邓维熙,尤号田,雷 鹏,李卯森,陈建军
(桂林理工大学 测绘地理信息学院,广西 桂林 541004)
红树林是一种生长在海陆过渡地带的特殊珍稀木本植物群落[1],不仅具有较高的经济价值[2],还能提供多种生态服务功能,如提供栖息地和养育功能[3]、避免海岸线侵蚀[4]、净化水质和固碳[5]以及减灾防灾[6]等。然而,由于自然和人为干扰的双重影响,使得红树林资源受到严重威胁,面积急剧下降[7]。自1980年以来,全球约有35%的红树林消失[8],红树林的严重退化受到世界各国的广泛关注,红树林资源保护工作已迫在眉睫[9]。红树林资源的准确获取与动态变化监测是红树林科学保护工作顺利开展的前提,不仅对于红树林易受灾区域和适宜恢复位置预测具有重要意义,而且能为针对性保护政策的制定提供数据支撑。
然而,由于红树林所处海陆过渡地带多云雨,常用的中高空间分辨率光学影像数据,如Landsat-8、Sentinel-2 影像,虽然空间分辨率相对较高,但因受云雨天气影响致使可用高质量影像数据相对较少,难以为中高空间分辨率红树林资源动态变化监测提供连续的数据源,导致常见的大区域红树林资源动态变化监测研究周期多为年际变化,如:贾明明[10]基于Landsat 影像对1973—2013年中国红树林资源的年际动态变化进行研究,结果表明1973—2000年中国红树林面积不断减少,2000年后才开始回升;张威等[11]基于Landsat 影像对1978—2014年广西北部湾红树林资源的年际动态变化进行研究,结果表明广西山口红树林面积在1978—1989 不断缩减,之后缓慢恢复。上述研究结果表明,基于遥感数据能够实现红树林资源年际动态变化监测,但受限于有效的可用数据导致现有的绝大多数研究都停留在年际动态变化监测,鲜有将动态变化监测时间频率提升至月变化。常用的低分辨率光学遥感影像数据,如MODIS 数据,虽然数据重访周期短,但由于数据空间分辨率低,在离散斑块红树林精确提取方面存在一定的不足,导致针对红树林的研究相对较少[12]。因此,如何有效利用现有数据的不同优势,如:Landsat、Sentinel-2 影像的空间分辨率、MODIS 数据的时间分辨率,通过一定的算法实现连续高质量光学影像数据的重建是实现红树林资源月尺度连续动态变化监测的基础。
时空融合模型为基于现有离散光学影像重建连续高质量光学影像提供了可能,即通过高空间分辨率影像与低空间分辨率影像结合,从而预测出某一时期的影像,现阶段主要有时空自适应反射率融合模型[13-14]、时空自适应反射率变化模型[15]、增强的时空自适应反射率融合模型[16]和灵活的时空数据融合模型[17](Flexible Spatialtemporal Data Fusion,FSDAF)等,其中FSDAF 模型是Zhu 等提出的一种灵活的时空融合方法,能够利用一对基础影像完成预测,不仅减少了模型对影像的需求,而且能捕捉土地覆盖变化引起的反射率变化,较适用于异质景观,同时该模型还引入了薄板样条插值[18](Thin Plate Spline,TPS)算法,能够将粗分辨率的影像缩小为精细分辨率影像,实现更好地分配残差。由于该模型具有良好的优势,因此已成功应用于内陆区域影像的重建,如:王杰等[19]利用FSDAF 模型融合出研究区缺失的TM 数据,从而对赛里木湖流域与石河子地区的植被覆盖度与植被指数进行了研究;Zhai 等[20]将FSDAF 模型与线性像素分解方法结合,基于Landsat 和MODIS 数据融合出吉林省松原市农作物的叶面积指数(Leaf Area Index,LAI)产品,结果表明基于FSDAF 模型能生成高精度的LAI 产品。相较于内陆区域,红树林生长的海陆过渡地带更为复杂、可用影像更加稀少,因此,FSDAF模型在红树林研究的适用性有待进一步验证。
因此,本研究拟采用FSDAF 模型将Landsat-8、Sentinel-2 中高分辨率影像与低分辨率MODIS 影像进行融合,以期构建连续月尺度时间序列影像数据,最大程度弥补单一数据源难以形成连续高质量影像数据的不足,并利用面向对象分类方法实现红树林空间分布提取,从而实现红树林资源月尺度动态变化监测,为红树林资源保护提供更加及时高效的数据支持。
本研究以北部湾为研究区,主要包括北海、钦州、防城港、湛江等部分区域,具体位置如图1所示。研究区主要为热带和亚热带季风气候,受海风、洋流等影响,年平均气温约为22℃。基于图1所示Landsat-8 和Sentinel-2 影像图幅,将整个研究区划分为钦州附近区域、北海及广东雷州半岛附近区域两个区域。
图1 研究区示意图Fig.1 Study Area
由于红树林多生长于海陆过渡地带,多云雨,导致雨季很难获得可用的高质量Landsat 8 OLI、Sentinel-2 以及MODIS 数据,同时,前期研究表明,红树林在8—9月中旬达到物候期的最大值,随后不断下降[21],因此,为了保证研究结果的准确性,本研究选择2018—2020年8—12月的Sentinel-2、Landsat 8 OLI 和MOD09GA 数据,具体如表1所示。其中Sentinel-2 数据为来自欧空局的L1C 级数据;Landsat-8 OLI 数据为来自USGS的L2 级产品;MOD09GA(每日地表反射率数据)数据来自NASA 官网。其中,Sentinel-2 数据先在Sen2Cor 软件中进行大气校正,再在SNAP 软件中采用最近邻法进行重采样,随后进行拼接和裁剪;Landsat-8 OLI 数据先在ENVI5.3 软件中进行裁剪,再以Sentinel-2 数据为底图在ENVI Classic 5.3软件中进行几何校正,校正后保证RMSE 保持在0.5 个像元以下;MOD09GA 数据先在MRT 软件中进行重投影,将投影坐标系转换为WGS_1984_UTM_Zone_49N,再在ENVI Classic 5.3 软件中采用最近邻法进行重采样,然后以Sentinel-2 数据为底图进行几何校正,校正结果的RMSE 在0.5 个像元以下,最后在ENVI 5.3 软件中裁剪。
表1 研究数据日期†Table 1 The time of research data
通过对GF-2 影像以及无人机影像等高空间分辨率影像进行目视解译以选择样本数据,且样本尽量分布于整个研究区。将研究区地物大致分为红树林、陆地植被(包括森林、农田、灌木)、水体(包括河流、湖泊、坑塘)和其他(包括建筑物、道路、裸地等),每类地物均选择300 个样本点。同时为了尽可能降低样本不一对分类结果的影响,对每类样本均按7∶3 划分,最后将划分后的样本整合为训练集与验证集。
FSDAF 是由Zhu 等提出的一种灵活的时空数据融合方法,主要思想是先对T1时期高空间分辨率影像进行分类,然后估计两幅低空间分辨率影像T1、T2的对应类别在这个时间段的变化,再根据这个变化预测T2时刻的高空间分辨率影像并且分配残差。FSDAF 模型默认使用的是非监督分类中的ISODATA 分类,对输入的影像自动进行ISODATA 分类。随后计算低空间分辨率影像的某一像素时间变化。
式(1)中:xi、yi表示低空间分辨率中像素所在位置,ΔT表示T1、T2时期像素的差值。低空间分辨率影像的时间变化是分类影像中的类别在这个时间段中的变化的和,通常这个和是加权和,即每个类别需要分别计算权重。
理论上只要计算出了时间变化,根据高空间分辨率影像就可以计算出预测日期的影像,但是在实际情况中,通常两个不同时间点的影像的在某些像元上的分类效果会不同,考虑到这些不同,需要对其进行残差分配,通过残差分配来近似模拟影像在T1、T2时刻中的精确变化:
式(2)~(4)中:n表示分类类别数,R表示残差,T2-pre表示基于T1时期影像预测得到的影像,T1表示原始影像,fTPS表示TPS 插值法,a0、a1、a2表示参数,m表示低空间分辨率影像的亚像元数,ξ表示不同传感器之间的系统误差,通过给予限定条件bi等于0,当公式(4)取最小值时,即可求得各参数。在计算出残差以及权重和后就可以得到预测影像的值:
式(5)中:Kj为对应第j类的权重,Rj为对应第j类的残差,ΔT表示变化值。
为了进一步确保FSDAF 模型的精确性,Zhu等引入TPS 函数,通过TPS 函数让低空间分辨率影像通过残差分配从而更精确地缩小到高空间分辨率,从而更精确实现指定日期影像的预测。
对预处理后的影像数据进行特征提取,主要包括指数特征、纹理特征、光谱特征,具体如表2所示。其中,指数特征主要有归一化植被指数(Normalized Difference Vegetation Index,NDVI)、归一化 建筑指数(Normalized Difference Built-Up Index,NDBI)、改进的归一化水体指数[22](Modified Normalized Difference Water Index,MNDWI)、增强型植被指数(Enhanced Vegetation Index,EVI)、比值植被指数(Ratio Vegetation Index,RVI);纹理特征通过灰度共生矩阵计算得到共384 个;光谱特征则包括最大化差异度量(Max.diff)、影像各波段反射率以及色度-饱和度-强度(Hue-Saturation-Intensity,HSI) 等共16 个,所有特征均在eCognition 9.0.1 软件、ENVI5.3 软件中计算完成。
表2 特征提取统计表Table 2 Statistical table of feature extraction
2.3.1 海陆边界线提取
红树林通常生活在海岸附近,通过提取海陆边线可以分离出生活在海洋的红树林,然后再识别河岸附近的红树林。通常采用NDWI 能够将水体与其他地物区分,但由于研究区内的海陆边线复杂,建筑物、农田、红树林混杂,NDWI 提取出的地物的边界容易产生畸变,而MNDWI 能更好地保留海陆边界的空间信息。因此在ENVI 5.3软件中采用MNDWI 指数进行海陆的分离提取,同时在ArcGIS 10.6 软件中依据NDVI 数据对提取后的边界线进行修改。NDVI 与MNDWI 计算公式如下所示:
式(6)~(7)中:G表示绿波段,SWIR 表示短波红外波段,R表示红波段。
2.3.2 基于面向对象的红树林提取
利用eCognition9.0.1 软件对影像进行多尺度以及光谱差异分割,考虑到可能存在过分割或欠分割现象,因此通过反复试验,最终确定分割尺度为40、紧致度参数(Compactness)为0.3、形状参数(Shape parameter)为0.5,此时各地物边界较为合理,同时图斑不会过于破碎。确定分割尺度后进行特征优选,由于研究区过大,所以传统地添加所有特征进行优选会导致无法计算出结果。因此本研究分区域选取少量样本,分别测试各类特征对样本分离的贡献度,然后再综合选取样本,同时将每类特征贡献度前5 的特征加入特征空间进行计算,最后得到最优特征组合,利用特征组合再对研究区进行随机森林分类。
2.3.3 精度评价
将研究所用样本数据按7∶3 分为训练样本和检验样本,利用混淆矩阵进行精度评价,其中所用评价指标主要包括:总体精度、用户精度、生产者精度和Kappa 系数,具体计算公示如式(8)~(11)所示。
式(8)~(11)中:OA 代表总体精度,n为总像元数,N为总类别数,aii表示第i类样本中正确分类的像元数;UA 代表用户精度,aik表示分为第i类样本的像元数;PA 代表生产者精度,aki表示第i类样本的真实像元数;K代表Kappa 系数。
基于FSDAF 模型融合所得月尺度影像如表3所示。对表3所示结果进行分析可知,基于FSDAF 模型可生成所需月份的中高分辨率影像以构建连续月尺度时间序列影像数据,为红树林资源月尺度动态变化监测提供基础数据,如:对于北海及广东雷州半岛附近区域,2018年仅有10月份的可用Sentienl-2 影像,通过FSDAF 模型分别融合出9、11 和12月的影像。2019年利用11月的Sentienl-2 影像,基于FSDAF 模型分别融合出8、9 和10月的影像。
表3 FSDAF 模型融合影像†Table 3 The fused image of the FSDAF model
通过对FSDAF 模型融合出的影像进行分析可知,融合影像能够剔除云的干扰,相对于原始影像,可获取更多的信息,具体如图2所示。图2(a)为2018-09-29 原始影像与2018-09-30 融合影像对比图(RGB 分别为543 波段),从图中可以看出,原始影像由于有云覆盖,导致部分区域无法进行红树林的提取,而经过FSDAF 模型融合生成的影像则不存在云覆盖的问题。
为了进一步确定原始影像与融合影像的相关性,对FSDAF 融合影像和原始影像的11 波段的有云区域进行相关性分析,并绘制散点图,如图2b 所示,R2为0.73。再对无云区域进行相关性分析,如图2c 所示,R2为0.92,相关性较高,因此认为通过FSDAF 模型融合生成的影像是可以用于红树林的提取。
图2 原始影像与FSDAF 融合影像对比:(a)2018-09-29 原始影像与2018-09-30 融合影像对比图(543 波段);(b)有云区域的融合影像与原始影像11 波段散点图;(c)无云区域的融合影像与原始影像11 波段散点图Fig.2 Comparison of the original image and the FSDAF fused image:(a) The comparison between 2018-09-29 original image and 2018-09-30 fused image (543bands); (b) 11 band scatter plot of the fused image and the original image in the cloud region; (c) 11 band scatter plot of the fused image and the original image in the cloud-free region.
本研究以2019年11月22日的钦州附近区域的Sentinel-2 影像为例,在此影像上分割出了部分小区域:水体占多的区域、红树林占多的区域、陆地植被占多的区域。然后对各个小区域进行纹理特征的初步优选,结果发现Cor、Ent、Mean、Std 等纹理特征对红树林的提取效果优于其他纹理特征。随后再分别讨论不同方向的纹理特征,发现在0°和90°时,对红树林的提取效果最好,因此最终将纹理特征的范围缩小为96 个特征,随后再进行进一步的优选,直到选出5 个样本分离度最好的纹理特征。对于光谱特征及指数特征则直接进行优选计算,最后获得的最优特征具体如表4。
表4 2019-11-22 时期特征组合Table 4 Feature combination of 2019.11.22
通过计算特征空间的最优特征分离度(图3)发现当特征维度为12 时,样本的分离度最好,达到了1.08,相比于15 个特征全部参与的1.00 更好,因此选用12 个优选特征组合进行红树林空间分布提取。
图3 2019-11-22 时期最优特征维度Fig.3 Optimal feature dimension of 2019-11-22
基于面向对象的随机森林分类方法,对研究区内的所有影像数据进行红树林空间分布提取,因分类结果较多,在此仅以2019年11月22日Sentinel-2 影像提取结果为例进行说明,具体分类精度评价结果如表5所示,空间分布结果如图4所示。对表5所示结果进行分析可知,分类总体精度为96.84%,Kappa 系数为0.88,其中红树林的生产者精度为98.85%,用户精度稍低为80.83%,这主要是因为部分陆地植被的特征与红树林相似,在大尺度范围内难以完全将两者分开所致。由图4所示结果可知,2019年11月红树林面积为99.08 km2,其中主要集中分布在珍珠湾、茅尾海和北海港附近,绝大部分红树林分布在海岸线附近,零星的红树林分布在河道边上。
图4 2019-11-22 时期红树林分布图Fig.4 Mangrove distribution of 2019-11-22
表5 分类精度评价表Table 5 Classification accuracy evaluation
基于FSDAF 模型重建月尺度时间序列影像红树林空间分布提取结果如表6所示,对表6所示结果进行分析可得2018—2020年各年月尺度红树林面积变化图,具体如图5a 所示,同时对表6所示结果进行分析可得2018—2019年、2019—2020年各月红树林面积变化图,具体如图5b 所示。对图5a 所示结果进行分析可知,红树林面积在2018—2020年分别增长了0.61、0.37、0.33 km2。对图5b 所示结果进行分析可知,2018—2020年8月到12月各月红树林面积分别增加了0.15、0.52、0.41、0.24、0.02 km2。2018—2019年9—12月 各月红树林面积分别变化了-0.01、0.13、0.01、-0.09;2019—2020年8—12月各月红树林面积分别增加了0.15、0.53、0.28、0.23、0.11 km2。
图5 研究区红树林面积变化:(a)研究区红树林月尺度面积变化;(b)各时期红树林面积对比Fig.5 Mangrove area change: (a) Mangrove area changes of the monthly scale; (b) Comparison of mangrove areas in different period
表6 各时期研究区红树林面积提取结果Table 6 Extraction results of the mangrove areas in each period km2
图6c 展示出研究区内所有红树林的分布情况,选取红树林分布较为紧凑的珍珠湾和安铺港区域进行细节展示(图6a、d),从年际变化中可以看出,在2018—2019年9月,两个区域的红树林呈现向海洋方向移动的趋势,但在2019—2020年9月,两个区域的红树林却没有向海洋方向移动,并且在向陆地方向出现了部分红树林。在两个区域各选择一块红树林进行月尺度变化展示,以月为尺度的细节变化相较于年际变化更能展现红树林的细节变化。珍珠湾区域A(图6b)离海岸较远,没有呈现明显的向海洋移动趋势;而安铺港区域A(图6e)在海岸边,在9月能够明显地看出向海洋移动的趋势。同时,两处区域的红树林都出现了红树林的增长。
从影像自身来考虑红树林面积的变化,由于研究区的影像日期不同,导致各时期的潮位也不同,因此在同一区域提取到的潮间红树林也存在差异,这可能是造成2018—2019年红树林向海洋方向移动的原因之一;从图6b、e 中可看出很多区域出现了新的红树林,由于自然状态下的红树林繁殖较为缓慢,而月尺度监测的时间间隔短、能够更形象地描述红树林变化,因此出现的新红树林可能是人工种植的红树林。
图6 红树林分布及细节展示:(a)珍珠湾各年9月红树林面积对比;(b)珍珠湾区域A 2019年各月红树林变化;(c)研究区红树林分布矢量图;(d)安铺港各年9月红树林面积对比;(e)安铺港区域A 2019年各月红树林变化Fig.6 Mangrove distribution and detail display: (a) Comparison of mangrove area in September of each year in Pearl Bay;(b) Monthly mangrove changes in Pearl Bay in 2019;(c) Vector map of mangrove distribution in the study area;(d) Comparison of the mangrove area in September of each year in Anpu Port; (e) Monthly mangrove changes in Anpu Port in 2019
从影像中地物的变化方面来考虑红树林面积的变化,对图7中的A 区域分析,由于2020年A区域修建了海堤(道路),占据了原本红树林可以繁殖的滩涂,导致红树林只能向海洋方向的滩涂繁殖,所有出现整体向海洋方向移动的现象。因此出现红树林向海洋方向移动的原因大致有两种,一种是因为潮位差导致部分红树林被淹没无法准确提取,从而影响红树林的面积变化;另一种是由于修建海堤(道路)等,促使红树林向海洋方向移动。
本研究基于优选特征组合的面向对象随机森林分类法能够实现红树林空间分布的较精确提取,为便于与其他同行研究进行对比验证,将合并后的研究区内的红树林按行政区域划分为广西(由于影像数据限制,广西区域未提取北仑河口的红树林)和广东雷州半岛左侧,分别统计各时期广西壮族自治区红树林空间分布信息(图8),可得出广西区域的红树林处于增长状态。2019年广西红树林的平均面积约为89.76 km2,与自然资源部2019年公布的广西红树林面积93.30 km2存在约3.9%的误差。
图8 广西红树林面积变化Fig.8 Changes of the mangrove area in Guangxi Province
谢亮亮等[23]利用最大似然法分类对2017年广西红树林空间分布进行提取研究,结果面积为41.42 km2;王浩等[24]采用支持向量机对2019年广西红树林空间分布进行提取,最终所得面积为73.76 km2。Xiao 等[25]结合机器学习算法,同时将基于像元的分类方法与基于对象的分类方法相结合构建了2018—2020年全球10 m 分辨率红树林分布图,其中按本研究区进行划分后,红树林面积为92.67 km2。本研究通过FSDAF 模型融合出完整时间序列影像,并基于优选特征组合,利用面向对象分割随机森林分类法,对研究区红树林空间分布进行提取,结果2018—2020年广西红树林面积分别为89.37、89.76、90.10 km2。
2020年,自然资源部发布了红树林保护修复专项行动计划(2020—2025年),旨在修复受破坏严重的红树林,并保护受破坏较轻或未破坏的红树林。通过将时间序列数据中的红树林进行对比,并从景观格局上对红树林斑块进行分析可得出各红树林区域受破坏的程度,从而可按破坏程度对红树林进行先后修复,合理且不浪费地利用资源。但传统的红树林动态变化监测频率通常为年尺度,年尺度动态变化监测可能导致忽略部分红树林变化。而本研究基于FSDAF 模型生成的月尺度时序影像数据获取的红树林月尺度动态变化监测结果在一定程度上可提高监测的时间频率,为红树林资源保护与恢复提供更好的数据支持。因此,在未来红树林空间分布动态变化监测研究中采用月尺度变化监测结果,能够提高监测的时间频率,从而更好地为红树林资源保护与恢复提供数据支持。
中国红树林目前主要的威胁有污染、围垦、基建与城市建设、过渡捕捞和外来物种入侵[26],其中围垦以及基建与城市建设可通过遥感图像的目视解译和对比分析来进行,对每幅影像进行分析后可发现,海岸线边沿修建海堤(道路)占据了部分红树林,同时也存在围垦的现象,如图7所示,但总体面积较小。从红树林月尺度面积变化来看,影响其面积变化的主要因素是潮汐以及人工种植红树林;从红树林年度面积变化来看,影响红树林面积变化的因素不仅有潮汐和人工种植红树林,还存在由于海堤导致红树林无法向内陆繁殖,只能向海洋方向移动的因素。
自然状态下,随着海平面的上升,红树林应该逐渐向内陆移动[27],但中国红树林却在向海洋方向移动[28]。Doyle 等[29]认为海平面上升使得红树林不得不向内地一侧后退,然而海堤却阻挡了红树林向内陆移动,威胁了红树林的生存。李春干等[30]分析了2001—2007、2007—2010年广西红树林的变化,前者自然面积为55.33 km2,人工造林为2.43 km2;后者自然面积为56.83 km2,人工造林为5.41 km2。由此可见,人工种植红树林对红树林影响较大。大量的人工林占据了邻近海岸线的滩涂,导致红树林只能横向生长或者向海洋方向生长,这或许会导致自然林的面积增长速率会降低,甚至自然林面积会缓慢地减少。国家海洋局2003年和2006年对全国重点岸段调查显示,大部分岸段的侵蚀速度仍在加快,随着红树林对堤岸的保护,这种侵蚀得到缓解,但海平面上升导致红树林需要向内陆移动,而海堤等又限制了红树林的移动。尽管中国在滩涂造林上取得了诸多成就,但后续需要更多地考虑自然林的生长空间,更多地考虑退塘还林,如利用废弃的沿海养殖场来种植红树林。
本研究表明潮汐淹没对红树林空间分布提取结果存在一定的影响,因此在未来研究中一方面利用时间序列多源高分辨率遥感影像研究潮汐淹没对红树林空间分布提取的影响以期校正潮汐的影响,另一方面基于多源遥感影像提取新的变量实现潮汐淹没下红树林空间分布的精确提取,从而减弱潮汐淹没对红树林空间分布提取的影响。同时,虽然本研究重构了2018—2020年8—12月的高分辨率影像,但由于MODIS 数据在夏季月份几乎被云覆盖,因此也只能放弃重构整年的高分辨率影像,后续考虑采用改进的NSPI 去云算法[31]并叠加时空融合算法来重构整年12 个月的高分辨率影像以期实现红树林空间分布的连续月尺度变化监测,为红树林资源保护与恢复提供更加及时的数据支持。
本研究以中高空间分辨率Landsat-8、Sentinel-2 影像和每日地表反射率数据MOD09GA数据为数据源,基于FSDAF 模型构建月尺度时间序列影像数据,通过海岸线提取,结合面向对象的随机森林分类方法提取北部红树林空间分布,进而实现红树林空间分布月尺度动态变化监测,所得结论主要如下:
1)基于FSDAF 模型不仅可生成所需月份的影像数据,且生成的融合影像与原始影像相关系数较高,可用于红树林月尺度动态变化监测。如:将FSDAF 模型所得融合影像与原始影像进行相关性分析,发现在无云区域R2为0.92,有云区域相对较低,R2为0.73,这主要是因为融合影像能够模拟原始影像中被云覆盖的地物光谱反射率,而原始影像则是云覆盖的地物光谱反射率,因此导致有云区域相关性较低,这也从侧面证明本研究所用方法的可行性。
2)基于优选特征组合的面向对象随机森林分类法能够实现红树林空间分布的精确提取,总体分类精度达到96.84%,Kappa 系数为0.88,红树林用户精度为80.83%,生产者精度为98.85%。其中2019年红树林面积提取结果为89.76 km2,与自然资源部2019年公布的广西红树林面积93.30 km2存在约3.9%的误差。
3)基于FSDAF 模型生成的月尺度时序影像数据可实现红树林月尺度动态变化监测,提高了监测的时间频率,有利于发现红树林的变化并及时采取措施,为红树林资源保护与恢复提供更加及时的数据支持。如:2018—2020年9—12月红树林面积分别增加了0.61、0.37 和0.33 km2,而2018—2020年8—12月各月红树林面积分别增加了0.15、0.52、0.41、0.24、0.02 km2,由此可知2018—2020年不同月份红树林面积变化差异不同。