作品介绍
1 应用背景
红树林作为全球生产力最高的生态系统之一，是生长在热带、亚热带海湾的一种特殊的木本植物群落。它由于其独特的海陆过渡特性，在维持滨海生态稳定、促进海陆能量循环中起着重要作用。同时，红树林可以吸附温室气体，能有效应对全球气候变暖带来的挑战。2015年9月,在联合国可持续发展峰会正式通过的《2030年可持续发展议程》(Sustainable DevelopmentGoals, SDGs)中，SDG 6、SDG 14和SDG 15中的Target 6.6、Target 14.2、Target 14.5和Target 15.2均与红树林的保护、管理和恢复工作密切相关。在我国2022年6月1日施行的《中华人民共和国湿地保护法》中共有三条关于红树林保护与治理的条文，2022年11月21日至29日《湿地公约》第十四届缔约方大会将在武汉开幕，彰显了国家湿地保护的重视。
红树林湿地对我国生态环境与经济开发建设都具有重要意义。但近年来由于受到外来侵略物种以及内部人们的过度开塘养虾等，导致在过去的一个世纪，全球约有67%的红树林遭到不可逆破坏，比热带雨林和其他内陆森林受到的威胁都要更大。且红树林生态系统具有敏感性和脆弱性，为保护和恢复红树林生态系统带来挑战。因此快速准确的对滨海红树林植被群落进行监测，分析各植被群落生长的物候特征和健康状况，探究海水潮位涨落对红树林植被群落的生长状况的影响，对保护红树林湿地有着非常重要的意义，而生理结构参数是监测和评估植被健康状况的关键指标，对红树林的保护和恢复至关重要。而传统的采集植被理化参数的方法具有多种不方便，通过植被反演模型获取的理化参数值，不仅精度较高，且时效性、监测尺度都较传统方法好。同时，水位的变化同样也是影响湿地植被长势的重要因素之一。因此，通过植被反演模型获取北部湾滨海湿地红树林植被时序变化，结合北部湾红树林湿地植被理化参数对水位变化的响应特征，相信能够对滨海湿地的及监测提供一种很好的参考建议。
2 作品简介
北部湾红树林保护区中拥有丰富的自然资源与鱼类资源，并且红树林植被为维护滨海湿地的生态平衡，保护沿海地带正常生产生活具有非常重要的意义。本作品基于经验反演方法和SL2P神经网络算法对我国北部湾沿岸红树林地区的2017-2020年Landsat 8 OLI和Sentinel-2A/B影像构建叶面积指数（LAI）、植被覆盖度（FVC）、叶绿素含量（GCI）三种植被指数的反演模型，定量探究北部湾红树林植被生理结构参数的动态变化特征；基于差分整合移动平均自回归模型(ARIMA)和长短期记忆神经网络模型(LSTM)构建北部湾红树林生理结构参数的时序预测模型，探讨两种算法对不同红树林种群生理结构参数预测的可行性；最后，构建北部湾红树林生理结构参数与水位变化的回归模型，探究不同红树林种群生理结构参数与水位变化的响应关系。
3 应用目标
1、通过Sentinel-2A/B和Landsat 8 OLI影像，基于ENVI经验反演模型与SL2P神经网络算法获取北部湾红树林3种植被生理结构参数，基于随机验证点定量评价两种反演模型的精度，分析北部湾不同红树林种群植被生理结构参数年内年际变化规律。
2、基于差分整合移动平均自回归模型(ARIMA)和长短期记忆神经网络模型(LSTM)构建北部湾红树林不同生理结构参数的时序预测模型，对2020年不同红树林种群的生理结构参数进行预测。
3、基于python相关性分析获取研究区不同红树林种群（桐花树、互花米草、秋茄、海榄雌）与水位变化数据拟合最佳的植被生理结构参数，构建两者之间的线性回归模型，探究不同红树林种群生理结构参数与水位变化的耦合关系。
4、评估北部湾红树林植被群落生长的物候特征和健康状况，探究海水潮位涨落对北部湾红树林植被群落生长状况的影响，为我国红树林湿地生态系统的研究保护和监测修复提供有力的科学依据。
4 数据源
本作品选取覆盖研究区的2017~2020年的34景Sentinel-2A/B和 12景Landsat 8 OLI影像为主要数据源。获取2020年11月19~25日、2021年1月8~14日和4月4~16日、2021年8月17~24日、2022年5月17~28日五个时期研究区红树林生理结构参数和航拍无人机影像。分别利用手持式LAI-2200C叶面积指数仪测量和SPAD-502 Plus仪器测量红树林的叶面积指数和叶绿素含量。然后从中国潮汐网(www.cnss.com.cn/tide)获取2017~2020年逐天的研究区潮位观测的研究区水位观测数据。
5 主要技术流程
5.1 技术流程图如图所示。
5.2 获取北部湾红树林植被生理结构参数
5.2.1 基于经验统计方法获取研究区红树林植被生理结构参数
基于ENVI Modeler模块的Band Math工具计算研究区红树林植被的生理结构参数：LAI、GCI、FVC。
① 叶面积指数(LAI)
（2-1）
其中，RNIR和RRED分别表示Landsat 8和Sentinel-2A/B影像的近红外和红外波段。
②植被覆盖度(FVC)
(2-2)
其中，NDVIveg表示纯植被的植被指数值；NDVIsoil表示纯土壤的植被指数值。分别选取累积概率为5%和95%的NDVI值作为NDVIveg和NDVIsoil。
③叶绿素含量指数(GCI)
(2-3)
其中，RNIR和RGreen分别表示Landsat 8和Sentinel-2A/B影像的红外波段和绿波段。
5.2.2 利用ENVI 5.6.2软件中的Modeler模块自主构建红树林生理结构参数经验反演的批处理模型，具体如图所示
图1 ENVI Modeler反演Landsat 8 OLI影像植被指数
5.2.3 对Sentinel-2影像进行辐射定标、大气校正、重采样处理后，再基于ENVI Modeler模块的Band Math工具计算红树林植被的生理结构参数。创建的基于Sentinel-2 数据的ENVI Model如下图所示：
图2 ENVI Modeler反演Sentinel-2A/B影像植被指数
5.3 获取随机点的植被指数值
基于ArcGIS工具箱的“Data Management Tools-Sampling-Create Random Points”工具创建随机点，使用多值提取至点工具将基于经验反演方法和SL2P神经网络算法计算的影像指数值赋予点。基于python相关性分析筛选点操作后，得到527个随机采样点。
经验反演模型计算得到的LAI变动范围集中在0.2~1.7之间，总体波动幅度较SL2P小；SL2P算法得到的LAI值在-0.206~4.175之间波动，而根据实测数据，研究区植被的LAI集中在1~3之间。经验反演模型计算得到的FVC变动范围集中在0.1~2.5之间，数据变动稳定；SL2P算法得到的植被覆盖度集中在-0.1~9.96之间，经验反演模型计算得到的GCI变动范围集中在0.3~1.6，起伏相对于SL2P算法更加缓和；SL2P计算得到的Cab变动范围0.711~68.521，差异非常大；研究区植被实测数据中叶绿素含量变化幅度同样很大，浮动在30~120之间。
图3 2017-2020年北部湾红树林生理结构参数年际变化图
5.4 不同植被年内和年际生理结构参数的对比分析
2017-2020年经验反演模型和SL2P算法得到的北部湾红树林生理结构参数曲线图如图所示。以2017年为例，桐花树、互花米草和海榄雌的叶面积指数经验模型反演结果呈现明显的三峰型变化，分别在2月、6月和11月达到波峰；四种植被的叶面积指数经验模型反演结果最小值均在7月，且12月份的值均大于1月份的值；相比较于经验反演方法，SL2P神经网络算法计算得到的叶面积指数值起伏很大，如海榄雌的叶面积指数最大、最小值相差12.599，而经验反演方法的差值为2.116。经验反演模型的植被覆盖度变化趋势基本相同，桐花树的植被覆盖度一直最高，互花米草的植被覆盖度保持最低；四种植被指数均在10月份达到最小值；由SL2P算法计算得到的植被覆盖度波动幅度很大。叶绿素浓度变化趋势基本相同，桐花树的叶绿素浓度一直保持最高，全年中互花米草的叶绿素浓度变化幅度很小，桐花树的叶绿素浓度变化幅度最大，海榄雌和桐花树的植被指数值一直很相近，在区分植被种类时，要密切结合无人机影像。
图4 2017和2018年北部湾红树林生理结构参数年内变化图
图5 2019和2020年北部湾红树林生理结构参数年内变化图
5.5 不同植被类型生理结构参数结果分析
为了进一步研究红树林植被的变化趋势，以各植被为对象绘制年际变化曲线。由图可知，植被叶面积指数与植被叶绿素含量具有一定的关联性，变化趋势非常接近，但是植被叶绿素含量的敏感程度更高，更容易受到环境变化的影响；相比之下，植被覆盖度变化基本非常稳定。
桐花树
秋茄
互花米草
海澜雌
图6 2017-2020年北部湾红树林各植被类型生理结构参数年际变化图
由表可知，经验模型反演结果的稳定性整体高于SL2P算法。除了叶绿素含量之外，两种算法反演的植被生理结构参数精度差异较小。
表1 2017年~2020年植被生理结构参数年际变化差异比较（RMSE）
5.6 基于ARIMA模型的植被生理结构参数预测结果
以2017 ~2020年5月植被生理结构参数为训练样本，预测2020年9月~12月数据（预测流程以植被覆盖度为例)。自上而下每幅图分别代表：FVC的年际变化，FVC趋势，FVC季节性变化（12个月为1个周期），数据噪声分布年份趋势。从噪声点的分布看，海榄雌的噪声点较集中于0附近，桐花树与秋茄的噪声点分布范围值较大，可能会影响到最终预测的结果。
桐花树
秋茄
互花米草
海澜雌
图7 不同植被FVC的年际变化过程、趋势项、季节变化特征和噪声分布
经过比较，4种植被类型的植被覆盖度（FVC）预测效果较为良好。其中，海榄雌的拟合效果最好，预测结果也最接近初始值，其次是互花米草，桐花树和秋茄的预测效果相对并不理想；桐花树和海榄雌的季节性差分效果（绿色曲线）比互花米草和秋茄要好。
桐花树
秋茄
互花米草
海澜雌
图8 经验模型反演FVC预测结果
5.7 基于LSTM时序预测模型的植被生理结构参数结果分析
以北部湾红树林各植被类型为研究对象，基于Landsat 8 OLI和Sentinel-2的2017-2020年的长时间、高时间分辨率生理结构参数序列为训练数据，基于LSTM构建各生理结构参数的单变量预测模型，其获得的预测值与期望值之间相关性系数如表所示，各生理结构参数的预测值与真实值的R2均达到了0.8以上，最高R2达到了0.97，获得了较好的预测效果。以植被覆盖度为例，如图所示，整体上四种植被的FVC预测值效果都较好，能够准确地反映植被年际的变化趋势。
图9 LSTM模型预测植被覆盖度结果
分别计算海榄雌、秋茄、桐花树、互花米草的三种植被生理结构参数真实值与预测值的均方根误差，比较两个模型的预测精度，结果如表所示。两种模型计算的各植被FVC比较接近且精度较高。整体来看LSTM模型的RMSE保持在0.1~0.3之间，得到的各植被生理结构参数预测结果均与真实值趋势相近，而ARIMA模型LAI与GCI的RMSE均在1~3之间。
表2 LSTM和ARIMA模型精度比较
5.8 不同植被类型生理结构参数与水位变化相关性分析
本文基于Python对反演得到的4种植被指数LAI、FVC、GCI、SFVC与水位变化进行相关性分析。桐花树的植被生理结构参数与水位变化数据之间的相关性较弱，LAI与GCI的拟合效果较好。相比于桐花树，秋茄的植被生理结构参数与水位变化数据之间的相关性较低，效果拟合最好的为LAI。互花米草的GCI和FVC对于水位变化的拟合效果较好。海榄雌的4种生理结构参数对水位变化的拟合效果与秋茄相近，其中与LAI的相关性最高。SL2P算法获得的FVC和经验反演模型获得的FVC与水位变化的相关系数分别为-0.08和-0.068，由此推测秋茄生长位置距离海岸线较远，或秋茄的平均高度较高于桐花树，水位较难淹没枝干。
图10 四种生理结构参数与水位变化的散点图和热力图
5.9 构建植被生理结构参数与水位变化的多元线性回归模型
基于LAI、FVC、GCI和SFVC建立水面变化最优拟合方程如表所示。由SL2P方法计算得到的植被覆盖度与水位变化数据拟合效果最好，互花米草的R2达到0.964。秋茄与水位变化数据拟合效果最好，其次是桐花树，其GCI最佳拟合方程R2为0.480；海榄雌和互花米草与水位变化数据拟合效果较差，其FVC最佳拟合方程R2仅有0.088和0.029。由此可知，水位变化对秋茄和桐花树的生长状况影响较大，海榄雌和互花米草则影响较小。
表3 线性回归模型的RMSE
6 总结与展望
（1）桐花树、秋茄和海榄雌LAI与FVC年内变化趋势基本相同且呈现三波峰型，在5月、9月和12月出现波峰，12月份为全年最大值；互花米草LAI与FVC年内变化趋势呈现双波峰型，波峰值出现在5月和12月附近。
（2）基于ARIMA时序预测结果中，互花米草的效果最好，RMSE为0.53，基于LSTM模型预测结果中，互花米草的训练效果较好，RMSE为0.21，LSTM模型优于ARIMA模型。
（3）桐花树和秋茄水位变化数据对GCI和LAI的拟合效果较好，互花米草和桐花树的生理结构参数对水位变化较为敏感，海榄雌和秋茄则敏感程度低。
（4）本研究利用Sentinel-2A/B、Landsat系列卫星数据对2017~2020年广西北部湾红树林植被的生理结构参数进行定量分析，探究红树林植被生理结构参数与水位变化的相应关系，为红树林治理与保护提供可靠的数据支持。
展望：进一步增加影像的时间分辨率，对同一月份影像值进行加权平均；因实测数据中有冠层含水量（CWC）这一指标，反演时增加这一指数，比较不同生理结构参数反应红树林生长状况的差异；我国是国际上少数几个红树林面积净增加的国家之一，近年来, 虽然政府对红树林的保护和管理工作成效突出, 但中国红树林生态系统依然面临着生物多样性降低、生境紧邻人类活动地、外来物种入侵和自然灾害频发等问题。未来还需加深本项目对红树林的研究，为保护红树林提供科学有效的理论和技术支持。
