基于WorldView-3遙感影像的福田紅樹林碳儲量年際變化

摘 要： "紅樹林是熱帶亞熱帶地區(qū)特有的濱海藍碳生態(tài)系統(tǒng)，然而其碳儲量動態(tài)變化卻鮮有報道。該文以深圳福田紅樹林為研究對象，基于2017年獲取的WorldView-3高分辨率遙感影像以及地面樣本點，采用面向?qū)ο蟮碾S機森林分類方法識別紅樹林優(yōu)勢群落冠層，反演并計算得到深圳福田紅樹林各優(yōu)勢群落面積。進一步，基于2017年、2020年和2023年3個時間段紅樹林群落實地調(diào)查數(shù)據(jù)，計算各優(yōu)勢群落碳儲量，進而獲得福田紅樹林群落碳儲量空間分布及年際動態(tài)變化。結(jié)果表明：（1）隨機森林算法的冠層識別總體精度為82.29％，Kappa系數(shù)為0.77；福田紅樹林分布面積為93.84 hm2，其中秋茄（Kandelia obovata）分布面積最大（49.96 hm2），白骨壤（Avicennia marina）、海桑（Sonneratia caseolaris）、無瓣海桑 （S. apetala）、木欖（Bruguiera gymnorhiza）的面積依次為 26.23、8.90、6.52、0.50 hm2。（2）秋茄群落總碳儲量最高，其次是白骨壤、海桑和無瓣海桑，木欖群落總碳儲量最低。無瓣海桑和海桑的群落碳密度呈上升趨勢且無瓣海桑群落碳密度在五個優(yōu)勢群落中最高，秋茄群落碳密度先升后降，白骨壤群落碳密度呈下降趨勢，木欖群落碳密度變化不明顯。總體而言，福田紅樹林優(yōu)勢群落碳儲量在2017—2023年間變化不大，秋茄、無瓣海桑和海桑群落碳固存能力較強，白骨壤群落的碳密度逐年減少，而木欖群落碳密度相對穩(wěn)定。該研究結(jié)果為評估福田紅樹林各優(yōu)勢群落固碳能力提供了數(shù)據(jù)基礎(chǔ)，并對后續(xù)紅樹林恢復(fù)與管理提供科學(xué)依據(jù)。

關(guān)鍵詞： 紅樹林， 碳儲量， 碳密度， 遙感影像， 隨機森林， 年際變化

中圖分類號： "Q948

文獻標識碼： "A

文章編號： "1000-3142（2024）08-1403-12

Interannual changes of carbon storage in mangrove forests in Futian based on WorldView-3 remote sensing images

HU Liuliu1， TAN Min2， LUO Qin2， HUANG Zijian2， XIANG Xuelian2，LI Buhang2， YU Shixiao2， WU Zefeng1， YANG Qiong1， HU Ping1*

（ 1. Guangdong Neilingding Futian National Nature Reserve， Shenzhen 518040， Guangdong， China; 2. School of Life Sciences/

Guangzhou Key Laboratory of Urban Landscape Dynamics， Sun Yat-sen University， Guangzhou 510275， China ）

Abstract： "Mangroves are unique coastal blue carbon ecosystems in tropical and subtropical areas. However， the dynamic changes of their carbon storage are rarely reported. Based on ground sample points and WorldView-3 high-resolution remote sensing images obtained in 2017， we identified the canopy of dominant mangrove communities in Futian mangrove utilizing random forest algorithm and object-oriented classification methods， and inverted and calculated the area of each dominant community. We then calculated the carbon storage of each dominant community combining the field survey data in 2017， 2020 and 2023， and obtained the spatial distribution and interannual dynamic changes of carbon storage of mangrove communities. The results were as follows： （1） The overall accuracy of the random forest algorithm for canopy identification was 82.29%， with a Kappa coefficient of 0.77; Futian mangrove spaned an area of 93.84 hm2， with Kandelia obovata having the largest distribution area of 49.96 hm2， followed by Avicennia marina， Sonneratia caseolaris， S. apetala， and Bruguiera gymnorhiza， with respective areas of 26.23， 8.90， 6.52， and 0.50 hm2. （2） The total carbon storage of Kandelia obovata community was the highest， followed by Avicennia marina， Sonneratia caseolaris， S. apetala， and Bruguiera gymnorhiza the lowest. The carbon density in Sonneratia apetala and S. caseolaris community showed an increasing trend， and S. apetala community revealed the highest among the five dominant communities. The carbon density of Kandelia obovata community increased first and then decreased， while Avicennia marina community showed a downward trend consistently， and carbon density in Bruguiera gymnorhiza community did not vary significantly. In summary， the carbon storage of mangrove dominant communities in Futian did not change much from 2017 to 2023. The carbon sequestration capacity of mangrove in Kandelia obovata， Sonneratia apetala and S. caseolaris communities was stronger. The carbon density of Avicennia marina community decreased year by year， while that of Bruguiera gymnorhiza community was relatively stable. These results provide foundational data for evaluating the carbon sequestration capacities of different dominant communities in Futian mangrove， in tandem with scientific support for subsequent mangrove restoration and management.

Key words： mangroves， carbon storage， carbon density， remote sensing image， random forest， interannual change

紅樹林是生長在熱帶亞熱帶海岸潮間帶，以紅樹植物為主體的具有高生產(chǎn)力的木本植物群落（林鵬，2001）。紅樹林濕地生態(tài)系統(tǒng)生境與功能獨特，不僅在防浪護岸、環(huán)境凈化、動物棲息地及保護生物多樣性等方面價值顯著，其碳儲量及碳匯能力在全球碳平衡中的地位也極為重要（韓維棟等，2000）。作為海陸生態(tài)系統(tǒng)物質(zhì)交換的場所，紅樹林濕地能捕獲和儲存來自大氣和海洋的碳（Bouillon， 2011；Donato et al.， 2011）。紅樹林等濱海生態(tài)系統(tǒng)所固存的碳被稱為海岸帶“藍碳”（blue carbon）。藍碳生態(tài)系統(tǒng)具有高效的碳匯能力，而除去未統(tǒng)計的海草床生態(tài)系統(tǒng)，紅樹林碳儲量在濱海濕地生態(tài)系統(tǒng)中居于首位（Daniel amp; Sandip， 2015），其單位面積有機碳儲量達陸地森林5倍之多（Bouillon， 2011）。同時，全球紅樹林的沉積物碳埋藏速率達到38.3 Tg C·a-1，遠遠超過鹽沼濕地的12.6 Tg C·a-1（Wang et al.， 2021）。因此，在全球氣候變化的背景下，紅樹林逐漸成為緩解氣候變化研究的熱點。

然而，人類活動導(dǎo)致全球紅樹林遭到破壞與退化。聯(lián)合國糧食及農(nóng)業(yè)組織（The Food and Agriculture Organization，F(xiàn)AO）統(tǒng)計數(shù)據(jù)顯示，2020年全球紅樹林總面積約為1 480 × 104 [KG1mm]hm2，遠低于1980年的1 880 × 104 hm2（FAO， 2023）。自20世紀80年代以來，全球范圍內(nèi)紅樹林面積減少了約35%（Valiela et al.， 2001）。盡管各國開展了大量的紅樹林修復(fù)計劃，但全球紅樹林面積在1996—2016年間仍減少了約58.1 hm2，碳儲量凈損失158.4 Mt，相當(dāng)于排放540.8 Mt CO2（Richards et al.， 2020）。我國紅樹林主要分布于海南、廣西、廣東、福建、臺灣等地區(qū)，面積約為2.5×104 [KG1mm]hm2（廖寶文和張喬民，2014）。我國也在積極保護并通過植樹造林等方式恢復(fù)受到破壞的紅樹林生態(tài)系統(tǒng)（Ren et al.， 2009）。

深圳灣濕地是我國最具代表性的紅樹林濕地之一。福田紅樹林作為深圳灣的重要組成部分，1979—1988年，隨著城市擴張逐漸被其他景觀替代。1988年國家級自然保護區(qū)建立后，通過采用育苗造林、引種優(yōu)良外來紅樹植物以及人工造林等措施，紅樹林才逐漸得以修復(fù)（陳保瑜等，2012）。目前，福田紅樹林濕地仍受到外來種入侵和病蟲害等因素的影響，作為我國最小的紅樹林自然保護區(qū)，其生態(tài)系統(tǒng)健康較為脆弱，因此對紅樹林生態(tài)系統(tǒng)進行物種分布及群落碳儲量調(diào)查具有重要意義。

紅樹林的大面積實地調(diào)查相較于陸地森林生態(tài)系統(tǒng)難度較高，而遙感技術(shù)因成本低、數(shù)據(jù)更新周期短、空間分辨率高和覆蓋面廣等特點，被廣泛應(yīng)用于國內(nèi)外紅樹林研究中（劉潤紅等，2017）。遙感分類是遙感技術(shù)中運用最為廣泛的技術(shù)之一，紅樹林進行光學(xué)遙感冠層識別的基本原理是基于紅樹林物種間幾何外觀、光譜特征以及紋理特征的差異（蘇岫等， 2011），將區(qū)域內(nèi)不同覆被類型作區(qū)分，以評估紅樹林物種組成和分布范圍。目前，高分辨率的商用衛(wèi)星為大面積紅樹林物種測繪提供了精細尺度的數(shù)據(jù)來源（Kuenzer et al.， 2011）。同時，在以往的基于遙感影像對物種進行分類的研究中，分類方法已經(jīng)由基于像素的分類方法向面向?qū)ο蟮姆诸惙椒ㄞD(zhuǎn)變，而后者通常比前者具有更高的準確度（Heumann， 2011； Wang et al.， 2018）。

碳儲量是生態(tài)系統(tǒng)中儲存的有機碳總量，包括土壤有機碳儲量和植被有機碳儲量（Howard et al.， 2014）。我國紅樹林碳儲量為（6.90 ± 0.57） Tg，其中81.74%位于表層1 m土壤，18.12%位于植被，0.08%位于地層（Liu et al.， 2014）。然而，土壤的積累周期長，新建或恢復(fù)幾年內(nèi)的紅樹林生態(tài)系統(tǒng)土壤碳儲量的增加并不明顯（Sillanp et al.， 2017）。相比之下，紅樹林植被碳儲量的年際變化更大（Liu et al.， 2014），對紅樹林生態(tài)系統(tǒng)碳儲量的影響更為重要。

本研究以廣東內(nèi)伶仃福田國家級自然保護區(qū)中的福田紅樹林為研究區(qū)域，基于WorldView-3高分辨遙感影像的光譜和紋理特征，利用面向?qū)ο蟮姆诸惙椒ㄗR別并繪制福田紅樹林自然保護區(qū)優(yōu)勢物種群落的分布范圍，并結(jié)合樣方實地數(shù)據(jù)定量分析各優(yōu)勢群落碳儲量變化，以期評價保護區(qū)內(nèi)各優(yōu)勢群落的固碳能力，為福田紅樹林的森林管理及生態(tài)修復(fù)提供科學(xué)指導(dǎo)。

1 研究區(qū)域與方法

1.1 研究區(qū)域概況

研究區(qū)域位于廣東內(nèi)伶仃福田國家級自然保護區(qū)中的福田紅樹林（114°00′ E、22°32′ N），屬南亞熱帶海洋性季風(fēng)氣候，年均溫22.4 ℃，年日照時數(shù)約2 000 h，年降雨量1 700～1 900 mm，年蒸發(fā)量1 500～1 800 mm。保護區(qū)面積為367.64 hm2，其中紅樹林分布面積近100 hm2。福田紅樹林保護區(qū)作為全國唯一地處城市腹地的國家級自然保護區(qū)，與一水之隔的香港米埔自然保護區(qū)，共同構(gòu)成了具有國際意義的深圳灣濕地生態(tài)系統(tǒng)。福田紅樹林群落外貌簡單，林分組成單一且大多呈聚集分布。保護區(qū)內(nèi)冠層優(yōu)勢樹種有秋茄（Kandelia obovata）、白骨壤（Avicennia marina）、木欖（Bruguiera gymnorhiza）、無瓣海桑（Sonneratia apetala）及海桑（S. caseolaris）。

1.2 數(shù)據(jù)獲取

1.2.1 WorldView-3遙感影像[HTSS] WorldView-3是DigitalGlobe公司在2014年8月13日發(fā)射升空的高分辨率光學(xué)衛(wèi)星，運行高度為617 km。本研究用到的波段為全色和多光譜波段，其波譜范圍分別為450～800 nm及400～1 040 nm，空間分辨率分別為0.31、1.24 m（表1）。其中，多光譜波段包括4個標準波段（blue、green、red和 NIR1）和4個附加波段（coastal blue、yellow、red-edge 和 NIR2）。研究表明，附加波段的加入可以提高植被冠層識別精度（Heenkenda et al.， 2014）。

本研究使用了拍攝于2017年12月20日的高質(zhì)量（云量覆蓋lt; 10%、無條帶等）影像。影像的預(yù)處理工作在 ENVI 5.3 軟件（Exelis Visual Information Solutions， Colorado， USA）中進行，包括輻射定標、大氣校正、影像融合、影像配準、影像裁剪等操作。其中，輻射定標是將數(shù)字量化值（digital number，DN）轉(zhuǎn)化為輻射亮度、反射率和表面溫度等數(shù)值；大氣校正是將地物表面的反射信息從大氣和太陽的信息中分離出來，本研究采用FLAASH的方法進行大氣校正；影像融合是對圖像進行重采樣，使圖像既具有全色的高分辨率又具有多光譜特征，本研究采用Gram-Schmidt Pan Sharpening工具進行影像融合；影像配準是將不同時間、不同傳感器或不同條件（如氣候、照度、拍攝位置及角度等）下獲取的兩幅或多幅影像進行匹配與疊加的過程，以減弱影像拍攝條件對反演結(jié)果的影響。為了更精確地從影像中提取紅樹林區(qū)域，降低冠層識別與后續(xù)計算的誤差，本研究通過野外實地考察獲取福田紅樹林分布邊界并對影像進行裁剪，之后利用歸一化植被指數(shù)（normalized differential vegetation index， NDVI）對非植被區(qū)域進行識別與分離，通過目視解譯驗證，剔除了NDVI小于0.38的區(qū)域。

1.2.2 優(yōu)勢群落分布地面點采集

本研究于2021年4—5月對福田紅樹林進行野外調(diào)查并獲取優(yōu)勢群落的分布地面點，共選取 200個樣本點，近均勻分布于保護區(qū)實驗區(qū)（圖1）。所有信息通過手持GPS定位儀（N80，南方測繪，中國）記錄。將上述樣本點按6∶4 的比例隨機分為訓(xùn)練樣本和測試樣本，分別為121個和79個樣本。物種類別和樣本大小見表2。

1.2.3 優(yōu)勢群落樣地內(nèi)植物生長監(jiān)測

為了測算不同優(yōu)勢紅樹群落碳儲量，本研究根據(jù)《重要濕地監(jiān)測指標體系》（GB/T 27648—2011）及《紅樹林生態(tài)監(jiān)測技術(shù)規(guī)程》（HY/T 081—2005）的規(guī)范，于2017年在福田紅樹林實驗區(qū)選取了成熟的優(yōu)勢紅樹物種群落，并依據(jù)其群落大小建立不同數(shù)量的樣方（表3），對樣方內(nèi)所有胸徑大于1 cm的個體掛牌。同年開始并于每年進行群落調(diào)查，測量并記錄樣方內(nèi)所有個體的胸徑和樹高。本研究使用2017年、2020年和2023年的樣方調(diào)查數(shù)據(jù)。

1.3 數(shù)據(jù)分析

1.3.1 基于WorldView-3影像的紅樹林冠層識別

1.3.1.1 植被分類特征創(chuàng)建 本研究采用光譜信息和空間信息相結(jié)合來實現(xiàn)準確的冠層識別。其中，光譜特征信息由光譜波段及其衍生得到的植被指數(shù)組成，光譜波段信息包括影像中8個多光譜波段的平均值和標準差，以及平均亮度（brightness）和平均最大化差異度量（Max.diff）；植被指數(shù)包括NDVI、simple ratio 800/550 （SRR）、enhanced vegetation index （EVI）、soil adjusted vegetation index （SAVI）、red-edge NDVI （ReNDVI）、simple ratio 800/650 （SRG）、Datt 2、rede-dge index （NDRE）、rede-dge green NDVI （ReGNDVI）、anthocyanin reflectance index 2 （ARI2）、green NDVI （GNDVI）、greenness index （GI）、normalized difference rede-dge blue index （NDREBI）、plant senescence reflectance index （PSRI）共計14個植被指數(shù)。空間特征信息則由灰度共生矩陣（gray level co-occurrence matrices）得到（Haralick et al.， 1973），包括同質(zhì)性（homogeneity，Hon）、對比度（contrast，Con）、熵值（entropy，Ent）、角二階矩（angular second moment，ASM）、均值（mean）、標準差（standard deviation，StdDev）、相關(guān)性（correlation，Cor）、差異性（dissimilarity，Dis）共計8個紋理特征。本研究提取了WorldView-3影像分割后每個對象的屬性，包括32個光譜特征（18個原始光譜波段特征和14個由光譜波段特征衍生的植被指數(shù)）和8個紋理特征，作為隨機森林算法進行冠層識別分類的輸入?yún)?shù)。

1.3.1.2 面向?qū)ο蠓诸?面向?qū)ο蟮姆诸惙椒ㄊ腔谕ㄟ^影像分割獲取的由多個像元組成的對象，再基于對象中的光譜和紋理信息將這些對象劃分為不同的類別。該過程包括影像分割、參數(shù)調(diào)整和算法實現(xiàn)，均在eCogniton Developer 9.0（Trimble， Inc.， USA）的分類器模塊中進行。

本研究使用多尺度分割（multiresolution segmentation， MRS）的影像分割算法。該算法是一種自下而上的區(qū)域合并技術(shù)，其從單個像元開始，根據(jù)同質(zhì)性標準向上逐漸合并成較大的對象，直[JP2]至達到分割參數(shù)所定義的均質(zhì)閾值為止（Benz" et al.，2004; Laliberte et al.， 2007）。之后，本研究使用[JP]了隨機森林（random forest） 算法進行對象分類。隨機森林是Breiman（2001）開發(fā)的基于分類和回歸樹（CART）的監(jiān)督分類集成算法，其結(jié)合了 CART、bootstrap 聚集和隨機特征選擇的特點來提高預(yù)測準確度。隨機森林通過使用訓(xùn)練集的隨機采樣來建立決策樹，并在決策樹中的每一個節(jié)點隨機選擇一個輸入特征子集來搜索最佳分割。隨機森林中的每棵決策樹都會基于其自身決策過程給出一個分類結(jié)果，綜合比較森林中所有決策樹得到的結(jié)果，選擇概率最高的結(jié)果作為隨機森林的分類結(jié)果。

本研究的分類過程包括4個步驟：（1）選擇最優(yōu)分割參數(shù)和圖像分割；（2）從多光譜圖像中提取對象特征；（3）使用隨機森林算法進行分類；（4）利用混淆矩陣計算的總體精度（overall accuracy， OA）和 Kappa 系數(shù)評估分類精度。在對影像進行分割時測試了一系列的尺度參數(shù)和其他參數(shù)，從高到低，直到圖像對象與研究區(qū)域的景觀特征達到滿意的匹配，最終的分割參數(shù)設(shè)置如下：Scale = 30、Color = 0.9、Shape = 0.1、Compact = 0.5、Smooth = 0.5。總體精度是各類別被正確分類的對象數(shù)之和（矩陣對角線值總和）占總對象數(shù)的比例，可以直接評價分類精度，其計算公式如下：

OA=Σki=0xiN[JY]（1）

式中： N是所有對象總數(shù)； k是所有類別數(shù)； xi是類別i被正確分類的對象數(shù)。Kappa 系數(shù)在 20 世紀 80 年代早期被引入遙感領(lǐng)域（Congalton amp; Mead， 1983），被廣泛作為衡量分類精度的標準（Rosenfield amp; Fitzpatrick-lins， 1986）。與總體精度相比，它還考慮了非對角線元素，并利用了整個誤差矩陣的信息。其計算公式如下：

Kappa=N×Σri=1xij－∑ri=1xi+×x+iN2-Σri=1xi+×x+i[JY]（2）

式中： N是地表真實分類中的對象總數(shù)； r是類別數(shù)量； xij是在影像中被分為i類別但是其真實類別為j的對象； xi+與x+i則分別代表在影像中被分為i類別的對象數(shù)量與地表真實類別為i的對象數(shù)量。

為了進一步減少分類誤差、提高冠層識別準確度，我們在算法分類結(jié)果的基礎(chǔ)上進行了分類后處理，包括小斑塊去除、分類合并、分類疊加等等。

[HTK]1.3.2 福田紅樹林碳儲量年際變化分析[HTSS] 植物的碳儲量是指植物體將光合作用同化的碳在體內(nèi)儲存并利用的碳元素的質(zhì)量，而紅樹林的碳儲量可以通過基于胸徑與木材密度的異速生長方程估算得到。這一方法的基礎(chǔ)是植物不同器官組織（如樹葉、枝條、根組織等）的生長存在一定的比例關(guān)系，即“異速生長關(guān)系”，因而通過測量特定的生長參數(shù)指標（如胸徑、樹高或樹干木材密度），就能夠估算該植物的生長變化及其生物量（Enquist et al.， 1998）。將植物生物量乘以植物含碳率即可得到該植物的碳儲量（IPCC， 2003）。由于不同物種的異速生長關(guān)系、木材密度及碳含量等會存在差異，本研究使用文獻中針對特定紅樹物種采集測定的木材密度、碳含量及建立的異速生長方程，通過樣方監(jiān)測獲得的胸徑，計算樣方內(nèi)每棵樹的地上、地下生物量及碳含量（表4），用群落中各樣方總碳含量除以樣方面積即可獲得該群落的碳密度。

分別對不同年份各樣方群落碳密度求平均值、標準差及標準誤差，并將各群落碳密度數(shù)據(jù)與群落分布圖相結(jié)合，使用Arcgis 10.3 （ESRI， Inc.， USA）繪制2017、2020、2023年福田紅樹林各群落碳儲量分布圖。

2 結(jié)果與分析

2.1 紅樹林群落分布

本研究基于實地調(diào)查獲得的驗證數(shù)據(jù)集對分類結(jié)果的精確性進行了評估，經(jīng)分類處理之后，總體精度達到82.29%，Kappa系數(shù)為0.77，如表5所示。物種的生產(chǎn)者精度越高表示該物種被正確識別的樣本數(shù)越多，而用戶精度越高則說明其他物種被誤分為該類的樣本數(shù)越少。白骨壤的生產(chǎn)者精度最高（93.33%），秋茄次之（85.19%），并且二者的用戶精度也很高，表明這兩個物種絕大部分被準確區(qū)分與識別，僅少數(shù)對象被錯分為秋茄和白骨壤。

基于隨機森林識別反演的群落分布圖（圖2）顯示，白骨壤主要分布在中部地區(qū)，無瓣海桑和海桑主要分布在海緣。秋茄的分布較為廣泛，在有無瓣海桑和海桑生長的區(qū)域，秋茄分布在陸緣，而在沒有無瓣海桑和海桑生長的區(qū)域則海緣和陸緣都有分布。木欖主要集中分布于保護區(qū)西北部，該區(qū)為木欖人工林，但同時也有少數(shù)木欖個體零散分布在秋茄林中（圖2）。

對冠層識別結(jié)果進行統(tǒng)計后得到各優(yōu)勢物種群落的分布面積。其中，秋茄群落面積為49.96 hm2.白骨壤、海桑、無瓣海桑和木欖群落的面積分別為26.23、8.90、6.52、0.5 hm2，另外有1.73 hm2的冠層區(qū)域未能識別，總面積為93.84 hm2。

2.2 紅樹林群落碳儲量對比分析

如表6所示，在2017年和2020年這兩次采樣中，秋茄群落的碳密度在所有優(yōu)勢物種群落中最高，分別為（167.10±29.90） t·hm-2和（175.48±2.31） t·hm-2；而在2023年的采樣中，秋茄群落碳密度下降至（133.84±5.20） t·hm-2，高于本地物種白骨壤、木欖群落，但低于外來物種無瓣海桑與海桑群落。白骨壤群落2017年碳密度為（128.12±64.03） t·hm-2，比外來物種無瓣海桑與海桑群落的碳密度高，但從2020年開始被無瓣海桑與海桑群落超越。木欖群落的碳密度在2017—2023年間變化不大且在所有群落中最低。兩個外來引入種無瓣海桑和海桑群落碳密度在2017年相當(dāng)且低于本地物種秋茄和白骨壤群落碳密度，但無瓣海桑群落碳密度在2020年增長超越海桑群落及白骨壤群落，并在2023年超越秋茄群落，達到（175.53±17.55） t·hm-2，在所有群落中最高。

各群落碳密度在2017—2023年間有不同的年際動態(tài)表現(xiàn)（圖3）。秋茄群落碳密度在2017—2020年間有小幅提升，在2020—2023年間下降，但2017—2023年間下降趨勢不顯著（基于時間的線性擬合斜率為K=－5.54、顯著度P=0.46，下同）。本地物種木欖群落的碳密度變化不明顯（K=0.07，P=0.85），但白骨壤群落碳密度出現(xiàn)顯著下降趨勢（K=－9.84，P=0.08）。外來引入種無瓣海桑群落與海桑群落的碳密度在這6年間保持增長，但二者碳密度增長趨勢并不顯著（無瓣海桑：K=11.7，P=0.20；海桑：K=6.87，P=0.22）。

福田紅樹林碳密度分布圖顯示，福田紅樹林碳密度呈現(xiàn)東高西低的分布模式（圖4：a），但西側(cè)部分碳密度在2017—2023年間逐漸提高（圖4：b，c），低碳密度區(qū)域的分布位置主要靠近紅樹林區(qū)域的北部（圖4）。基于各優(yōu)勢群落分布面積及碳密度對福田紅樹林各群落進行總碳儲量估算，本研究發(fā)現(xiàn)，在2017—2023年間，盡管秋茄群落總碳儲量有所減少，但依然高于其他優(yōu)勢群落的總碳儲量，其次是白骨壤群落，木欖群落的總碳儲量在所有優(yōu)勢群落中最低。無瓣海桑群落總碳儲量在2020年略高于海桑群落，而在2017和2023年皆低于后者（表7）。

3 討論

3.1 隨機森林算法在紅樹林冠層識別的適用性

本研究的結(jié)果顯示， 基于面向?qū)ο蟮碾S機森林識別算法對白骨壤和秋茄群落冠層的識別準確率最高，這是因為白骨壤和秋茄群落的分布邊緣清晰且白骨壤的葉表面綠色且有灰色絨毛，冠層顏色偏灰白色，而秋茄冠層呈不規(guī)則圓形，冠層顏色亮綠，這些特征使得二者在光譜和紋理特征間的可區(qū)分度較高。同時，在整個福田紅樹林中，秋茄的分布面積最大，其次為白骨壤，二者在福田紅樹林的群落種類組成中占絕對優(yōu)勢（王伯蓀等，2002），這也在一定程度上降低了冠層的識別難度。無瓣海桑和海桑在樹高、生長范圍和光譜特征等方面都較為相似，結(jié)果顯示海桑有15.38%（2/13×100%）的概率被錯分為無瓣海桑，而無瓣海桑被錯分為海桑的概率則高達23.53%（4/17×100%）。因此，該算法可能低估了無瓣海桑群落[JP+2]的分布面積而高估了海桑群落的實際分布面積。

木欖的生產(chǎn)者精度和用戶精度最低，這是因為其觸及冠層的個體在人工林以外較少，零散分布的木欖很難與大面積的秋茄冠層區(qū)分開。這可能說明紅樹林優(yōu)勢群落的冠層之間在光譜及空間特征信息方面的差異不夠明顯，分類器從中學(xué)習(xí)到的有效信息不足以區(qū)分如木欖和秋茄等冠層結(jié)構(gòu)相似的物種。本研究使用的隨機森林算法總體分類精度達到82.29%，與李想等（2018）在北部灣東部地區(qū)紅樹林分類結(jié)果中的85.85%相當(dāng)。本研究中白骨壤以及秋茄的識別準確度較高，說明該算法在面對單一的或部分混合的紅樹林物種時提取效果最優(yōu)。

3.2 各群落碳密度比較

本研究結(jié)果顯示福田紅樹林碳密度存在東高西低的分布模式，這可能與紅樹林中人為活動強度有關(guān)。福田紅樹林東側(cè)片區(qū)以保護區(qū)核心區(qū)為主，該區(qū)紅樹林受人為活動干擾較西側(cè)低且生長密度高。但西側(cè)片區(qū)碳密度在2017—2023年間有明顯提升，東高西低的分布模式逐漸向均一分布模式轉(zhuǎn)變。另外，碳密度分布圖顯示，福田紅樹林中碳密度較低的區(qū)域其分布位置更靠近紅樹林北側(cè)（即靠陸側(cè)），紅樹林北側(cè)靠近保護區(qū)道路與棧道，人為活動干擾相較于南側(cè)（即靠海側(cè)）更大。上述結(jié)果說明紅樹林群落碳密度可能與人為活動干擾及其強度有關(guān)。

深圳福田紅樹林各群落碳密度差異較大、各群落碳密度的年際變化明顯，其中本地優(yōu)勢物種秋茄和白骨壤群落碳密度均有減少，其中白骨壤群落碳密度減少明顯。這主要與本地優(yōu)勢物種個體數(shù)量減少及自然更新受阻有關(guān)。一方面，本地優(yōu)勢物種白骨壤與秋茄群落的生長速率趨于平緩，但卻面臨嚴重的蟲害威脅（劉莉娜等，2013），其中以白骨壤受蟲害最大，其正常繁衍和生長均受到了嚴重威脅（賈鳳龍等，2001）；另一方面，福田紅樹林底棲無脊椎動物對白骨壤幼苗的采食對白骨壤的群落更新造成極大脅迫，導(dǎo)致群落更新緩慢，林下正常萌發(fā)生長的幼苗數(shù)量極少。另外，本研究結(jié)果發(fā)現(xiàn)福田紅樹林中木欖群落碳密度在所有優(yōu)勢物種群落中最低且其年際變化不明顯。福田紅樹林中的木欖優(yōu)勢群落以位于高潮帶區(qū)域的人工林為主，雖然該片人工林在種植后無人為管理干預(yù)而任其自然生長，但該區(qū)種植密度大、高潮帶區(qū)域受環(huán)境干擾相對較小，因此該群落碳密度在本研究進行的6年間相對穩(wěn)定。

本研究外來物種方面，無瓣海桑群落的碳密度在所有優(yōu)勢物種群落中最高。本研究發(fā)現(xiàn)無瓣海桑群落的碳密度在2017年為105.21 t·hm-2，高于彭聰姣等（2016）在福田紅樹林中測得的73.3 t·hm-2，并在2023年提升至175.53 t·hm-2，2017—2023年間增長明顯。海桑的群落碳密度也在逐年上升，但其變化幅度總體上小于無瓣海桑。由此可見，2017—2023年福田紅樹林外來物種海桑與無瓣海桑群落的生物量、植被碳儲量、碳密度均呈上升態(tài)勢，二者的固碳能力尚未飽和。2020年無瓣海桑群落的植被碳密度達到了160.54 t·hm-2，盡管該數(shù)值略低于珠海淇澳島人工次生無瓣海桑純林群落碳密度168.38 t·hm-2（孫學(xué)超等，2022），但與其他紅樹林的碳密度相比，福田紅樹林無瓣海桑的植被碳密度也處于較高水平（胡懿凱等，2019；李翠華等，2020；Chen et al.， 2021）。外來物種無瓣海桑與海桑群落快速提高的碳密度已在2023年高于本地物種秋茄、白骨壤和木欖群落的碳密度，表明外來引入種無瓣海桑和海桑具有比本地物種更強的固碳能力。從增強生態(tài)系統(tǒng)碳儲量與碳匯能力的角度，無瓣海桑和海桑或可作為先鋒樹種，以改良裸露灘涂并提高紅樹林群落的碳匯能力。

作為重要的濱海藍碳生態(tài)系統(tǒng)，紅樹林濕地具有較高的初級生產(chǎn)力且紅樹林中不易分解的木質(zhì)凋落物更多、土壤表面溫度更低，降低凋落物的分解率（Charles et al.， 2020），從而獲得較高的固碳能力。福田紅樹林的植被碳密度較高，土壤有機碳平均累計速率達4.82 Tg C·hm2·a1（Fu et al.， 2020），在廣東省各地區(qū)紅樹林生態(tài)系統(tǒng)中僅次于淇澳島，碳匯潛力較大。由此可見，福田紅樹林具有高效的碳匯能力，在降低大氣CO2 濃度、緩解全球氣候變化方面具有重要作用。

4 結(jié)論

本研究基于超高分辨率WorldView-3影像精確繪制福田紅樹林群落分布圖，并結(jié)合樣方調(diào)查數(shù)據(jù)對各優(yōu)勢群落碳儲量變化進行定量分析，得出的結(jié)論如下。

（1）基于隨機森林算法利用WorldView-3高分辨率影像的光譜和空間信息可有效識別和分辨紅樹群落冠層。福田紅樹林中秋茄的分布面積最大，其余依次是白骨壤、海桑、無瓣海桑和木欖。

（2）福田紅樹林各群落碳密度年際變化明顯。其中，秋茄群落碳密度先升高后降低，白骨壤群落碳密度則下降明顯，需對其采取必要的保護與恢復(fù)措施；木欖的群落碳密度最小且總體變化不明顯；海桑和無瓣海桑群落碳密度則保持增長，但趨勢不明顯。從碳密度角度出發(fā)，恢復(fù)紅樹林種植應(yīng)優(yōu)先考慮無瓣海桑、海桑和秋茄，但無瓣海桑和海桑屬于外來紅樹植物，故選用時需針對其是否存在入侵性應(yīng)從多方面考慮。總體而言，各優(yōu)勢群落中秋茄群落總碳儲量最高，其次是白骨壤、海桑和無瓣海桑，木欖群落總碳儲量最低。

參考文獻：

BENZ UC， HOFMANN P， WILLHAUCK G， et al.， 2004. Multi-resolution， object-oriented fuzzy analysis of remote sensing data for GIS-ready information ［J］. ISPRS J Photogram Remote Sens， 58（3/4）： 239-258.

BOUILLON S， 2011. Storage beneath mangroves ［J］. Nat Geosci， 4（5）： 282-283.

BREIMAN L， 2001. Random forests ［J］. Mach Learn， 45（1）： 5-32.

CHARLES SP， KOMINOSKI JS， ARMITAGE AR， et al.， 2020. Quantifying how changing mangrove cover affects ecosystem carbon storage in coastal wetlands ［J］. Ecology， 101（2）： e02916.

CHEN BY， SONG Y， ZAN QJ， et al.， 2012. Dynamics of the main landscape types at Shenzhen Bay during past three decades ［J］. Acta Sci Nat Univ Sunyatsen， 51（5）： 86-92." ［陳保瑜， 宋悅， 昝啟杰， 等， 2012. 深圳灣近30年主要景觀類型之演變 ［J］. 中山大學(xué)學(xué)報（自然科學(xué)版）， 51（5）： 86-92.］

CHEN L， LIN Q， KRAUSS KW， et al.， 2021. Forest thinning in the seaward fringe speeds up surface elevation increment and carbon accumulation in managed mangrove forests ［J］. J Appl Ecol， 58（9）： 1899-1909.

CONGALTON RG， MEAD RA， 1983. A quantitative method to test for consistency and correctness in photointerpretation ［J］. Photogram Eng Remote Sens Environ， 49： 69-74.

DANIEL MA， SANDIP KM， 2015. Contribution of mangroves to coastal carbon cycling in low latitude seas ［J］. Agric For Meteorol， 213： 266-272.

DHARMAWAN WS， SIREGAR CA， 2008. Soil carbon and carbon estimation of Avicennia marina （Forsk.） Vierh. stand at Ciasem， Purwakarta ［J］. J Penelitian Hutan Dan Konserv Alam， 5（4）： 317-328.

DONATO DC， KAUFFMAN JB， MURDIYARSO D， et al.， 2011. Mangroves among the most carbon-rich forests in the tropics ［J］. Nat Geosci， 4（5）： 293-297.

ENQUIST BJ， BROWN HJ， WEST BG， 1998. Allometric scaling of plant energetics and population density ［J］. Nature， 395（6698）： 163-165.

FAO， 2023. The world’s mangroves 2000-2020 ［DB］. Rome. https：//doi.org/10.4060/cc7044en.

FU CC， LI Y， ZENG L， 2020. Stocks and losses of soil organic carbon from Chinese vegetated coastal habitats ［J］. Glob Change Biol， 27（1）： 202-214.

HAN WD， GAO XM， LU CY， et al.， 2000. The ecological values of mangrove ecosystems in China" ［J］. Ecol Sci， 19（1）： 41-46." ［韓維棟， 高秀梅， 盧昌義， 等， 2000. 中國紅樹林生態(tài)系統(tǒng)生態(tài)價值評估 ［J］. 生態(tài)科學(xué)， 19（1）： 41-46.］

HARALICK RM， SHANMUGAM K， DINSTEIN I， 1973. Textural features for image classification ［J］. IEEE Trans Syst Man Cybern， SMC-3： 610-621.

HEENKENDA M， JOYCE K， MAIER S， et al.， 2014. Mangrove species identification： Comparing WorldView-2 with Aerial Photographs ［J］. Remote Sens， 6（7）： 6064-6088.

HEUMANN BW， 2011. An object-based classification of mangroves using a hybrid decision tree — Support vector machine approach ［J］. Remote Sens， 3（11）： 2440-2460.

HOWARD J， HOYT S， ISENSEE K， et al.， 2014. Coastal blue carbon： methods for assessing carbon stocks and emissions factors in mangroves， tidal salt marshes， and seagrass meadows ［M］. Arlington， Virginia， USA： International Union for Conservation of Nature： 31-32.

HU YK， ZHU NH， LIAO BW， et al.， 2019. Carbon density and carbon fixation rate of mangrove of different restoration types in Qiao Island ［J］. J Cent S Univ For amp; Technol， 39（12）： 101-107." ［胡懿凱， 朱寧華， 廖寶文， 等， 2019. 淇澳島不同恢復(fù)類型紅樹林碳密度及固碳速率研究 ［J］. 中南林業(yè)科技大學(xué)學(xué)報， 39（12）： 101-107.］

ICRAF， 2022. Functional attributes and ecological database ［DB/OL］. ［2022-07-17］. http：//db.worldagroforestry.org/wd.

IPCC， 2003. IPCC guidelines for national greenhouse gas inventories ［M］. Japan： Institute for Global Environmental Strategies （IGES）.

JIA FL， CHEN HD， WANG YJ， et al.， 2001. The pest insects and analysis of its outbreaks’ cause in Futian mangrove， Shenzhen ［J］. Acta Sci Nat Univ Sunyatsen， 40（3）： 88-91." ［賈鳳龍， 陳海東， 王勇軍， 等， 2001. 深圳福田紅樹林害蟲及其發(fā)生原因 ［J］. 中山大學(xué)學(xué)報（自然科學(xué)版）， 40（3）： 88-91.］

KAUFFMAN JB， COLE TG， 2010. Micronesian mangrove forest structure and tree responses to a severe typhoon ［J］. Wetlands Ecol Manage， 30（6）： 1077-1084.

KAUFFMAN JB， DONATO DC， 2012. Protocols for the measurement， monitoring and reporting of structure， biomass and carbon stocks in mangrove forests ［M］. Bogor， Indonesia： Center for International Forestry Research （CIFOR）： 22.

KOMIYAMA A， ONG JE， POUNGPARN S， 2008. Allometry， biomass， and productivity of mangrove forests： A review ［J］. Aquat Bot， 89（2）： 128-137.

KOMIYAMA A， POUNGPARN S， KATO S， 2005. Common allometric equations for estimating the tree weight of mangroves ［J］. J Trop Ecol， 21（4）： 471-477.

KUENZER C， BLUEMEL A， GEBHARDT S， et al.， 2011. Remote sensing of mangrove ecosystems： A review ［J］. Remote Sens， 3（5）： 878-928.

LALIBERTE AS， FREDRICKSON EL， RANGO L， 2007. Combining decision trees with hierarchical object-oriented image analysis for mapping arid rangelands ［J］. Photogram Eng Remote Sens， 73： 197-207.

LI CH， CAI RS， YAN XH， 2020. Analysis on the changes of carbon budget of mangrove wetland in Hainan Dongzhaigang during 2010-2018 ［J］. Mar Sci Bull， 39（4）： 488-497." ［李翠華， 蔡榕碩， 顏秀花， 2020. 2010—2018年海南東寨港紅樹林濕地碳收支的變化分析 ［J］. 海洋通報， 39（4）： 488-497.］

LI X， LIU K， ZHU Y， et al.， 2018. Study on mangrove species classification based on ZY-3 image ［J］ Remote Sens Technol Appl， 33（2）： 360-369." ［李想， 劉凱， 朱遠輝， 等， 2018. 基于資源三號影像的紅樹林物種分類研究 ［J］. 遙感技術(shù)與應(yīng)用， 33（2）： 360-369.］

LIAO BW， ZHANG QM， 2014. Area， distribution and species composition of mangroves in China" ［J］. Wetland Sci， 12（4）： 435-440." ［廖寶文， 張喬民， 2014. 中國紅樹林的分布， 面積和樹種組成 ［J］. 濕地科學(xué)， 12（4）： 435-440.］

LIN P， 2001. A review on the mangrove research in China" ［J］. J Xiamen Univ （Nat Sci Ed）， 40（2）： 592-603."" ［林鵬， 2001. 中國紅樹林研究進展 ［J］. 廈門大學(xué)學(xué)報（自然科學(xué)版）， 40（2）： 592-603.］

LIU H， REN H， HUI D， et al.， 2014. Carbon stocks and potential carbon storage in the mangrove forests of China ［J］. J Environ Manage， 133： 86-93.

LIU LN， CHEN LE， WEI PP， et al.， 2013. Ecological problems and restoration countermeasures in Futian mangrove Nature Reserve， Shenzhen" ［J］ Ocean Technol， 32（2）： 125-132." ［劉莉娜， 陳里娥， 韋萍萍， 等， 2013. 深圳福田紅樹林自然保護區(qū)的生態(tài)問題及修復(fù)對策研究 ［J］. 海洋技術(shù)， 32（2）： 125-132.］

LIU RH， LIANG SC， ZHAO HY， et al.， 2017. Progress of chinese coastal wetland based on remote sensing ［J］. Remote Sens Technol Appl， 32 （6）： 998-1011." ［劉潤紅， 梁士楚， 趙紅艷， 等， 2017. 中國濱海濕地遙感研究進展 ［J］. 遙感技術(shù)與應(yīng)用， 32（6）： 998-1011.］

PENG CJ， QIAN JW， GUO XD， et al.， 2016. Vegetation carbon stocks and net primary productivity of the mangrove forests in Shenzhen， China" ［J］. Chin J Appl Ecol， 27（7）： 2059-2065." ［彭聰姣， 錢家煒， 郭旭東， 等， 2016. 深圳福田紅樹林植被碳儲量和凈初級生產(chǎn)力 ［J］. 應(yīng)用生態(tài)學(xué)報， 27（7）： 2059-2065.］

REN H， LU H， SHEN W， et al.， 2009. Sonneratia apetala Buch. Ham in the mangrove ecosystems of China： An invasive species or restoration species ［J］ Ecol Eng， 35（8）： 1243-1248.

RICHARDS DR， THOMPSON BS， WIJEDASA L， 2020. Quantifying net loss of global mangrove carbon stocks from 20 years of land cover change ［J］. Nat Commun， 11（1）： 1-7.

ROSENFIELD GH， FITZPATRICK-LINS K， 1986. A coefficient of agreement as a measure of thematic classification accuracy ［J］. Photogram Eng Remote Sens Environ， 52： 223-227.

SILLANP M， VANTELLINGEN J， FRIESS DA， 2017. Vegetation regeneration in a sustainably harvested mangrove forest in West Papua， Indonesia ［J］. For Ecol Manage， 390： 137-146.

SU Y， ZHAO DZ， HUANG FR， et al.， 2011. Development of mangrove monitoring technology using high spatial-resolution satellite images ［J］. Ocean Remote Sens， 30（3）： 38-45." ［蘇岫， 趙冬至， 黃鳳榮， 等， 2011. 基于高空間分辨率的紅樹林衛(wèi)星遙感監(jiān)測技術(shù)進展 ［J］. 海洋遙感， 30（3）： 38-45.］

SUN XC， HUANG ZP， ZHANG QR， et al.， 2002. The biological carbon storage change of artificial secondary Sonneratia apetala on Qiao Island， Zhuhai ［J］. J S China Norm Univ （Nat Sci Ed）， 54（4）： 89-100." ［孫學(xué)超， 黃展鵬， 張瓊銳， 等， 2022. 珠海淇澳島人工次生無瓣海桑純林的植被碳儲量變化 ［J］. 華南師范大學(xué)學(xué)報（自然科學(xué)版）， 54（4）： 89-100.］

VALIELA I， BOWEN JL， YORK JK， 2001. Mangrove forests： One of the World’s threatened major tropical environments ［J］. BioScience， 51（10）： 807-815.

WANG BS， LIAO BW， WANG YJ， et al.， 2002. Mangrove forest ecosystem and its sustainable development in Shenzhen Bay ［M］. Beijing： Higher Education Press： 56-57." ［王伯蓀， 廖寶文，" 王勇軍， 等， 2002. 深圳灣紅樹林生態(tài)系統(tǒng)及其持續(xù)發(fā)展 ［M］. 北京： 高等教育出版社： 56-57.］

WANG D， WAN B， QIU P， et al.， 2018. Artificial mangrove species mapping using Pléiades-1： An evaluation of pixel-based and object-based classifications with selected machine learning algorithms ［J］. Remote Sens， 10（2）： 294.

WANG FM， SANDERS CJ， SANTOS IR， et al.， 2021. Global blue carbon accumulation in tidal wetlands increases with climate change ［J］. Nat Sci Rev， 8（9）： 140-150.

ZHU DH， HUI DF， WANG MQ， et al.， 2021. Allometric growth and carbon storage in the mangrove Sonneratia apetala ［J］. Wetlands Ecol Manage， 29（1）： 129-141.

（責(zé)任編輯 周翠鳴）