滨海湿地生态系统修复及其遥感技术应用进展的文献计量学研究

摘要：滨海湿地通过减缓气候变化和保护生物多样性，在区域和全球生态系统健康方面发挥着重要作用。受人类活动、气候变化、外来物种入侵等因素影响，我国部分地区的滨海湿地生态系统面临生态系统功能受损，生物多样性下降的危机。遥感是一种观测范围广，可快速获取大量可靠信息的成熟观测技术，近30 年来在滨海湿地研究中被广泛应用。对遥感技术在全球滨海湿地恢复领域的应用进行文献计量分析，结果显示：中国在2010 年首次超越美国成为该领域发文量最多的国家，代表性研究机构为中国科学院。关键词聚类分析显示滨海湿地生态系统演化、驱动因素以及修复技术研究，滨海沼泽湿地生态环境研究，水体信息反演研究，植被参数反演研究以及遥感技术研究是当前主要研究热点。在全球气候变化背景下，滨海生态系统面临不可控风险日益 加剧，加强滨海湿地生态系统在不同时空维度下的响应和适应性研究迫切性日益凸显。我国需要尽快制定与管理行动相关的地方监测与反馈政策，建立滨海湿地监测网并定期收集和分析数据，利用大数据和决策工具快速对相关决策进行修正。

关键词：滨海湿地；生态系统；遥感技术；文献计量

中图分类号：P748；TP79 文献标志码：A 文章编号：2095-1329（2024）03-0137-07

滨海湿地广泛分布于大陆海岸线边缘，分布范围覆盖了除了南极洲以外的从热带到北极海陆交界生态过渡带，兼具海洋和陆地特征的生态类型，具有特殊的水文、植被、土壤特征，主要分布于海岸、河口和三角洲地区，包括潮汐盐碱地、咸水和淡水沼泽、潮汐淡水森林、海草场、红树林和潮汐盐滩[1]。全国第二次湿地资源调查统计显示，我国湿地总面积为5360.26×104 hm2，其中滨海湿地579.59×104 hm2，占自然湿地比重大约为12.42%。同时，我国的滨海湿地具有明显的地域差异性：杭州湾以北地区多为沙质和淤泥质海滩，在山东半岛和辽东半岛局部地区见基岩海滩；杭州湾以南地区则多为基岩海滩，形成了众多的河口和海湾，如钱塘江—杭州湾、珠江口湾和北部湾等[2-3]。

滨海湿地不仅具有重要的生态系统价值，也是全球气候变化和生物地球化学循环的重要组成部分，在保护海岸带免受风暴和海岸线侵蚀、调节水质、商业渔类养殖、增强生物多样性以及为全球提供重要的碳汇等方面发挥着重要作用[4-5]。尽管滨海湿地只占不到0.2% 的全球海洋面积，但却贡献了海洋沉积物中所吸收的碳总量的近50%。盐沼、海草和红树林的碳掩埋率平均在100 g·C/（m2·a） 以上，超过了许多陆地生态系统的平均水平，后者低于10 g·C/（m2·a）[6-7]。尽管如此，滨海湿地仍是地球上最受威胁的生态栖息地之一。这些生态系统的退化、土地用途转向以及湿地损失，加速了微生物分解作用，向大气释放了更多温室气体，加剧了全球气候变化[8-9]。中国的滨海湿地分布参见图1。

滨海湿地的流失或退化引起了人们对湿地恢复的 高度重视。1971 年为了保护湿地18 个缔约国签署了《湿地公约》（Ramsar Convention），旨在通过国家行动和国际合作保护和合理利用湿地。中国于1992 年签署加入该公约，成为第67 个缔约国。2017 年我国为了进一步增强对滨海湿地的保护颁布了《海岸线保护与利用管理办法》，2018 年发布《国务院关于加强滨海湿地保护严格管控围填海的通知》加强了对滨海湿地的保护。2022 年6 月我国正式制定并实施《中华人民共和国湿地保护法》，确立了湿地保护管理的顶层设计，开启了中国湿地保护法治化新征程。

国内外除了制定相关政策法规来管理和保护滨海湿地外，通过人工技术干预和修复滨海湿地生态系统，可以改善退化、受损和被破坏的湿地的结构和功能。

遥感技术具有观测范围广、获取信息快、信息量大、信息可比性强等独特优势，近30 年来已被广泛用于滨海湿地生态系统修复之中[11]。国内外学者主要围绕：（1）滨海湿地资源调查，如利用Landsat 时间序列图像监测湿地动态[12]、多时相遥感影像优化滨海湿地土地变化评估[13]、利用无人机进行高分辨率遥感测绘[14]；（2）滨海湿地景观分类、格局和动态监测，如利用遥感技术重现滨海湿地景观格局演变与预测[15]、沿海景观环境遥感指标研究[16]、基于Sentinel-1、Sentinel-2 和LiDAR 数据的滨海湿地分类[17]；（3）生态系统环境质量监测与评价，遥感技术用于生态系统服务功能的定量评估[18]、基于光学、雷达和LiDAR 在内的遥感技术对生态系统属性全面动态评估[19] 等。

文献计量学是以发文量、发文机构、被引文献、关键词时序演变及突现特征等作为分析对象，运用数学和计算机统计方法，分析学科发展过程、研究热点演变、研究力量分布等，进而提出学科发展方向。随着科技文献发文大爆发，文献计量成为了多学科发展态势研究的重要方法[20-21]。知识图谱具有处理大量文献、多角度可视化分析、分析可信度高等优势，弥补了传统文献综述的不足[22]。

在本文中，我们利用知识图谱专业软件VOSviewer和文献计量学的原理方法，以发表在Web of Science 数据库中的高水平学术论文的研究为切入点，尝试对遥感技术在滨海湿地修复中的应用进行多维度、定量化、可视化研究。通过详细统计与湿地修复相关的学术论文的发表数量、作者信息、发文机构、文献被引频次、关键词分析等五个关键指标，我们将揭示遥感技术在滨海湿地修复领域的热点动态、发展过程和未来趋势，以期对该领域有全面的认识。此外，我们还将通过这些关键指标，深度挖掘遥感技术在滨海湿地研究领域的理论基础、前沿热点和生产实践，为本领域的可持续发展提供科学支撑。

1 数据来源与研究方法

Web of Science 是国际权威的综合性学术信息资源，在进行科学分析与科学评价时该数据库被视为重要的检索工具。本文 以“（（（Littoral OR tidal OR Coastal OR“Shallow sea” OR “Neritic sea” OR “shallow water”）Near Wetland*） OR （Estuarine OR Estuary OR IntertidalOR Subtidal OR Beach OR Lagoon） and wetland*） OR（Mire* OR Swamp* OR Marsh* OR “Tidal mudflat*”）Near wetland*） or （（“Sea meadow” OR seagrass* OR“sea grass*” OR “Coral reef*” OR mangrove） NEARwetland*） and （“Remote* Sens*” OR MultitemporalOR Multi-temporal OR Multispectral OR HyperspectralOR “unmanned aerial” OR “unmanned aircraft” ORsatellite*））”作为检索词，在Web of Science 数据库进行检索，收集1900—2020 年期间收录的所有SCI-E 和CPCI文献信息，并对其国家、机构、期刊以及热点关键词等信息进行计量分析，对专业研究领域的现状进行分析。

2 结果与讨论

本次统计分析了SCI 在1900 年至2020 年期间收录的有关滨海湿地遥感技术应用论文共计859 篇，其中有关滨海湿地生态的论文共计447 篇，有关遥感技术在滨海湿地生态修复中的应用类论文共计61 篇。本文将分别对滨海湿地遥感技术应用总体研究趋势，以及遥感技术在滨海湿地生态修复中的应用这两个方向的研究趋势展开分析。

2.1 滨海湿地遥感技术应用论文产出分析

20 世纪60 年代以来，世界各国针对其湿地的退化情况，积极采取了湿地生态修复措施。遥感技术由于获取数据的制约条件少，不受地面条件限制，被广泛用于滨海湿地生态修复。由图2 所示，1980—2002 年滨海湿地遥感技术的发文量较少，大多数情况年发文数量不足10篇。2003—2012 年发展较快，年发文量突破20 篇，最高达42 篇。2013 年之后发文量快速增长，年发文量持续在一个较高水平，2019 年发表量最高为96 篇。

通过对与滨海湿地生态遥感技术应用相关的447 篇论文统计分析，显示遥感技术应用于滨海湿地生态学起源于1993 年，直至2008 年进入快速发展时期，尤其是2018 年以后，年论文发表进入爆发期，突破60 篇（图3）。

2.2 国别分析

对期刊论文作者通讯地址的统计分析，可再现滨海湿地遥感技术在不同国家的应用情况。论文分析了1980—2020 年期间发文量前15 的国家，如表1，美国发文量位列第一（327 篇），其次为中国（276 篇）、加拿大（53 篇）、澳大利亚（48 篇）、印度（35 篇）等。

通过发文数量的国别统计可以得到两个明显认识。一是，以美国、加拿大和澳大利亚等为代表的发达国家，其滨海湿地遥感技术的理论研究和实践应用整体领先于发展中国家，这显然与发达国家起步早、技术和经验积累丰富等因素有关。二是，以中国和印度为代表的发展中国家在该领域发展迅速、表现亮眼；中国在该领域发表的期刊论文数量在2010 年超越美国，成为全球翘楚，显示出强大的政策和财政支持力度。

滨海湿地生态学遥感技术应用领域发文量前五位国家分别为中国（169 篇）、美国（164 篇）、澳大利亚（26 篇）、加拿大（26 篇）和印度（14 篇）。如图4 所示，排名前5 位国家中，中国和美国在滨海湿地生态学遥感技术应用方面优势突出，美国起步早，我国起步晚，在2010 年我国首次超越美国，随后发文量快速增长，保持与美国并驾齐驱的态势，说明我国对滨海湿地生态学遥感应用研究越来越重视。从国家合作关系来看（图5），我国与美国合作最为密切，其次是加拿大、澳大利亚及德国。

2.3 技术热点和前沿技术识别

（1）主要期刊来源分析

由于不同期刊涵盖领域、侧重点以及读者受众都存在差异，通过追溯所聚焦领域文献的期刊来源，能够帮助学者用最佳途径发现本领域内的权威期刊，及时了解到滨海湿地遥感技术应用的最新研究成果案例，助力科学家快速发表高水平学术成果，具有重要的科学价值和现实意义。研究发现（表2），过去40 年，发表于滨海湿地遥感技术领域15 本顶级期刊的论文数量能够占到总发文量的40%。进一步的研究发现，这些顶级期刊中，有约1/3 的影响影响因子达到或超过4.0（以2020 年为例），也从侧面反映了滨海湿地遥感技术研究与应用是当前学界研究的前沿和热点，受到众多学者关注。

如图6 所示发文量前15 期刊中，近几年在《RemoteSensing》《Journal of Coastal Research》《Remote Sensingof Environment》发表论文数量增长较快。《RemoteSensing》2020 年影响因子为4.509，《Journal of CoastalResearch》和《Journal of Environmental Management》2020年影响因子分别为0.793 和9.085。说明上述期刊为滨海湿地遥感技术领域的热点期刊。

遥感技术应用于滨海湿地生态学论文发表前15 位期刊如表3 所示，排名第一的为《Remote Sensing》（42 篇）被引607 次，第二位为《Remote Sensing of Environment》（24篇）被引1299 次，第三位为《Journal of Coastal Research》（21篇）被引456 次。

（2）主要研究机构分析

1980 年至2020 年期间，在滨海湿地遥感技术领域发文量前10 机构如表4 所示。前10 名的发文机构来自于美国（7 个）和中国（3 个），总发文量达291 篇（占总发文量的29.16%）。前10 名机构中，中国科学院发文量排名第一，为78 篇，占总发文量的9.21%。美国地质调查局发文量位居第二（39 篇），但被引次数最多，为1214 次。华东师范大学位列第三，总发文量为28 篇，总被引次数为544 次。

滨海湿地遥感技术研究领域主要机构合作关系图可以再现机构间合作关系。图7 显示，中国科学院大学和美国地质调查局是国际合作最为活跃的两大科研机构，并且中国科学院大学与美国、印度、加拿大等科研机构都保持着密切合作。除中国科学院以外，华东地区以华东师范大学、南京大学、复旦大学和宁波大学之间合作紧密。

（3）关键词热点分析

论文关键词统计分析可以呈现研究领域科研动态与研究热点。本文列举了前15 个高频关键词（表5）。从关键词随时间变化图（图8）中可以看出，遥感技术从2005年开始活跃于滨海湿地研究领域，其中遥感技术用于红树林湿地研究尤为活跃，其次是用于湿地资源变化监测、滨海沼泽湿地研究、滨海湿地分类等方面。此外，遥感技术近些年与雷达、GIS 相结合也是滨海湿地研究的热点之一。

本文通过VOSviewer 再现滨海湿地遥感技术领域，构建关键词共现网络图谱（图9），并采取“标签视图（LabelView）”呈现图谱。图谱中，单个节点代表了1 个关键词/ 术语，大小代表出现频次，越大说明出现频次越高，颜色代表不同聚类类型。

通过VOSviewer 对滨海湿地遥感技术关键词聚类分析得到5 个聚类，代表了该领域主要的研究方向。（1）滨海湿地生态系统演化、驱动因素以及修复研究，主要关键词包括Management、Delta、Lagoon、Ecosystems、CoastlineChange、Change detection、Impacts、Erosion、reclamation、Landsat。（2）滨海沼泽湿地生态环境研究，主要关键词包括Salt marsh、tidal marsh、sea-level rise、sediment、sedimentation、carbon、climate change、Spartina alterniflora。（3）水体信息反演研究，主要关键词包括water、quality、scale、model、chlorophyl。（4）植被参数反演研究，主要关键词包括vegetation indexes、phragmites-australis、abovegroundbiomass、hyperspectral、spectroscopy、refl ectance。（5）遥感技术研究，主要关键词包括classifi cation、lidar、accuracy、inundation、mapping wetlands、sar 等。

3 主要结论和建议

（1）1980—2002 年滨海湿地遥感技术的发文量（SCI和CPCI 论文）较少，2003—2012 年发展较快，2013 年之后相关文献数量快速增长。遥感技术应用于滨海湿地生态学起源于1993 年，直至2008 年进入快速发展时期，尤其是近三年发文量增长 迅速。

（2）1980—2020 年期间美国发文总量第一，其次是中国、加拿大、澳大利亚、印度等国。美国、加拿大与澳大利亚三个发达国家在2005 年以前发文量明显高于中国和印度，说明发达国家比发展中国家起步要早。2010年中国首次在滨海湿地遥感技术应用领域发文量超越美国，跃居第一。

（3）主要研究机构前10 发文机构中来自于美国（7 个）和中国（3 个），其中中国科学院发文量最高，其次是美国地质调查局和华东师范大学。中国科学院大学和美国地质调查局是国际合作最为活跃的两大科研机构。

（4）关键词聚类分析显示五个热点研究主题，分别是：滨海湿地生态系统演化、驱动因素以及修复研究，滨海沼泽湿地生态环境研究，水体信息反演研究，植被参数反演研究，遥感技术研究。

未来，我国应当进一步加强遥感技术在资源量评估，生态系统评价、恢复和重建的应用。同时，在全球气候变化背景下，滨海生态系统面临不可控风险日益加剧，应加强滨海湿地生态系统在不同时空维度下的响应和适应性研究。

同时，制定计划与当地专家协商，并适应每个地方的需求。面对气候变化等日益严峻的挑战，灵活应对当地压力将显得尤为重要。过去的政策缺乏与管理行动相关的地方监测和反馈，这对于指导政策达到预期效果也至关重要。每个沿海地区都应该监测中国海岸线的变化，以及环境和人类驱动因素，如海平面上升、侵蚀- 沉积和人口压力。定期收集和分析数据，利用大数据和决策工具快速对规划进行修正。以国家和区域优先事项为框架，恢复应基于每个地方生态系统的结构、功能、组成和服务。

参考文献（References）

[1] MOFFETT K B， NARDIN W， SILVESTRI S， et al. Multiple stable states and catastrophic shifts in coastal wetlands： progress， challenges， and opportunities in validating theory using remote sensing and other methods[J]. Remote Sensing， 2015，7（8）：10184-10226.

[2] 牛振国， 张海英， 王显威， 等. 1978-2008 年中国湿地类型变化[J]. 科学通报，2012，57（16）：1400-1411.

NIU Z G， ZHANG H Y， WANG X W， et al. Mapping wetland changes in China between 1978 and 2008[J]. Chinese Science Bulletin，2012，57（16）：1400-1411.

[3] 周晶， 章锦河， 陈静， 等. 中国湿地自然保护区、湿地公园和国际重要湿地的空间结构分析[J]. 湿地科学，2014，12（3）：1-9.

ZHOU J， ZHANG J H， CHEN J， et al. Analysis of spatial structure on wetland nature reserves， wetland parks and international important wetlands in China[J]. Wetland Science， 2014，12（3）：1-9.

[4] DUARTE C M， LOSADA I J， HENDRIKS I E， et al. The role of coastal plant communities for climate change mitigation and adaptation[J]. Nature Climate Change， 2013，3（11）：961-968.

[5] DUARTE C M. Reviews and syntheses： hidden forests， the role of vegetated coastal habitats in the ocean carbon bud get[J]. Biogeosciences，2017，14（2）：301-310.

[6] MCLEOD E， CHMURA G L， BOUILLON S， et al. A blueprint for blue carbon： toward an improved understanding of the role of vegetated coastal habitats in sequestering CO2[J]. Frontiers in Ecology and the Environment， 2011，7：362-370.

[7] WAYCOTT M， DUARTE C M， CARRUTHERS T J B， et al. Accelerating loss of seagrasses across the globe threatens coastal ecosystems[J].Proceedings of the National Academy of Sciences， 2009，106（30）：12377-12381.

[8] LINWOOD， PENDLETON， DANIEL， et al. Estimating global “blue carbon” emissions from conversion and degradation of vegetated coastal ecosystems[J]. Plos One， 2012. doi：10.1371/journal.pone.0043542.

[9] LOVELOCK C E， ATWOOD T， BALDOCK J， et al. Assessing the risk of carbon dioxide emissions from blue carbon ecosystems[J]. Frontiers in Ecology and the Environment， 2017，15：257-265.

[10] SUN Z G， SUN W G， TONG C， et al. China’s coastal wetlands： conservation history， implementation efforts， existing issues and strategies for future improvement[J]. Environment International， 2015，79：25-41.

[11] 刘润红， 梁士楚， 赵红艳， 等. 中国滨海湿地遥感研究进展[J]. 遥感技术与应用，2017，32（6）：998-1011.

LIU R L， LIANG S C， ZHAO H Y， et al. Progress of Chinese coastal wetland based on remote sensing[J]. Remote Sensing Technology and Application， 2017，32（6）：998-1011.

[12] JIN H， HUANG C， LANG M W， et al. Monitoring of wetland inundation dynamics in the Delmarva Peninsula using Landsat time-series imagery from 1985 to 2011[J]. Remote Sensing of Environment， 2017，190：26-41.

[13] ALLEN Y C， COUVILLION B R， BARRAS J A. Using multi temporal remote sensing imagery and inundation measures to improve land change estimates in coastal wetlands[J]. Estuaries and coasts， 2012，35（1）：190-200.

[14] SAMIAPPAN S. Using unmanned aerial vehicles for high-resolution remote sensing to map invasive Phragmites australis in coastal wetlands[J].International Journal of Remote Sensing， 2017，38（8-10）：2199-2217.

[15] ZHANG Y， QU J， LI D. Evolution and prediction of coastal wetland landscape pattern： an exploratory study[J]. Journal of Coastal Research，2020，106（S1）：553.

[16] KLEMAS V. Remote sensing of landscape-level coastal environmental indicators[J]. Environmental Management， 2001，27：47-57.

[17] JAMALI A， MAHDIANPARI M. Transformer and deep convolutional neural networks for coastal wetland classification using Sentinel-1，Sentinel-2， and LiDAR Data[J]. Remote Sens， 2022，14，359.

[18] FENG X， FU B， YANG X， et al. Remote sensing of ecosystem services： an opportunity for spatially explicit assessment[J]. Chinese Geographical Science， 2010（6）：14.

[19] LI Z， XU D， GUO X. Remote sensing of ecosystem health： opportunities， challenges， and future perspectives[J]. Sensors， 2014，14（11）：21117-21139.

[20] 俞炜炜， 马志远， 张爱梅， 等. 海洋生态修复研究进展与热点分析[J]. 应用海洋学学报，2021，40（1）：100-110.

YU W W， MA Z Y， ZHANG A M， et al. Research progress and hotspot analysis of marine ecological restoration[J]. Journal of Applied Oceanography， 2021，40（1）：100-110.

[21] 吴胜男， 王晓峰， 刘婷婷， 等. 基于CiteSpace 的湿地恢复研究进展[J]. 生态学报，2022，42（3）：1224-1239.

WU S N， WANG X F， LIU T T， et al. Research progress of wetland restoration based on CiteSpace[J]. Acta Ecological sinica， 2022，42（3）：1224-1239.

[22] 高云峰， 徐友宁， 祝雅轩， 等. 矿山生态环境修复研究热点与前沿分析——基于VOSviewer 和CiteSpace 的大数据可视化研究[J]. 地质通报，2018，37（12）：2144-2153.

GAO Y F， XU Y N， ZHU Y X， et al. An analysis of the hotspot and frontier of mine eco-environment restoration based on big data visualization of VOSviewer and CiteSpace[J]. Geological Bulletin of China， 2018，37（12）：2144-2153.