چکیده

جنگل‌های حرا اکوسیستم‌های مهمی در منطقه جزر و مدی ساحلی هستند، اما جنگل‌های حرا چین از دهه 1950 کاهش زیادی در مساحت داشته‌اند، و جنگل‌های حرا باقی‌مانده در حال افزایش تکه تکه شدن هستند. مجموعه داده های دقیق حرا در چین برای مدیریت و حفاظت از اکوسیستم حرا بسیار مهم است، اما تکه های تکه تکه شده حرا به سختی توسط تصاویر ماهواره ای با وضوح متوسط ​​ترسیم می شوند. برای غلبه بر این مشکلات، ما یک نقشه حرا در مقیاس خوب برای سال 2018 با استفاده از تصاویر ماهواره‌ای با وضوح 2 متری Gaofen-1 و Ziyuan-3 همراه با داده‌های میدانی ارائه کردیم. ما از یک روش ترکیبی از تجزیه و تحلیل تصویر مبتنی بر شی (OBIA)، ویرایش مفسر، و بررسی میدانی برای نقشه برداری حرا استفاده کردیم. مسیر بررسی میدانی به 9500 کیلومتر رسید و 2650 لکه در طول کار میدانی تأیید شد. ارزیابی دقت با ماتریس سردرگمی نشان داد که ضریب کاپا به 0.98 رسید، که نشان‌دهنده دقت موضوعی بسیار زیاد مجموعه داده‌های حرا است. نتایج نشان داد که مساحت کل جنگل های حرا در چین برای سال 2018 25683.88 هکتار بوده است و تقریباً 91 درصد از جنگل های حرا در سه استان گوانگدونگ، گوانگشی و هاینان یافت شده است. حدود 64 درصد از مانگروها در یا نزدیک ذخایر طبیعی ایجاد شده توسط دولت های ملی یا محلی توزیع شده اند که نشان می دهد در سال های اخیر از حراهای چین به خوبی محافظت شده است. مجموعه داده جدید حرا در مقیاس خوب به صورت آزادانه همراه با این مقاله به اشتراک گذاشته شد و می توان از آن توسط مقامات محلی و گروه های تحقیقاتی برای مدیریت حرا و برنامه ریزی زیست محیطی استفاده کرد. نشان دهنده دقت موضوعی بسیار زیاد مجموعه داده حرا است. نتایج نشان داد که مساحت کل جنگل های حرا در چین برای سال 2018 25683.88 هکتار بوده است و تقریباً 91 درصد از جنگل های حرا در سه استان گوانگدونگ، گوانگشی و هاینان یافت شده است. حدود 64 درصد از مانگروها در یا نزدیک ذخایر طبیعی ایجاد شده توسط دولت های ملی یا محلی توزیع شده اند که نشان می دهد در سال های اخیر از حراهای چین به خوبی محافظت شده است. مجموعه داده جدید حرا در مقیاس خوب به صورت آزادانه همراه با این مقاله به اشتراک گذاشته شد و می توان از آن توسط مقامات محلی و گروه های تحقیقاتی برای مدیریت حرا و برنامه ریزی زیست محیطی استفاده کرد. نشان دهنده دقت موضوعی بسیار زیاد مجموعه داده حرا است. نتایج نشان داد که مساحت کل جنگل های حرا در چین برای سال 2018 25683.88 هکتار بوده است و تقریباً 91 درصد از جنگل های حرا در سه استان گوانگدونگ، گوانگشی و هاینان یافت شده است. حدود 64 درصد از مانگروها در یا نزدیک ذخایر طبیعی ایجاد شده توسط دولت های ملی یا محلی توزیع شده اند که نشان می دهد در سال های اخیر از حراهای چین به خوبی محافظت شده است. مجموعه داده جدید حرا در مقیاس خوب به صورت آزادانه همراه با این مقاله به اشتراک گذاشته شد و می توان از آن توسط مقامات محلی و گروه های تحقیقاتی برای مدیریت حرا و برنامه ریزی زیست محیطی استفاده کرد. و هاینان حدود 64 درصد از مانگروها در یا نزدیک ذخایر طبیعی ایجاد شده توسط دولت های ملی یا محلی توزیع شده اند که نشان می دهد در سال های اخیر از حراهای چین به خوبی محافظت شده است. مجموعه داده جدید حرا در مقیاس خوب به صورت آزادانه همراه با این مقاله به اشتراک گذاشته شد و می توان از آن توسط مقامات محلی و گروه های تحقیقاتی برای مدیریت حرا و برنامه ریزی زیست محیطی استفاده کرد. و هاینان حدود 64 درصد از مانگروها در یا نزدیک ذخایر طبیعی ایجاد شده توسط دولت های ملی یا محلی توزیع شده اند که نشان می دهد در سال های اخیر از حراهای چین به خوبی محافظت شده است. مجموعه داده جدید حرا در مقیاس خوب به صورت آزادانه همراه با این مقاله به اشتراک گذاشته شد و می توان از آن توسط مقامات محلی و گروه های تحقیقاتی برای مدیریت حرا و برنامه ریزی زیست محیطی استفاده کرد.

کلید واژه ها:

حرا چین ; وضوح بالا ؛ سنجش از دور ؛ Gaofen-1 ; Ziyuan-3 ; تجزیه و تحلیل تصویر مبتنی بر شی

1. مقدمه

جنگل های حرا در نواحی گرمسیری و نیمه گرمسیری جهان بین تقریباً 30 درجه شمالی و 30 درجه عرض جغرافیایی جنوبی توزیع شده اند [ 1 ، 2 ]. این جنگل‌ها شامل درختان، درختچه‌ها و نخل‌هایی هستند که در محیط‌های خشن محیطی از جمله شوری بالا، دمای بالا، جزر و مد شدید، رسوب‌گذاری بالا و خاک‌های بی‌هوازی گل‌آلود رشد می‌کنند [ 1 ]. جنگل‌های حرا طیف گسترده‌ای از خدمات اکوسیستمی مانند تثبیت خط ساحلی، تصفیه آب، تأمین تنوع زیستی و زیستگاه‌های مهدکودک برای شیلات دریایی را ارائه می‌کنند و برای صنعت تفریحی و گردشگری مهم هستند [ 3 ، 4 ، 5 ، 6 ].
اکوسیستم حرا یکی از آسیب پذیرترین اکوسیستم های روی زمین به دلیل اختلالات انسانی و تغییرات آب و هوایی است. بر اساس گزارش ها، 20 تا 35 درصد از زمین های جنگلی مانگرو جهانی به دلیل جنگل زدایی از دهه 1980 از بین رفته است [ 7 ، 8 ]. از بین رفتن سریع جنگل های حرا، مدیران جنگل ها و دانشمندان مرتبط را مجبور به فهرست نویسی و نظارت بر گستره فضایی آنها کرده است. تعدادی تلاش برای پایش گسترده جنگل های حرا از مقیاس محلی تا جهانی انجام شده است [ 1 ، 9 ، 10 ، 11 ، 12 ، 13 ، 14 ، 15 ، 16 ، 17 ،18 ، 19 ، 20 ] با استفاده از تصاویر از جمله نوری، ابرطیفی، رادار، و غیره. تأثیرگذارترین مجموعه داده ها در مقیاس جهانی برای سال 2000 تولید شد: اطلس جهانی حرا (WAM10) توسط Spalding [ 10 ] و جنگل های حرا World (MFW) توسط گیر و همکاران. [ 1 ]. اخیرا بانتینگ و همکاران. [ 21 ، 22] مجموعه داده حرا را از پروژه دیده بان جهانی حرا (GMW)، از جمله خط پایه جهانی گستره حرا در سال 2010 (GMW2010) و آخرین وسعت جهانی حرا در سال 2016 (GMW2016) منتشر کرد، که هدف آن ارائه اطلاعات مکانی در مورد وسعت حرا و تغییرات در آن است. کنوانسیون رامسر، دست اندرکاران تالاب ملی، تصمیم گیرندگان و سازمان های مردم نهاد. این آثار به تحقیق در مورد ذخایر کربن و تنوع زیستی حرا و همچنین به تلاش‌های حفاظت از اکوسیستم حرا کمک کرده‌اند.
با این حال، نقشه‌های جنگل‌های حرا در چین ناقص یا قدیمی هستند و نمی‌توانند آخرین توزیع فضایی حرا را منعکس کنند. به عنوان مثال، تنها 3139 هکتار (حدود 14٪) از جنگل های حرا در چین در مجموعه داده MFW نقشه برداری شده است. این نقشه ناقص از حرا در چین به نقشه سالانه CGMFC-21 [ 11 ] منتشر شد، زیرا آنها با استفاده از نقشه پایه 2000 MFW و سایر داده‌های تغییر جنگل تولید شدند. علاوه بر این، در بیست سال گذشته دستاوردهای اندکی در پوشش حرا در چین حاصل شده است. نقشه‌های WAM10 و MFW نمی‌توانند توزیع اخیر حرا را منعکس کنند زیرا با استفاده از نقشه‌نگار موضوعی Landsat (TM) و داده‌های نقشه‌برداری موضوعی پیشرفته (ETM+) که بین سال‌های 1997 و 2003 به دست آمده‌اند، تولید شده‌اند.
سواحل چین شامل مناطق گرمسیری، نیمه گرمسیری و معتدل است و منطقه ای ایده آل برای مطالعه واکنش مانگروها به گرمایش جهانی و اثرات فعالیت های انسانی مانند حفاظت، بازسازی، رشد جمعیت و توسعه سریع اقتصادی است [ 23 ]. . برخی از مطالعات مناطق حرا در چین را از محلی [ 24 ، 25 ، 26 ، 27 ، 28 ، 29 ، 30 ، 31 ] تا مقیاس ملی برآورد کرده اند [ 10 ، 19 ، 32 ، 33 ، 34 ، 35 .]. با این حال، این برآوردها در مقیاس ملی به طور گسترده ای از 19788 هکتار تا 24602 هکتار متفاوت است. تصاویر سنجش از دور مورد استفاده در این تخمین‌های وسعت حرا عمدتاً داده‌های Landsat با وضوح 30 متر بودند. در واقع، جنگل های حرا در امتداد سواحل چین به دلیل مزاحمت های انسانی تکه تکه شدند. بنابراین، نقشه‌برداری دقیق جنگل‌های حرا در چین با استفاده از تصاویر سنجش از دور با وضوح متوسط، یک کار چالش برانگیز است و نقشه‌برداری وسعت حرا با استفاده از تصاویر سنجش از دور با وضوح مکانی بالا در مقیاس دقیق‌تر ضروری است.
از آغاز قرن بیست و یکم، فناوری سنجش از دور ماهواره ای با وضوح فضایی بالا (HSR) به سرعت توسعه یافته است. حجم زیادی از تحقیقات با استفاده از تصاویر با وضوح فضایی بالا بر روی نقشه برداری وسعت حرا [ 36 ]، شناسایی گونه های حرا [ 37 ]، تخمین زیست توده [ 38 ، 39 ]، و ارزیابی تلفات ناشی از طوفان [ 40 ] متمرکز شده است.]. با این حال، این برنامه‌ها عموماً بر روی مناطقی با محدوده فضایی کوچک متمرکز بودند و برنامه‌های نقشه‌برداری حرا در مناطقی با محدوده فضایی وسیع با استفاده از تصاویر HSR به ندرت گزارش شده‌اند. یک مجموعه داده توزیع حرا در مقیاس دقیق و با دقت بالا برای توسعه سیاست حفاظت حرا، برنامه‌ریزی احیا، و نظارت بر وضعیت اکوسیستم مهم است، با این حال داده‌های تصویری HSR تجاری برای نقشه‌برداری و پایش حرا در محدوده وسیع گران است. با ساخت زیرساخت های فضایی غیرنظامی چین، چین به تدریج چندین ماهواره با حسگرهای نوری با وضوح فضایی نسبتاً خوب پرتاب کرده است [ 41 ، 42 ]]، از جمله Ziyuan-3، Gaofen-1، Gaofen-2 و Gaofen-6. در حال حاضر، می تواند پوشش ملی سالانه تصاویر بدون ابر در مقیاس 2 متر را تضمین کند، که مبنای تصویری قوی برای نظارت بر حرا فراهم می کند.
تکنیک‌های تجزیه و تحلیل تصویر مبتنی بر شی (OBIA) از روش‌های تقسیم‌بندی تصویر و یادگیری ماشین برای استخراج اطلاعات و ترسیم وصله از تصاویر با وضوح بالا استفاده می‌کنند. اخیراً، مطالعات متعددی از روش OBIA برای تجزیه و تحلیل تصاویر با وضوح بالا برای استخراج اطلاعات حرا، از جمله میزان حرا [ 13 ، 17 ]، گونه های درخت حرا [ 43 ، 44 ]، پارامترهای بیوفیزیکی [ 45 ] و غیره استفاده کرده اند. بیشتر تحقیقات انجام شده است. محدود به آزمایش روش در یک منطقه آزمایشی کوچک بود، و کمبود برنامه های نقشه برداری حرا در مناطق بزرگ با استفاده از تصاویر با وضوح فضایی بالا و رویکردهای OBIA وجود داشت.
در این مطالعه، ما یک روش ترکیبی ایجاد کرده‌ایم که تجزیه و تحلیل تصویر مبتنی بر شی، ویرایش مفسر و بررسی میدانی را ترکیب می‌کند. این روش برای نقشه برداری حرا در مقیاس ریز در یک منطقه بزرگ (10000 کیلومتر خط ساحلی) استفاده شد. اهداف این مطالعه (1) ایجاد یک فهرست معیار در مقیاس خوب از حرا در چین (MC2018) [ 46 ] بود.] با استفاده از تصاویر ماهواره ای Ziyuan-3 و Gaofen-1. (2) ارائه یک روش ترکیبی جدید برای تجزیه و تحلیل تصویر مبتنی بر شی و تأیید میدانی برای نقشه برداری حرا. (3) برای مقایسه مجموعه داده MC2018 با مجموعه داده های موجود حرا از نظر کمی و بصری؛ و (4) برای بحث در مورد مزایای تصاویر 2 متری برای نقشه برداری حرا، سردرگمی بین حرا و سایر پوشش های گیاهی، و محدودیت ها و هشدارهای مجموعه داده MC2018.

2. مواد و روشها

2.1. منطقه مطالعه

منطقه مورد مطالعه شامل اکوسیستم های مانگرو ساحلی در جنوب چین ( شکل 1 ) بود که شامل سواحل منطقه خودمختار گوانگشی ژوانگ (گوانگشی)، هنگ کنگ، ماکائو، تایوان، و استان های گوانگدونگ، هاینان، فوجیان و ژجیانگ منطقه مورد مطالعه عمدتاً در محدوده 30 کیلومتری منطقه حائل خط ساحلی قرار داشت. جنگل‌های حرا طبیعی در چین عمدتاً در عرض‌های جغرافیایی بین 18 درجه شمالی و 27 درجه شمالی توزیع شده‌اند، در حالی که جنگل‌های حرا کاشته شده تا خلیج Leqing در استان ژجیانگ با عرض جغرافیایی 28 درجه و 25 دقیقه شمالی گسترش یافته‌اند [ 47 ]. از نظر تاریخی، مساحت کل جنگل‌های حرا در چین زمانی به 250000 هکتار می‌رسید و در دهه 1950 حدود 42000 هکتار بود که به دلیل کشاورزی گسترده آبزی پروری و شهرنشینی به کاهش ادامه داد.48 ]. گونه های غالب حرا در چین عبارتند از: Bruguiera gymnorrhiza ، Kandelia obovta ، Avicennia marina ، Aegiceras corniculatum ، Rhizophora stylosa ، Acrostichum aureum و Acanthus ilicifolius [ 48 ].

2.2. داده ها و پردازش

2.2.1. تصاویر و پردازش سنجش از راه دور ماهواره ای

تصاویر سنجش از دور مورد استفاده در این تحقیق از شش ماهواره Ziyuan-3-01، Ziyuan-3-02، Gaofen-1A، Gaofen-1B، Gaofen-1C و Gaofen-1D به دست آمده است. ماهواره Ziyuan-3-01 (ZY3-01) در 9 ژانویه 2012 و ماهواره Ziyuan3-02 (ZY3-02) در 30 می 2016 در چین پرتاب شد [ 41 ]. این دو ماهواره سری Ziyuan-3 یک صورت فلکی را در ارتفاع حدود 505 کیلومتری تشکیل می دهند که تصاویر پان و چند طیفی (PMS) را به ترتیب با وضوح 2.1 متر و 5.8 متر ارائه می دهند. ماهواره Gaofen-1A در 26 آوریل 2013 و Gaofen-1B، -1C و -1D در 31 مارس 2018 پرتاب شدند [ 42 ]]. چهار ماهواره سری Gaofen-1 (GF-1) یک صورت فلکی را در ارتفاع حدود 645 کیلومتری تشکیل می دهند و تصاویر پان و چند طیفی را به ترتیب با وضوح 2 متر و 8 متر ارائه می دهند. پارامترهای اصلی برای تصاویر ZY-3 و GF-1 در جدول 1 نشان داده شده است. عرض نوار برای ماهواره های Gaofen-1 60 کیلومتر و دوره بازدید مجدد 41 روز بود. صورت فلکی چهار ستاره ماهواره های Gaofen-1 دوره بازدید مجدد را به 10 روز کاهش داده است. ماهواره Ziyuan-3 دارای عرض نواری 52 کیلومتر و دوره بازدید مجدد 59 روزه بود و صورت فلکی دو ستاره دوره بازدید مجدد را به 30 روز کوتاه کرد. وضوح تشعشع سنسورهای PMS ماهواره‌های Gaofen-1 و Ziyuan-3 هر دو 10 بیت بود.
در این مطالعه، تصاویر 2018 به‌دست‌آمده از حسگرهای ZY-3 و GF-1 برای استفاده از نقشه‌برداری حرا غربال‌گری شدند. قوانین غربالگری تصویر عبارت بودند از: (1) پوشش ابر باید کمتر از 5٪ باشد و (2) تصاویر به دست آمده در جزر و مد باید ترجیح داده شوند. در مجموع 509 تصویر در مرحله اول نمایش داده شد. در مرحله بعد، تمام تصاویر با سیستم مرجع جهانی ژئودتیک 1984 (WGS84) اصلاح شدند و ریشه میانگین مربعات خطاهای هندسی کمتر از 1 پیکسل بود. هر تصویر برای تغییر در زاویه خورشید و فاصله زمین-خورشید با تبدیل مقادیر عددی دیجیتال به بازتاب بالای جو نرمال شد. سپس، تصاویر پانکروماتیک و چند طیفی تصحیح شده با استفاده از پان شارپ [ 49 ] ترکیب شدند.] الگوریتم و نمونه برداری مجدد به تصاویر 2 متری. تصاویری که منطقه مورد مطالعه را پوشش می‌دهند در یک پایه تصویری 2 متری موزاییک شدند که در مرحله زیر برای نقشه‌برداری حرا استفاده می‌شود.
2.2.2. آماده سازی زیستگاه حرا
قبل از ترسیم حرا، مانگروها در یک طاقچه اکولوژیکی خاص وجود دارند که می توان از آن برای از بین بردن بسیاری از مناطقی که در آن یافت نمی شوند استفاده کرد. از آنجایی که حرا نیاز به آبگرفتگی دوره ای جزر و مدی دارند، منطقه رشد حرا نباید خیلی دور از خط ساحلی باشد و ارتفاع زمین نباید خیلی زیاد باشد. در این تحقیق منطقه رویشگاه حرا با طی دو مرحله بدست آمد. ابتدا یک منطقه حائل 30 کیلومتری بر اساس خط ساحلی چین ایجاد شد. دوم، یک منطقه زیستگاه حرا با استخراج مناطق با ارتفاع زمین کمتر از 20 متر در منطقه حائل به دست آمد، زیرا ارتفاع درختان حرا در امتداد ساحل چین به ندرت از 20 متر فراتر می رفت [ 50 ]]. داده های مدل ارتفاعی دیجیتال (DEM) ماموریت توپوگرافی رادار شاتل 30 متری (SRTM) برای تخمین ارتفاع زمین استفاده شد. از طریق مرحله آماده‌سازی زیستگاه حرا، می‌توان مناطقی را که احتمال وقوع حرا در آن‌ها بعید بود، غربال کرد و در نتیجه کارایی تفسیر را بهبود بخشید.

2.3. روش های تعیین خط حرا

نمای کلی گردش کار روش در شکل 2 نشان داده شده است . ابتدا تصاویر ماهواره ای پردازش شده و در یک پایگاه تصویری با وضوح 2 متر موزاییک شده و منطقه زیستگاه حرا تهیه شد. دوم، یک روش تجزیه و تحلیل تصویر مبتنی بر شی برای استخراج بر اساس طرح حرا، از جمله جمع‌آوری نمونه، تقسیم‌بندی تصویر، طبقه‌بندی شی تصویر، و پس پردازش انجام شد. سوم، کرت های حرا شناسایی شده توسط مترجمان بررسی و با کار صحرایی تأیید شد. در نهایت، مجموعه داده حرا چین (MC2018) تولید شد و دقت آن مورد ارزیابی قرار گرفت.
کرت های حرا با بسته شدن تاج پوشش بیش از 20 درصد نقشه برداری شد، اما حرا و جنگل های جوان به طور پراکنده در این فهرست گنجانده نشد. حداقل واحد نقشه برداری در MC2018 100 متر مربع بود.

2.3.1. رویه OBIA برای ترسیم حرا

پس از تهیه تصاویر با وضوح 2 متر و منطقه زیستگاه حرا، از روش تجزیه و تحلیل تصویر شی گرا برای استخراج ویژگی های توزیع حرا استفاده کردیم. ابتدا یک مجموعه نمونه انجام دادیم. نمونه‌های اولیه از مجموعه داده Jia2015 [ 33 ] با نمونه‌گیری تصادفی به‌دست آمدند، و سپس این نمونه‌ها به صورت دستی با ارجاع به تصاویر زیرمتر Google Earth TM بررسی شدند. در مجموع حدود 10000 نقطه نمونه حرا و 30000 نقطه نمونه غیر حرا به دست آمد. نمونه‌های غیر حرا لکه‌های تصویری شامل آب‌های آزاد، منطقه شهری، پوشش گیاهی زمین، جزر و مد برهنه و ساحل Spartina alterniflora بودند.
به دلیل وسعت منطقه مورد مطالعه، دهانه شرق به غرب 1600 کیلومتر و دهانه شمال به جنوب 1200 کیلومتر بود. پردازش همزمان تصویر کل منطقه غیر واقعی بود. ما استراتژی پردازش کاشی را در مرحله دوم اتخاذ کردیم و تصویر پایه را با اندازه 40 × 40 کیلومتر برش دادیم. در مجموع 150 کاشی به دست آوردیم. تقسیم بندی و طبقه بندی به طور جداگانه برای هر کاشی تصویر پردازش شد و نتیجه نهایی یک بخیه از صادرات کاشی بود.
تقسیم بندی با یک الگوریتم تقسیم بندی چند وضوح [ 51 ] انجام شد که به طور گسترده ای برای تجزیه و تحلیل تصویر استفاده شد. یک تصویر به شی بدوی تقسیم می شود، که ناهمگنی طیفی داخلی کوچکی نسبت به اشیاء مجاور خود دارند. این الگوریتم به سه پارامتر تعریف شده توسط کاربر برای کنترل اندازه و شکل اشیاء تصویر تولید شده نیاز دارد: (1) مقیاس، (2) وزن شکل و (3) وزن فشرده. ما ترکیب‌های پارامترهای مختلفی را برای تقسیم‌بندی تصاویر آزمایشی آماده کردیم و از بازرسی بصری برای انتخاب تصاویر با نتایج تقسیم‌بندی بهتر استفاده کردیم. از این روی پارامترهای تقسیم بندی را برای تجزیه و تحلیل تصویر حرا تعیین کردیم که مقیاس = 15، وزن شکل = 0.3، و وزن فشردگی = 0.2 بود.
الگوریتم ماشین بردار پشتیبانی (SVM) [ 52] برای طبقه بندی شی گرا انتخاب شد و ما از تابع پایه شعاعی گاوسی (RBF) به عنوان هسته استفاده کردیم. مدل SVM دو پارامتر مهم دارد: C و گاما. C ضریب پنالتی است. اگر C خیلی بزرگ یا خیلی کوچک باشد، توانایی تعمیم بدتر می شود. گاما پارامتری است که با انتخاب تابع RBF دنبال می شود و همچنین بر توانایی تعمیم مدل های SVM تأثیر می گذارد. ابتدا، ما یک فرآیند تنظیم پارامتر را در یک منطقه آزمایشی انجام دادیم. ما از استراتژی بهینه‌سازی جستجوی شبکه برای تعیین تنظیمات پارامتر به منظور دستیابی به مدل‌های طبقه‌بندی بهتر استفاده کردیم. نتایج نشان داد که تنظیم C = 200 و گاما = 0.1 یک طبقه بندی SVM نسبتا قوی ایجاد می کند. سپس، برای هر کاشی، یک مدل SVM آموزش داده شد و تمام اشیاء اولیه تصویر با طبقه‌بندی‌کننده مربوطه طبقه‌بندی شدند. سرانجام، یک فرآیند بخیه برای ادغام نتایج طبقه‌بندی همه کاشی‌ها انجام شد، و اشیاء تصویر ادغام‌شده با روش‌های پس پردازش، که شامل ادغام بخش‌های همان کلاس، حذف اشیاء با مناطق بسیار کوچک و صاف کردن مرزهای اشیا بود، دوباره شکل گرفتند. از طریق تجزیه و تحلیل و پردازش تصویر شی گرا، مجموعه داده حرا V1 (MC2018V1) را به دست آوردیم.
2.3.2. بررسی مترجم
به منظور بهبود دقت موضوعی داده‌های حرا، ما بررسی مفسر را برای تصحیح خطاها در نتایج استخراج و اضافه کردن برخی تکه‌های گمشده با ارجاع به تصاویر پایه 2 متری انجام دادیم. در مرحله بررسی متقاطع، MC2018V1 توسط سه اپراتور بررسی شد. طبق قضاوت سه اپراتور، هر وصله با ویژگی “مظنون” یا “معین” مشخص شد. این بازرسان همچنین تصاویر را مجدداً تفسیر کردند، برخی از وصله‌های گمشده احتمالی را اضافه کردند و مرزهای غیرمنطقی را اصلاح کردند. وصله های مشکوک بر روی بازرسی در حین کار میدانی متمرکز می شوند. پس از بررسی متقاطع مترجم، مجموعه داده حرا V2 (MC2018V2) را به دست آوردیم.
2.3.3. تایید میدانی
تیم تحقیقاتی بررسی میدانی جنگل‌های مانگرو ساحلی چین را در آوریل و مه 2019 انجام داد. کار میدانی بر تأیید لکه‌های حرا با درجه اطمینان پایین متمرکز بود. تکه‌های حرا که در مجموعه داده MC2018V2 به عنوان مشکوک علامت‌گذاری شده‌اند، همگی برای تأیید انتخاب شدند. برای وصله‌هایی که به‌عنوان قطعی علامت‌گذاری شده‌اند، 50 درصد را برای تأیید در فرآیند میدانی انتخاب کردیم. در حین کار میدانی، برخی از وصله های گمشده (خطاهای حذف) ثبت و به صورت دستی به نقشه به روز شده اضافه شد.
بررسی میدانی در امتداد خط ساحلی سرزمین اصلی چین، از مرز در گوانگشی تا تایژو در ژجیانگ انجام شد ( شکل 3 ). طول مسیر بررسی میدانی تقریباً 9500 کیلومتر بود. تعداد کل 2650 لکه حرا در طول کار میدانی تأیید شد. پس از تأیید میدانی، مجموعه داده MC2018V2 اصلاح و بهبود یافت و مجموعه داده نسخه نهایی MC2018 به دست آمد.

2.4. ارزیابی دقت

در این مطالعه دو منبع از نقاط صدق پایه برای ارزیابی دقت وجود داشت. ابتدا، در ژوئن 2019، 223 امتیاز در گوانگدونگ، گوانگشی، هاینان و فوجیان با بررسی میدانی به دست آمد. دوم، 2077 نقطه تأیید حرا توسط محققان میدانی از تصاویر زیرمتری Google Earth TM و Bing Maps TM جمع آوری شد . ما هیچ بررسی میدانی در تایوان انجام ندادیم و نقاط تأیید در تایوان همگی از Google Earth TM و Bing Maps TM جمع‌آوری شدند . نقاط حقیقت زمین به دو دسته تقسیم می شوند: حرا و غیر حرا. کلاس های غیر حرا شامل آب های آزاد، مناطق شهری، پوشش گیاهی زمین، جزر و مد برهنه، و اسپارتینا آلترنی فلورا بود.ساحل دریا. برای ارزیابی دقت از روش ماتریس سردرگمی استفاده شد و دقت تولیدکننده (PA)، دقت کاربر (UA)، دقت کلی (OA) و ضریب کاپا محاسبه شد.

2.5. مقایسه با سایر نقشه‌ها یا مجموعه داده‌های موجود جنگل حرا

مجموعه داده MC2018 [ 46 ] با سایر داده‌های موجود حرا، از جمله: (1) مجموعه داده‌های حرا اداره جنگلداری ایالتی 2000 (SFA2000 [ 23 ]) مقایسه شد. (2) موسسه شمال شرقی جغرافیا و آگرواکولوژی، مجموعه داده آکادمی علوم چین توسط جیا و همکاران. (Jia2015 [ 34 ])؛ (3) مجموعه داده جنگل حرا 2015 توسط چن و همکاران. (چن2015 [ 35 ])؛ (4) اطلس جهانی حرا توسط اسپالدینگ و همکاران. (WAM2000 [ 10 ])؛ (5) جنگل حرا از مجموعه داده های جهان توسط Giri و همکاران. (MFW2000 [ 1 ])؛ (6) Global Mangrove Watch (GMW2016 [ 21 و 22 ]); و (7) تغییر جنگل حرا مجموعه داده چین توسط ژنگ و همکاران. (MFC2018 [19 ]). اطلاعات مربوط به منابع تصویر، وضوح تصویر، روش های نقشه برداری، و مناطق حرا به دست آمده جمع آوری و برای این مجموعه داده ها مقایسه شد. علاوه بر این، MC2018، Jia2015، Chen2015، MFW2000، و GMW2016 برای مقایسه بصری در دو سایت آزمایشی خلیج Qinzhou در گوانگشی و بندر Dongzhai در هاینان انتخاب شدند.

3. نتایج

3.1. پراکندگی فضایی و منطقه ای مانگرو در چین در سال 2018

3.1.1. پراکندگی مانگرو در استان های مختلف

در سال 2018، مساحت کل جنگل های حرا در چین 25683.88 هکتار بود ( جدول 2 ). پراکندگی جنگل های حرا در بین استان های مختلف بسیار متفاوت است. استان گوانگدونگ بزرگترین منطقه پراکنش مانگرو را داشت که 10330.74 هکتار بود که 40.22٪ از کل منطقه ملی حرا را به خود اختصاص داد. گوانگشی و هاینان به ترتیب با مساحت های 8449.0 هکتار و 4676.71 هکتار دنبال شدند. مجموع سطح حرا در سه استان برتر 91.33 درصد از مساحت ملی حرا را به خود اختصاص داده است.
شکل 4 توزیع فضایی مناطق جنگلی حرا را در امتداد سواحل نشان می دهد. مناطق مانگرو عمدتاً در گوانگشی، شرق گوانگدونگ و استان شمالی هاینان پراکنده شدند و در فوجیان، ژجیانگ و تایوان کمتر پراکنده شدند.
3.1.2. پراکندگی درختان حرا در جهت طولی و عرضی
لکه های حرا را با یک تور ماهی 0.01 درجه در جهت طولی و طولی برش دادیم و توزیع منطقه حرا را در جهت طولی و عرضی خلاصه کردیم. نتایج در شکل 5 نشان داده شده است. از جهت طولی، حرا بین 108.0 درجه شرقی و 122 درجه شرقی توزیع شد. جنگل های حرا در چین را می توان با خط طولی 114.0 درجه شرقی (در نزدیکی مصب رودخانه مروارید) به دو قسمت تقسیم کرد. بیشتر مانگروها در غرب مصب رودخانه مروارید (108.0 درجه شرقی تا 114.0 درجه شرقی) پراکنده شدند و مساحت مانگروها در این منطقه به 22953.40 هکتار رسید که 89.4 درصد از کل منطقه حرا را تشکیل می دهد. مساحت جنگل های حرا در شرق مصب رودخانه پرل (114.0 درجه شرقی تا 122.0 درجه شرقی) 2730.48 هکتار بود که تنها 10.6٪ از کل منطقه حرا را تشکیل می دهد.
از جهت عرضی، حراهای چینی بین 18 درجه شمالی و 28.9 درجه شمالی توزیع شده‌اند که ویژگی‌های منطقه بالا در وسط و ناحیه پایین را به سمت انتها نشان می‌دهد. بیشتر مانگروها بین عرض جغرافیایی 19 درجه شمالی و عرض جغرافیایی 23 درجه شمالی با مساحت 21329.72 هکتار توزیع شده اند که 83 درصد از کل منطقه حرا را تشکیل می دهد. در مناطق شمال 25 درجه شمالی، تنها یک منطقه کوچک از حرا پراکنده بود.
3.1.3. پراکندگی مانگرو در مجاورت مناطق شهری
برای به دست آوردن رابطه بین پراکندگی حرا و توسعه شهرهای ساحلی، از روش تحلیل بافر و پوشش برای محاسبه مساحت جنگل‌های حرا در مجاورت فواصل بافر مختلف مرزهای شهری استفاده کردیم. ما از مجموعه داده های مرزهای شهری جهانی (GUB_Global_2018) تولید شده توسط لی و همکاران استفاده کردیم. [ 53 ]. ما به تدریج فاصله بافر را در گام های 1 کیلومتری افزایش دادیم و مساحت جنگل های حرا را در بخش های منطقه حائل با فواصل بافر از 1 کیلومتر به 35 کیلومتر محاسبه کردیم.
نتایج در شکل 6 نشان داده شده است. حدود 10 درصد از منطقه حرا در 1 کیلومتری مرز شهری پراکنده شده است و بیشترین فاصله از جنگل حرا تا منطقه شهری 35 کیلومتر بوده است. شکل 6 ب نشان می دهد که با افزایش فاصله از مرز شهری، منطقه حرا به سرعت رشد می کند. حدود 80 درصد از جنگل های حرا در فاصله 10 کیلومتری از محدوده شهر پراکنده شده اند و منطقه حرا در 15 کیلومتری مرز شهر 95 درصد را تشکیل می دهد.

3.2. دقت MC2018

نتایج ارزیابی دقت در جدول 3 نشان داده شده است. دقت کلی مجموعه داده MC2018، ضریب کاپا، دقت نقشه برداری و دقت کاربر به ترتیب 99.3٪، 0.985، 99.3٪ و 99.0٪ بود.

3.3. مقایسه بین نقشه های حرا در میان مجموعه داده های چند منبعی

مجموعه داده MC2018 [ 46 ] با هفت نقشه موجود دیگر حرا، از جمله SFA2000 [ 23 ]، Jia2015 [ 34 ]، Chen2015 [ 35 ]، WAM2000 [ 10 ]، MFW2000 [ 1 ]8 [1]، GMW21، [ 1 ] و GMW21 مقایسه شد. 19 ]. اطلاعات تفصیلی در جدول A1 پیوست A فهرست شده است . در این مجموعه داده ها، منطقه حرا در چین بسیار متفاوت بود. بیشترین مساحت 25683.88 هکتار بود که در این مطالعه به دست آمد و کوچکترین مساحت 15869 هکتار بود که از مجموعه داده GMW2016 به دست آمد. هر دو مجموعه داده MC2018 و مجموعه داده MFC2018 نقشه های حرا چین در سال 2018 بودند و منطقه حرا در مجموعه داده MC2018 1081.43 هکتار بیشتر از مجموعه داده MFC بود. این تفاوت ممکن است به این دلیل وجود داشته باشد که تعداد زیادی تکه‌های حرا کوچک در چین وجود دارد و به این دلیل که تصاویر با وضوح بالاتر و داده‌های میدانی غنی‌تر که توسط MC2018 استفاده شده است، پتانسیل بهتری برای ثبت این مناطق کوچک از حراهای تکه‌تکه شده دارد. علاوه بر این، برخی از تفاوت های منطقه باید به دلیل تفاوت در زمان (سال) گرفتن تصویر و روش های مختلف به کار گرفته شده برای نقشه برداری حرا باشد. علاوه بر این،جدول A1 ، منطقه حرا در چین از سال 2000 افزایش یافته بود، که با نتیجه جیا مطابقت داشت [ 33 ].
ما دو منطقه آزمایشی خلیج Qinzhou در Guangxi و Dongzhai Port در Hainan را انتخاب کردیم و MC2018 و چهار مجموعه داده دیگر (Jia2015، Chen2015، GMW2016 و MFW2000) را به صورت بصری در این دو منطقه مقایسه کردیم. شکل 7 نتایج منطقه آزمایشی گوانگشی کینژو را نشان می دهد. در این منطقه، مجموعه داده MC2018 بهترین عملکرد را داشت و تکه‌های حرا به خوبی با تصویر مرجع مطابقت داشتند. مجموعه داده‌های Chen2015 و Jia2015 در رتبه دوم قرار گرفتند. آنها به درستی حدود 50 درصد از محدوده حرا را با مقداری خطا استخراج کردند. GMW2016 و MFW_USGS به اندازه کافی در منطقه عمل نکردند. آنها مقدار قابل توجهی از منطقه حرا را از دست دادند. برخی از خطاهای از دست رفته به دلیل تفاوت سال بین نقشه های حرا و تصاویر مرجع بود.
در منطقه آزمایشی بندر Hainan Dongzhai ( شکل 8 )، مانگروها در مناطق وسیعی متمرکز بودند و در دهه‌های اخیر تغییر چندانی نکرده‌اند. به طور کلی، پنج مجموعه داده به درستی مناطق بزرگ حرا را در این منطقه استخراج کرده اند. دقت کلی MC2018، Jia2015، Chen2015 نسبتاً بالا بود، اما خطاها و حذفیات نسبتاً بیشتری در مجموعه داده های MFW2000 و GMW2016 وجود داشت. مجموعه داده MC2018 از تصاویر 2 متری با وضوح بالا نقشه برداری شده است، لبه پچ صاف است و ساختار پچ کوچک کامل است. تکه‌های حرا در چهار مجموعه داده باقی‌مانده، همگی اثرات لبه‌های ناهموار شدیدی را نشان می‌دهند و تکه‌های حرا با ناحیه کوچک به اندازه کافی دقیق نبودند.

4. بحث

4.1. وضعیت مناطق حفاظت شده حرا در چین

طبق فهرست ذخایر طبیعی چین از سال 1980 تا کنون، چین 35 ذخیره گاه طبیعی مرتبط با حفاظت از حرا شامل 7 ذخیره گاه طبیعی در سطح ملی، 7 ذخیره گاه طبیعی در سطح استان و 21 منطقه طبیعی در سطح شهرستان و شهرداری ایجاد کرده است. ذخایر علاوه بر این، از سال 2001، چین پروژه حفاظت از حرا را راه اندازی کرد، به انجام فعالیت های جنگل کاری ادامه داد و به نتایج خوبی دست یافت. نتایج پایش سنجش از دور نشان داده است که مساحت جنگل های حرا در چین از سال 2000 به تدریج رشد خود را از سر گرفته است [ 33 ].
ما داده‌های توزیع جنگل حرا را با محدوده ذخیره‌گاه طبیعی همپوشانی کردیم و دریافتیم که 64٪ (16388.9 هکتار) از جنگل‌های حرا قبلاً در منطقه حفاظتی حرا بودند. این نشان می دهد که در سال های اخیر، آگاهی از حفاظت از محیط زیست به طور مداوم تقویت شده است، و حفاظت از اکوسیستم های تالاب حرا در چین به بهبود ادامه داده است.

4.2. مزایای تصویربرداری با وضوح 2 متر

اکثر مجموعه داده‌های توزیع حرا در حال حاضر از داده‌های Landsat با وضوح 30 متر یا داده‌های PALSAR (رادار باند L-باند مصنوعی سینتتیک رادار) با وضوح 25 متر استفاده می‌کنند. در این تصاویر با وضوح فضایی متوسط، بافت پوشش گیاهی و جزئیات مکانی وجود نداشت و دقت شناسایی حرا معیوب بود. علاوه بر این، شناسایی و استخراج دقیق مناطق حرا با شکل کوچک و نامنظم دشوار بود.
در این تحقیق از تصاویر سنجش از دور ماهواره ای با وضوح 2 متر برای نقشه برداری حرا استفاده شد. وضوح فضایی دقیق تر، ترسیم توطئه های پراکنده و پراکنده حرا با مناطق کوچک و نقشه برداری نوارهای باریک از قطعات حرا که در امتداد خط ساحلی توزیع شده اند را ممکن می سازد. این امر به ویژه برای نقشه برداری از حرا در چین مهم است زیرا بیشتر لکه های حرا (در مجموع بیش از 10000 هکتار) کمتر از 10 هکتار بود که حدود 40٪ از کل منطقه حرا در چین را تشکیل می دهد. با استفاده از تصاویر سنجش از دور با وضوح فضایی بالا، می توان توزیع جنگل حرا را در مقیاس دقیق تری استخراج کرد و تغییرات ظریف در اطلاعات را می توان به سرعت تشخیص داد.

4.3. سردرگمی بین حرا و سایر گیاهان

در امتداد سواحل جنوب شرقی چین، انواع دیگری از پوشش گیاهی وجود دارد که در مناطق جزر و مدی که در آن پوشش گیاهی حرا رشد می کند، وجود دارد، و این نوع پوشش گیاهی در تفسیر تصویر با حرا اشتباه گرفته می شود. برخی از گیاهان در همان زیستگاه حرا رشد می کنند و رابطه رقابتی با حرا ایجاد می کنند. چنین پوشش گیاهی معمولاً Spartina alterniflora و Phragmites communis (نی) است ( شکل A1 ). Spartina angustifolia اولین بار در سال 1979 از ایالات متحده معرفی شد و در اوایل به طور عمده برای محافظت از امواج و ساحل استفاده می شد. با این حال، به دلیل عدم وجود دشمنان طبیعی محلی، Spartina alternifloraبه سرعت تکثیر شد و به محیط زندگی گونه های محلی به ویژه حرا هجوم آورد. Spartina alterniflora یا نی ها اغلب در اطراف زمین های حرا یافت می شوند. ویژگی های طیفی این پوشش های گیاهی نسبتا مشابه است که پیچیدگی نقشه برداری حرا از تصاویر این مناطق را افزایش می دهد.
علاوه بر این، دو نوع پوشش گیاهی چوبی که به راحتی با مانگروها در چین اشتباه گرفته می شود، Metasequoia glyptostroboides و Casuarina equisetifolia هستند. شکل A2 عکس های میدانی متاسکویا و کاسورینا را نشان می دهد . در سواحل جنوب شرقی چین، بیشتر درختان Metasequoia glyptostroboides به صورت مصنوعی کاشته شدند و این گونه درختی مهم برای حفاظت از ساحل بود. درختان Casuarina equisetifolia در نواحی ساحلی یا به طور طبیعی رشد می کردند یا به طور مصنوعی کشت می شدند و همچنین گونه درختی اصلی برای حفاظت از ساحل بود. مشابه پوشش گیاهی حرا، متاسکویا وCasuarinas در مناطق جزر و مدی یا اطراف مناطق نزدیک رشد می کنند. گاهی اوقات آنها حتی از نظر فضایی با حرا در ارتباط هستند. هنگام تفسیر حرا، این نوع پوشش گیاهی باید از هم متمایز شوند و قضاوت جامعی باید در ترکیب با اطلاعات حاصل از بررسی های میدانی انجام شود.

4.4. اهمیت کار میدانی در نقشه برداری حرا

نقشه برداری حرا از تصاویر سنجش از دور با دو مشکل مهم روبرو است: (1) تشخیص پوشش گیاهی حرا از پوشش گیاهی غیر حرا مجاور دشوار است و (2) تشخیص بین پوشش گیاهی علفی مسطح حرا و جزر و مدی دشوار است ( Spartina alterniflora ). استفاده از روش های تجزیه و تحلیل تصویر (مانند OBIA) به سختی می تواند نقشه های حرا را با دقت بالا در مناطق بزرگ تولید کند. در مراحل استخراج OBIA در این مطالعه، دقت نقشه برداری حرا تنها به حدود 80 درصد رسید. ما بر این باوریم که برای تولید نقشه‌های حرا با مقیاس خوب و با دقت بالا، ویرایش دستی و کار راستی‌آزمایی دقیق میدانی ضروری است.

4.5. محدودیت ها و هشدارها

موجودی مانگرو فقط شامل کرت های حرا با تراکم تاج پوشش 20 درصد یا بیشتر بود. گیاهان جوانی که به تازگی کاشته شده اند اما جنگلی نشده اند در این مجموعه داده گنجانده نشده اند. علاوه بر این، در تصاویر جزر و مد، برخی از مانگروهای کم ارتفاع توسط توده های آبی زیر آب می روند و شناسایی و استخراج حرا را دشوار می کند. اگرچه بیشتر تصاویری که ما استفاده کردیم در دوره جزر و مد بودند، ممکن است در برخی از سواحل جزر و مد، قسمت کمی از جنگل حرا وجود داشته باشد. علاوه بر این، در فرآیند کار میدانی، ما همچنین حراهای پراکنده با تراکم تاج پوشش کمتر از 20٪ را پیدا کردیم و این جنگل های پراکنده نیز در مجموعه داده MC2018 گنجانده نشدند. علیرغم وضوح فضایی بالای حسگرهای Gaofen-1 و Ziyuan-3، وضوح طیفی این حسگرها محدود است و فقط در طیف‌های RGB و NIR قرار دارند.

5. نتیجه گیری ها

تکنیک های سنجش از دور به روشی مهم برای به دست آوردن سریع داده ها در مورد توزیع و تغییر جنگل های حرا تبدیل شده است. با این حال، تصاویر سنتی با وضوح متوسط ​​مانند Landsat فقط می توانند داده های توزیع نسبتاً درشت حرا را در سطح جهانی یا منطقه ای به دست آورند. با توسعه سریع فناوری سنجش از دور با وضوح مکانی بالا، تولید داده‌های حرا در مقیاس ریز در یک منطقه بزرگ با استفاده از تصاویر سنجش از دور با وضوح فضایی بالاتر ضروری است.
در این تحقیق، ما از تصاویر سنجش از دور با وضوح فضایی 2 متری به‌دست‌آمده از ماهواره‌های GF-1 و ZY-3 استفاده کردیم و از روش ترکیبی تجزیه و تحلیل تصویر مبتنی بر شی (OBIA)، ویرایش مفسر، و تأیید میدانی استفاده کردیم. ما مجموعه داده وسعت حرا در مقیاس خوب چین را در سال 2018 (MC2018) با دقت کلی بیش از 98٪ تولید کردیم. این مجموعه داده می تواند اطلاعات دقیقی در مورد وضعیت اکوسیستم حرا ارائه دهد و می تواند از مقامات محلی برای برنامه ریزی و مدیریت جنگل حرا پشتیبانی کند. این مطالعه پتانسیل قوی تصاویر ماهواره ای با وضوح 2 متری Ziyuan-3 و Gaofen-1 را در پایش سالانه منابع و پارامترهای زیست محیطی در یک منطقه بزرگ نشان داد.

پیوست اول

جدول
جدول A1. مقایسه مجموعه داده ها از منابع مختلف نقشه برداری حرا در چین
Ijgi 10 00092 g0a1 550
شکل A1. عکس‌های میدانی ( الف ) Spartina alterniflora و حرا و ( ب ) Phragmites communis و حرا.
Ijgi 10 00092 g0a2 550
شکل A2. عکس های میدانی ( الف ) Metasequoia glyptostroboides و ( ب ) Casuarina equisetifolia.

منابع

  1. گیری، سی. اوچینگ، ای. Tieszen, LL; زو، ز. سینگ، آ. لاولند، تی. ماسک، جی. دوک، ن. وضعیت و توزیع جنگل‌های حرا جهان با استفاده از داده‌های ماهواره‌ای رصد زمین. گلوب. Ecol. Biogeogr. 2011 ، 20 ، 154-159. [ Google Scholar ] [ CrossRef ]
  2. وانگ، ال. جیا، م. یین، دی. تیان، جی. مروری بر سنجش از دور برای جنگل‌های حرا: 1956-2018. سنسور از راه دور محیط. 2019 ، 231 ، 111223. [ Google Scholar ] [ CrossRef ]
  3. رحمان، آقا؛ Saha، SK تقسیم‌بندی با وضوح چندگانه برای طبقه‌بندی مبتنی بر شی و ارزیابی دقت طبقه‌بندی کاربری/پوشش زمین با استفاده از داده‌های سنجش از دور. Photonirvachak J. Ind. 2008 ، 36 ، 189-201. [ Google Scholar ]
  4. گیری، سی. لانگ، جی. عباس، س. مورالی، RM; قمر، اف.ام. پنگرا، بی. Thau، D. توزیع و پویایی جنگل‌های حرا جنوب آسیا. جی. محیط زیست. مدیریت 2015 ، 148 ، 101-111. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  5. فام، تی دی; Xia، JS; ها، NT; Bui، DT; Le، NN; Takeuchi، W. مروری بر رویکردهای سنجش از دور برای نظارت بر اکوسیستم‌های کربن آبی: حرا، علف‌های دریایی و باتلاق‌های نمکی در طول سال‌های 2010-2018. Sensors 2019 ، 19 ، 1933. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  6. Barbier، EB; هکر، SD; کندی، سی. Koch، EW; Stier، AC; Silliman، BR ارزش خدمات اکوسیستم خور و ساحلی. Ecol. مونوگر. 2011 ، 81 ، 169-193. [ Google Scholar ] [ CrossRef ]
  7. فائو حراهای جهان 1980–2005 ; مقاله جنگلداری فائو: رم، ایتالیا، 2007; جلد 153، ص. 77. [ Google Scholar ]
  8. رحمان، م.م. الله، آقای لان، ام. سومانتیو، جی تی. کوزه، اچ. تاتیشی، ر. مقایسه روش‌های طبقه‌بندی تصاویر لندست برای شناسایی جنگل‌های حرا در ساندربانس. بین المللی J. Remote Sens. 2013 ، 34 ، 1041-1056. [ Google Scholar ] [ CrossRef ]
  9. گیری، سی. مشاهده و پایش جنگل های حرا با استفاده از سنجش از دور: فرصت ها و چالش ها. Remote Sens. 2016 , 8 , 783. [ Google Scholar ] [ CrossRef ][ Green Version ]
  10. اسپالدینگ، ام. اطلس جهانی حرا ; Routledge: لندن، بریتانیا، 2010. [ Google Scholar ]
  11. همیلتون، SE; کیسی، دی. ایجاد یک پایگاه داده جهانی با وضوح مکانی-زمانی بالا از پوشش جنگلی مانگرو پیوسته برای قرن بیست و یکم (CGMFC-21). گلوب. Ecol. Biogeogr. 2016 ، 25 ، 729-738. [ Google Scholar ] [ CrossRef ]
  12. Buitre، MJC; ژانگ، اچ اس. لین، اچ. جنگل‌های حرا با استفاده از تصاویر ماهواره‌ای سری زمانی تغییر می‌کنند و تأثیرات ناشی از طوفان‌های استوایی در فیلیپین. Remote Sens. 2019 , 11 , 688. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  13. وانگ، DZ; وان، بی. کیو، PH; سو، YJ; Guo، QH; نقشه برداری از گونه های حرا مصنوعی Wu، XC با استفاده از pleiades-1: ارزیابی طبقه بندی های مبتنی بر پیکسل و شی با الگوریتم های یادگیری ماشین انتخاب شده. Remote Sens. 2018 , 10 , 294. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  14. لیمبرنر، ال. بانتینگ، پ. لوکاس، آر. اسکارث، پی. علم، من. فیلیپس، سی. تایس هرست، سی. برگزار شد، A. نقشه برداری از پویایی چند دهه حرا از خط ساحلی استرالیا. سنسور از راه دور محیط. 2019 ، 238 ، 111185. [ Google Scholar ] [ CrossRef ]
  15. عزیز، AA; فین، اس. Dargusch, P. بررسی کاهش خدمات اکوسیستمی در جنگل حرا تولیدی با استفاده از Landsat و تجزیه و تحلیل تصویر مبتنی بر شی. استوار. ساحل. Shelf Sci. 2015 ، 164 ، 353-366. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  16. ژائو، سی. Qin، C.-Z. نقشه های حرا با وضوح 10 متر از چین به دست آمده از مشاهدات ماهواره ای چند منبعی و چند زمانی. ISPRS J. Photogramm. 2020 ، 169 ، 389-405. [ Google Scholar ] [ CrossRef ]
  17. ویت، AA; کلمن، آر. لاولاک، م. گیلیز، سی. ایرودیاکونو، دی. لیاناپاتیرانا، م. Macreadie، PI مارش حرا: محرک های تجاوز به نمکزار معتدل جنوبی. استوار. ساحل. Shelf Sci. 2020 , 240 , 106776. [ Google Scholar ] [ CrossRef ]
  18. Xia، JS; یوکویا، ن. Pham، TD نقشه برداری احتمالی گونه های حرا با مجموعه داده های سنجش از راه دور چند منبعی با استفاده از یادگیری توزیع برچسب در پارک ملی Xuan Thuy، ویتنام. Remote Sens. 2020 , 12 , 3834. [ Google Scholar ] [ CrossRef ]
  19. ژنگ، YH; Takeuchi، W. ارزیابی کمی و تحلیل نیروی محرکه تغییرات جنگل حرا در چین از سال 1985 تا 2018 با ادغام تصاویر نوری و راداری. ISPRS Int. J. Geo-Inf. 2020 ، 9 ، 513. [ Google Scholar ] [ CrossRef ]
  20. فام، تی دی; Bui، DT; یوشینو، ک. الگوریتم درخت مدل لجستیکی مبتنی بر قانون بهینه سازی شده Le، NN برای نقشه برداری گونه های حرا با استفاده از تصاویر ALOS PALSAR و GIS در منطقه گرمسیری. محیط زیست علوم زمین 2018 ، 77 ، 159. [ Google Scholar ] [ CrossRef ]
  21. بانتینگ، پ. روزنکویست، ا. لوکاس، آر.ام. Rebelo، LM; هیلاریدس، ال. توماس، ن. هاردی، ا. ایتو، تی. شیمادا، م. Finlayson، CM ساعت جهانی حرا – خط پایه جهانی جدید 2010 از گسترش حرا. Remote Sens. 2018 , 10 , 1669. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  22. توماس، ن. بانتینگ، پ. لوکاس، آر. هاردی، ا. روزنکویست، ا. فاتویینبو، تی. نقشه برداری میزان و تغییر حرا: یک رویکرد قابل اجرا در سطح جهانی. Remote Sens. 2018 , 10 , 1466. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  23. چن، LZ; وانگ، YH; لین، جی اچ پیشرفت های اخیر در حفاظت، بازسازی و تحقیق حرا در چین. J. Plant Ecol. 2009 ، 2 ، 45-54. [ Google Scholar ] [ CrossRef ]
  24. لی، TM; بله، HC استفاده از تکنیک های سنجش از دور برای نظارت بر تغییر پوشش گیاهی تالاب: مطالعه موردی جوامع حرا مصب رودخانه Danshui، تایوان. Ecol. مهندس 2009 ، 35 ، 487-496. [ Google Scholar ] [ CrossRef ]
  25. رن، اچ. وو، XM; نینگ، TZ; هوانگ، جی. وانگ، جی. جیان، اس جی; تغییرات تالاب لو، HF و برنامه ریزی احیای حرا در خلیج شنژن، جنوب چین. Landsc. Ecol. مهندس 2011 ، 7 ، 241-250. [ Google Scholar ] [ CrossRef ]
  26. ژانگ، CH; کوواکس، جی.ام. واچویاک، نماینده مجلس؛ فلورس-وردوگو، F. رابطه بین اندازه گیری های فراطیفی و غلظت نیتروژن برگ حرا. Remote Sens. 2013 ، 5 ، 891-908. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  27. ژانگ، CH; کوواکس، جی.ام. لیو، ی.ال. فلورس-وردوگو، اف. Flores-de-Santiago، F. جداسازی گونه ها و شرایط حرا با استفاده از داده های فراطیفی آزمایشگاهی: مطالعه موردی جنگل حرا تخریب شده در اقیانوس آرام مکزیکی. Remote Sens. 2014 , 6 , 11673–11688. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  28. وانگ، تی. ژانگ، اچ اس. لین، اچ. Fang, CY طبقه‌بندی گونه‌های مبتنی بر ویژگی‌های بافتی-طیفی حرا در ذخیره‌گاه طبیعی Mai Po از Worldview-3 Imagery. Remote Sens. 2016 ، 8 ، 24. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  29. وانگ، ام. کائو، WZ; Guan، QS; وو، جی. وانگ، FF ارزیابی تغییرات جنگل حرا در یک منطقه ساحلی در جنوب شرقی چین با استفاده از تصاویر ماهواره ای چند زمانی. استوار. ساحل. Shelf Sci. 2018 ، 207 ، 283-292. [ Google Scholar ] [ CrossRef ]
  30. Lu، CY; لیو، جی اف. جیا، MM; لیو، من؛ مرد، WD; فو، WW; ژونگ، LX؛ لین، XQ؛ سو، ی. گائو، YB تجزیه و تحلیل دینامیکی جنگل‌های حرا بر اساس مدل مقیاس تقسیم‌بندی بهینه و تصاویر چند فصلی در خلیج کوانژو، چین. Remote Sens. 2018 ، 10 ، 2020. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  31. لی، ام اس; مائو، ال. شن، دبلیو. لیو، اس. وی، آ. روند تغییر و تکه تکه شدن جنگل‌های حرا ژان‌جیانگ در جنوب چین با استفاده از تصاویر چند زمانی Landsat (1977-2010). استوار. ساحل. Shelf Sci. 2013 ، 130 ، 111-120. [ Google Scholar ] [ CrossRef ]
  32. هو، ال. لی، دبلیو. Xu، B. نظارت بر تغییر جنگل حرا در چین از سال 1990 تا 2015 با استفاده از معیارهای تغییرپذیری طیفی-زمانی مشتق شده از Landsat. بین المللی J. Appl. زمین Obs. 2018 ، 73 ، 88-98. [ Google Scholar ] [ CrossRef ]
  33. جیا، MM; وانگ، ZM; ژانگ، YZ؛ مائو، دی اچ. وانگ، سی. نظارت بر تلفات و بازیابی جنگل‌های حرا در طول 42 سال: دستاوردهای حفاظت از حرا در چین. بین المللی J. Appl. زمین Obs. 2018 ، 73 ، 535-545. [ Google Scholar ] [ CrossRef ]
  34. جیا، MM; وانگ، ZM; لی، ال. آهنگ، KS; Ren, CY; لیو، بی. مائو، DH نقشه برداری از حرا چین بر اساس طبقه بندی شی گرا از تصاویر Landsat. Wetlands 2014 , 34 , 277-283. [ Google Scholar ] [ CrossRef ]
  35. چن، BQ; Xiao، XM; لی، XP؛ پان، LH; دوغتی، ر. ما، جی. دونگ، جی دبلیو. Qin، YW; ژائو، بی. وو، ZX; و همکاران نقشه جنگل حرا چین در سال 2015: تجزیه و تحلیل سری های زمانی Landsat 7/8 و تصاویر Sentinel-1A در پلت فرم محاسبات ابری موتور Google Earth. ISPRS J. Photogramm. 2017 ، 131 ، 104-120. [ Google Scholar ] [ CrossRef ]
  36. عبدالحمید، ع. دوبوویک، او. ابوالمغد، ط. Menz, G. نقشه برداری حرا در خط ساحلی دریای سرخ در مصر با استفاده از SAR قطبی و داده های سنجش از دور نوری با وضوح بالا. Sustainability 2018 , 10 , 646. [ Google Scholar ] [ CrossRef ][ Green Version ]
  37. کمال، م. Ningam، MUL; القرینا، ف. ویکاسونو، پی. مورتی، SH ترکیب بازتاب طیفی میدان و تصویر برای شناسایی و نقشه برداری گونه های حرا با استفاده از تصویر WorldView-2. منبع زمین. محیط زیست سنسور از راه دور GIS Appl. IX 2018 ، 10790 ، 1-9. [ Google Scholar ] [ CrossRef ]
  38. فام، تی دی; یوکویا، ن. Bui، DT; یوشینو، ک. Friess، DA رویکردهای سنجش از دور برای نظارت بر گونه‌های حرا، ساختار و زیست توده: فرصت‌ها و چالش‌ها Remote Sens. 2019 ، 11 ، 230. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  39. پریرا، FRD; کمپل، م. Soares، MLG; استرادا، GCD; بنتز، سی. وینسنت، جی. کاهش عدم قطعیت در نقشه‌برداری از زیست توده مانگرو با استفاده از داده‌های لیدار بازگشت گسسته در هوا. Remote Sens. 2018 , 10 , 637. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  40. هان، XX; فنگ، ال. هو، سی ام؛ Kramer، P. تغییرات ناشی از طوفان در جنگل حرا پارک ملی Everglades: مشاهدات Landsat بین سال‌های 1985 و 2017. J. Geophys. Res. Biogeosci. 2018 ، 123 ، 3470-3488. [ Google Scholar ] [ CrossRef ]
  41. تانگ، ایکس. ژو، پی. ژانگ، جی. وانگ، ایکس. Pan، H. مدل تحلیل دقت هندسی ماهواره ZiYuan-3 بدون GCP. فتوگرام مهندس Remote Sens. 2015 , 81 , 927–934. [ Google Scholar ] [ CrossRef ]
  42. خو، دبلیو. گونگ، جی. وانگ، ام. توسعه، کاربرد و چشم انداز ماهواره های رصد زمینی چینی. ژئو اسپات. Inf. علمی 2014 ، 17 ، 102-109. [ Google Scholar ] [ CrossRef ]
  43. کائو، جی جی. طول، WC; لیو، ک. لیو، ال. او، ز. Zhu، YH طبقه‌بندی گونه‌های حرا مبتنی بر شی با استفاده از تصاویر فراطیفی وسایل نقلیه هوایی بدون سرنشین و مدل‌های سطح دیجیتال. Remote Sens. 2018 , 10 , 89. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  44. Heenkenda، MK; جویس، KE; Maier، SW; Bartolo, R. Mangrove شناسایی گونه: مقایسه WorldView-2 با عکس های هوایی. Remote Sens. 2014 , 6 , 6064–6088. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  45. لیو، ک. لیو، ال. لیو، HX; لی، ایکس. Wang, SG بررسی اثرات پارامترهای بیوفیزیکی بر الگوی فضایی آسیب سرمای نادر به جنگل‌های حرا. سنسور از راه دور محیط. 2014 ، 150 ، 20-33. [ Google Scholar ] [ CrossRef ]
  46. ژانگ، تی. شما، اس. یانگ، ایکس. نقشه Hu, S. Mangroves چین 2018 (MC2018) برگرفته از مشاهدات ماهواره ای با وضوح 2 متر و داده های میدانی . بانک اطلاعات علمی: پکن، چین، 2020؛ جلد 1. [ Google Scholar ] [ CrossRef ]
  47. وو، پی. ژانگ، جی. ممکن است.؛ لی، ایکس. نظارت و تجزیه و تحلیل سنجش از راه دور تغییرات منابع حرا در چین در 20 سال گذشته. Adv. مارس Sci. 2013 ، 31 ، 406-414. [ Google Scholar ]
  48. لیائو، بی. ژانگ، Q. منطقه، توزیع و ترکیب گونه های حرا در چین. Wetl. علمی 2014 ، 12 ، 435-440. [ Google Scholar ]
  49. ژانگ، ی. Mishra، RK مروری و مقایسه تکنیک‌های تیزکن تجاری موجود برای همجوشی تصاویر ماهواره‌ای با وضوح بالا. در مجموعه مقالات سمپوزیوم بین المللی زمین شناسی و سنجش از دور IEEE 2012، مونیخ، آلمان، 22 تا 27 ژوئیه 2012. ص 182-185. [ Google Scholar ]
  50. وانگ، WQ; Wang, M. Mangroves در چین ; انتشارات علمی: پکن، چین، 2007. [ Google Scholar ]
  51. بنز، UC؛ هافمن، پی. ویلهاک، جی. لینگنفلدر، آی. Heynen، M. تجزیه و تحلیل فازی با وضوح چندگانه، شی گرا داده های سنجش از دور برای اطلاعات آماده GIS. ISPRS J. Photogramm. 2004 ، 58 ، 239-258. [ Google Scholar ] [ CrossRef ]
  52. چانگ، سی سی; Lin, CJ LIBSVM: کتابخانه ای برای ماشین های بردار پشتیبانی. ACM Trans. هوشمند سیستم تکنولوژی 2011 ، 2 ، 1-27. [ Google Scholar ] [ CrossRef ]
  53. لی، ایکس. گونگ، پی. ژو، ی. وانگ، جی. بای، ی. چن، بی. هو، تی. شیائو، ی. خو، بی. یانگ، جی. و همکاران نقشه برداری مرزهای شهری جهانی از داده های منطقه غیرقابل نفوذ مصنوعی جهانی (GAIA). محیط زیست Res. Lett. 2020 , 15 , 94044. [ Google Scholar ] [ CrossRef ]
Ijgi 10 00092 g001 550
شکل 1. تصویر منطقه مورد مطالعه برای نقشه برداری حرا در چین. بیشتر مانگروها در 20 کیلومتری خط ساحلی پراکنده شده اند.
Ijgi 10 00092 g002 550
شکل 2. مروری بر گردش کار برای تولید مجموعه داده حرا چین 2018.
Ijgi 10 00092 g003 550
شکل 3. تصویری از اطلاعات راستی آزمایی میدانی ( الف ) نقاط میدانی و مسیرهای میدانی که روی تصاویر 2 متری همپوشانی دارند. عکس میدانی ( ب ) گونه معمولی حرا Rhizophora stylosa ; ( ج ) گونه معمولی حرا Bruguiera gymnorrhiza ; و ( د ) هیپوکوتیل Bruguiera gymnorrhiza .
Ijgi 10 00092 g004 550
شکل 4. توزیع فضایی جنگل های حرا چین در سال 2018.
Ijgi 10 00092 g005 550
شکل 5. توزیع مساحت جنگل های حرا در چین در سال 2018 در امتداد جهت طولی (الف) و جهت عرضی ( ب ) .
Ijgi 10 00092 g006 550
شکل 6. توزیع جنگل های حرا در چین در مجاورت مناطق شهری. ( الف ) مناطق حرا در هر منطقه حائل تقسیم شده با فاصله حائل افزایشی 1 کیلومتر. ( ب ) درصد تجمعی مناطق حرا در مجاورت مناطق شهری.
Ijgi 10 00092 g007a 550 Ijgi 10 00092 g007b 550
شکل 7. مقایسه لکه های حرا از MC2018، Jia2015، Chen2015، GMW2016، و MFW2000 در منطقه آزمایشی خلیج گوانگشی Qinzhou.
Ijgi 10 00092 g008a 550 Ijgi 10 00092 g008b 550
شکل 8. مقایسه لکه های حرا از MC2018، Jia2015، Chen2015، GMW2016، و MFW2000 در منطقه آزمایشی بندر Hainan Dongzhai.
جدول
جدول 1. طول موج باند و اندازه پیکسل برای تصاویر ماهواره ای ZY-3 و GF-1. PMS به حسگرهایی با پان و باندهای چندطیفی اشاره دارد.
جدول
جدول 2. توزیع مساحت جنگل های حرا در چین در سال 2018 در استان های مختلف.
جدول
جدول 3. ارزیابی دقت مانگرو چین 2018 (MC2018) با استفاده از داده های حقیقت زمین.

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید