孔祥聚， 王浩， 李坚， 龚玉敏， 徐栋泽

(福州大学土木工程学院， 福建 福州 350108)

0 引言

红树林多生长分布在热带、 亚热带沿海潮间带滩涂区域， 具有净化水质、 维护生物多样性、 防风固堤、 促淤保滩等功能[1]. 福建省处于我国东南沿海， 是红树林适宜生长区域， 有真红树和半红树植物12科18种， 其中引种9种， 为引种数量最多的省份[2]. 历史上莆田市三江口流域分布着众多秋茄种原生红树林[3]， 但近年由于外来物种入侵和毁林造田、 围海造地等不合理开发活动， 致使红树林生长面积缩减， 红树林资源遭到严重破坏. 利用先进、 高效、 准确的测量方法获取红树林生长面积及分布区域， 对于保护和规划红树林生长具有重要意义.

动态检测红树林资源是高效保护和科学管理的前提. Lorenzo等[4]在1979年首先使用Landsat卫星数据动态监测菲律宾三宝颜半岛红树林的退化情况. Godstime等[5]利用类似方法分析了1980—2003年尼日尔三角洲红树林生态系统的变化规律. 国内研究者也针对红树林开展了大量的研究工作， 如李天宏等[6]率先在深圳河河口地区收集10多年时相卫星遥感影像， 研究红树林面积变化和空间分布特征. 赵玉灵[7]分析伶仃洋近40年的红树林湿地时空演变规律. 李春干[8]基于斑块的红树林空间演变机理分析了近50年广西省红树林面积演变规律. 随着对地观测技术的进步， 许多遥感平台、 传感器也应用到红树林动态监测之中， 如利用雷达传感器避免云层、 阴雨等天气环境干扰， 获得红树林稳定的周期影像[9]等.

此外， 近年来无人机(unmanned aerial vehicle， UAV)技术不断发展， 其具有机动性高、 像素分辨率高、 飞行实效强等特点， 也被用于红树林生长状况监测中. Otero等[10]利用低空无人机对马来西亚红树林保护区进行监测， 结果表明该方法可快速识别面积变化区域. 闻馨等[11]利用无人机获取海南省富力湾红树林湿地高空间分辨率图像， 进一步证明无人机对小区域红树林群落可实现高精度勘测. 同时， 无人机拍摄植被手段和分析方法也不断改进， 如在植被检测中搭载多光谱成像仪获取多波段图像[12]， 搭载激光雷达可穿透森林冠状结构， 提取三维结构信息[13]等.

以往研究显示， 卫星遥感摄像效率高、 覆盖面积大， 且具有时间连续性， 但分辨率低、 精确偏低， 易受大气效应影响； 无人机航测精度高， 成本费用较低， 但测量面积偏小， 且无人机为新兴技术， 往年数据较为缺乏. 目前来看， 往年卫星影像分辨率普遍偏低， 无法精确获取特定植被品种的生长面积. 故本文选择典型的沿海区域入海口岸红树林生长区为研究区域， 将同时期高精度的无人机测量正射影像和卫星遥感影像进行对比解译， 分析红树林在植被中的占比， 最终估测分析1973—2019年主要年份红树林分布区域和面积变化趋势， 为相关项目研究提供思路.

1 研究区域和方法

1.1 研究区域概况

本文研究区域位于福建省“五江一溪”重要河流之一——木兰溪入海口处(东经119° 7′2.17″， 北纬25°24′53.47″)， 地貌平坦(见图1红线内区域). 研究区域周长27 466.4 m， 面积1 996.7 hm2， 属热带海洋性季风气候， 日照充足， 温度适宜. 20世纪70年代， 在木兰溪入海口岸两侧、 兴化湾附近曾经分布大面积成片红树林， 红树林生长对增加生物多样性和维持滨海环境质量具有重要意义. 故对流域内红树林生长区域变迁规律及原因进行研究， 是治理和维护当地生态环境的重要切入点.

图1 研究区域地理概况Fig.1 Location of the study area

1.2 卫星遥感影像数据处理

研究用卫星遥感数据来源于1973年至2018年卫星所拍摄遥感影像. 1973年至2009年卫星主要为Landsat1、 5、 7， 其中Landsat1影像空间分辨率为78 m/pixel， Landsat5、 7影像空间分辨率为30 m/pixel； 2010年至2018年的卫星影像空间分辨率为0.6 m/pixel. 鉴于早期卫星影像分辨率低、 云层穿透性不高， 相邻年份红树林面积变化不大， 选取1973年至2018年间共12个年份的卫星影像进行影像解译和要素提取.

(1)

G[f(i,j)]={[Δf(i,j)i]2+[Δf(i,j)j]2}2

(2)

其中：i，j为图像函数的横、 纵坐标值；G为图像f(i,j)的梯度幅度.

1.3 无人机航拍影像数据处理

为精确采集高精度(误差小于0.05 m)的流域影像， 采用搭载载波相位差分技术(RTK)的无人机(飞马D200)(图2(a))， 对研究区域进行1∶500航拍摄影， 采用CGCS2000坐标系， 地图投影为高斯-克吕格投影， 标准3°分带平面直角坐标系统. 无人机最大工作抗风性能为五级， 悬停精度RTK为1～2 cm， 无人机镜头搭载Sony RX1RII相机(图2(b))， 有效像素为4 200万. 无人机使用GPS装置和RTK模块执行预设飞行航线， 考虑航线网络、 区域的结构和模型之间的联系， 满足航摄成图需要， 3个相邻的航空照片均设有公共重叠区域， 航向重叠为65%， 旁向重叠度为35%. 此外， 在高差较大区域插补航线， 保证分区边界覆盖满足分区间满幅要求.

图2 航拍设备Fig.2 Equipment for aerial photography

无人机航拍图像经数据定位和质量检查后， 可通过无人机航测软件根据SFM原理构造正射影像， 利用尺度不变特征变换法(scale-invariant feature transform， SIFT)检测并提取特征关键点， 进行相关匹配合成图像[15]. 主要步骤为预处理(滤波处理和镜头畸变矫正)、 控制点获取、 几何校正、 光束法区域网平差、 数字微分纠正、 色彩调整、 镶嵌拼接及控制点(RTK)插入， 最终输出高精度正射图像， 流程如图3.

图3 无人机航测正射图提取Fig.3 Extractions of aerial photogrammetry with UAV

光束法区域网平差是生成正射影像的重要环节， 主要思路是将单幅影像形成的光线作为平差基本单元， 以中心投影共线方程为平差基础方程， 通过光线束在空间的平移和旋转， 使模型实现最佳交会并使测量区域纳入已知的控制点坐标中[16](见图4).

图4 光束法区域网平差计算Fig.4 Calculations of beam method regional network

利用相关矩阵计算公式可进行求解方程， 误差方程式表示为

(3)

其中：x、y为理论影像坐标；vx、vy为理论影像坐标的改正数；S为影像摄影中心点，XS、YS、ZS、φ、ω、κ为该影像在航摄时刻的外方位元素； ΔXS、 ΔYS、 ΔZS、 Δφ、 Δω、 Δκ为该影像在航摄时刻的外方位元素的改正数； (x)、 (y)为将未知数的初始值代入共线方程式计算得到；b11、b12、 …、b16、b21、b22、 …、b26为代价函数对待求参数的导数[17].将误差方程式写成矩阵形式

(4)

t=[ATA-ATB(BTB)-1BTA]-1×[ATL-ATB(BTB)-1BTL]

(5)

图5 红树林与互花米草分布Fig.5 Distributions of mangrove and Spartina alterniflora

2 实验结果与分析

2.1 无人机、 遥感卫星影像解译

无人机航拍影像生成正射影像后， 根据影像的几何特征和物理特征， 利用人工目视解译方法进行植被要素分析提取. 结合ArcGIS软件， 可识别研究区域内河口形状及纹理特征， 分别对研究区域内典型土地使用类型进行解译， 主要包含滩涂、 围垦养殖区、 道路、 红树林等利用类型， 如图6所示. 可以看出， 2019年木兰溪入海口两岸适宜红树林生长的区域较少， 多为蛭田和围垦养殖区域占领. 蛭田面积为507.6 hm2， 主要分布在河流两侧淤泥质泥土中； 围垦养殖面积为488.7 hm2， 主要在木兰溪两岸靠近护岸内侧区域分布.

图6 木兰溪入海口岸要素分布Fig.6 Element distributions at Mulan River entry port

正射图像中植被生长区域总体占比较小， 提取流域主要的植被红树林和互花米草要素， 其分布区域如图7所示. 经计算， 2019年红树林面积为2.14 hm2， 分布较为集中， 主要分布于木兰溪大桥至海滨村三角洲段、 海滨三角洲至陈厝三角地带段这两个主要地界. 互花米草生长在木兰溪入海口两侧， 并呈带状分布， 红树林面积相对较小.

(a) 红树林

(b) 互花米草

上世纪70年代末, 互花米草作为一种适应性强的外来物种引入福建沿海地， 因生存环境缺乏天敌制约， 其生长迅速[18]. 在分析解译红树林生长区域时， 发现绿色的红树林和黄色的互花米草多簇拥生长， 如图8所示. 互花米草分布区域大致与红树林历史分布区域相关联， 红树林分布在互花米草之间， 并处于劣势地位.

图8 无人机影像解译过程Fig.8 Image interpretation process of UAV image

本研究将遥感卫星获取的研究区域影像进行几何纠正等预处理操作后， 与前文提取的无人机正射影像的物理特征进行对比， 确定红树林、 互花米草等地物要素在遥感影像中的形态特征， 最后利用目视识别对历年卫星遥感影像中红树林、 互花米草等要素进行面积提取. 2018年部分面积分布如图9所示.

图9 2018年红树林、 互花米草面积分布(局部)Fig.9 Distribution of local area of mangrove and Spartina alterniflora in 2018

2.2 历年红树林面积变化分析

图10 红树林与互花米草分布特征Fig.10 Distribution characteristics of mangrove and Spartina alterniflora

(6)

其中：i为年份；n为总年数；S为互花米草与其他杂草面积；M为红树林面积. 通过计算可得红树林与其他杂草所占面积比例约为1∶6， 即红树林约占植被总面积的1/7.

为清晰识别卫星影像中红树林生长区域， 将植被解译标志与生成的卫星遥感影像正射图进行对比识别， 按照无人机影像解译步骤进行卫星影像解译， 结合红树林与其他植被面积比例. 提取较早年份红树林位置分布及面积数据如图11所示. 1984年前(图11(a)～(c))红树林分布较为广泛， 达到了13.5 hm2左右； 1984年至2001年(图11(d)～(g))红树林面积出现下滑， 15年间数量急剧减少至0.19 hm2， 在图中仅见零星分布. 2001年至2018年间(图11(h)～(l))为不断恢复阶段， 红树林面积总体呈波动增长趋势， 红树林面积现逐步稳定在2 hm2以上.

图11 历年红树林分布区域 Fig.11 Mangrove distribution areas in major years

历年红树林面积(S)变化柱状图见图12， 其中1973年至1984年红树林面积较多， 数量稳定； 1984年到2001年间红树林面积骤减， 红树林密集区域碎片化程度加深； 2001年后红树林面积处于上升阶段， 距红树林面积峰值仍有差距. 以往文献显示， 兴化湾曾分布大面积成片红树林， 但由于围垦养殖、 码头道路建设等人为因素， 使红树林面积迅速下降[3, 19-20]. 贾明明[21]对1973—2013年间中国红树林动态变化进行遥感分析， 也指出近代福建红树林面积先减后增， 其中1973—2000年红树林面积急剧减少， 2000—2013年红树林面积稳步增加. 这与本文研究的结论基本一致， 符合红树林总体变化趋势.

图12 红树林分布区域面积变化规律Fig.12 Area changes rule of mangrove distribution areas

研究结果表明， 1973年至2001年木兰溪河流淤积形成滩涂面积逐年增加， 人工围垦养殖面积亦随之增加， 同时外来植物互花米草入侵和养殖业发展， 最终导致流域红树林生态圈遭到破坏， 红树林面积也随之逐步减小. 2001年后， 随着环境保护意识增强， 不断加大红树林人工培育和养护工作， 红树林、 互花米草及其他杂草植被面积处于增加状态， 但红树林面积增速落后于互花米草， 互花米草的存在和人类过多活动对红树林生长仍存消极影响. 故在目前阶段仍需对红树林资源进行保护， 积极治理互花米草抑制其蔓延， 适当控制水产养殖规模， 促进红树林生长面积不断增长.

3 结语

本研究将无人机技术与卫星遥感技术相结合， 充分发挥无人机技术空间分辨率高和卫星遥感技术时间连续性强的优势， 结合近年红树林与互花米草及杂草面积比， 提取了木兰溪入海口岸近年红树林面积区域， 分析近年流域内红树林生长区域变化规律， 具体结论如下.

1) 对无人机航拍影像和卫星遥感影像进行重构识别， 均可获取研究区域正射图， 并实现对红树林生长区域和面积进行统计.

2) 对4个年份无人机影像和近年高精度的卫星遥感影像进行重构分析， 红树林与互花米草比例约为1∶6， 据此可从历年植被区域中估测红树林生长区域和面积.

3) 将1973年至2020年近半个世纪的数据进行整合， 估测红树林生长变化规律， 得到了红树林繁荣、 消退和恢复3个阶段的历史变化过程.

4) 此方法可用于分析估测类似要素历年分布规律， 为相关研究提供参考.