结合潮位与DEM的红树林遥感识别研究

摘要 以广西北部湾为研究区，针对潮位周期性变化导致稀疏低矮红树林难以被准确提取的问题，基于多潮位Landsat8 OLI图像和数字高程模型（DEM）数据，通过构建红树林识别决策树模型，并以支持向量机（SVM）为对照，评价结合潮位和DEM信息的决策树法提取红树林信息的可行性．研究结果表明：1）不同高度、不同密度以及不同潮位红树林之间光谱差异均较大，稀疏低矮红树林也与阴坡林地、水体-陆生植被混合像元光谱存在严重“异物同谱”效应;2）无论是基于低潮位、高潮位图像，还是多潮位图像，相比未区分高度和密度，在SVM中将细分为高密红树林和稀矮红树林，其总体精度（分为红树林和非红树林两类）可分别提高4.65、4.41和7.22个百分点;3）基于多潮位图像及DEM的决策树模型识别的总体精度和Kappa系数分别为98.80%和0.973，比SVM中最佳值分别高出1.62个百分点和0.035．因此，通过同时考虑红树林高度、密度、潮位和DEM等特征，可明显提高红树林遥感识别的精度．

关键词 红树林;Landsat 8 OLI;潮位;数字高程模型（DEM）;决策树

中图分类号 TP79;S796

文献标志码 A

收稿日期 2022-03-06

资助项目 国家自然科学基金（41871239）;

中国气象局雄安大气边界层重点开放实验室（培育）开放课题（2023LABL-B16）；

2020年度江苏高校“青蓝工程”优秀青年骨干教师;河北省省级科技计划（21567624H）

作者简介

张雪红（通信作者），男，博士，教授，主要从事海岛海岸带遥感、植被生态遥感等研究．zxhbnu@126.com

1 南京信息工程大学 遥感与测绘工程学院，南京，210044

2 河北省气象与生态环境重点实验室，石家庄，050021

0 引言

红树林是分布在热带和亚热带海岸潮间带的木本植物群落．它作为海岸带重要的湿地生态系统之一，具有促淤固滩、防浪固堤、净化环境、保持生物多样性等作用^［1-2］．然而，在自然因素和人为干扰的双因素作用下，红树林遭受了严重破坏^［3-4］．随着人们对生态环境变化的关注，红树林资源成为世界湿地保护和生物多样性保护的重要对象^［5-6］．

红树林资源调查和动态监测是红树林科学保护与管理的基础．因多生长在淤泥质潮间带的特殊生长环境，鉴于遥感技术具有快速、周期性、宏观性等优点，所以红树林资源调查广泛采用遥感监测方法^［6-9］．在红树林遥感监测中，中分辨率图像因易于访问或订购，具有可获取时间序列长、视场范围大等优点，被广泛应用于大尺度红树林遥感动态监测中^［6］．红树林遥感监测的技术难点在于能否准确提取沿岸（堤）分布狭窄的红树林带、稀疏低矮的红树林幼林，以及被海水淹没的红树林．

对于沿岸（堤）分布狭窄的红树林带的提取，采用高分辨率遥感图像以减少红树林与光滩、水体的混合像元面积;而对于分布于红树林斑块边缘和外滩的稀疏低矮红树林，当潮位较高时容易被海水浸淹，此部分红树林像元光谱呈现为典型的水体或水体-陆生植被混合像元特征，可靠的办法是获取滩涂裸露的低潮位遥感图像^［7］．因此，红树林信息遥感提取精度的影响因素中，除了图像分辨率外，图像获取时的潮位也是另一重要影响因素，不同研究人员采用Landsat系列数据对全国红树林进行监测的结果也存在显著差异^{［6，8，10］}，其可能原因除了数据源、分类方法等方面的差异外，数据获取时的潮位差异也是主要原因之一^［6］．周期性变化的潮位一方面会影响红树林遥感识别结果的准确性，另一方面倘若对红树林独特的潮间带生长环境特点充分利用，则有助于提高红树林遥感识别的精度^［11-14］．潮位信息虽然可以有效地提升红树林信息提取精度，但在不同潮位图像获取期间，沿海养殖区域、农作物等地物也通常发生显著变化，从而影响红树林提取效果．此外，低海拔也是红树林滨海环境所具有的独特特征，但目前鲜有利用高程信息进行红树林遥感识别的研究．

本文拟以广西北部湾为研究区，结合红树林滨海湿地及其潮位周期性变化特点，基于高、低潮位的Landsat 8 OLI图像和DEM图像及地形特征，并以支持向量机（Support Vector Machine，SVM）监督分类法为参照，评价结合潮位和DEM信息的决策树法提取红树林信息的可行性．

1 数据与方法

1.1 研究区

本文研究区位于广西北部湾的中部和西部（图1），大陆海岸线东西走向，东起北海市硬盘镇，西至东兴市与越南交界的北仑河口，岸线曲折，具有众多天然海湾，主要有廉州湾、钦州湾、防城港湾和珍珠港湾，沿海潮间带、盐渍海滩分布着我国面积最大的红树林^［15］．本文所选研究区覆盖了防城港市、钦州市全部海岸以及北海市西侧海岸，地理坐标在21°23′5″～22°1′31″N，107°58′54″～109°26′27″E之间．该研究区红树植物主要有木榄（Bruguiera gymnorrhiza）、红海榄（Rhizophora stylosa）、桐花树（Aegiceras corniculatum）、白骨壤（Avicennia marina）、海漆（Exoecariaagallocha）、秋茄（Kandelia candel）、海桑（Sonneratia caseolaris）和老鼠簕（Acanthusilicifolius）等种类^［16-17］．

1.2 数据

研究所采用的遥感图像数据包括2016年10月9日和2016年12月28日两景Landsat 8 OLI图像（下载于地理空间数据云，网址：http：//www.gscloud.cn/），卫星过境时间均为地方时的11时11分，轨道号为P125/R45．除了遥感图像外，还利用了卫星图像成像时刻（上午11时）珍珠港、防城港、龙门、北海4个潮位站点的潮位信息（表1）和DEM数据，4个潮位站点它们分别位于图1中的港湾2、3、6、11.2016年10月9日潮位较高，同2016年12月28日相比，各站点潮位分别高出203、219、197和239 cm．DEM数据为30 m分辨率的SRTM（Shuttle Radar Topography Mission）DEM（下载网址：https：//urs.earthdata.nasa.gov/）．

1.3 实地调查

2016年10月对研究区进行了野外调查，利用GPS手持机和Google Earth图像，进行野外地面控制点、验证点收集和红树林种类及生长状况调查，共获得GPS采样点61个（其中地面控制点8个，地物验证点53个）．结合野外调查结果和收集前人的相关研究结果，研究区的地物考虑红树林、陆生林地（为生长在陆地上的森林，根据其光谱差异，主要包括稠密林地、稀疏林地、高山北侧阴影中的阴坡林地等）、人工建筑、农作物、裸土、光滩（指低潮位时裸露的滩涂）、水体（包括养殖水域、滨海海域、河流、坑塘、水库等）、水体-陆生植被混合像元（指陆生植被与河流、水库、养殖水体的混合像元）等8类，其中，红树林、陆生林地、人工建筑、农作物、裸土、水体的GPS采样点分别为20、8、5、5、5和10个．基于地物验证点，并结合Google Earth高分辨率图像，从Landsat 8 OLI图像中选取以上8类地物样本共6 091个像元，其中，红树林936个（包括高密红树林593个、稀矮红树林343个）、陆生林地2 245个（包括有林地1 500个、稀疏林地325个、阴坡林地420个）、人工建筑440个、农作物250个、裸土318个、光滩415个、水体1 250个、水体-陆生植被混合像元237个．进一步以60%的各类地物样本为训练样本数据集，剩余的40%为验证样本数据集．

1.4 方法

1.4.1 数据预处理

在ENVI 5.3软件支持下，对Landsat 8 OLI图像进行辐射校正、几何纠正、研究区裁切等预处理．辐射校正包括辐射定标和地表反射率的计算，首先利用图像元数据文件提供的定标系数将原始亮度值转换成表观辐亮度，然后采用FLAASH大气校正模型进行大气校正，获得地物的反射率数据．几何纠正基于所获取的地面控制点进行，并保证误差小于0.5个像元．

1.4.2 分类方法

本文拟基于高低多潮位Landsat8 OLI图像数据构建决策树模型来提取红树林信息，并以SVM监督分类法为参照进行对比分析，以评价决策树法提取红树林的有效性．SVM是一种建立在统计学习理论基础上的机器学习方法，它是基于结构风险最小化、优化和核函数的线性分类器，在遥感图像识别分类问题中有着较多的应用．

为了考察潮位对红树林遥感识别的影响程度，进一步将位于红树林斑块中冠层高度和密度较高的称之为“高密红树林”，将位于斑块边缘或外滩稀疏低矮的红树林为“稀矮红树林”．因此，本文最终设计了7种研究方案，其中，SVM为6种（表2方案1～6），即高潮位、低潮位和多潮位三种图像数据源，根据红树林稀密、高矮差异各衍生出两种不同的分类体系．方案1和2采用高潮位影像，且方案2对红树林进行了细分;方案3和4采用低潮位影像，且方案4对红树林进行了细分;方案5和6采用多潮位影像，且方案6对红树林进行了细分;方案7则在多潮位影像数据的基础上，加入DEM数据，并采用决策树分类方法进行红树林的识别．设计方案1～6的目的是基于高潮位、低潮位以及多潮位影像数据和SVM分类方法，评估潮位信息以及红树林高度、密度对红树林识别精度的影响程度，并以此作为参照，评价协同多潮位影像和DEM数据的决策树分类方法来识别红树林的可行性．此外，由于高潮位图像获取时间为2016年10月9日，研究区内还分布有大面积的农作物，而低潮位图像获取时（2016年12月28日）农作物已收割，因此高潮位图像分类时还额外考虑农作物类型．方案7的决策树分类中，由于水体-陆生植被混合像元同稀矮红树林存在严重的“异物同谱”效应，还进一步考虑了水体-陆生植被混合像元．

最后，基于验证样本数据集，对本文提取的红树林提取结果进行精度评价，并通过比较典型局部区域分类结果进一步分析和对比不同分类方法和方案的差异．本文将分类结果最终合并为红树林以及非红树林两类，验证分类精度则采用混淆矩阵，由混淆矩阵可构建总体精度、制图精度、用户精度、Kappa系数等4个精度评价指标．

2 结果与分析

2.1 典型地物光谱特征

图2a为研究区内典型地物平均反射光谱曲线，其中，红树林、陆生林地、农作物呈现为典型的植被反射率特征，但红树林因分布于滨海湿地，其短波红外反射率明显低于陆生林地和农作物．为了探讨红树林遥感识别中的“异物同谱”效应，进一步绘制了高密红树林、稀矮红树林、阴坡林地、稀疏林地和水体-陆生植被混合像元反射率曲线（图2b）．以上5类地物反射率曲线均呈现典型的植物反射特征，在短波红外波段，除了稀疏林反射率均值高于0.1之外，其他4种地物均低于0.1;阴坡林地受阴影的影响，导致从可见光至短波段红外波段反射率均低于其他地物;无论红树林密度和高度如何变化，除了近红外波段反射率发生显著变化外，其他波段差异较小．此外，水体-陆生植被混合像元反射率与稀矮红树林在近红外至短波红外波段显著重叠，阴坡林地在红外波段，尤其是短波红外波段与稀矮红树林重叠严重．因此，水体-陆生植被混合像元、阴坡林地是影响红树林遥感识别精度的重要因素之一．

由于红树林为典型的海上森林植被，因此表3结合训练样本，对研究区内地物的红外波段反射率、NDVI（归一化植被指数）、DEM及其光谱随潮位的变化规律进一步统计分析．从统计结果中可以发现，稀矮红树林与水体-陆生植被混合像元光谱存在严重“异物同谱”效应，比如两者低潮时近红外波段反射率（NIR_L）均值和标准差分别为0.196±0.019和0.179±0.040，低潮时NDVI（NDVI_L）分别为0.402±0.054、0.454±0.130，但高低潮位NDVI之差的绝对值（NDVI_HL）则存在一定的差异，分别为0.436±0.254、0.073±0.060，这是因为稀矮红树林受潮位影响剧烈，而水体-陆生植被混合像元则不受潮位影响.此外，阴坡林地短波红外波段反射率值与稀矮红树林极其相似．就DEM而言，红树林因生长于潮间带，其所处平均海拔高度为1～2 m，且高密红树林略高于稀矮红树林，而水体-陆生植被混合像元海拔高度内部差异较大，位于沿海坑塘、养殖水体与植被的混合像元海拔较低，和红树林差异较小，但内陆河流、水库等与植被的混合像元海拔则相对较高．

2.2 决策树模型的构建

通过2.1节典型地物光谱特征分析，发现制约红树林遥感识别精度的因素主要包括潮位、红树林密度及高度差异，以及阴坡坡林地、水体-陆生植被混合像元同红树林的“异物同谱”效应．因此，决策树模型则充分考虑以上因素，结合潮位变化信息和DEM数据，充分利用红树林独特的滨海湿地生境特点，从而实现高精度识别红树林．

基于高低潮位Landsat 8 OLI图像和DEM数据，构建包含4个知识规则的红树林识别决策树模型，如图3所示.

1）知识规则①：NDVI_L≤0.25（L表示为低潮位、H为高潮位、HL为多潮位）．此规则采用低潮位时的NDVI将地物分成两类，一类为水体、光滩、裸土、人工建筑等非植被类别，另一类为包含红树林、陆生植被、农作物、水体-陆生植被混合像元等的植被类别．

2）知识规则②：SWIR_L≤0.10，SWIR_H≤0.10，NIR_L≤0.16，DEM≤4．此规则利用高低潮位时的短波红外波段、低潮位时近红外波段反射率以及DEM等特征组合进行构建，将植被类别进一步细分为红树林类别和陆生植被、农作物类别两类，而水体-陆生植被混合像元因其构成类型多样，如其所处的海拔高度、混合像元中植被所占比例等，导致此规则只能将部分水体-陆生植被混合像元与红树林进行区分．

3）知识规则③：NDVI_L≤0.50．此规则再次利用低潮位时的NDVI将红树林分成高密红树林与稀矮红树林，同时绝大部分水体-陆生植被混合像元的NDVI也偏小，故其与稀矮红树林分成同一类别．

4）知识规则④：NDVI_HL≥0.15．此规则利用高低潮位两个成像时间的NDVI差异，充分利用稀矮红树林受潮位影响剧烈的特点，实现两者的有效区分．

2.3 红树林识别结果评价

采用SVM以及2.2节决策树模型，基于表2中7种研究方案分别提取了研究区内红树林空间分布信息．受篇幅限制，在图4中仅绘制方案7的红树林识别结果（每种分类结果最终合并为红树林和非红树林两类），即基于多潮位图像的SVM分类结果和基于多潮位图像的决策树分类结果．从分类结果图中可以看出，红树林集中分布于海岸带区域．

为了定量评价各方案中红树林识别精度，结合验证样本获得各混淆矩阵，获得各自总体精度、Kappa系数、红树林制图精度和用户精度等精度指标（表4）．从红树林识别精度评价结果发现：在SVM中，无论是基于低潮位（方案1和2）、高潮位图像（方案3和4），还是多潮位图像（方案5和6），将红树林按高度、密度差异细分为高密红树林和稀矮红树林（方案1、3、5未区分红树林高度及密度，方案2、4、6则进行了区分），其总体精度可分别提高4.65、4.41和7.22个百分点，Kappa系数分别提高0.122、0.107和0.182，这主要归功于红树林制图精度的显著提高．

不同潮位对红树林识别精度影响较大，以区分了高密红树林和稀矮红树林的方案2、4、6为例，基于多潮位（方案6）的红树林总体精度、Kappa系数、红树林制图精度、红树林用户精度分别为97.18%、0.938、95.23%、96.73%，比高潮位（方案2）分别高出6.36个百分点、0.149、14.54个百分点、6.57个百分点，比低潮位（方案4）也分别高出3.45个百分点、0.067、0.35个百分点、9.92个百分点．以上精度评价结果表明高潮位因大量稀矮红树林被海水浸淹而漏分，从而导致其分类结果较差，而综合高、低潮位数据的多潮位数据分类结果则最佳．基于多潮位图像及DEM的决策树模型识别的总体精度、Kappa系数、红树林制图精度和用户精度分别为98.80%和0.973、97.86%、98.53%，比所有SVM中最佳结果分别高出1.62个百分点、0.035、2.63个百分点、1.80个百分点．因此，通过同时考虑红树林高度密度、潮位和DEM等特征构建的红树林识别的决策树模型，可明显提高红树林遥感识别的精度．

2.4 讨论

2.4.1 潮汐及DEM对红树林空间分布信息提取的影响

为了探讨潮汐及DEM对红树林空间分布信息提取的影响，进一步从研究区内选取了部分典型局部区域进行比对．表5选取4个局部区域，每个局部区域均展示其低潮位、高潮位OLI标准假彩色图像、相近时相的Google Earth真彩色图像以及3种SVM结果（方案2、4、6）和决策树分类结果．

样区1位于港湾区块10（廉州湾区域），该区域西南侧（表5样区1中蓝色矩形区域）分布有大量位于外滩的红树林斑块边缘的稀疏低矮红树林或红树林幼苗，在低潮位时这些红树林露出水面，但在高潮位时则被海水淹没，呈现为水体光谱特征．基于高潮位图像的SVM分类结果中，这些红树林被漏分;低潮位图像的SVM分类结果虽然可以识别出大部分这些红树林，但仍有部分因长期海水浸淹导致被大量泥沙黏附的低矮红树林被漏分;基于多潮位图像的SVM分类法和决策树分类法，可通过充分利用潮汐变化引起的低矮红树林光谱变化信息实现来对其进行有效识别，但前者仍有极少部分被漏分．此外，该样区的东北角的黄色椭圆区域内，出现大片

因缠绕鱼藤而死亡的红树林光滩斑块^［18］，本文中除方案4将此区域误分为红树林外，其他方法均能准确识别．

样区2位于港湾区块2（珍珠港区域），该区域生长着大面积红树林，在斑块内部分布有大面积低矮红树林（如表5样区2中蓝色矩形区域），导致高潮位图像无法识别出此类红树林，而基于低潮位或多潮位图像则可以准确提取．样区3位于港湾区块6（七十二泾区域），SVM的3种分类结果均存在部分阴坡林地被误分为红树林的现象，尤其是冬季（2016月12月28日）获取的低潮位图像中因太阳高度角较小，大面积的阴坡林地使得误分为红树林现象更为严重，而基于高潮位图像（2016年10月9日）误分率较低，决策树分类结果因利用了DEM信息从而未出现此类误分情况．样区4位于洪潮江水库，此区块水库与陆生植被的混合像元在3种SVM分类结果中大量被误分为红树林，其中多潮位误分率略低，其原因可能是2个成像时刻空间重采样差异，使得部分混合像元在其中一个成像时刻更为纯净．决策树分类结果同样因考虑了DEM信息而未出现误分为红树林现象．

红树林分布在陆海界面附近，因此会定期被海水淹没．红树林树冠下的海水存在与否（甚至部分红树林被海水完全淹没）明显地改变了红树林在影像上光谱特征．因此，基于单一时相遥感影像提取的红树林精度在很大程度上受制于潮汐的波动^［19-21］．为此，研究人员尝试充分利用红树林独特潮间带滨海湿地环境，比如考虑潮位信息，通过多潮位影像提取红树林在不同潮位下独特的光谱特征^{［11-12，22］}，或者通过单一潮位影像构建水下红树林光谱指数，从而提高红树林遥感识别精度^［21］．本文基于多潮位中分辨遥感影像，并辅助DEM数据，研究结果表明此类方法可显著减小红树林与阴坡林地、水体-陆生植被混合像元之间的错分误差，从而提高红树林遥感识别精度．

2.4.2 红树林高度与密度对红树林空间分布信息提取的影响

每一地区的红树林群落均在不断进行演替，在演替的不同阶段，分布于潮间带上的红树林群落物种组成及其结构也发生相应的变化．比如早期的先锋群落通常为适应性强的白骨壤、桐花树和秋茄等单优群落，随着群落不断演替，潮间带的内滩、中滩和外滩的优势群落则逐渐发生演替，如进入演替后期，中、外滩通常分布着白骨壤单优势林，内滩则多分布秋茄、桐花树、木榄、海漆、老鼠簕等^［23］．处于不同演替阶段的红树林群落类型，其高度和密度也通常存在显著差异．在潮水的干扰下，处于中、外滩以及低盖度的红树林在影像中的植被光谱特征被弱化（图2b），如表5中的样区1和样区2，在高潮位影像中，潮间带的中、外滩中部分低矮红树林，以及红树林斑块边缘部分红树林极易被海水完全淹没．另外，低矮红树林因长期海水浸淹导致被大量泥沙黏附，从而导致其光谱特征与典型高密红树林存在显著差异．鉴于此，本文充分考虑了红树林冠层高度和密度对遥感识别精度的影响，如表4中所示，无论是低潮位、高潮位，还是多潮位影像数据集，区分了红树林冠层高度和密度，其识别精度尤其是制图精度得到显著提高，其中低潮位（方案1和2）、高潮位（方案3和4）、多潮位（方案5和6）制图精度分别提高13.47、14.15、23.45个百分点．本文研究表明，在红树林遥感提取中，红树林冠层高度和密度差异考虑与否，显著影响其识别精度，但在以往的研究中未有涉及．

2.4.3 决策树模型的普适性

本文的决策树模型是结合红树林滨海环境特点基础上构建的，因此其决策流程具有一定的普适性和可重复性．但是，决策规则中的分类特征阈值是基于特定研究区进行确定的，不同区域的红树林品种、群落类型存在显著差异，从而也导致红树林冠层的高度和密度不同，进而影响分类特征阈值.此外，本文研究区位于南海北部湾区域，属于不规则全日潮潮汐类型，不同海域的潮位特征（如潮汐类型和最大潮位差）也存在明显差异，它是影响文中决策树模型中NDVI_HL分类特征阈值的关键因素之一．因此，针对本文构建的决策树模型提取其他区域的红树林，建议结合红树林区域的潮汐和红树林群落等特征适当调整分类特征阈值．

3 结论

针对红树林遥感信息提取中，稀疏低矮红树林幼林以及被海水淹没的红树林等难以被识别的问题，本文以广西北部湾为研究区，尝试充分利用红树林独特的潮间带生长环境特点，基于高、低潮位的Landsat8 OLI图像和DEM数据识别红树林，得出如下结论：

1）红树林光谱特征随着其冠层高度、密度以及潮位变化差异较大．不同高度、密度红树林之间的光谱以及不同潮位时红树林光谱差异均较大，稀疏低矮红树林也与阴坡林地、水体-陆生植被混合像元光谱存在严重“异物同谱”效应，以上因素是导致红树林遥感识别中产生漏分及错分的主要原因．

2）在红树林遥感识别中，将红树林按高度、密度差异细分为高密红树林和稀矮红树林可显著提高其识别精度．无论是基于低潮位、高潮位图像，还是多潮位图像，在SVM中，将红树林按高度、密度差异细分为高密红树林和稀矮红树林，其总体精度（分为红树林和非红树林两类）可分别提高4.65、4.41和7.22个百分点．

3）基于多潮位图像及DEM的决策树红树林提取模型可显著提高红树林识别精度．和SVM相比，基于本文构建的红树林决策树识别方法总体精度为98.80%，比SVM中最佳总体精度高出1.62个百分点．其Kappa系数、红树林制图精度和用户精度分别为0.973、97.86%、98.53%，均明显优于其他红树林识别方法．

参考文献

References

［1］ 林鹏.中国红树林生态系统［M］.北京：科学出版社，1997

［2］ Liu K，Li X，Shi X，et al.Monitoring mangrove forest changes using remote sensing and GIS data with decision-tree learning［J］.Wetlands，2008，28（2）：336-346

［3］ Valiela I，Bowen J L，York J K.Mangrove forests：one of the world’s threatened major tropical environments［J］.BioScience，2001，51（10）：807

［4］ 甄佳宁，廖静娟，沈国状.1987以来海南省清澜港红树林变化的遥感监测与分析［J］.湿地科学，2019，17（1）：44-51

ZHEN Jianing，LIAO Jingjuan，SHEN Guozhuang.Remote sensing monitoring and analysis on the dynamics of mangrove forests in Qinglan habor of Hainan province since 1987［J］.Wetland Science，2019，17（1）：44-51

［5］ 黄星，辛琨，李秀珍，等.基于斑块的东寨港红树林湿地景观格局变化及其驱动力［J］.应用生态学报，2015，26（5）：1510-1518

HUANG Xing，XIN Kun，LI Xiuzhen，et al.Landscape pattern change of Dongzhai harbour mangrove，South China analyzed with a patch-based method and its driving forces［J］.Chinese Journal of Applied Ecology，2015，26（5）：1510-1518

［6］ 周振超，李贺，黄翀，等.红树林遥感动态监测研究进展［J］.地球信息科学学报，2018，20（11）：1631-1643

ZHOU Zhenchao，LI He，HUANG Chong，et al.Review on dynamic monitoring of mangrove forestry using remote sensing［J］.Journal of Geo-Information Science，2018，20（11）：1631-1643

［7］ 周梅，李春干，代华兵.红树林空间分布遥感监测精度的影响因素及应对措施［J］.南京林业大学学报（自然科学版），2018，42（1）：163-168

ZHOU Mei，LI Chungan，DAI Huabing.Influence factors and measures of remote sensing monitoring precision of mangrove space distribution［J］.Journal of Nanjing Forestry University （Natural Sciences Edition），2018，42（1）：163-168

［8］ 吴培强，张杰，马毅，等.近20 a来我国红树林资源变化遥感监测与分析［J］.海洋科学进展，2013，31（3）：406-414

WU Peiqiang，ZHANG Jie，MA Yi，et al.Remote sensing monitoring and analysis of the changes of mangrove resources in China in the past 20 years［J］.Advances in Marine Science，2013，31（3）：406-414

［9］ Wang L，Jia M M，Yin D M，et al.A review of remote sensing for mangrove forests：1956-2018［J］.Remote Sensing of Environment，2019，231：111223

［10］ 贾明明.1973—2013年中国红树林动态变化遥感分析［D］.哈尔滨：中国科学院研究生院（东北地理与农业生态研究所），2014

JIA Mingming.Remote sensing analysis of China’s mangrove forests dynamics during 1973 to 2013［D］.Harbin：Northeast Institute of Geography and Agroecology，Chinese Academy of Sciences，2014

［11］ Xia Q，Qin C Z，Li H，et al.Mapping mangrove forests based on multi-tidal high-resolution satellite imagery［J］.Remote Sensing，2018，10（9）：1343

［12］ Zhang X H，Treitz P，Chen D M，et al.Mapping mangrove forests using multi-tidal remotely-sensed data and a decision-tree based procedure［J］.International Journal of Applied Earth Observation and Geoinformation，2017，62：201-214

［13］ 张雪红，周杰，魏瑗瑗，等.结合潮位信息的红树林遥感识别［J］.南京信息工程大学学报（自然科学版），2013，5（6）：501-507

ZHANG Xuehong，ZHOU Jie，WEI Yuanyuan，et al.Remote sensing identification of mangrove forest combined tidal level information［J］.Nanjing University of Information Science ＆ Technology （Natural Sciences Edition），2013，5（6）：501-507

［14］ Xia Q，Qin C Z，Li H，et al.Evaluation of submerged mangrove recognition index using multi-tidal remote sensing data［J］.Ecological Indicators，2020，113：10619

［15］ 李姗姗，田庆久.北部湾红树林的HJ星多光谱遥感提取模式［J］.中国科学：信息科学，2011，41（增刊1）：153-165

LI Shanshan，TIAN Qingjiu.Mangrove extraction mode based on HJ multispectral remote sensing in Beibu Gulf［J］.Scientia Sinica （Informationis），2011，41（sup1）：153-165

［16］ 李春干，代华兵.红树林空间分布信息遥感提取方法［J］.湿地科学，2014，12（5）：580-589

LI Chungan，DAI Huabing.Extraction of mangroves spatial distribution using remotely sensed data［J］.Wetland Science，2014，12（5）：580-589

［17］ 李春干.广西红树林资源的分布特点和林分结构特征［J］.南京林业大学学报（自然科学版），2003，27（5）：15-19

LI Chungan.Distribution and forest structure of mangrove in Guangxi［J］.Journal of Nanjing Forestry University （Natural Sciences Edition），2003，27（5）：15-19

［18］ 李丽凤，刘文爱.广西廉州湾红树林湿地景观格局动态及其成因［J］.森林与环境学报，2018，38（2）：171-177

LI Lifeng，LIU Wenai.Dynamic changes of mangrove wetland landscape pattern in Lianzhou Gulf of Guangxi and its causes［J］.Journal of Forest and Environment，2018，38（2）：171-177

［19］ Li M S，Mao L J，Shen W J.et al.Change and fragmentation trends of Zhanjiang mangrove forests in southern China using multi-temporal Landsat imagery （1977-2010）［J］.Estuarine，Coastal and Shelf Science，2013，130：111-120

［20］ Rogers K，Lymburner L，Salum R，et al.Mapping of mangrove extent and zonation using high and low tide composites of Landsat data［J］.Hydrobiologia，2017，803：49-68

［21］ Jia H M，Wang Z，Wang C，et al.A new vegetation index to detect periodically submerged mangrove forest using single-tide Sentinel-2 imagery［J］.Remote Sensing，2019，11（17）：2043

［22］ Zhang X H，Tian Q J.A mangrove recognition index for remote sensing of mangrove forest from space［J］.Current Science，2013，105（8）：1149-1155

［23］ 卢群，曾小康，石俊慧，等.深圳湾福田红树林群落演替［J］.生态学报，2014，34（16）：4662-4671

LU Qun，ZENG Xiaokang，SHI Junhui，et al.Study on succession of a mangrove forest in Futian，Shenzhen Bay［J］.Acta Ecologica Sinica，2014，34（16）：4662-4671

Identification of mangrove forest via remote sensing

combined with tidal level and DEM

ZHANG Xuehong¹ GE Zhouhui¹ ZHEN Xiaoju² JIANG Nan¹ DONG Tianci¹

1 School of Remote Sensing ＆ Geomatics Engineering，Nanjing University of Information Science ＆ Technology，Nanjing 210044，China

2 Hebei Provincial Key Lab for Meteorology and Eco-environment，Shijiazhuang 050021，China

Abstract To address the accurate extraction of sparse and low mangroves perplexed by the periodic change of tide level，we take the Beibu Gulf of Guangxi as the research area to construct a decision tree model for mangrove identification using Landsat8 OLI images at low and high tidal levels and DEM （Digital Elevation Model） data，which is then evaluated by comparing with SVM （Support Vector Machine）.The research results show that difference exists in the spectra of mangroves with different heights and canopy densities or under different tide levels，while the sparse and low mangroves share the same spectrum with shady slope forest and water-terrestrial vegetation mixed pixel.The SVM approach classifies the mangroves as high-dense type and low-sparse type，and improves the overall accuracy by 4.65，4.41 and 7.22 percentage points for low-tide，high-tide and multi-tide images，respectively.The proposed approach reaches 98.80% of overall accuracy and 0.973 of Kappa coefficient，which are 1.62 percentage points and 0.035 higher than the best values of SVM approach.It can be concluded that considering the mangrove height，density，tide level and DEM can significantly improve the identification accuracy of mangroves from remote sensing images.

Key words mangrove forest;Landsat 8 OLI;tidal level;digital elevation model （DEM）;decision tree