1990—2020年缅甸红树林时空演变特征遥感分析

夏艺菲 刘 凯,2* 闻 馨 王子予 曹晶晶,3

(1 中山大学地理科学与规划学院，广东省公共安全与灾害工程技术研究中心，广东省城市化与地理环境空间模拟重点实验室，广东 广州 510006；2 南方海洋科学与工程广东省实验室（珠海），广东 珠海 519000；3 广东技术师范大学计算机科学学院，广东 广州 510665)

红树林生态系统是湿地生态系统的重要组成部分，具有极高的生态价值和社会经济价值(Wang et al., 2019)。红树林多生长在海岸潮间带，传统野外调查方法耗时耗力且难以满足大范围的应用需求，遥感已成为红树林信息提取的重要研究手段(徐逸等, 2021)。Landsat系列卫星影像在已有研究中得到了广泛的应用，Giri等(2011)利用Landsat图像，结合监督和非监督分类方法绘制了全球红树林分布图。Jia等(2021)利用Landsat系列卫星图像数据提取了中国过去50年红树林面积，分析其变化规律。现有研究中基于光谱指数的红树林信息提取方法已被证明具有提取效率高和应用范围广等优势，指数法成为大范围红树林信息提取的有效手段。张雪红(2016)利用归一化差异红树林指数（Normalized Difference Mangrove Index,NDMI）和修正的归一化差值池塘指数（Modified Normalized Difference Pond Index，MNDPI），结合决策树方法自动提取了中国广西山口的红树林信息。Diniz等(2019)提出了模块化红树林识别指数（Modular Mangrove Recognition Index,MMRI），并分析了1985—2018年巴西红树林的动态变化。

本文以缅甸为研究区，基于多时相的Landsat影像，结合潮间带数据和全球红树林数据构建红树林生长区，提取1990—2020年共7期缅甸红树林空间分布，并结合多种指标分析缅甸红树林时空特征演化，以期为缅甸红树林的科学管理和规划提供依据和数据支持。

1 研究区概况与数据源

1.1 研究区概况

缅甸总面积约为67.66万km2（9°58′—28°31′N，92°20′—101°11′E），拥有丰富的自然资源，是我国“一带一路”倡议框架下的重要组成国家(刘晓伟, 2019)。缅甸具有典型的热带季风气候，年平均气温为27.4℃，沿海地区的降雨量较大，每年降雨量超过5 000 mm。缅甸红树林分布范围和物种多样性使缅甸成为世界上红树林最丰富的国家之一，也是全球红树林砍伐的热点地区(Gandhi et al., 2019;Oo, 2002)。缅甸的红树林分布于沿海的伊洛瓦底省（Ayeyarwady）、孟邦（Mon）、若开邦（Rakhine）、仰光省（Yangon）和德林达依省（Tanintharyi）5个省/邦。缅甸有34种真红树林，其中，海漆（Excoecaria agallocha）和苏达班银叶树（Heritiera fomes）在伊洛瓦底省和仰光省占主导地位，红茄苳（Rhizophora mucronata）和红树（Rhizophora apiculate）是其他3个地区的优势种(Estoque et al., 2018)。

1.2 数据源

本文采用了Landsat-5 TM和Landsat-8 OLI遥感影像。首先在GEE平台上基于设计的各个时相筛选了云量小于80%的遥感影像，然后基于Landsat的表面反射率数据中的影像质量波段（pixel_qa）建立掩膜去除云及云阴影的影响，从而获得各影像有效像元，最后以5年为单位（例如1990年监测期使用1988年1月1日至1992年12月31日时间段内的影像），取各单位内各像元中位数的方法进一步去除无效像元，获得各研究基准年多年际合成的极少云影像。

本文还应用全球红树林观测数据（Global Mangrove Watch，GMW）、全球红树林分布数据（Global Mangrove Forests Distribution，GMF）以及全球潮间带变化（Murray Global Intertidal Change Dataset）数据集来辅助确定红树林潜在生长分布区域。GMW数据集利用ALOS PALSAR和Landsat数据生成了2010年全球红树林基线图，目前数据集更新至3.0版本，已有1996—2020年10个年份的结果(Bunting et al., 2022)。GMF数据集利用1997—2000年约1000景Landsat系列卫星遥感影像，基于监督分类结合目视解译获得最终结果(Giri et al.,2011)。全球潮间带变化数据集利用全球707 528张遥感影像通过监督分类，绘制了1984—2016年北纬60°至南纬60°潮滩范围和全球分布(Murray et al., 2019)。

为获得缅甸红树林潜在生长分布区，本文首先对1990—2020年GMW数据与GMF数据的缅甸红树林分布范围进行合并以及生成外接矩形的操作，生成了红树林最大分布区域外接矩形。外接矩形的生成以地理学第一定律为基础，认为不规则的红树林斑块周围可能存在其他红树林小斑块，将原有红树林数据集可能漏分的红树林包括到红树林最大分布区中。此外，红树林生长在海岸潮间带，会受到潮水周期性浸淹，基于潮间带数据以60 m为半径生成缓冲区,将红树林最大分布区域外接矩形与缓冲区域合并，通过目视比对高分辨率遥感影像调整范围，最终确定红树林潜在分布区。

2 研究方法

利用全球红树林公开数据集和潮间带数据，生成缅甸红树林潜在生长分布区。同时，基于Landsat数据合成无云影像计算8种红树林指数，构建集成多指数概率阈值分类方法，在缅甸红树林潜在生长分布区内提取1990—2020年缅甸红树林，并分析该区域红树林的时空演变特征(图1)。

图1 研究流程图Fig.1 Flowchart of this study

2.1 红树林分布信息提取

为更好地综合多种指数的效果，本文采用集成多指数概率阈值方法提取红树林。首先对红树林潜在分布区内8种红树林指数进行计算（表1），计算结果分别采用自适应阈值分割-大津法（OTSU）自动获取特征指数的分割阈值，同时结合目视判断进行优化调整，以获得最佳的分割阈值，获得不同指数提取的红树林范围(Goh et al., 2018)；其次将通过给予不同红树林指数不同权重的方式，形成更为稳定的红树林提取方法，其中，MVI指数与MMRI指数的红树林提取精度较高，分类结果较好，将其权重赋值为0.2，其余指数权重均赋值为0.1；最后将8种指数提取结果相加，红树林分布概率为100%的区域代表了8种指数均认为该区域为红树林，但结合遥感影像发现，此时提取结果相比于真实的红树林分布范围要略小，存在漏分的情况，经目视判断后将概率阈值设置为60%，对于集成多指数的红树林分布概率阈值为60%及以上的区域进行红树林提取。

表1 红树林指数列表Table1 The list of mangrove indices

2.2 红树林分类精度评估

本文选取子基准年份进行精度检验。以2020年为例进行缅甸红树林分类精度评估。在缅甸红树林潜在分布区范围内采用随机采样生成200个样本点，并通过谷歌地球的高分辨率图像判断样本的类别，红树林在图像上为绿色的木本植物，与耕地、水体、裸地等非红树林地物存在较大差异。分类精度评价结果显示：红树林像元的各类精度均为90%左右，Kappa系数为0.79（表2），证明本文红树林提取方法可行，且能满足分析要求。将本文红树林提取结果与已有数据集进行一致性分析，2000年本文提取的缅甸红树林面积结果与GMF数据集和常云蕾等学者(2023)的红树林面积基本一致，均为4 900 km2左右，同时本文与GMW数据集和常云蕾等学者的缅甸红树林面积变化趋势一致，说明本文的提取结果具有可靠性。

表2 分类精度评估Table2 Accuracy assessment of classification

2.3 红树林时空信息挖掘

利用土地利用动态度和分割度指数两个指标描述缅甸红树林时空特征。土地利用动态度可以定量描述研究区内中土地覆盖类型在单位时间内的面积变化速率(韩会然等, 2015)。土地利用动态度的计算公式如下：

式中：K表示土地利用动态度，Ua、Ub分别表示研究时间段初、末土地利用的面积，T为研究时期长度。本文利用土地利用动态度描述缅甸红树林变化特征，K即为红树林动态度，用于表示该研究时段内红树林的年际平均变化率。

分割度指数(Splitting Index,SI)用于描述景观破碎化程度，SI的计算公式如下(焦利民等, 2015)：

式中：A表示某时期景观总面积，aj表示此时期斑块j的面积，共有n个斑块。本文利用分割度指数描述缅甸红树破碎化程度，分割度指数越大，红树林的破碎程度越高。

3 结果与分析

基于集成多指数概率阈值方法提取1990—2020年缅甸红树林分布（图2）。计算缅甸及各个子研究区红树林面积以及动态度和分割度指数，分析缅甸红树林时空及空间形态演变。由于仰光省和孟邦红树林分布较少且在地理位置上邻近，在进行分析时将仰光省和孟邦合并。

图2 1990—2020年缅甸红树林空间分布Fig.2 Spatial distribution of mangrove in Myanmar from 1990 to 2020

3.1 缅甸红树林时空演变分析

结合红树林面积和动态度分析可看出：1990—2020年缅甸红树林面积总体表现为先快速减少，再缓慢减少，后缓慢增加的变化趋势（表3和图3）。1990—2005年缅甸红树林面积由6 043.11 km2减少至4 185.21 km2，有近1/3的红树林消失，动态度绝对值较大，表现出了较高的红树林毁林速率。2005—2015年缅甸红树林由4 185.21 km2减少至3 958.35 km2，减少速度慢。2015—2020年红树林面积由3 958.35 km2增加至4 099.01 km2，出现了小幅回升。1990—2020年缅甸红树林面积减少了32.17%，大量的红树林遭到破坏，水稻种植的扩张、水产养殖和非法采伐是缅甸红树林损失的3个主要因素，其中，水稻种植的扩张占主导(Giri et al.,2008; Veettil et al., 2018)。缅甸红树林由森林部门管理，但管理执行不力，在研究时间段前期大量红树林被破坏(Oo, 2002)。经历2008年纳尔吉斯飓风后，缅甸国家环境保护委员会更加重视利用红树林改善海岸线生态系统；同时在2010年缅甸的政治改革之后，许多国际组织都致力于努力恢复缅甸红树林(Giri et al，2008; Veettil et al，2018; Webb et al，2014)。

表3 1990—2020年缅甸红树林面积 km2Table 3Mangrove area of Myanmar from 1990to2020km2

图3 1990-2020年缅甸红树林动态度Fig.3 Mangrove dynamic degree of Myanmar from 1990 to 2020

1990—2020年伊洛瓦底省红树林面积总体表现为先剧烈减少，再缓慢增加。1990—2010年红树林由1 796.75 km2减少至563.77 km2，减少了近70%的红树林，红树林动态度均小于-2%。2010—2020年伊洛瓦底省红树林出现了小幅度增加，但与1990年相比仍存在较大差距。总体来说，1990—2020年伊洛瓦底省红树林变化最为剧烈，年平均变化率绝对值均大于2%。研究时期前半段时间，红树林大量转变为耕地，水稻种植业一直是该地红树林砍伐的主要驱动力，直到2008年后，纳尔吉斯飓风使当地政府意识到红树林对生态的保护作用，红树林面积的减少情况有所缓解(Webb et al., 2014)。

1990—2020年仰光省和孟邦红树林面积整体上呈不断增加的趋势。红树林面积由1990年的41.67 km2增加至2020年的73.03 km2，其中，1990—1995年和2005—2015年增加幅度较大，红树林动态度超过4%。该地区红树林是所有子研究区域中保护最好的区域，但其面积较小。

1990—2020年若开邦红树林面积整体上呈先下降后趋于稳定的趋势。1990—2010年红树林由1 684.91 km2减少至1 021.60 km2，红树林减少了663.31 km2，占1990年总面积的39.37%，红树林动态度处于-2%～-3%之间，该时间段内大量红树林转变为耕地(Richards et al., 2016)。2010年后，红树林面积基本稳定在1 000 km2，存在小幅波动，红树林动态度绝对值小于1%。1990—2020年耕地的扩张一直是红树林受到破坏的驱动因素，此外2010年后也有小部分红树林转变为水产养殖池塘，而红树林面积增加主要依靠废弃水产养殖池塘（虾池）红树林的自然恢复(De Alban et al., 2020; Maung et al., 2021)。

1990—2020年德林达依省红树林面积较稳定，整体上有小幅度下降。1990年红树林面积为2 519.85 km2，2020年红树林面积为2 314.35 km2，红树林动态度绝对值较小。在缅甸三大红树林分布区域中，德林达依省的红树林保存完好，且红树林生长状况良好，这与当地人口较少以及受飓风的侵袭较少有关(Veettil et al., 2018)。

3.2 缅甸红树林空间形态演变分析

基于红树林分割度指数结果，研究红树林在空间结构上的变化（图4）。1990—2020年缅甸红树林分割度指数整体上呈波动上升趋势。1990—2000年分割度指数增长较快，红树林斑块逐渐破碎，随后2000—2020年分割度指数先下降后上升再下降，但变化幅度都较小。

图4 1990—2020年缅甸红树林分割度指数Fig.4 Mangrove splitting index of Myanmar from 1990 to 2020

1990—2020年伊洛瓦底省红树林分割度指数处于波动状态,其中，2005—2010年分割度指数增长较快，这与该时间段内成片红树林受到破坏形成较多细小斑块有关，2010—2015年分割度指数下降，原有的成片红树林得到恢复，与Webb等（2014）研究结果一致。1990—2020年仰光省和孟邦红树林分割度指数呈下降趋势，红树林破碎程度逐渐减少；若开邦红树林分割度指数呈先上升后下降的趋势；德林达依省红树林分割度指数呈先稳定后上升再小幅下降的趋势。德林达依省红树林存在部分面积减少与增加相抵消的情况，其中，水稻种植和水产养殖是红树林砍伐的主要驱动因素，而红树林增加主要是由于泥沙沉积为红树林的生长提供了适宜的条件(Gaw et al.，2018)。

4 结论

本文基于30年的Landsat卫星数据，结合全球红树林公开数据集与海岸潮间带数据，提取1990—2020年7个时期缅甸红树林空间分布，并分析了缅甸红树林时空演变特征，主要结论如下：

1）集成多指数概率阈值方法可快速高效提取缅甸红树林空间分布，同时具有较高的精度。本文基于集成多指数概率阈值方法，实现了缅甸1990年以来7个时期的红树林分布提取，大大提高了红树林遥感分类效率。

2）1990—2020年缅甸红树林面积呈先减少后增加的趋势。30年间缅甸红树林减少了1 944.1 km2，占1990年总面积的32.17%。2015年以后缅甸红树林面积缓慢增加。伊洛瓦底省及若开邦在研究时间段内红树林明显减少，德林达依省红树林面积最为稳定，仰光省和孟邦红树林面积有所增加。

3）1990—2020年缅甸红树林破碎程度不断上升，红树林分割度指数整体上呈波动上升趋势。伊洛瓦底省红树林分割度指数处于波动状态，仰光省和孟邦红树林分割度指数整体上呈不断下降的趋势，若开邦和德林达依省红树林分割度指数呈先上升后下降的趋势。