摘要：红树林分布在热带–亚热带地区的海岸带湿地，具有重要的生态及生态经济服务价值。本研究利用1987年、1993年、1998年、2003年、2007年、2013年、2017年共计7期Landsat TM/OLI数据，采用支持向量机分类方法，并结合野外调查资料，获取了1987–2017年海南岛红树林变化数据集。本数据集可用于红树林时空变化分析，以及红树林湿地生态系统恢复、保护和管理的决策支持，为海南省生态环境监管提供基础数据支持。
关键词：海南岛；红树林；Landsat影像；变化监测
Abstract: Distributed in the coastal wetlands of tropical and subtropical regions throughout the world, mangrove forests provide important ecological and eco-economical services such as coastal erosion prevention, water purification, nursery habitats for marine fish and shrimp breeding, provision of building materials and medicinal ingredients, and tourist attraction. A dataset of mangrove forests changes from 1987 to 2017 in Hainan Island was developed using Landsat TM/OLI images obtained in 1987, 1993, 1998, 2003, 2007, 2013 and 2017. This dataset was compiled through a support vector machine (SVM) classification method based on ground survey data. It can be used to understand the status and dynamics of mangrove forests, and to support decision-making concerning the restoration, protection and management of mangrove wetland ecosystem. Further, the dataset provides basic data for ecological environment monitoring in Hainan Province.
Keywords: Hainan Island; mangrove forests; Landsat image; change monitoring
| 数据库（集）名称 | 基于1987–2017年Landsat数据的海南岛红树林变化数据集 |
| 数据作者 | 廖静娟，甄佳宁 |
| 数据通信作者 | 廖静娟（liaojj@radi.ac.cn） |
| 数据时间范围 | 1987–2017年 |
| 地理区域 | 海南岛 |
| 空间分辨率 | 30 m |
| 数据量 | 4.12 MB |
| 数据格式 | *.dbf, *.prj, *.shp, *.shx |
| 数据服务系统网址 | http://www.sciencedb.cn/dataSet/handle/677 |
| 基金项目 | 海南省重大科技计划项目（ZDKJ2016021）；国家发展和改革委员会促进大数据发展重大工程（2016-999999-65-01-000696-01）。 |
| 数据库（集）组成 | 本数据集由7个海南岛不同红树林分布地点子数据集组成，分别命名为东寨港、清澜港、马袅港、花场湾、新盈港、洋浦港和东方。每个地点子数据集包括7期由Landsat影像提取的红树林分布面积组成。每期数据包括*.dbf, *.prj, *.shp, *.shx 4个文件，示例如下：dongzhaigang1987_mangrove.dbf为东寨港1987年矢量数据dBASE表文件；dongzhaigang1987_mangrove.prj为东寨港1987年矢量数据坐标投影文件；dongzhaigang1987_mangrove.shp为东寨港1987年矢量数据主文件；dongzhaigang1987_mangrove.shx为东寨港1987年矢量数据索引文件。 |
| Title | A dataset of mangrove forests changes in Hainan Island based on Landsat data during 1987–2017 |
| Data corresponding author | Liao Jingjuan (liaojj@radi.ac.cn) |
| Data authors | Liao Jingjuan, Zhen Jianing |
| Time range | 1987–2017 |
| Geographical scope | Hainan Island |
| Spatial resolution | 30 m |
| Data volume | 4.12 MB |
| Data format | *.dbf, *.prj, *.shp, *.shx |
| Data service system | <http://www.sciencedb.cn/dataSet/handle/677> |
| Sources of funding | Major Science and Technology Program of Hainan Province (ZDKJ2016021); Major Project to Promote Development of Big Data from National Development and Reform Commission (2016-999999-65-01-000696-01). |
| Dataset composition | This dataset consists of seven subsets corresponding to seven different mangrove distribution sites in Hainan Island, including Dongzhaigang, Qinglangang, Maliaogang, Huachangwan, Xinyinggang, Yangpugang and Dongfang. Each subset includes mangrove area data of seven phases extracted from Landsat images during 1987-2017. Data of each phase includes four types of files, namely, DBF, PRJ, SHP, and SHX. |
红树林（Mangrove）是分布在热带和亚热带地区海岸潮间带，以红树植物为主的常绿灌木或乔木组成的潮滩湿地木本植被群落，具有独特的海陆过渡特性，是海岸带具有重要的生态、经济、景观价值的湿地生态系统[1,2,3 ]。红树林对全球环境及气候变化具有重要的指示作用，在维持海岸生物多样性、保护海岸带环境、防风固堤、护滩促淤、净化海岸水环境、保护农田村庄等方面发挥着不可替代的作用[4,5,6,7,8,9 ]。同时，红树林也是比较敏感和脆弱的生态系统，容易受自然和人类活动的影响。近半个世纪以来，由于社会经济的迅猛发展和沿海经济区的开发，人类不断侵占和砍伐红树林。水文条件的改变、气候变化和水域污染等原因致使红树林资源急剧减少，全球36%的红树林在1995–2005年期间消失，其破坏和消失的速率大于热带雨林和其他内陆森林[10,11,12,13,14 ]。
在中国，红树林主要分布在大陆南部和东南部海岸带，以及海南岛和台湾西部海岸带，岸线长度约为14000 km。其中，海南岛的红树林湿地资源丰富，分布广泛。在海南岛东北部、南部、西部和东部均有分布，且拥有中国绝大部分红树林品种，群系结构复杂，属典型的东方群系。
红树林由于生长在高盐、高温、极潮和泥沙淤积的极端环境，开展人工野外调查极其不易。因此，利用遥感方法是较为有利的手段。许多研究表明，遥感方法能够快速、准确地获取红树林的分布和动态变化信息[15,16,17,18,19,20 ]，这些研究主要从全球或国家尺度进行红树林的制图研究，获取的数据集多数为某一年度或某个时间段的数据，如Spalding等和Giri等生成的全球2000年的红树林数据集[21-22]，以及Hamilton和Casey生成的2000–2012年全球红树林数据集[23]。最近，Chen等人也利用时间序列的陆地卫星和哨兵数据进行了中国区域红树林制图，生成了2015年中国红树林数据集[24]。海南岛近年来经济发展较快，人类活动和自然等因素对海岸带的影响较大，从而引起红树林发生较大变化。但目前该地区尚缺乏长时间系列的红树林动态变化的数据，为此，我们利用多时相Landsat数据，采用支持向量机分类方法，并结合野外调查，获取了1987–2017年间海南岛红树林变化数据集，为海南省红树林湿地生态系统的恢复、保护和管理提供数据支持和决策参考。
1.1
数据采集
1987–2017年间海南岛红树林变化数据集主要是基于多时相的Landsat影像生成。使用的Landsat影像共39景，全部从美国地质调查局的地球资源观测与科学（USGS/EROS）中心网站（http://www.usgs.gov）下载获取，其中包括1987年、1993年、1998年、2003年和2007年的Landsat TM影像共29景，2013年和2017年的Landsat OLI影像10景。表1列出了这些遥感数据的相关信息。
| 传感器 | 条带号/行号 | 成像日期 | 成像时间 |
|---|---|---|---|
| TM5 | 123/46 | 1987.06.22 | 10:23:48 |
| TM5 | 123/46 | 1987.09.10 | 10:23:48 |
| TM5 | 124/46 | 1987.05.12 | 10:29:00 |
| TM5 | 123/47 | 1987.09.10 | 10:26:13 |
| TM5 | 124/47 | 1987.12.22 | 10:34:19 |
| TM5 | 125/47 | 1988.06.06 | 10:42:22 |
| TM5 | 123/46 | 1993.04.03 | 10:21:19 |
| TM5 | 124/46 | 1993.06.13 | 10:27:47 |
| TM5 | 123/47 | 1993.04.03 | 10:21:43 |
| TM5 | 124/47 | 1993.01.04 | 10:27:10 |
| TM5 | 125/47 | 1993.10.10 | 10:34:04 |
| TM5 | 123/46 | 1998.08.23 | 10:37:38 |
| TM5 | 123/46 | 1998.10.26 | 10:37:38 |
| TM5 | 124/46 | 1998.04.24 | 10:42:22 |
| TM5 | 123/47 | 1998.08.23 | 10:38:03 |
| TM5 | 124/47 | 1998.10.17 | 10:44:29 |
| TM5 | 125/47 | 1998.10.24 | 10:50:42 |
| TM5 | 123/46 | 2003.06.02 | 10:34:37 |
| TM5 | 123/46 | 2003.09.10 | 10:34:37 |
| TM7 | 124/46 | 2003.05.16 | 10:53:58 |
| TM5 | 123/47 | 2003.06.02 | 10:35:01 |
| TM5 | 124/47 | 2004.12.20 | 10:51:27 |
| TM5 | 125/47 | 2003.04.13 | 10:46:23 |
| TM5 | 123/46 | 2007.07.15 | 10:52:45 |
| TM5 | 124/46 | 2007.04.01 | 11:00:08 |
| TM5 | 123/47 | 2007.07.15 | 10:53:09 |
| TM5 | 124/47 | 2007.07.06 | 10:59:24 |
| TM5 | 125/47 | 2007.04.24 | 11:06:34 |
| OLI | 123/46 | 2013.12.06 | 11:00:42 |
| OLI | 124/46 | 2013.05.19 | 11:07:17 |
| OLI | 123/47 | 2013.12.06 | 11:01:06 |
| OLI | 124/47 | 2013.10.26 | 11:07:25 |
| OLI | 125/47 | 2013.08.30 | 11:13:54 |
| OLI | 123/46 | 2017.04.21 | 10:58:29 |
| OLI | 124/46 | 2017.08.02 | 11:05:14 |
| OLI | 123/47 | 2017.04.21 | 10:58:53 |
| OLI | 123/47 | 2018.04.08 | 10:58:53 |
| OLI | 124/47 | 2016.03.08 | 11:05:32 |
| OLI | 125/47 | 2017.09.10 | 11:11:57 |
同时，为了验证多时相Landsat影像提取的数据集，还收集了15景2015年的高分2号（GF-2）数据，该数据从中国高分辨对地观测系统海南数据与应用中心下载获取，空间分辨率分别为1 m和4 m的全色和多光谱数据。此外，分别于2016年12月、2017年3月和2018年1月前往海南岛对红树林湿地种类、物种分布、生长状况和环境要素进行野外调查，共获取野外调查样点386个，其中红树林湿地样点152个，其他土地利用覆盖样点234个。每个样点包括了GPS获取的经纬度坐标、植被类型及土地利用状况等信息。这些样点将用于Landsat影像提取的红树林范围和地表类型分类的验证。
1.2
数据处理
下载的Landsat影像已经过几何纠正，故我们使用ENVI5.3软件对Landsat影像进行辐射定标和大气校正。利用ENVI软件中的FLAASH大气校正模块对Landsat影像进行大气校正。为了保证多时相数据分析在空间参考上的一致性，利用2017年的Landsat OLI影像的短波红外、近红外和红光波段进行波段组合得到的假彩色合成影像，以该假彩色合成影像为基准，对其他6个时相的图像进行配准，配准后的图像之间的平均均方误差小于0.5个像元。同时，对GF-2影像进行正射校正、辐射定标、几何纠正、多光谱与全色波段融合处理，其中采用ERDAS IMAGE 2014软件提供的删减法（Subtractive Resolution Merge）进行图像融合，并在融合之前先利用锐化滤波器对全色图像先进行锐化处理，然后以4∶1比例对GF-2的多光谱和全色图像进行融合，生成空间分辨率为1 m的GF-2融合影像。
根据海南红树林保护区的边界对GF-2融合影像进行裁剪，利用ENVI软件提供的支持向量机分类方法对裁剪后的影像进行分类，得到红树林和其他地表覆盖类型的分类结果。然后根据海南红树林分布特点、野外调查数据和Google Earth影像，人工修正红树林提取有误差的斑块边界，得到2015年海南红树林的最终分类结果。同样利用支持向量机分类器对图像质量较好的2017年Landsat OLI影像进行分类，并利用2015年GF-2影像的分类结果和Google Earth影像对分类后结果进行人工修正，得到分类精度较高的2017年分类结果数据。然后以这期分类结果，逐期提取其他时相的红树林和其他土地利用覆盖信息，最后得到1987年、1993年、1998年、2003年、2007年、2013年和2017年的7期分类结果，依据这7期分类结果，生成7期红树林变化数据集。
2.1
数据集信息
利用1987年、1993年、1998年、2003年、2007年、2013年和2017年7期Landsat影像分类提取得到的7期海南岛主要地区红树林变化数据集包括了海南岛东寨港国家级自然保护区、清澜港省级自然保护区、花场湾、马袅港、新盈港、洋浦港和东方7个地区的红树林变化，各地区分布如图1所示。整个数据集有7个文件夹构成，每个文件夹以上述7个地区命名，除清澜港由会文、铺前和冠南3个片区组成，包括3个下一级文件夹外，其余6个地区均由一个文件夹组成，每个文件夹下分别为7期红树林提取的结果组成，文件格式为shp，命名规则为“地名+年_mangrove.shp”。数据集详细信息如下表2。
在本文研究中，利用Kappa系数和混淆矩阵来评价图像分类精度。首先，利用ArcGIS软件的生态地理采样设计工具（Biogeography Branch’s Sampling Design Tool）在8个重点红树林分布区域随机生成采样点，然后以这些采样点为中心，建立半径为9 m的圆形缓冲区。以圆形缓冲区为基础，采用ArcGIS软件建立圆形缓冲区的外接方形多边形。然后，参照Google Earth影像和野外验证点修改这些多边形属性，将其分为红树林和非红树林，并在比较稀疏的区域增加适量多边形，最后利用这些多边形验证点评价红树林的提取精度。分别评价了GF-2和2017年Landsat影像分类结果。其中用于评价GF-2分类结果的验证点数量为607个，包括红树林验证点354个，非红树林研制点253个。得到GF-2分类总精度为99.0%，Kappa系数为0.98。
以GF-2分类结果为基础，采用上述方法随机生成300个红树林验证多边形，然后再以保护区（除去红树林范围）为基础随机生成350个非红树林验证多边形，对2017年Landsat分类结果进行评价。得到2017年Landsat影像分类总精度为98.8%，Kappa系数为0.98。具体评价结果见表3。
本数据集是一套比较完整的海南岛近30 a红树林变化数据产品，集中显示了海南岛主要红树林保护区的红树林信息。数据可以在常用的地理信息系统软件（如ArcGIS、MapGIS、MapInfo等）中直接打开使用，也可通过这些软件平台将数据转换成其他交换格式后使用。通过对不同时期数据的统计，可以得到各个区域在1987–2017年间红树林面积变化的信息；也可通过空间叠加分析方式，得到不同时期各区域红树林变化的空间分布特征。本数据集可服务于海南省生态环境监管业务，也可作为关键基础数据用于科学研究，包括分析海南岛红树林动态变化规律、生态环境质量评估和红树林湿地保护、恢复和管理等。
[3]
GIRI C. Observation and monitoring of mangrove forests using remote sensing: opportunities and challenges[J]. Remote Sensing, 2016, 8(9): 783.
[4]
LUGO A E, SNEDAKER S C. The ecology of mangroves[J]. Annual Review of Ecology & Systematics, 1974, 5: 39-64.
[6]
GLASER M. Interrelations between mangrove ecosystem, local economy and social sustainability in Caeté Estuary, North Brazil[J]. Wetlands and Management, 2003, 11(4): 265-272.
[7]
MUMBY P J. Connectivity of reef fish between mangroves and coral reefs: Algorithms for the design of reserves at seascape scales[J]. Biological Conservation, 2006, 128(2): 215-222.
[8]
ALONGI D M. Mangrove forests: resilience, protection from tsunamis, and responses to global climate change[J]. Estuarine Coastal Shelf Science, 2008, 76(1): 1-13.
[9]
DONATO D C, KAUFFMAN J B, MURDIYARSO D, et al. Mangroves among the most carbon-rich forests in tropics[J]. Nature Geoscience, 2011, 4(5): 293-297.
[10]
BLASCO F, AIZPURU M, GERS C. Depletion of the mangroves of Continental Asia[J]. Wetlands Ecology & Management, 2001, 9(3):255-266.
[11]
VALIELA I. Mangrove forests: One of the world's threatened major tropical environments[J]. BioScience, 2001, 51(10): 807-815.
[12]
ALONGI, DANIEL M. Present state and future of the world's mangrove forests[J]. Environmental Conservation, 2002, 29(3): 331-349.
[13]
DUKE N C, MEYNECKE J O, DITTMANN S, et al. A world without mangroves? [J]. Science, 2007, 317(5834): 41.
[14]
GIRI C, ZHU Z, TIESZEN L L, et al. Mangrove forest distributions and dynamics (1975–2005) of the tsunami‐affected region of Asia[J]. Journal of Biogeography, 2008, 35(3): 519-528.
[15]
ABDEL-HAMID A, DUBOVYK O, ELMAGD I A, et al. Mapping mangroves extents on the Red Sea coastline in Egypt using polarimetric SAR and high resolution optical remote sensing data[J]. Sustainability, 2018, 10(3): 646.
[16]
GIRI C, OCHIENG E, TIESZEN L L, et al. Status and distribution of mangrove forests of the world using earth observation satellite data[J]. Global Ecology & Biogeography, 2011, 20(1): 154-159.
[17]
GIRI C, LONG J, ABBAS S, et al. Distribution and dynamics of mangrove forests of South Asia[J]. Journal of Environmental Management, 2015, 148: 101-111.
[18]
KIRUI K B, KAIRO J G, BOSIRE J, et al. Mapping of mangrove forest land cover change the Kenya coastline using Landsat imagery[J]. Ocean & Coastal Management, 2013, 83(10): 19-24.
[19]
LONG J, NAPTON D, GIRI C, et al. A mapping and monitoring assessment of the Philippines' mangrove forests from 1990 to 2010[J]. Journal of Coastal Research, 2013, 30(2): 260-271.
[20]
RAKOTOMAVO A, FROMARD F. Dynamics of mangrove forests in the Mangoky River delta, Madagascar, under the influence natural and human factors[J]. Forest Ecology & Management, 2010, 259(6): 1161-1169.
[22]
GIRI C, OCHIENG E, TIESZEN L L, et al. Status and distribution of mangrove forests of the world using earth observation satellite data[J]. Global Ecology Biogeography,2011, 20: 154–159.
[23]
HAMILTON S E, CASEY D. Creation of a high spatio-temporal resolution global database of continuous mangrove forest cover for the 21 st century (CGMFC-21)[J]. Global Ecology Biogeography, 2016, 25: 729-738.
