CN: 11-6035/N
ISSN: 2096-2223
其他数据论文 I 区论文（评审中） • 版本 ZH2
下载
2015–2020年广东省沿岸红树林矢量数据集
A dataset of mangrove vector in the Guangdong province during 2015–2020
刘叶取，张立，郭康丽，党二莎，唐世林
Liu Yequ, Zhang Li, Guo Kangli, Dang Ersha, Tang Shilin
 >>
： 2020 - 12 - 30
： 2021 - 02 - 22
： 2021 - 02 - 22
193 1 0
摘要&关键词
摘要：广东省是全国红树林分布面积最大、范围最广、种类最为丰富的地区之一，摸清广东沿岸红树林的分布范围和利用现状至关重要。本数据选取了2015–2020年共119景覆盖广东沿岸、低云量的高分二号卫星遥感数据，数据预处理后采用面向对象特征的分类方法，提取广东省沿岸红树林矢量数据。精度评价结果表明，数据集的总体分类精度、Kappa系数和生产精度，分别高于97%、0.90、84%。本数据集反映了广东省沿岸2015–2020年红树林分布状况及变化，可作为该区域红树林资源的保护、恢复、管理及湿地动态监测、海洋环境变化等应用的基础数据。
关键词：广东省；红树林；高分二号；遥感；数据集
Abstract & Keywords
Abstract: Guangdong province is one of the regions with the largest mangroves area, the widest range and the most abundant species in China. It is very significant to find out the location and situation of mangroves along the coast of Guangdong province. The dataset collects 119 Gaofen-2 (GF-2) satellite remote sensing images of Guangdong province with less cloud cover from 2015 to 2020. After all of the collected GF-2 images were preprocessed, object-based image analysis (OBIA) is adopted to extract vector data of mangroves. Accuracy assessment demonstrates that the overall classification accuracy, Kappa coefficient and production accuracy of the dataset are higher than 96%, 0.88 and 82%, respectively. This product presents the status and area changes of mangroves in Guangdong province coast during 2015–2020, which can be used as the basic data for the protection, restoration and management of mangrove resources, as well as wetland dynamic monitoring and marine environment change in the region.
Keywords: Guangdong province; mangrove; GF-2 satellite; remote sensing; dataset
数据库（集）基本信息简介
数据库（集）名称2015–2020年广东省沿岸红树林矢量数据集
数据作者刘叶取、张立、郭康丽、党二莎、唐世林
数据通信作者张立（lizhang@scsio.ac.cn）
数据时间范围2015–2020年
地理区域广东省沿岸（地理范围为20°13′–25°31′N，109°39′–117°19′E）
空间分辨率1 m
数据量54 MB
数据格式*.shp, *.tif
数据服务系统网址http://www.dx.doi.org/10.11922/sciencedb.j00001.00199
基金项目 广东省海洋经济发展（海洋六大产业）专项（粤自然资合[2020]064号）； 广东省重大团队项目（2019BT02H594）
数据库（集）组成数据集共包括2个数据文件，其中：(1) mangroves_shapefile.zip是2015–2020年广东省沿岸红树林矢量数据，数据量47 MB；(2) mangroves_tif.zip 是2015–2020年广东省沿岸红树林分布图件，包括广东红树林遥感分布图和广东红树林分布图，数据量7 MB。
Dataset Profile
TitleA dataset of mangrove vector in the Guangdong province during 2015–2020
Data corresponding authorZhang Li (lizhang@scsio.ac.cn)
Data authorsLiu Yequ, Zhang Li, Guo Kangli, Dang Ersha, Tang Shilin
Time range2015 – 2020
Geographical scopeGuangdong province (20°13′–25°31′N, 109°39′–117°19′E)
Spatial resolution1 m
Data volume54 MB
Data format*.shp, *.tif
Data service system<http://www.dx.doi.org/10.11922/sciencedb.j00001.00199>
Sources of fundingSpecial Project for Marine Economic Development (Six Major Marine Industries) of Guangdong Province (GDNRC [2020] 064); Guangdong Special Support Program (2019BT02H594).
Dataset compositionThe Dataset consists of 2 subsets in total. (1) mangroves_shapefile.zip is the mangroves vector data of Guangdong province, with a data volume of 47 MB; (2) mangroves_tif.zip is the mangroves of Guangdong province distribution maps, with a data volume of 7 MB.
引 言
红树林生长在热带和亚热带的海岸潮间带滩涂[1]，是一种重要的滨海湿地生态系统，具有防护堤岸、抵御风浪、净化水源、改善海湾环境、固碳和维系湿地系统生物多样性的重要作用[2-3]。我国红树林主要分布在广东、海南、广西、福建、香港、澳门等地[4]，其中广东占全国红树林面积的40%[5-6]，是全国红树林分布面积最大、范围最广、种类最为丰富的地区之一[3,7]。广东省作为我国经济发达省份，政策扶持、建立自然保护区、人工种植等措施利于红树林的生长，但一些不合理的水产养殖、填海造地等活动对红树林生长环境带来巨大挑战。明晰广东省红树林分布现状和范围在海洋环境保护、生态文明建设等政府决策方面具有非常重要的基础现实意义。
由于红树林生长在广阔的潮间带淤泥中，常规的野外调查方法难以实现红树林大范围长时序的调查、监测等工作。遥感技术具有大面积同步观测、重访周期短、动态性和数据综合性等特点，在红树林资源调查中应用越来越广泛[8,9,10,11,12,13 ]。近年来，国产遥感卫星取得较大突破，特别是高分辨率先进对地观测系统（高分系列卫星），达到了国际先进水平。
本文基于2015–2020年高分二号遥感影像提取的广东沿岸红树林高分辨矢量数据，显示了广东沿岸红树林的分布位置、范围和利用现状。本数据集基于国产卫星影像进行数据处理和解译分类提取广东沿岸红树林矢量数据，可作为广东沿岸红树林研究的基础数据，为研究该区域红树林资源的保护、恢复、管理及海洋环境变化、湿地动态监测等提供科学依据。
1   数据采集和处理方法
1.1   数据源
高分二号（GF-2）卫星于2014年8月19日成功发射，8月21日首次开机成像并下传数据，在轨5年多。高分二号卫星搭载有两台高分辨率1米全色、4米多光谱相机，GF-2卫星有效载荷参数见表1。它具有亚米级空间分辨率、高定位精度和快速姿态机动能力等特点，有效地提升了卫星综合观测效能，达到了国际先进水平[14]。
表1   GF-2卫星有效载荷参数
载荷谱段号谱段范围空间分辨率(m)幅宽(km)侧摆能力重访时间（天）
全色多光谱相机10.45～0.90145±355
20.45～0.524
30.52～0.59
40.63～0.69
50.77～0.89
本数据采用的高分二号数据产品为L1A级产品，包括全色影像和多光谱2个TIFF文件，还需进行辐射校正、大气校正、正射校正等预处理。选择2015–2020年覆盖广东沿岸的119幅高质量的高分二号卫星数据，云量低于20%，下载后检查数据，确保影像没有缺失、条带等异常现象影响后续图像处理。选取覆盖广东沿岸的119景影像如图1所示。


图1   本文红树林解译所用GF-2卫星影像覆盖图（图片审核中）
1.2   数据处理
高分二号L1A级卫星遥感产品，需要进行数据预处理和遥感解译分类两个步骤。数据预处理主要包括辐射校正、大气校正、正射校正等，遥感解译分类包括多尺度分割、样本选取和图件制作等，流程如图2。


图2   广东省沿岸红树林分布矢量数据生产示意图
1.2.1   数据预处理
数据预处理操作在ENVI 5.3平台上完成。根据影像头文件提供的参考值对影像进行辐射校正，将无意义的DN值转化为有意义的底物反射率。大气校正采用快速大气校正工具（Quick Atmospheric Correction，QUAC），它能够自动从图像上收集不同物质的波谱信息，获取经验值完成高光谱和多光谱的快速大气校正，得到结果的精度近似FLAASH模型或者其他基于辐射传输模型的+/-15%，可以有效地去除大气中的水蒸气、氧气、二氧化碳、甲烷、臭氧以及气溶胶对图像的影响。正射校正是基于ENVI 5.3自带DEM数据进行无控制点校正。最后，使用NNDiffuse Pan Sharpening方法融合，得到高分辨率（1 m）的融合影像。
1.2.2   遥感解译分类
本数据集采用面向对象特征分类方法解译分类红树林遥感信息。面向对象特征分类是利用训练样本数据集合邻近像元为对象来识别感兴趣的光谱，充分利用高分辨率的全色和多光谱的空间、纹理和光谱信息来分类，精确地提取地物。Benfield认为面向对象的方法在生态识别中产生了最准确的结果，比最大似然法提高了24%的准确率[15]。陈云浩基于面向对象和规则的方法得到了较为满意的土地分类结果[16]，贾明明和张蓉先后使用面向对象对红树林系统进行了动态监测分析[5,17]。
本文采用面向对象的分类方法，分为两步：分割和分类。分层分割是根据不同层次进行多次分割，然后通过阈值进行优化合并，形成网络层次结构[18]。异构性阈值中，自定义颜色加权为0.9，形状加权为0.1；为避免紧凑或非紧凑段，平滑度和紧凑度权重分别设置为0.5和0.5。将各景影像在eCognition Developer 8.64.1平台上多尺度分割为多个层次，得到一幅分割后的矢量图像；分类法选择最邻近分类法，选取的感兴趣区（Area of Interested, AOI）样本计算其隶属度从而将其分类。
2   数据样本描述
本数据集是利用融合后的高分二号影像，采用面向对象特征提取的分类方法，得到红树林矢量数据，能够直观展示2015–2020年广东省沿岸红树林分布位置和范围。影像空间分辨率为1 m，shapefile格式，投影为Transverse_Mercator投影，坐标系为GCS_WGS_1984，制作的广东省沿岸红树林分布如图3所示。


图3   广东省沿岸红树林分布图（图片审核中）
3   数据质量控制和评估
完成红树林矢量数据提取后，采用混淆矩阵方法，计算总体分类精度、Kappa系数和生产精度，对提取到红树林矢量数据进行精度评价。选择茂名电白县、阳江神前湾和深圳深圳湾三个红树林分布面积较大的区域，以Google Earth影像作为参考图像，采用目视判别选取样本，样本主要分为红树林和非红树林两大类，其中红树林样本数约为350个。选取3个地区的总体精度均高于97%，Kappa系数据高于0.90，生产精度达到84%以上，数据质量较为理想。分类精度评价如表2所示。
表2   分类精度评价
区域总体精度（%）Kappa系数生产精度（%）
茂名电白县99.65%0.945790.35%
阳江神前湾98.97%0.952692.02%
深圳深圳湾97.27%0.900884.66%
本数据集在生产过程中，未考虑潮汐淹没广东沿岸红树林的情况，从而水面以下的红树林提取会有一定的偏差。因此，接下来的工作可以结合海水潮汐周期性变化，提高红树林矢量数据集精度。
4   数据价值
高质量的国产遥感卫星数据产品对广东沿岸红树林系统的保护、恢复、管理极其重要。本研究收集了高分二号1 m分辨率的遥感影像，采用分割-分类的面向对象特征的分类方法，生产了2015–2020年广东沿岸红树林分布的矢量数据集，为广东沿岸红树林的保护恢复、管理规划及湿地动态监测等提供了数据支持。本产品采集的遥感影像云量少、分辨率高，提供的shapefile矢量文件可直接在ArcGIS、ENVI等软件平台使用，可为海洋生态修复、海洋带监测、城市发展规划提供参考。
5   数据使用方法和建议
2015–2020年广东省沿岸红树林分布矢量数据集存储为shapefile矢量格式，建议使用ArcGIS软件打开、查询、编辑及统计等。2015–2020年广东省沿岸红树林分布图为TIFF格式，可直接浏览，方便使用者快速定位、可视化感兴趣区域红树林资源的位置和分布范围。
[1]
刘凯, 彭力恒, 李想, 等. 基于Google Earth Engine的红树林年际变化监测研究[J].地球信息科学学报, 2019, 21(05): 731-739.
+ CSCD · Baidu Scholar
[2]
蒙良莉, 凌子燕, 蒋卫国, 等. 基于Sentinel遥感数据的红树林信息提取研究——以广西茅尾海为例[J].地理与地理信息科学, 2020, 36(04): 41-47.
+ CSCD · Baidu Scholar
[3]
王子予, 刘凯, 彭力恒, 等. 基于Google Earth Engine的1986—2018年广东红树林年际变化遥感分析[J].热带地理, 2020, 40(05): 881-892.
+ CSCD · Baidu Scholar
[4]
林天维, 柴清志, 孙子钧, 等. 我国红树林的面积变化及其治理[J]. 海洋开发与管理, 2020, 37(02): 48-52.
+ CSCD · Baidu Scholar
[5]
贾明明. 1973～2013年中国红树林动态变化遥感分析[D]. 中国科学院研究生院（东北地理与农业生态研究所）, 2014.
+ CSCD · Baidu Scholar
[6]
麦少芝, 徐颂军. 广东红树林资源的保护与开发[J]. 海洋开发与管理, 2005(01): 44-48.
+ CSCD · Baidu Scholar
[7]
吴培强, 马毅, 李晓敏, 等. 广东省红树林资源变化遥感监测[J]. 海洋学研究, 2011, 29(04): 16-24.
+ CSCD · Baidu Scholar
[8]
王柏鹏, 曾睿, 廖超明, 等. 广西北海市红树林湿地景观格局演变分析[J]. 南方国土资源, 2019(11): 63-64, 67.
+ CSCD · Baidu Scholar
[9]
李晓俞, 张东水, 马宇, 等. 1990～2015年间四省红树林变化监测及其驱动力分析[J]. 地理空间信息, 2020, 18(02):76-80, 7.
+ CSCD · Baidu Scholar
[10]
HAMYLTON S M, NURDIN N, CARVALHO R C, et al. Mangrove and sand cay dynamics on Australian and Indonesian low wooded islands: A 45 year comparison of changes from remote sensing[J]. Estuarine Coastal and Shelf Science, 2020, 245.
+ CSCD · Baidu Scholar
[11]
SERRANO-RUBIO J P, VIDAL-ESPITIA U, RUIZ M D M. Integrating remote sensing and image processing to test for disturbance effects in a post-hurricane mangrove ecosystem[J]. Signal Image and Video Processing, 2021, 15: 351-359.
+ CSCD · Baidu Scholar
[12]
VAN T T, WILSON N, THANH-TUNG H, et al. Changes in mangrove vegetation area and character in a war and land use change affected region of Vietnam (Mui Ca Mau) over six decades[J]. Acta Oecologica, 2015, 63: 71-81.
+ CSCD · Baidu Scholar
[13]
NICOLÁS YOUNES CÁRDENAS, JOYCE K E, MAIER S W. Monitoring mangrove forests: Are we taking full advantage of technology?[J]. International Journal of Applied Earth Observation and Geoinformation, 2017, 63:1-14.
+ CSCD · Baidu Scholar
[14]
中国资源卫星应用中心. 高分二号[EB/OL]. (2018-06-09) [2020-12-24]. http://gdgf.gd.gov.cn/GDGF_Portal/index.jsp.
+ CSCD · Baidu Scholar
[15]
BENFIELD S L, GUZMAN H M, MAIR J M, et al. Mapping the distribution of coral reefs and associated sublittoral habitats in Pacific Panama: a comparison of optical satellite sensors and classification methodologies[J]. International Journal of Remote Sensing, 2007, 28(22): 5047-5070.
+ CSCD · Baidu Scholar
[16]
陈云浩, 冯通, 史培军, 等. 基于面向对象和规则的遥感影像分类研究[J]. 武汉大学学报(信息科学版), 2006(04): 316-320.
+ CSCD · Baidu Scholar
[17]
张蓉, 夏春林, 贾明明, 等. 基于面向对象的大珠三角红树林动态变化分析[J]. 测绘与空间地理信息, 2019, 42(12): 22-26.
+ CSCD · Baidu Scholar
[18]
BEAULIEU J M, GOLDBERG M. Hierarchy in Picture Segmentation: A Stepwise Optimization Approach[J]. Pattern Analysis & Machine Intelligence IEEE Transactions on, 1989, 11(2): 150-163.
+ CSCD · Baidu Scholar
数据引用格式
刘叶取, 张立, 郭康丽, 等. 2015–2020年广东省沿岸红树林矢量数据集[DB/OL]. Science Data Bank, 2020. (2021-02-20). DOI: 10.11922/sciencedb.j00001.00199.
稿件与作者信息
论文引用格式
刘叶取, 张立, 郭康丽, 等. 2015–2020年广东省沿岸红树林矢量数据集[J/OL]. 中国科学数据, 2020. (2021-02-20). DOI: 10.11922/csdata.2020.0108.zh.
刘叶取
Liu Yequ
主要承担工作：高分二号影像补缺、数据预处理和遥感信息提取。
（1992—），男，广东阳江人，硕士，助理工程师，研究方向为海洋遥感应用和海洋信息服务。
张立
Zhang Li
主要承担工作：高分二号影像收集，方案前期调研和广东省红树林资源背景调研分析。
lizhang@scsio.ac.cn
（1980—），女，北京人，博士研究生，中级工程师，研究方向为滨海湿地生态修复。
郭康丽
Guo Kangli
主要承担工作：协助收集整理高分二号影像，现场调查。
（1992—），女，湖南郴州人，硕士，工程师，研究方向为海洋环境资源保护修复。
党二莎
Dang Ersha
主要承担工作：协助方案设计，现场调查。
（1990—），女，陕西西安人，硕士，工程师，研究方向为海洋环境评价研究。
唐世林
Tang Shilin
主要承担工作：方案设计和产品精度检查。
（1981—），男，湖南邵阳人，博士，正高级工程师，研究方向为海洋遥感和海洋信息化。
出版历史
I区发布时间：2021年2月22日 （ 版本ZH2）
CSCD  ·  Badiu Scholar
参考文献列表中查看
中国科学数据
csdata

  • --

中国科学院期刊云服务平台 · 中国科学院科学传播局
技术支持 中国科学院计算机网络信息中心 · 印刻学术