belgiu M, Drăguţ L. Random forest in remote sensing:A review of applications and future directions[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2016, 114:24-31.

[19]
Shao Z, Fu H, Li D, et al. Remote sensing monitoring of multi-scale watersheds impermeability for urban hydrological evaluation[J]. Remote Sensing of Environment, 2019, 232:111338.

[20]
Wang D, Wan B, Qiu P, et al. Mapping height and aboveground bio-mass of mangrove forests on Hainan Island using UAV-LiDAR sampling[J]. Remote Sensing, 2019, 11(18):2156.

[21]
吴瑞, 陈丹丹, 王道儒, 等. 海南省东寨港红树林资源现状调查分析[J]. 热带农业科学, 2016, 36(9):62-65,71.

Wu R, Chen D D, Wang D R, et al. Survey of mangrove resources in Dongzhai Harbour,Hainan Province[J]. Chinese Journal of Tropical Agriculture, 2016, 36(9):62-65,71.

[22]
吴瑞, 陈晓慧, 涂志刚, 等. 海南省三亚河和青梅港红树林群落调查[J]. 热带农业工程, 2018, 42(1):31-33.

Wu R, Chen X H, Tu Z G, et al. Current status of mangrove community in Sanya River and Qingmei Bay of Hainan Province[J]. Tropical Agricultural Engineering, 2018, 42(1):31-33.

Options
Outlines

/

〈 〉