耦合WorldView-2和珠海一号影像的红树林物种分布

耦合WorldView-2和珠海一号影像的红树林物种分布 Mangrove species classification with combination of WorldView-2 and Zhuhai-1 satellite images 1 first-author 高常军，研究方向为滨海湿地生态过程及生态遥感。E-mail：gaochangjun015@163.com 高常军，研究方向为滨海湿地生态过程及生态遥感。E-mail：gaochangjun015@163.com gaochangjun015@163.com 2 2 3 2 3 corresp 王俊杰，研究方向为红树林生态遥感的理论与应用。E-mail：wang_2015@szu.edu.cn 王俊杰，研究方向为红树林生态遥感的理论与应用。E-mail：wang_2015@szu.edu.cn wang_2015@szu.edu.cn 2 广东省林业科学研究院 广东省森林培育与保护利用重点实验室, 广州 510520 广东省林业科学研究院 广东省森林培育与保护利用重点实验室, 广州 510520 Guangdong Provincial Key Laboratory of Silviculture, Protection and Utilization, Guangdong Academy of Forestry, Guangzhou 510520, China Guangdong Provincial Key Laboratory of Silviculture, Protection and Utilization, Guangdong Academy of Forestry, Guangzhou 510520, China 自然资源部大湾区地理环境监测重点实验室, 深圳 518060 自然资源部大湾区地理环境监测重点实验室, 深圳 518060 MNR Key Laboratory for Geo-Environmental Monitoring of Great Bay Area, Shenzhen 518060, China MNR Key Laboratory for Geo-Environmental Monitoring of Great Bay Area, Shenzhen 518060, China 深圳大学 生命与海洋科学学院, 深圳 518060 深圳大学 生命与海洋科学学院, 深圳 518060 College of Life Sciences and Oceanography, Shenzhen University, Shenzhen 518060, China College of Life Sciences and Oceanography, Shenzhen University, Shenzhen 518060, China 红树林物种遥感分类受影像分辨率、波段信息、分类策略、影像特征选择方法等因素影响。现有的红树林物种遥感分类研究大多关注于分类精度的比较，较少报道商业高分与国产高光谱卫星的结合在物种分类的应用。基于湛江高桥红树林保护区的高分（WorldView-2）和高光谱（珠海一号）卫星影像，本文旨在利用随机森林分类方法，比较不同特征选择算法（极端梯度提升（XGBoost）、极端随机树（ERT）、连续投影算法（SPA））和不同空间分辨率（WorldView-2影像从0.5 m的分辨率重采样为1 m、2 m、4 m、8 m、10 m）对红树林物种分类精度的影响，并耦合WorldView-2与珠海一号影像研究红树林物种空间分布格局及影响因素。每种空间分辨率的WorldView-2影像提取248个特征（52个光谱特征及196个纹理特征），珠海一号影像提取117个光谱特征。结果表明，XGBoost方法优于ERT和SPA，在影像特征选择中具有巨大优势；与其他空间分辨率相比，2 m分辨率的WorldView-2影像具有更高的分类精度；耦合WorldView-2和珠海一号影像的分类精度（分辨率：2 m，总体精度：88.98%，kappa系数：0.846）高于单一的WorldView-2影像（分辨率：2 m，总体精度：83.47%，kappa系数：0.768）和珠海一号影像（分辨率：10 m，总体精度：78.50%，kappa系数：0.703）；另外，林窗、高程、离岸距离一定程度上影响红树林物种分布格局。本文表明WorldView-2与珠海一号高光谱影像的结合在景观及区域尺度上精确提取红树林物种信息具有巨大潜力，有利于红树林生物多样性保护及科学管理。 Remotely sensed classification of mangrove species is affected by image resolution, spectral information, classification strategy, and image feature selection methods. The present studies of mangrove species classification using remote sensing mostly focus on comparison of classification accuracy, and few of them discuss the spatial pattern of species distribution and the corresponding influencing factors. The combination of high-resolution and hyperspectral satellite images in species classification of mangrove forest has received less attention. With WorldView-2 and Zhuhai-1 images in Gaoqiao mangrove Reserve, this study aims to compare the effects of different feature selection methods (XGBoost, eXtreme gradient boosting; ERT, extremely randomized trees; SPA, successive projections algorithm) and different image resolutions (the WorldView-2 image with a resolution of 0.5 m was resampled to 1, 2, 4, 8, and 10 m) on the classification accuracy of mangrove species based on random forest classification model and to explore the spatial pattern of mangrove distribution and the corresponding influencing factors based on the coupling of WorldView-2 and Zhuhai-1 images. With each spatial resolution of WorldView-2 image, 248 features were extracted, including 52 spectral features (eight spectral bands, 38 vegetation indices, three principal component bands, and three tasseled cap transformation bands) and 196 texture features (seven windows of 3×3, 5×5, 7×7, 9×9, 11×11, and 15×15; for each window, 28 texture features were extracted). With Zhuhai-1 hyperspectral image, 117 spectral features (32 original spectral bands, 32 first derivative bands, 47 vegetation indices, three principal component bands, and three tasseled cap transformation bands) were extracted. Results showed that XGBoost was superior to ERT and SPA, which had great advantage in image feature selection. Among the six types of WorldView-2 image resolution, the 2 m resolution was optimal for species classification, and the red edge band (705—745 nm) played an important role in species classification. The coupling of WorldView-2 and Zhuhai-1 images (resolution: 2 m, overall accuracy: 88.98%, kappa coefficient: 0.846) had better performance than using single WorldView resolution: 2 m, overall accuracy: 83.47%, kappa coefficient: 0.768 and Zhuhai-1 image (resolution: 10 m, overall accuracy: 78.50%, kappa coefficient: 0.703). The classification map based on the coupled image features illustrated that the area of Aegiceras corniculatum accounted for the largest proportion (33.77 % ), followed by Bruguiera gymnorrhiza (30.44%), Avicennia marina (26.96%), Bruguiera gymnorrhiza (6.08%), Sonneratia apetala (2.72%), and Kandelia candel (0.02%). Moreover, to some extent, forest gap, surface elevation, and offshore distance greatly affected the spatial distribution pattern of mangrove species. This study demonstrated that the combination of WorldView-2 and Zhuhai-1 image had great potential in accurate mapping mangrove species at the landscape and regional scales, thereby facilitating biodiversity protection and scientific management of forest ecosystem and providing technical and data support for retrieval of ecosystem parameters (e.g., carbon storage, net primary production, and leaf area index) and health evaluation of mangrove forests. Future research will focus on the fusion of WorldView-2 and Zhuhai-1 image to simultaneously achieve high spatial resolution and hyperspectral bands and the inclusion of canopy height and leaf trait information (e.g., chlorophyll and water content) to the classification model. 遥感 红树林 WorldView-2影像 珠海一号影像 物种分类 极端梯度提升 极端随机树 连续投影算法 remote sensing mangrove WorldView-2 image Zhuhai-1 image species classification XGBoost extremely randomized trees successive projections algorithm 1　引言 1 红树林具有促淤造陆、防浪护堤、维持生物多样性等生态系统服务功能，由于不合理的人为开发活动，红树林空间分布破碎化增加。2000年以来，随着各级红树林保护区的设立，中国遏制了红树林面积持续减少的状况（ Jia等，2018 Jia等，2018 ），然而，红树林生态系统结构和功能仍存在退化趋势（ 卢元平 等，2019 卢元平 等，2019 ）。因此，如何科学保护、重建与修复红树林是科研与管理人员共同面对的核心问题。解决这一问题的前提是精确掌握红树林物种组成、空间演化及健康状况，进而为红树林的可持续发展及生态系统多样性保护提供数据支撑。 遥感多时间、空间、光谱分辨率的特性，使遥感技术成为红树林空间制图及资源调查的常用方法。研究内容上，国内外红树林遥感学者以红树林空间分布及时空变化（ Ma等，2019 Ma等，2019 ； Toosi等，2019 Toosi等，2019 ）、物种分类（ Pham等，2019 Pham等，2019 ； Zhang等，2018 Zhang等，2018 ）以及生态系统参数反演（如生物量、叶面积指数、叶绿素含量等）（ George等，2019 George等，2019 ； Hu等，2020 Hu等，2020 ； Tian等，2017 Tian等，2017 ； Zhen等，2021 Zhen等，2021 ）的研究为主。 与红树林空间分布遥感研究相比，红树林物种分布以景观尺度为主，极少涉及全球、国家及区域尺度的分类研究。30 m空间分辨率的Landsat系列影像因混合像元因素及有限的波段数量不能对物种进行精确区分（总体分类精度 < 70%）（ Wang等，2018a Wang等，2018a ）。研究者主要使用4类数据源对红树林物种进行分类：（1）高分辨率卫星影像（空间分辨率主要为0.5—5.8 m，光谱波段4—8个），包含WorldView-2/3（ Heenkenda等，2014 Heenkenda等，2014 ）、Pléiades-1（ Wang等，2018a Wang等，2018a ）、高分一号/二号（ Peng等，2020 Peng等，2020 ）、资源三号（ 郑艺 等，2019 郑艺 等，2019 ）等；（2）高光谱数据，包含叶片高光谱（ Xu等，2019 Xu等，2019 ）、高光谱卫星（如Hyperion、高分五号）（ Kumar等，2019 Kumar等，2019 ； Wan等，2020 Wan等，2020 ）、无人机高光谱（ Cao等，2018a Cao等，2018a ）等；（3）雷达遥感数据，包含雷达卫星（如Radarsat-2）（ Zhang等，2018 Zhang等，2018 ）及无人机激光雷达（ Li等，2019b Li等，2019b ）等；（4）多源数据耦合，例如高分卫星与无人机高光谱影像的耦合（ Jiang等，2021 Jiang等，2021 ）、无人机高光谱与无人机激光雷达的耦合（ 徐逸 等，2021 徐逸 等，2021 ）、雷达卫星与高分卫星的耦合（ Zhang等，2018 Zhang等，2018 ）、高分卫星与高光谱卫星的耦合（ Jia等，2014 Jia等，2014 ）、两种高分卫星的耦合（ Peng等，2020 Peng等，2020 ）等。另外，部分研究加入数字地面模型（ Cao等，2018a Cao等，2018a ）以及物候信息提高分类精度（ Li等，2019a Li等，2019a ）。因遥感数据类型众多，许多学者比较不同类型数据在红树林分类的性能，指出多源数据耦合的分类精度优于单一遥感数据（ Jia等，2014 Jia等，2014 ； Jiang等，2021 Jiang等，2021 ； Zhang等，2018 Zhang等，2018 ； 徐逸 等，2021 徐逸 等，2021 ）。但部分学者认为，空间分辨率越高并不能带来最优的物种分类精度（ Kamal等，2014 Kamal等，2014 ； 李雨秦 等，2020 李雨秦 等，2020 ）。因此，选择合适的空间分辨率影像至关重要。 星载及机载的高空间分辨率和高光谱影像，能产生丰富的光谱与纹理特征，为了提高红树林分类精度及增强分类模型的解释性，研究者在分类前常利用多种特征选择方法提取敏感特征，主要有逐步判别分析、连续投影算法（SPA）、极端梯度提升（XGBoost）、递归特征消除（RFE）等（ Cao等，2018b Cao等，2018b ； Jiang等，2021 Jiang等，2021 ； 徐逸 等，2021 徐逸 等，2021 ）。不同特征选择方法导致不同分类精度， Cao等（2018b） Cao等（2018b） 指出SPA比逐步判别分析更能精确识别红树林物种，但SPA是否优于XGBoost方法还需进一步探索。 分类策略是影响红树林物种分类精度的重要因素，主要有面向对象（ Cao等，2018a Cao等，2018a ； Kamal等，2015 Kamal等，2015 ）和基于像元的机器学习分类（如随机森林、支持向量机、决策树、 K 最近邻、旋转森林、神经网络、XGBoost等）（ Cao等，2018b Cao等，2018b ； Li等，2019b Li等，2019b ； Wang等，2018a Wang等，2018a ； Zhang等，2018 Zhang等，2018 ； 徐逸 等，2021 徐逸 等，2021 ）。许多学者对不同分类策略进行比较，发现面向对象分类精度略优于机器学习分类（ Wang等，2018b Wang等，2018b ）。但是，面向对象分类所需的参数较多（如分割阈值、合并阈值、纹理内核大小等），且不同参数组合影响分类精度；机器学习分类操作简单，且常与特征选择方法结合提升分类精度，分类模型具有较好的解释性。随机森林和支持向量机分类是最常用的两种机器学习分类方法，研究表明随机森林一般比支持向量机更能精确提取红树林物种信息（ Jiang等，2021 Jiang等，2021 ）。 与高分卫星相比，在轨正常运行的高光谱卫星极少（如意大利PRISMA卫星、印度HysIS、中国高分五号和珠海一号卫星）。珠海一号的空间分辨率为10 m，优于其他高光谱卫星（分辨率为30 m），在叶面积指数反演（ Zhang等，2021b Zhang等，2021b ）、土壤湿度反演（ Kahaer等，2020 Kahaer等，2020 ）、水域提取（ Zhang等，2021a Zhang等，2021a ）等领域已发挥明显优势，但极少报道其在红树林物种分类的研究，与商业高分卫星的结合在红树林物种分类的应用也较少。另外，现有的红树林物种遥感分类研究大多关注于分类精度的比较（ Tian等，2017 Tian等，2017 ； Toosi等，2019 Toosi等，2019 ； Wang等，2018a Wang等，2018a ； Zhang等，2018 Zhang等，2018 ）；缺乏红树林物种空间分布格局的影响因素分析（ 徐逸 等，2021 徐逸 等，2021 ），因为地表高程显著影响红树林物种空间分布（ Leong等，2018 Leong等，2018 ），不同离岸距离红树林群落的林分结构具有较大差异（ 王旭 等，2009 王旭 等，2009 ）。 基于湛江高桥红树林保护区的WorldView-2和珠海一号影像，本文旨在利用随机森林分类方法，比较不同特征选择算法（XGBoost、极端随机树、SPA）和不同空间分辨率（WorldView-2影像从0.5 m的分辨率重采样为1 m、2 m、4 m、8 m及10 m）对物种分类精度的影响，并耦合WorldView-2与珠海一号影像研究红树林物种空间分布格局及其影响因素。该研究为探索珠海一号影像在红树林物种分类的性能提供重要支撑，且一定程度上有利于红树林生物多样性保护及科学管理。 2　数据与方法 1 2.1　研究区概况 2 湛江高桥红树林保护区位于广东省湛江市廉江市高桥镇内，处于湛江国家级红树林保护区的核心区，与广西壮族自治区北海市山口镇相邻（ 图1 图1 ，背景图像为WorldView-2真彩色影像）。研究区年平均气温23℃，年平均降水量1700—1800 mm，属南亚热带季风海洋性气候。研究区红树林覆盖面积：509.71 ha，红树林的优势物种为桐花树、白骨壤、木榄、红海榄、无瓣海桑和秋茄。2018年—2021年，利用差分GPS进行野外调查，并结合无人机数码照片，共记录599个样本点（ 图1 图1 ），包含68个白骨壤、192个木榄、65个红海榄、229个桐花树、29个无瓣海桑以及16个秋茄样本点。 2.2　影像预处理及特征提取 2 获取覆盖研究区一景WorldView-2高分辨率卫星影像（日期：2020-10-07，全色波段空间分辨率：0.5 m，多光谱波段空间分辨率：2 m）和一景珠海一号高光谱卫星影像（日期：2020-07-19，空间分辨率：10 m）。 WorldView-2卫星于2009年10月6日发射升空，是美国Digitalglobe公司的商业卫星，已广泛用于红树林物种分类及生态系统参数反演（ Heenkenda等，2014 Heenkenda等，2014 ； Jiang等，2021 Jiang等，2021 ； Kamal等，2014 Kamal等，2014 ， 2015 2015 ； Tian等，2017 Tian等，2017 ； Valderrama-Landeros等，2018 Valderrama-Landeros等，2018 ； 李雨秦 等，2020 李雨秦 等，2020 ）。WorldView-2包含8个多光谱波段，其他高分影像（如QuickBird、SPOT-5、Pléiades-1、高分一号、资源三号等）的多光谱波段数基本为4个，缺乏海岸波段（400—450 nm）、红边波段（705—745 nm）及近红外波段（860—1040 nm），较难反映植被真实的光谱曲线。 珠海一号高光谱卫星是珠海欧比特宇航科技股份有限公司发射并运营的商业卫星，能实现2.5 d的重返周期。珠海一号高光谱影像谱段数32个，光谱分辨率2.5 nm，波谱范围400—1000 nm，与在轨正常运行的高光谱卫星相比（空间分辨率为30 m），珠海一号空间分辨率为10 m，在植被与土壤定量遥感领域已发挥巨大优势（ Kahaer等，2020 Kahaer等，2020 ； Zhang等，2021a Zhang等，2021a ）。 利用ENVI 5.3软件的NDDiffuse Pan Sharpening工具对WorldView-2影像的多光谱和全色波段进行融合，然后对融合后的WorldView-2影像与珠海一号影像分别进行辐射定标、FLAASH大气校正和无控制点正射校正。基于研究区已校正好的数字正射影像，分别对处理后的WorldView-2和珠海一号影像进行几何精校正。为了研究WorldView-2不同空间分辨率对分类精度的影响，利用ENVI软件的Resize data工具对0.5 m的影像重采样至1 m、2 m、4 m、8 m及10 m，重采样方法为“Pixel Aggregate”。 6种空间分辨率的WorldView-2影像中，每种影像提取两大类特征：光谱特征（原始波段、植被指数、主成分波段、缨帽变换波段）和纹理特征。利用ENVI软件App Store的Spectral Indices Batch工具提取38个植被指数（参考文件S1，下载地址： https：//share.weiyun.com/l7W3vgdj https://share.weiyun.com/l7W3vgdj ［2021-07-14］），Forward PCA Rotation New Statistics and Rotate工具提取第1—3主成分波段，Tasseled Cap工具提取亮度、绿度、湿度指数。基于第一主成分影像，参考 徐逸等（2021） 徐逸等（2021） 的方法，利用开源遥感软件Orfeo ToolBox的Haralick Texture Extraction工具提取3大类纹理特征（参考文件S2，下载地址： https：//share.weiyun.com/l7W3vgdj https://share.weiyun.com/l7W3vgdj ［2021-07-14］）：8个简单（Simple）特征、10个高级（Advanced）和10个高阶（Higher order）特征。由于不同的窗口会产生完全不同的纹理特征，本文选取7个窗口（3×3、5×5、7×7、9×9、11×11、13×13、15×15）提取3大类纹理特征（共28个）。因此，每种WorldView-2影像共提取248个特征，包含52个光谱特征以及196个纹理特征。 由于珠海一号影像的空间分辨率不高，所以只提取光谱特征，包含32个原始波段、32个一阶微分波段、47个植被指数（参考文件S3，下载地址： https：//share. https://share. ‍weiyun.‍com/l7W3vgdj‍［2021-07-14］）、3个主成分波段、3个缨帽变换波段，共117个特征。利用ENVI软件App Store的Image Derivative工具对高光谱波段进行一阶微分变换，进而增强波段之间的差异性及消除背景噪声。 2.3　影像特征选择 2 为了选取与红树林物种分类敏感的影像特征，本文比较3种特征选择算法：极端梯度提升XGBoost（eXtreme gradient boosting）、极端随机树ERT（Extremely Randomized Trees）、连续投影算法SPA（Successive Projections Algorithm）。XGBoost与ERT都是决策树（回归和分类树，CART）算法的改进方法，但ERT尚未应用至红树林分类研究中。 2.3.1　XGBoost 3 XGBoost是一种基于回归和分类树的梯度提升算法，根据提升之后的树得到各特征的重要性。与梯度提升决策树GBDT（Gradient Boosting Decision Tree）相比，XGBoost的特点主要表现在：XGBoost将目标函数进行泰勒二阶展开，加入 L 2正则化项以控制模型复杂度，增加自动处理缺失值特征的策略（ Chen和Guestrin，2016 Chen和Guestrin，2016 ）。XGBoost从顶到底建立所有可建立的子树，再从底到顶进行剪枝，每颗子树一个一个加，并希望每加一颗树能够提升精度。XGBoost的原始目标函数如下： <math display="block" id="M1"><mi mathvariant="normal">O</mi><mi mathvariant="normal">b</mi><mi mathvariant="normal">j</mi><mo>=</mo><mstyle displaystyle="true"><munderover><mo largeop="true">∑</mo><mrow><mi>i</mi><mo>=</mo><mn mathvariant="normal">1</mn></mrow><mrow><mi>n</mi></mrow></munderover></mstyle><mrow><mi>l</mi><mo stretchy="false">(</mo><msub><mrow><mi>y</mi></mrow><mrow><mi>i</mi></mrow></msub></mrow><mo>,</mo><msub><mrow><mover accent="true"><mi>y</mi><mo>̂</mo></mover></mrow><mrow><mi>i</mi></mrow></msub><mo stretchy="false">)</mo><mo>+</mo><mstyle displaystyle="true"><munderover><mo largeop="true">∑</mo><mrow><mi>j</mi><mo>=</mo><mn mathvariant="normal">1</mn></mrow><mrow><mi>t</mi></mrow></munderover></mstyle><mrow><mi mathvariant="normal">Ω</mi><mo stretchy="false">(</mo><msub><mrow><mi>f</mi></mrow><mrow><mi>j</mi></mrow></msub></mrow><mo stretchy="false">)</mo></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32770731&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32770729&type= 42.41799927 8.80533314 式中， <math id="M2"><mi>l</mi><mo stretchy="false">(</mo><msub><mrow><mi>y</mi></mrow><mrow><mi>i</mi></mrow></msub><mo>,</mo><msub><mrow><mover accent="true"><mi>y</mi><mo>̂</mo></mover></mrow><mrow><mi>i</mi></mrow></msub><mo stretchy="false">)</mo></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32770738&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32770735&type= 11.17599964 4.74133301 是模型损失函数， <math id="M3"><msub><mrow><mi>y</mi></mrow><mrow><mi>i</mi></mrow></msub></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32770813&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32770810&type= 2.37066650 4.57200003 和 <math id="M4"><msub><mrow><mover accent="true"><mi>y</mi><mo>̂</mo></mover></mrow><mrow><mi>i</mi></mrow></msub></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32770751&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32770747&type= 2.37066650 4.74133301 是样本 i 的真实值和预测值， <math id="M5"><mstyle displaystyle="true"><munderover><mo largeop="true">∑</mo><mrow><mi>j</mi><mo>=</mo><mn mathvariant="normal">1</mn></mrow><mrow><mi>t</mi></mrow></munderover></mstyle><mrow><mi mathvariant="normal">Ω</mi><mo stretchy="false">(</mo><msub><mrow><mi>f</mi></mrow><mrow><mi>j</mi></mrow></msub></mrow><mo stretchy="false">)</mo></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32770757&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32770755&type= 13.20800018 8.80533314 是函数的正则化项， f j 是一个回归树。对正则项进行拆分，变成前 t -1项和第 t 项： <math display="block" id="M6"><mtable columnalign="left"><mtr><mtd><mi>O</mi><mi>b</mi><msup><mrow><mi>j</mi></mrow><mrow><mo stretchy="false">(</mo><mi>t</mi><mo stretchy="false">)</mo></mrow></msup><mo>=</mo><mstyle displaystyle="true"><munderover><mo largeop="true">∑</mo><mrow><mi>i</mi><mo>=</mo><mn mathvariant="normal">1</mn></mrow><mrow><mi>n</mi></mrow></munderover></mstyle><mrow><mi>l</mi></mrow><mfenced separators="|"><mrow><msub><mrow><mi>y</mi></mrow><mrow><mi>i</mi></mrow></msub><mo>,</mo><msup><mrow><msub><mrow><mover accent="true"><mi>y</mi><mo>̂</mo></mover></mrow><mrow><mi>i</mi></mrow></msub></mrow><mrow><mo stretchy="false">(</mo><mi>t</mi><mo>-</mo><mn mathvariant="normal">1</mn><mo stretchy="false">)</mo></mrow></msup><mo>+</mo><msub><mrow><mi>f</mi></mrow><mrow><mi>t</mi></mrow></msub><mo stretchy="false">(</mo><msub><mrow><mi mathvariant="bold-italic">x</mi></mrow><mrow><mi>i</mi></mrow></msub><mo stretchy="false">)</mo></mrow></mfenced><mo>+</mo><mi mathvariant="normal">Ω</mi><mo stretchy="false">(</mo><msub><mrow><mi>f</mi></mrow><mrow><mi>t</mi></mrow></msub><mo stretchy="false">)</mo><mo>+</mo><mi>C</mi><mo>=</mo></mtd></mtr><mtr><mtd><mstyle displaystyle="true"><munderover><mo largeop="true">∑</mo><mrow><mi>i</mi><mo>=</mo><mn mathvariant="normal">1</mn></mrow><mrow><mi>n</mi></mrow></munderover></mstyle><mrow><mfenced separators="|"><mrow><mo stretchy="false">(</mo><mi>l</mi><msub><mrow><mi>y</mi></mrow><mrow><mi>i</mi></mrow></msub><mo>,</mo><msup><mrow><msub><mrow><mover accent="true"><mi>y</mi><mo>̂</mo></mover></mrow><mrow><mi>i</mi></mrow></msub></mrow><mrow><mo stretchy="false">(</mo><mi>t</mi><mo>-</mo><mn mathvariant="normal">1</mn><mo stretchy="false">)</mo></mrow></msup><mo stretchy="false">)</mo><mo>+</mo><msub><mrow><mi>g</mi></mrow><mrow><mi>i</mi></mrow></msub><msub><mrow><mi>f</mi></mrow><mrow><mi>t</mi></mrow></msub><mo stretchy="false">(</mo><msub><mrow><mi mathvariant="bold-italic">x</mi></mrow><mrow><mi>i</mi></mrow></msub><mo stretchy="false">)</mo><mo>+</mo><mfrac><mrow><mn mathvariant="normal">1</mn></mrow><mrow><mn mathvariant="normal">2</mn></mrow></mfrac><msub><mrow><mi>h</mi></mrow><mrow><mi>i</mi></mrow></msub><msup><mrow><msub><mrow><mi>f</mi></mrow><mrow><mi>t</mi></mrow></msub></mrow><mrow><mn mathvariant="normal">2</mn></mrow></msup><mo stretchy="false">(</mo><msub><mrow><mi mathvariant="bold-italic">x</mi></mrow><mrow><mi>i</mi></mrow></msub><mo stretchy="false">)</mo></mrow></mfenced><mo>+</mo><mi mathvariant="normal">Ω</mi><mo stretchy="false">(</mo><msub><mrow><mi>f</mi></mrow><mrow><mi>t</mi></mrow></msub><mo stretchy="false">)</mo><mo>+</mo><mi>C</mi></mrow></mtd></mtr></mtable></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32770763&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32770760&type= 76.45400238 18.62666702 <math display="block" id="M7"><mi mathvariant="normal">Ω</mi><mo stretchy="false">(</mo><msub><mrow><mi>f</mi></mrow><mrow><mi>t</mi></mrow></msub><mo stretchy="false">)</mo><mo>=</mo><mi>γ</mi><mi>T</mi><mo>+</mo><mfrac><mrow><mn mathvariant="normal">1</mn></mrow><mrow><mn mathvariant="normal">2</mn></mrow></mfrac><mi>λ</mi><mstyle displaystyle="true"><munderover><mo largeop="true">∑</mo><mrow><mi>j</mi><mo>=</mo><mn mathvariant="normal">1</mn></mrow><mrow><mi>T</mi></mrow></munderover></mstyle><mrow><msubsup><mrow><mi mathvariant="normal">ω</mi></mrow><mrow><mi>j</mi></mrow><mrow><mn mathvariant="normal">2</mn></mrow></msubsup></mrow></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32770769&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32770766&type= 35.39066696 8.80533314 式中， C 是常数， x i 表示第 i 个数据点的特征向量， <math id="M8"><msub><mrow><mi>g</mi></mrow><mrow><mi mathvariant="bold-italic">i</mi></mrow></msub></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32770776&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32770773&type= 2.70933342 4.57200003 是损失函数一阶导数， <math id="M9"><msub><mrow><mi>h</mi></mrow><mrow><mi>i</mi></mrow></msub></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32770785&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32770781&type= 2.62466669 3.72533321 为二阶导数， <math id="M10"><mi>γ</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32770792&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32770788&type= 2.03200006 3.38666677 为叶子树惩罚系数， <math id="M11"><mi>λ</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32770796&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32770794&type= 2.28600001 2.62466669 为叶子权重惩罚系数， T 为当前这棵树叶子节点个数， <math id="M12"><msubsup><mrow><mi>ω</mi></mrow><mrow><mi>j</mi></mrow><mrow><mn mathvariant="normal">2</mn></mrow></msubsup></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32770800&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32770798&type= 3.55599999 4.06400013 为叶子节点值的 L 2范数。 XGBoost特征重要性通过3个参数确定：weight（该特征在所有树中被用作分割样本的总次数）、gain（该特征在出现过的所有树中产生的平均增益）、cover（该特征在其出现的所有树中的平均覆盖范围）。 2.3.2　ERT 3 极端随机树（ERT）是 Geurts等（2006） Geurts等（2006） 提出的一种集成机器学习算法，与随机森林算法类似，都是集成多个决策树进行打分，根据各个决策树预测值的平均值进行投票，计算特征对每棵树的分枝贡献程度来评价特征重要性。ERT的每棵决策树都是基于全部训练样本，且ERT比随机森林更具随机性，因为它在每个节点随机选择特征子集，且随机分裂获取最优分枝属性和阈值，而随机森林是由固定数量的特征子集进行最优分裂。 2.3.3　SPA 3 连续投影算法（SPA）是 Araújo等（2001） Araújo等（2001） 提出的一种特征选择方法，它能够有效搜寻具有最低冗余信息的特征组合，使得特征之间的共线性影响达到最小。SPA是种向前选择的方法，从一个特征 k （0）（特征总数为 K ）开始，计算它在未选择特征的投影，选择对应投影向量最大的特征，每次迭代，直至达到所定义的选择特征数（ N， 本文的 N 为20）为止，基本思路如下： （1）第1次迭代（ n =1），在特征矩阵中任选一列向量 x j ， j = k （0），1≤ j ≤ K ； （2） S 为未被选择特征集，分别计算 x j 对 S 中各特征的投影向量； （3）记录最大投影对应的波段序号； （4）将最大投影作为下轮的投影向量； （5）进入第2次迭代， n = n +1，如果 n < N ，从步骤（2）开始继续投影。 2.3.4　确定最佳特征数量 3 将所有样本（共599个）基于物种类别随机分组，即每个物种随机抽取70%样本作为测试集，剩余30%样本作为验证集。为保证所选特征的可靠性，操作如下： （1）随机分组100次，得到100组测试集及对应的验证集； （2）每次分组得到各个特征重要性值（XGBoost和ERT）或被选次数（0或1，SPA），100次分组后，统计各个特征重要性的平均值（XGBoost和ERT）或被选频率（SPA）； （3）将重要性平均值或被选频率从高到低排序，依次选取前 m （ m =1，2，3，…，50）个特征作为新变量，为了减少计算量，最多选取前50个特征； （4）基于前 m 个特征和步骤（1）的测试集，构建随机森林分类模型，利用对应验证集计算分类总体精度（OA=正确分类的数量/验证集样本数量）的平均值（Mean_OA，100个OA值的平均值）； （5）随着特征数量的增多，Mean_OA折线图可能会有多个峰值，选取第一个峰值对应的数量为最佳特征数量。 基于6种不同空间分辨率的WorldView-2影像及珠海一号影像所提取的特征，利用3种特征选择算法和随机森林分类模型分别选取物种分类的最佳特征数量，并比较对应的平均总体精度（Mean_OA），确定最优的特征选择算法以及WorldView-2的最佳空间分辨率。 将珠海一号最佳特征波段（10 m空间分辨率）重采样至WorldView-2影像的最佳空间分辨率，对两个影像的敏感特征进行耦合，利用最佳的特征选择算法，按照本节的5个操作步骤，重新选取最优特征数量。 2.4　红树林物种分类制图及其空间分析 2 基于最佳空间分辨率的WorldView-2影像、珠海一号影像以及耦合两个影像的最优特征，利用全部样本构建随机森林分类模型，并进行空间制图。基于这些样本的交叉验证预测值，计算总体精度、Kappa系数、用户精度和生产者精度，获取研究区红树林物种的最佳分类图。 用ArcMap软件的Spatial Autocorrelation计算分类图的全局莫兰指数（Global Moran’s I）。全局莫兰指数是最常用的空间自相关指数，用来评估红树林物种分类图是否具有集聚性，其值为正指示聚类趋势，其值为负指示离散局势，计算公式如下： <math display="block" id="M13"><mi>I</mi><mo>=</mo><mfrac><mrow><mi>n</mi></mrow><mrow><mstyle displaystyle="true"><munderover><mo largeop="true">∑</mo><mrow><mi>i</mi><mo>=</mo><mn mathvariant="normal">1</mn></mrow><mrow><mi>n</mi></mrow></munderover></mstyle><mrow><msub><mrow><mstyle displaystyle="true"><munderover><mo largeop="true">∑</mo><mrow><mi>j</mi><mo>=</mo><mn mathvariant="normal">1</mn></mrow><mrow><mi>n</mi></mrow></munderover></mstyle><mrow><msub><mrow><mi>w</mi></mrow><mrow><mi>i</mi><mi>j</mi></mrow></msub></mrow></mrow><mrow/></msub></mrow></mrow></mfrac><mo>×</mo><mfrac><mrow><mstyle displaystyle="true"><munderover><mo largeop="true">∑</mo><mrow><mi>i</mi><mo>=</mo><mn mathvariant="normal">1</mn></mrow><mrow><mi>n</mi></mrow></munderover></mstyle><mrow><mstyle displaystyle="true"><munderover><mo largeop="true">∑</mo><mrow><mi>j</mi><mo>=</mo><mn mathvariant="normal">1</mn></mrow><mrow><mi>n</mi></mrow></munderover></mstyle><mrow><msub><mrow><mi>w</mi></mrow><mrow><mi>i</mi><mi>j</mi></mrow></msub><mo stretchy="false">(</mo><msub><mrow><mi>y</mi></mrow><mrow><mi>i</mi></mrow></msub><mo>-</mo><mover accent="true"><mi>y</mi><mo>¯</mo></mover><mo stretchy="false">)</mo><mo stretchy="false">(</mo><msub><mrow><mi>y</mi></mrow><mrow><mi>j</mi></mrow></msub><mo>-</mo><mover accent="true"><mi>y</mi><mo>¯</mo></mover><mo stretchy="false">)</mo></mrow></mrow></mrow><mrow><mstyle displaystyle="true"><munderover><mo largeop="true">∑</mo><mrow><mi>i</mi><mo>=</mo><mn mathvariant="normal">1</mn></mrow><mrow><mi>n</mi></mrow></munderover></mstyle><mrow><mo stretchy="false">(</mo><msub><mrow><mi>y</mi></mrow><mrow><mi>i</mi></mrow></msub><msup><mrow><mo>-</mo><mover accent="true"><mi>y</mi><mo>¯</mo></mover><mo stretchy="false">)</mo></mrow><mrow><mn mathvariant="normal">2</mn></mrow></msup></mrow></mrow></mfrac></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32770807&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32770802&type= 61.12933731 19.30400085 式中， n 为空间单元总个数， <math id="M14"><msub><mrow><mi>y</mi></mrow><mrow><mi>i</mi></mrow></msub></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32770813&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32770810&type= 2.37066650 4.57200003 和 <math id="M15"><msub><mrow><mi>y</mi></mrow><mrow><mi>j</mi></mrow></msub></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32770819&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32770817&type= 2.28600001 4.57200003 为第 i 和 j 个空间单元的属性值， <math id="M16"><mover accent="true"><mi>y</mi><mo>¯</mo></mover></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32770824&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32770822&type= 1.69333339 3.47133350 为所有空间单元属性的均值， <math id="M17"><msub><mrow><mi>w</mi></mrow><mrow><mi>i</mi><mi>j</mi></mrow></msub></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32770830&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32770827&type= 3.47133350 3.72533321 为空间权重值。 影像空间分辨率的下降，会导致像元异质性增加，像元内物种数量也会出现变化。为研究不同空间分辨率下像元物种个数，利用Focal Statistics工具计算分类图（分辨率2 m）单位面积内（5 m×5 m、10 m×10 m、15 m×15 m、20 m×20 m）物种总个数的空间分布，进而为物种多样性分析提供数据支撑。 野外调查发现，研究区的林窗较多，林窗是森林的一种中小尺度干扰因素，由冠层乔木的死亡或移除等原因造成的冠层空隙（ Watt，1947 Watt，1947 ）。林窗影响物种生存的环境，进而影响森林物种组成和种群动态，因此有必要探索林窗与物种分布的关系。为统计方便，基于0.5 m分辨率的WorldView-2影像，利用NDVI阈值法提取研究区内所有大于50 m 2 的林窗。林窗内几乎没有植被覆盖，所以构建林窗多边形10 m缓冲区，将缓冲区与物种分类图空间叠加，统计林窗缓冲区内物种分布情况。 研究表明，地表高程是影响红树林物种空间分布的重要因素，因为红树林物种分布受多种环境梯度影响，而地表高程影响环境梯度（如盐度、潮汐、营养盐等）（ Leong等，2018 Leong等，2018 ）。因此，本文进一步探究红树林物种分布与地表高程的关系。基于图新地球软件免费下载的研究区高程点数据（excel表，包含经纬度和高程数据），利用Arcmap软件的3D analysis工具生成DEM影像获取研究区数字高程影像（-3.05—7.57 m），将高程分为8段（小于-1 m、-1—0 m、0—1 m、1—2 m、2—3 m、3—4 m、4—5 m、大于5 m），统计各段高程内各物种所占面积比例。另外，不同离岸距离对红树林群落的林分结构具有较大影响（ 王旭 等，2009 王旭 等，2009 ）。因此，需要探讨不同离岸距离与物种分布的关系。计算各个像元与大坝（ 图1 图1 ）之间的最短距离作为离岸距离，统计不同离岸距离（0—100 m、100—200 m、300—400 m、400—500 m、500—600 m、600—700 m、大于700 m）下各物种所占面积比例。 3　结果与分析 1 3.1　WorldView-2与珠海一号影像的反射率 2 WorldView-2与珠海一号影像400—700 nm的反射率显著低于700—1000 nm的反射率（ 图2 图2 ），且在550 nm处有反射峰（“绿峰”），670 nm处有吸收谷（“红谷”），符合健康植被光谱曲线规律。红树林物种在700—1000 nm比400—700 nm处具有更大的差异性，因为前者波谱范围的反射率主要由叶片细胞结构与冠层结构决定，后者反射率主要由叶片叶绿素含量主导。 1,2;3; 木榄、红海榄、秋茄的反射率高于白骨壤、桐花树与无瓣海桑，这可能是因为前3个树种的叶片含水量、叶绿素含量、氮含量均高于后三者（Wang等，2020），且前三者的树冠幅一般大于后三者，叶子在冠层内部的多元散射更为显著。 处于相同地理位置处的物种而言，珠海一号影像的反射率在400—700 nm处高于WorldView-2影像，白骨壤、木榄、无瓣海桑的珠海一号反射率在700—1000 nm处低于WorldView-2，但桐花树和秋茄的反射率呈现出相反的情况。不同传感器在同一地物处具有不同的反射率，主要与影像获取时间、空间分辨率和传感器光谱响应等因素有关。同一物种不同季节的红树林叶片性状信息（如叶绿素、含水量）存在差异性（ Zhen等，2021 Zhen等，2021 ），进而影响光谱特征。珠海一号与WolrdView-2影像获取时间分别在夏季和秋季，且潮汐状况不同，光谱反射率受水汽影响程度也不一样。中低空间分辨率（10—30 m）的地物光谱通常是多个地物的混合光谱，因此不能真实反映实际地物的光谱曲线。另外，多光谱卫星由于波段数量十分有限（4—8个），只能展示中心波长处的光谱反射率，缺乏其他波谱范围内的详细信息。 3.2　基于WorldView-2与珠海一号影像的物种分类 2 基于6种空间分辨率的WorldView-2影像和珠海一号影像，利用随机森林分类模型，本文比较3种特征选择方法（XGBoost、ERT、SPA）在红树林物种分类的性能（ 表1 表1 ）。XGBoost筛选的最佳特征更能准确对红树林物种进行分类，但基于SPA筛选的特征分类性能最差。 徐逸等（2021） 徐逸等（2021） 利用无人机遥感数据证实了XGBoost在红树林物种分类的巨大潜力。 Cao等（2018b） Cao等（2018b） 利用室外成像高光谱数据，指出SPA优于其他特征选择方法（如逐步判别分析），但未与XGBoost和ERT进行比较。本文首次引入ERT研究红树林物种分类，发现与XGBoost的分类性能相差不大，因为它们都是基于决策树的机器学习算法，比SPA更具有泛化能力。 注： 将全样本随机分层分组100次，共分为100组测试集和验证集。平均总体精度是100组分类模型精度的平均值。 2 影像 2 空间分辨率/m 3 平均总体精度（最佳特征数量） XGBoost ERT SPA 6 WorldView-2 0.5 73.90%（14） 73.43%（9） 67.35%（13） 1 79.86%（15） 79.80%（13） 77.04%（12） 2 84.36%（8） 81.77%（8） 79.42%（7） 4 83.76%（10） 80.28%（9） 79.67%（9） 8 80.17%（9） 80.94%（9） 74.25%（10） 10 79.56%（12） 77.04%（12） 72.87%（10） 珠海一号 10 74.59%（12） 71.77%（11） 65.61%（14） 不同空间分辨率的WorldView-2影像表现出不同的分类性能，基于2 m分辨率的影像更能准确识别红树林物种，比4 m分辨率的影像分类精度略高。另外，随着分辨率下降，分类性能也下降，0.5 m和10 m分辨率的影像分类精度最低。这与 Kamal等（2014） Kamal等（2014） 的结论类似，指出2 m分辨率的WorldView-2影像最适合识别单一树冠，因为大多数红树林树种的平均冠幅为2 m。 李雨秦等（2020） 李雨秦等（2020） 比较2 m、4 m、8 m及16 m分辨率的WorldView-2影像，指出4 m分辨率的影像可以获得更好的分类精度。结论的差异性在于本文使用变量选择方法提取敏感特征进行分类。另外，4 m分辨率的WorldView-2影像纹理信息会部分丢失，较难识别冠幅较小的树种（ Kamal等，2014 Kamal等，2014 ）。对于面积较大（大于5 km 2 ）的研究区，空间分辨率越高的星载或机载影像（如0.5—1 m）文件大，导致影像处理效率低，可能不利于影像的智能化快速分类制图。 基于珠海一号影像的最佳平均总体精度小于75%，低于WorldView-2影像。这主要是因为珠海一号的空间分辨率较低（10 m），存在混合像元影响。 Wang等（2018a） Wang等（2018a） 利用Landsat 8（分辨率15 m）和Sentinel-2（分辨率10 m）影像对东寨港红树林保护区的红树林物种进行分类，指出它们的分类总体精度分别为70.95%和68.57%，均低于基于珠海一号影像的分类精度。这表明，同等空间分辨率下（10—15 m），珠海一号高光谱卫星比多光谱卫星具有较大优势。另外， Valderrama-Landeros等（2018） Valderrama-Landeros等（2018） 提出基于WorldView-2影像的红树林物种分类性能优于SPOT-5（2.5 m分辨率）、Sentinel-2和Landsat 8。这表明，同等空间分辨率下（2—2.5 m），WorldView-2（8个波段）比仅有4个波段的多光谱卫星在物种分类上更具优势。 6种不同空间分辨率WorldView-2影像所选的特征中，XGBoost都筛选了红边波段（705—745 nm）、WorldView土壤指数（即绿波段（510—580 nm）、黄波段（585—625 nm）之间的归一化差值植被指数）、缨帽变换湿度指数以及Haralick高阶纹理第7特征（15×15窗口）；ERT都筛选了绿波段（510—580 nm）、红边波段（705—745 nm）、WorldView均匀性特征差异指数（即海岸波段（400—450 nm）和红边波段（705—745 nm）的差值植被指数）、第3主成分波段以及缨帽变换湿度指数；SPA都筛选了红边波段（705—745 nm）、近红外波段（770—895 nm）、花青素反射指数1（使用绿波段和红边波段）、花青素反射指数2（使用绿波段、红边波段、近红外波段）、改进的三角植被指数（使用绿波段、红波段、近红外波段）。珠海一号影像所选的特征中，3种特征选择方法均筛选出波段443 nm、466 nm、550 nm、580 nm一阶微分、植物衰减指数（使用影像波段550 nm、686 nm和756 nm）、WorldView土壤指数（使用影像波段550 nm和596 nm）以及缨帽变换绿度指数。 Li等（2019b） Li等（2019b） 也指出红边、绿及黄波段是影响红树林物种分类的重要特征。另外，红边波段、绿波段与叶绿素含量、氮素含量密切相关，表明叶绿素与氮素等性状信息一定程度上影响分类精度，因此未来研究可以尝试探索加入性状信息是否能提升分类精度。 平均重要性排名前10的WorldView-2影像特征中，XGBoost筛选出8个光谱特征和2个纹理特征；ERT和SPA筛选的都是光谱特征。很多研究表明，光谱与纹理特征结合能够提高植被分类精度（ Mallinis等，2008 Mallinis等，2008 ； Majdar和Ghassemian，2017 Majdar和Ghassemian，2017 ），因为植被的差异不仅表现在与叶片性状相关的光谱信息，还有冠层结构特性（如冠幅、叶面积指数、树高、郁闭度等）。因此，基于XGBoost筛选的特征比其他两种方法筛选的特征在物种分类上更具优势（ 表1 表1 ）。XGBoost筛选的纹理特征都属于高阶纹理，表明高阶纹理更能显著影响分类精度，这与 徐逸等（2021） 徐逸等（2021） 的发现一致。 基于2 m分辨率WorldView-2影像和10 m分辨率珠海一号影像，利用XGBoost分别筛选出8和12个敏感特征（ 图3（d） 图3（d） ）。将珠海一号的12个特征波段使用最近邻方法重采样至2 m，把这20个特征进行组合，再利用XGBoost筛选出13个重要特征（ 图3（d） 图3（d） ），红边波段（705—745 nm）、WorldView含铁指数（使用绿波段、黄波段、蓝波段）、WorldView土壤指数（使用绿波段、黄波段）的特征重要性排名前三。基于全部样本（599个），使用 图3（d） 图3（d） 的最优特征，利用随机森林回归模型，分别基于WorldView-2影像（2 m分辨率）、珠海一号影像（10 m分辨率）、耦合WorldView-2和珠海一号影像（2 m分辨率）进行物种分类制图（ 图3（a） 图3（a） — 图3（c） 图3（c） ）。 1,2;3,4; 结果表明，耦合两个影像的分类精度（总体精度：88.98%，kappa系数：0.846）高于单一的WorldView-2影像（总体精度：83.47%，kappa系数：0.768）和珠海一号影像的分类精度（总体精度：78.50%，kappa系数：0.703）（ 表2 表2 ），这是因为WorldView-2影像缺乏丰富的波段信息，而珠海一号影像缺乏丰富的纹理信息。许多学者也证实了多源遥感数据耦合能够提高红树林物种分类精度，例如， Li等（2019b） Li等（2019b） 结合WorldView-3影像及机载LiDAR数据，红树林分类的总体精度由72%（WorldView-3）和79%（LiDAR）提高到88%； Zhang等（2018） Zhang等（2018） 指出WorldView-3影像与Radarsat-2影像的结合比仅使用Radarsat-2的红树林分类精度提高2%—3%。 影像 物种 用户精度/% 生产者精度/% 总体精度/% Kappa系数 6 WorldView-2 白骨壤 73.97 79.41 6 83.47 6 0.768 木榄 89.47 88.54 红海榄 79.10 81.54 桐花树 84.96 91.27 无瓣海桑 70.00 48.28 秋茄 66.67 12.50 6 珠海一号 白骨壤 83.33 74.47 6 78.50 6 0.703 木榄 77.11 86.26 红海榄 90.91 70.42 桐花树 79.55 88.80 无瓣海桑 90.91 21.47 秋茄 87.50 43.75 6 WorldView-2、珠海一号 白骨壤 82.43 89.71 6 88.98 6 0.846 木榄 92.55 90.63 红海榄 88.24 92.31 桐花树 88.52 94.32 无瓣海桑 86.96 68.97 秋茄 100.00 12.50 基于耦合影像特征得到的分类图（ 图3（c） 图3（c） ）指出，研究区桐花树面积占比最大（33.77%），其次为木榄（30.44%）、白骨壤（26.96%）、红海榄（6.08%）、无瓣海桑（2.72%）和秋茄（0.02%）。 郑艺等（2019） 郑艺等（2019） 利用资源三号卫星（分辨率5.8 m，4个波段）同样指出该研究区的桐花树面积占比最大，但秋茄的比例明显比本文的高。这可能是因为秋茄常与桐花树和木榄混生，而且没有形成大面积连片分布，易出现错分。另外，红海榄（红树科红树属植物）常与木榄（红树科木榄属植物）混生，且它们的叶片类似，易出现错分或漏分。无瓣海桑与白骨壤的光谱曲线接近（ 图2（b） 图2（b） ），因此无瓣海桑易错分为白骨壤，导致无瓣海桑的生产者精度较低。尽管无瓣海桑的树高明显高于白骨壤，但本文使用的都为光学卫星，不能产生树高信息，暂不能对两个物种进行精确区分。 Cao等（2018a） Cao等（2018a） 的结论表明高度信息对于区分光谱特征类似的红树林物种具有巨大优势，因此，未来研究将引入机载LiDAR影像或星载SAR影像以提高研究区的物种分类精度。 3.3　红树林物种分布空间格局及其影响因素分析 2 基于耦合WorldView-2和珠海一号影像的分类图（ 图3（c） 图3（c） ）进行物种分布格局分析（ 图4 图4 ）及其与林窗（ 图5 图5 ）、高程、离岸距离（ 图6 图6 ）的关系探讨。该分类图的全局莫兰指数为0.0346（ Z =14.214， p =0），表明分类呈现显著的空间正相关，树种分布具有明显的集聚性。 徐逸等（2021） 徐逸等（2021） 对深圳福田红树林保护区物种分布进行空间分析，也发现树种分布具有显著的聚集模式。与深圳福田保护区类似，高桥红树林保护区是天然林与人工林混生，白骨壤、桐花树及木榄常连片生长，具有显著的集聚特征。 1,2;3,4; 1,2;3; 单位面积5 m×5 m内（ 图4（a） 图4（a） ），红树林物种总个数大多数为2个（占比43.34%）或3个（占比31.09%），因为红树植物的平均冠幅为2 m，且大多数植物混生；单位面积10 m×10 m内（ 图4（b） 图4（b） ），红树林物种总个数大多数为3个（占比37.75%）或4个（占比31.27%）；单位面积15 m×15 m和20 m×20 m内，红树林物种总个数大多数为4个。这说明中低分辨率的卫星（10—30 m）存在明显的混合像元现象，是导致珠海一号高光谱卫星（10 m分辨率）物种分类结果较低的主要原因。另外，物种个数与生物多样性具有紧密联系，一定程度上反映了不同空间分辨率对红树林生物多样性的影响。 红树林物种丰富的区域集中在研究区的中部（天然林， 图5 图5 的B区域，共90个林窗，平均面积375.07 m 2 ）和东南部（人工林， 图5 图5 的D区域，共137个林窗，平均面积334.44 m 2 ），而这两个区域也正是林窗个数最多的区域，A区域（共37个林窗，平均面积744.70 m 2 ）和C区域（共20个林窗，平均面积281.75 m 2 ）林窗较少。这表明，林窗对物种多样性分布格局有一定影响。 黄剑坚等（2012） 黄剑坚等（2012） 指出该研究区的林窗以小面积为主，主要形成方式是枯死及侧枝损坏。作为红树林干扰因子，林窗一方面将连续分布的物种进行分割，另一方面为物种的扩散分布提供有利环境（土壤养分和微生物群落）。林窗10 m缓冲区范围内（共34.29万m²），白骨壤、木榄、桐花树面积占比分别为43.38%、26.49%和23.18%，无瓣海桑、红海榄、秋茄占比分别为5.90%、1.04%和0.01%。虽然研究区的桐花树面积占比最高，但林窗缓冲区内大多数是白骨壤，这可能是因为研究区白骨壤生长低矮，树与树之间的间距较大，没有木榄、桐花树生长根系繁茂，且大多数是人工林，易形成林窗。 55.51%的白骨壤分布在高程0—2 m处（ 图6（a） 图6（a） ），因为大多数白骨壤沿河流、潮沟和靠海侧分布（ 图3（c） 图3（c） ）；木榄、桐花树、红海榄大多数分布在高程1—4 m处；秋茄主要生长在高程3—4 m处；无瓣海桑主要分布在-1—0 m处（靠海侧）和1—2 m处（靠岸侧）。这些物种在小于-1 m和大于5 m的高程区域都较少分布。高程的差异性导致海水盐度、土壤养分和微生物群落的不同，进而可能影响红树植物的扩张速度及分布格局（ Leong等，2018 Leong等，2018 ）。另外，掌握各物种所处的高程差异，对于探索红树林宜林地及研究红树林对高程的生态响应具有重要意义。 木榄、红海榄、桐花树、无瓣海桑都有大于11%的面积分布在离岸距离大于700 m的区域，这是因为这几个物种均分布于 图5 图5 所示的A和B区域，这两个区域的靠海侧距离大坝处最远1200多米。37.22%的秋茄分布在离岸距离200—300 m处，且集中分布在 图5 图5 所示的A区域中部。面积占比大于40%的白骨壤和红海榄分布在离岸距离0—200 m处，因为大部分白骨壤和红海榄分布在 图5 图5 所示的C和D区域的靠近大坝侧。另外，36.06%的无瓣海桑分布在离岸距离0—100 m处，因为都属于人工种植且大部分靠近大坝处。研究表明，无瓣海桑造林能有效在天然红树林外缘促进本土优势物种（白骨壤、桐花树）的生长（ 王旭 等，2009 王旭 等，2009 ）。但无瓣海桑的生长速度远快于其他物种，侵占了本土优势物种的生长空间。因此，精确了解无瓣海桑的生长规模及空间分布，有利于管理者及时控制它的扩张速度，进而保护红树林生态系统安全。 4　结论 1 基于WorldView-2和珠海一号高光谱影像，利用3种特征选择算法提取敏感特征，结合随机森林分类模型对湛江高桥红树林保护区进行物种分类，得到以下结论： （1）极端梯度提升（XGBoost）方法优于极端随机树（ERT）和连续投影算法（SPA），在影像特征选择中具有巨大优势； （2）高分影像并不是分辨率越高具有越好的分类性能，2 m分辨率的WorldView-2影像更能准确区分红树林物种，且红边波段显著影响分类精度； （3）基于珠海一号影像的红树林物种分类精度弱于WorldView-2影像，但它们的耦合可以显著提升分类性能，在景观及区域尺度上精确提取红树林物种信息具有巨大潜力； （4）林窗、高程、离岸距离一定程度上影响红树林物种分布格局。 本文首次引入XGBoost和极端随机树用于WorldView-2和珠海一号影像的特征选择，并首次尝试耦合WorldView-2和珠海一号影像对红树林物种进行分类，为红树林生态系统多样性、参数反演（如碳储量、生产力、叶面积指数等）及健康评价提供技术和数据支撑。 未来研究将关注以下方面：WorldView-2与珠海一号影像融合，实现影像同时拥有高空间分辨率与高光谱波段；引入星载雷达或无人机激光雷达影像，在分类模型中加入冠层结构信息、树种高度信息、高程信息及叶片性状信息（叶绿素、水含量等）；比较不同机器学习分类方法，将最佳机器学习分类与面向对象分类相结合；对珠海一号影像进行混合像元分解，并实现从景观（自然保护区）到区域尺度（省级）的红树林物种分类制图。 参考文献（References） Araújo M C U , Saldanha T C B , Galvão R K H , Yoneyama T , Chame H C and Visani V . 2001 . The successive projections algorithm for variable selection in spectroscopic multicomponent analysis . Chemometrics and Intelligent Laboratory Systems , 57 ( 2 ): 65 - 73 [ DOI: 10.1016/S0169-7439(01)00119-8 http://dx.doi.org/10.1016/S0169-7439(01)00119-8 ] The successive projections algorithm for variable selection in spectroscopic multicomponent analysis Cao J J , Leng W C , Liu K , Liu L , He Z and Zhu Y H . 2018a . Object-based mangrove species classification using unmanned aerial vehicle hyperspectral images and digital surface models . Remote Sensing , 10 ( 1 ): 89 [ DOI: 10.3390/rs10010089 http://dx.doi.org/10.3390/rs10010089 ] Object-based mangrove species classification using unmanned aerial vehicle hyperspectral images and digital surface models Cao J J , Liu K , Liu L , Zhu Y H , Li J and He Z . 2018b . Identifying mangrove species using field close-range snapshot hyperspectral imaging and machine-learning techniques . Remote Sensing , 10 ( 12 ): 2047 [ DOI: 10.3390/rs10122047 http://dx.doi.org/10.3390/rs10122047 ] Identifying mangrove species using field close-range snapshot hyperspectral imaging and machine-learning techniques Chen T Q and Guestrin C . 2016 . XGBoost: a scalable tree boosting system // Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining . San Francisco : ACM: 785 - 794 [ DOI: 10.1145/2939672.2939785 http://dx.doi.org/10.1145/2939672.2939785 ] XGBoost: a scalable tree boosting system George R , Padalia H , Sinha S K and Kumar A S . 2019 . Evaluating sensitivity of hyperspectral indices for estimating mangrove chlorophyll in Middle Andaman Island, India . Environmental Monitoring and Assessment , 191 ( S3 ): 785 [ DOI: 10.1007/s10661-019-7679-6 http://dx.doi.org/10.1007/s10661-019-7679-6 ] Evaluating sensitivity of hyperspectral indices for estimating mangrove chlorophyll in Middle Andaman Island, India Geurts P , Ernst D and Wehenkel L . 2006 . Extremely randomized trees . Machine Learning , 63 ( 1 ): 3 - 42 [ DOI: 10.1007/s10994-006-6226-1 http://dx.doi.org/10.1007/s10994-006-6226-1 ] Extremely randomized trees Heenkenda M K , Joyce K E , Maier S W and Bartolo R . 2014 . Mangrove species identification: comparing worldview-2 with aerial photographs . Remote Sensing , 6 ( 7 ): 6064 - 6088 [ DOI: 10.3390/rs6076064 http://dx.doi.org/10.3390/rs6076064 ] Mangrove species identification: comparing worldview-2 with aerial photographs Hu L J , Xu N , Liang J , Li Z C , Chen L Z and Zhao F . 2020 . Advancing the mapping of mangrove forests at national-scale using Sentinel-1 and Sentinel-2 time-series data with google Earth engine: a case study in China . Remote Sensing , 12 ( 19 ): 3120 [ DOI: 10.3390/rs12193120 http://dx.doi.org/10.3390/rs12193120 ] Advancing the mapping of mangrove forests at national-scale using Sentinel-1 and Sentinel-2 time-series data with google Earth engine: a case study in China Huang J J , Liu S Q and Han W D . 2012 . The analysis of mangrove inside zone gap feature in Gaoqiao, Leizhou peninsula . Forest Resources Management , ( 5 ): 46 - 50 The analysis of mangrove inside zone gap feature in Gaoqiao, Leizhou peninsula 黄剑坚 , 刘素青 , 韩维栋 . 2012 . 雷州半岛高桥红树林内带林窗特征分析——以湛江市廉江高桥红树林保护小区为例 . 林业资源管理 , ( 5 ): 46 - 50 [ DOI: 10.3969/j.issn.1002-6622.2012.05.009 http://dx.doi.org/10.3969/j.issn.1002-6622.2012.05.009 ] 雷州半岛高桥红树林内带林窗特征分析——以湛江市廉江高桥红树林保护小区为例 Jia M M , Wang Z M , Zhang Y Z , Mao D H and Wang C . 2018 . Monitoring loss and recovery of mangrove forests during 42 years: the achievements of mangrove conservation in China . International Journal of Applied Earth Observation and Geoinformation , 73 : 535 - 545 [ DOI: 10.1016/j.jag.2018.07.025 http://dx.doi.org/10.1016/j.jag.2018.07.025 ] Monitoring loss and recovery of mangrove forests during 42 years: the achievements of mangrove conservation in China Jia M M , Zhang Y Z , Wang Z M , Song K S and Ren C Y . 2014 . Mapping the distribution of mangrove species in the Core Zone of Mai Po Marshes Nature Reserve, Hong Kong, using hyperspectral data and high-resolution data . International Journal of Applied Earth Observation and Geoinformation , 33 : 226 - 231 [ DOI: 10.1016/j.jag.2014.06.006 http://dx.doi.org/10.1016/j.jag.2014.06.006 ] Mapping the distribution of mangrove species in the Core Zone of Mai Po Marshes Nature Reserve, Hong Kong, using hyperspectral data and high-resolution data Jiang Y F , Zhang L , Yan M , Qi J G , Fu T M , Fan S X and Chen B W . 2021 . High-resolution mangrove forests classification with machine learning using worldview and UAV hyperspectral data . Remote Sensing , 13 ( 8 ): 1529 [ DOI: 10.3390/rs13081529 http://dx.doi.org/10.3390/rs13081529 ] High-resolution mangrove forests classification with machine learning using worldview and UAV hyperspectral data Kahaer Y , Tashpolat N , Shi Q D and Liu S H . 2020 . Possibility of Zhuhai-1 hyperspectral imagery for monitoring salinized soil moisture content using fractional order differentially optimized spectral indices . Water , 12 ( 12 ): 3360 [ DOI: 10.3390/w12123360 http://dx.doi.org/10.3390/w12123360 ] Possibility of Zhuhai-1 hyperspectral imagery for monitoring salinized soil moisture content using fractional order differentially optimized spectral indices Kamal M , Phinn S and Johansen K . 2014 . Characterizing the spatial structure of mangrove features for optimizing image-based mangrove mapping . Remote Sensing , 6 ( 2 ): 984 - 1006 [ DOI: 10.3390/rs6020984 http://dx.doi.org/10.3390/rs6020984 ] Characterizing the spatial structure of mangrove features for optimizing image-based mangrove mapping Kamal M , Phinn S and Johansen K . 2015 . Object-based approach for multi-scale mangrove composition mapping using multi-resolution image datasets . Remote Sensing , 7 ( 4 ): 4753 - 4783 [ DOI: 10.3390/rs70404753 http://dx.doi.org/10.3390/rs70404753 ] Object-based approach for multi-scale mangrove composition mapping using multi-resolution image datasets Kumar T , Mandal A , Dutta D , Nagaraja R and Dadhwal V K . 2019 . Discrimination and classification of mangrove forests using EO-1 Hyperion data: a case study of Indian Sundarbans . Geocarto International , 34 ( 4 ): 415 - 442 [ DOI: 10.1080/10106049.2017.1408699 http://dx.doi.org/10.1080/10106049.2017.1408699 ] Discrimination and classification of mangrove forests using EO-1 Hyperion data: a case study of Indian Sundarbans Leong R C , Friess D A , Crase B , Lee W K and Webb E L . 2018 . High-resolution pattern of mangrove species distribution is controlled by surface elevation . Estuarine, Coastal and Shelf Science , 202 : 185 - 192 [ DOI: 10.1016/j.ecss.2017.12.015 http://dx.doi.org/10.1016/j.ecss.2017.12.015 ] High-resolution pattern of mangrove species distribution is controlled by surface elevation Li H Y , Jia M M , Zhang R , Ren Y X and Wen X . 2019a . Incorporating the plant phenological trajectory into mangrove species mapping with dense time series Sentinel-2 imagery and the Google Earth Engine platform . Remote Sensing , 11 ( 21 ): 2479 [ DOI: 10.3390/rs11212479 http://dx.doi.org/10.3390/rs11212479 ] Incorporating the plant phenological trajectory into mangrove species mapping with dense time series Sentinel-2 imagery and the Google Earth Engine platform Li Q S , Wong F K K and Fung T . 2019b . Classification of mangrove species using combined wordview-3 and LiDAR data in Mai Po nature reserve, Hong Kong . Remote Sensing , 11 ( 18 ): 2114 [ DOI: 10.3390/rs11182114 http://dx.doi.org/10.3390/rs11182114 ] Classification of mangrove species using combined wordview-3 and LiDAR data in Mai Po nature reserve, Hong Kong Li Y Q , Zuo X Q and Li H Z . 2020 . Study on the separability measurement of mangrove population based on random forest——a case study of Shenzhen bay . Journal of Shaanxi University of Technology (Natural Science Edition) , 36 ( 2 ): 64 - 70 , 92 Study on the separability measurement of mangrove population based on random forest——a case study of Shenzhen bay 李雨秦 , 左小清 , 李洪忠 . 2020 . 基于随机森林的红树林种群可分性度量研究——以深圳湾为例 . 陕西理工大学学报(自然科学版) , 36 ( 2 ): 64- 70 , 92 [ DOI: 10.3969/j.issn.1673-2944.2020.02.011 http://dx.doi.org/10.3969/j.issn.1673-2944.2020.02.011 ] 基于随机森林的红树林种群可分性度量研究——以深圳湾为例 Lu Y P , Xu W H , Zhang Z M , Zhang L , Xie S L , Zhang J J , Fan X Y and Ouyang Z Y . Gap analysis of mangrove ecosystem conservation in China . Acta Ecologica Sinica , 2019 , 39 ( 2 ): 684 - 691 Gap analysis of mangrove ecosystem conservation in China 卢元平 , 徐卫华 , 张志明 , 张路 , 谢世林 , 张晶晶 , 范馨悦 , 欧阳志云 . 中国红树林生态系统保护空缺分析 . 生态学报 , 2019 , 39 ( 2 ): 684 - 691 [ DOI: 10.5846/stxb201804080794 http://dx.doi.org/10.5846/stxb201804080794 ] 中国红树林生态系统保护空缺分析 Ma C L , Ai B , Zhao J , Xu X P and Huang W . 2019 . Change detection of mangrove forests in coastal Guangdong during the past three decades based on remote sensing data . Remote Sensing , 11 ( 8 ): 921 [ DOI: 10.3390/rs11080921 http://dx.doi.org/10.3390/rs11080921 ] Change detection of mangrove forests in coastal Guangdong during the past three decades based on remote sensing data Majdar R S and Ghassemian H . 2017 . A probabilistic SVM approach for hyperspectral image classification using spectral and texture features . International Journal of Remote Sensing , 38 ( 15 ): 4265 - 4284 [ DOI: 10.1080/01431161.2017.1317941 http://dx.doi.org/10.1080/01431161.2017.1317941 ] A probabilistic SVM approach for hyperspectral image classification using spectral and texture features Mallinis G , Koutsias N , Tsakiri-Strati M and Karteris M . 2008 . Object-based classification using Quickbird imagery for delineating forest vegetation polygons in a Mediterranean test site . ISPRS Journal of Photogrammetry and Remote Sensing , 63 ( 2 ): 237 - 250 [ DOI: 10.1016/j.isprsjprs.2007.08.007 http://dx.doi.org/10.1016/j.isprsjprs.2007.08.007 ] Object-based classification using Quickbird imagery for delineating forest vegetation polygons in a Mediterranean test site Peng L H , Liu K , Cao J J , Zhu Y H , Li F S and Liu L . 2020 . Combining GF-2 and RapidEye satellite data for mapping mangrove species using ensemble machine-learning methods . International Journal of Remote Sensing , 41 ( 3 ): 813 - 838 [ DOI: 10.1080/01431161.2019.1648907 http://dx.doi.org/10.1080/01431161.2019.1648907 ] Combining GF-2 and RapidEye satellite data for mapping mangrove species using ensemble machine-learning methods Pham T D , Yokoya N , Bui D T , Yoshino K and Friess D A . 2019 . Remote sensing approaches for monitoring mangrove species, structure, and biomass: opportunities and challenges . Remote Sensing , 11 ( 3 ): 230 [ DOI: 10.3390/rs11030230 http://dx.doi.org/10.3390/rs11030230 ] Remote sensing approaches for monitoring mangrove species, structure, and biomass: opportunities and challenges Tian J Y , Wang L , Li X J , Gong H L , Shi C , Zhong R F and Liu X M . 2017 . Comparison of UAV and WorldView-2 imagery for mapping leaf area index of mangrove forest . International Journal of Applied Earth Observation and Geoinformation , 61 : 22 - 31 [ DOI: 10.1016/j.jag.2017.05.002 http://dx.doi.org/10.1016/j.jag.2017.05.002 ] Comparison of UAV and WorldView-2 imagery for mapping leaf area index of mangrove forest Toosi N B , Soffianian A R , Fakheran S , Pourmanafi S , Ginzler C and Waser L T . 2019 . Comparing different classification algorithms for monitoring mangrove cover changes in southern Iran . Global Ecology and Conservation , 19 : e 00662 [ DOI: 10.1016/j.gecco.2019.e00662 http://dx.doi.org/10.1016/j.gecco.2019.e00662 ] Comparing different classification algorithms for monitoring mangrove cover changes in southern Iran Valderrama-Landeros L , Flores-de-Santiago F , Kovacs J M and Flores-Verdugo F . 2018 . An assessment of commonly employed satellite-based remote sensors for mapping mangrove species in Mexico using an NDVI-based classification scheme . Environmental Monitoring and Assessment , 190 ( 1 ): 23 [ DOI: 10.1007/s10661-017-6399-z http://dx.doi.org/10.1007/s10661-017-6399-z ] An assessment of commonly employed satellite-based remote sensors for mapping mangrove species in Mexico using an NDVI-based classification scheme Wan L M , Lin Y Y , Zhang H S , Wang F , Liu M F and Lin H . 2020 . GF-5 hyperspectral data for species mapping of mangrove in Mai Po, Hong Kong . Remote Sensing , 12 ( 4 ): 656 [ DOI: 10.3390/rs12040656 http://dx.doi.org/10.3390/rs12040656 ] GF-5 hyperspectral data for species mapping of mangrove in Mai Po, Hong Kong Wang D Z , Wan B , Qiu P H , Su Y J , Guo Q H , Wang R , Sun F and Wu X C . 2018a . Evaluating the performance of sentinel-2, landsat 8 and pléiades-1 in mapping mangrove extent and species . Remote Sensing , 10 ( 9 ): 1468 [ DOI: 10.3390/rs10091468 http://dx.doi.org/10.3390/rs10091468 ] Evaluating the performance of sentinel-2, landsat 8 and pléiades-1 in mapping mangrove extent and species Wang D Z , Wan B , Qiu P H , Su Y J , Guo Q H and Wu X C . 2018b . Artificial mangrove species mapping using pléiades-1: an evaluation of pixel-based and object-based classifications with selected machine learning algorithms . Remote Sensing , 10 ( 2 ): 294 [ DOI: 10.3390/rs10020294 http://dx.doi.org/10.3390/rs10020294 ] Artificial mangrove species mapping using pléiades-1: an evaluation of pixel-based and object-based classifications with selected machine learning algorithms Wang J J , Xu Y and Wu G F . 2020a . The integration of species information and soil properties for hyperspectral estimation of leaf biochemical parameters in mangrove forest . Ecological Indicators , 115 : 106467 [ DOI: 10.1016/j.ecolind.2020.106467 http://dx.doi.org/10.1016/j.ecolind.2020.106467 ] The integration of species information and soil properties for hyperspectral estimation of leaf biochemical parameters in mangrove forest Wang W Q , Fu H F , Lee S Y , Fan H Q and Wang M . 2020b . Can strict protection stop the decline of mangrove ecosystems in China? From rapid destruction to rampant degradation. Forests , 11 ( 1 ): 55 [ DOI: 10.3390/f11010055 http://dx.doi.org/10.3390/f11010055 ] Can strict protection stop the decline of mangrove ecosystems in China? Wang X , Li H W , Qiu Z J , Yang H , Zhou G Y and Liao B W . 2009 . Research on the difference of the structural feature of artificial sonneratia apetala-S . Caseolaris community and its affecting factor. Journal of Anhui Agricultural Sciences , 37 ( 27 ): 13312 - 13316 Research on the difference of the structural feature of artificial sonneratia apetala-S 王旭 , 李洪旺 , 邱志军 , 杨怀 , 周光益 , 廖宝文 . 2009 . 不同离岸距离海桑+无瓣海桑红树群落的林分结构差异及其影响因子 . 安徽农业科学 , 37 ( 27 ): 13312 - 13316 不同离岸距离海桑+无瓣海桑红树群落的林分结构差异及其影响因子 Watt A S . 1947 . Pattern and process in the plant community . Journal of Ecology , 35 ( 1/2 ): 1 - 22 [ DOI: 10.2307/2256497 http://dx.doi.org/10.2307/2256497 ] Pattern and process in the plant community Xu Y , Wang J J , Xia A Q , Zhang K Y , Dong X Y , Wu K P and Wu G F . 2019 . Continuous wavelet analysis of leaf reflectance improves classification accuracy of mangrove species . Remote Sensing , 11 ( 3 ): 254 [ DOI: 10.3390/rs11030254 http://dx.doi.org/10.3390/rs11030254 ] Continuous wavelet analysis of leaf reflectance improves classification accuracy of mangrove species Xu Y , Zhen J N , Jiang X P and Wang J J . 2021 . Mangrove species classification with UAV-based remote sensing data and XGBoost . National Remote Sensing Bulletin , 25 ( 3 ): 737 - 752 Mangrove species classification with UAV-based remote sensing data and XGBoost 徐逸 , 甄佳宁 , 蒋侠朋 , 王俊杰 . 2021 . 无人机遥感与XGBoost的红树林物种分类 . 遥感学报 , 25 ( 3 ): 737 - 752 [ DOI: 10.11834/jrs.20210281 http://dx.doi.org/10.11834/jrs.20210281 ] 无人机遥感与XGBoost的红树林物种分类 Zhang H S , Wang T , Liu M F , Jia M M , Lin H , Chu L M and Devlin A T . 2018 . Potential of combining optical and dual polarimetric SAR data for improving mangrove species discrimination using rotation forest . Remote Sensing , 10 ( 3 ): 467 [ DOI: 10.3390/rs10030467 http://dx.doi.org/10.3390/rs10030467 ] Potential of combining optical and dual polarimetric SAR data for improving mangrove species discrimination using rotation forest Zhang X W , Zhang J C , Chen W Y , Liu W , Zhang Z J , Fan J W , Xiao C J and Wang R . 2021a . Semi-automated extraction of surface water based on ZhuHai-1 hyperspectral satellite images . Remote Sensing Letters , 12 ( 8 ): 750 - 756 [ DOI: 10.1080/2150704X.2021.1934593 http://dx.doi.org/10.1080/2150704X.2021.1934593 ] Semi-automated extraction of surface water based on ZhuHai-1 hyperspectral satellite images Zhang Y Y , Yang J and Du L . 2021b . Analyzing the effects of hyperspectral ZhuHai-1 band combinations on LAI estimation based on the PROSAIL model . Sensors , 21 ( 5 ): 1869 [ DOI: 10.3390/s21051869 http://dx.doi.org/10.3390/s21051869 ] Analyzing the effects of hyperspectral ZhuHai-1 band combinations on LAI estimation based on the PROSAIL model Zhen J N , Jiang X P , Xu Y , Miao J , Zhao D M , Wang J J , Wang J Z and Wu G F . 2021 . Mapping leaf chlorophyll content of mangrove forests with Sentinel-2 images of four periods . International Journal of Applied Earth Observation Geoinformation , 102 : 102387 [ DOI: 10.1016/j.jag.2021.102387 http://dx.doi.org/10.1016/j.jag.2021.102387 ] Mapping leaf chlorophyll content of mangrove forests with Sentinel-2 images of four periods Zheng Y , Lin Y Q , Zhou J , Gan W X , Lin G X , Xu F H and Lin G H . 2019 . Mangrove inter-species classification based on ZY-3 image in Leizhou Peninsula, Guangdong Province . Remote Sensing For Land & Resources , 31 ( 3 ): 201 - 208 Mangrove inter-species classification based on ZY-3 image in Leizhou Peninsula, Guangdong Province 郑艺 , 林懿琼 , 周建 , 甘伟修 , 林广旋 , 许方宏 , 林光辉 . 2019 . 基于资源三号的雷州半岛红树林种间分类研究 . 国土资源遥感 , 31 ( 3 ): 201 - 208 [ DOI: 10.6046/gtzyyg.2019.03.25 http://dx.doi.org/10.6046/gtzyyg.2019.03.25 ] 基于资源三号的雷州半岛红树林种间分类研究 致谢:此次珠海一号高光谱影像的数据获取得到了珠海欧比特宇航科技股份有限公司的大力支持，在此表示衷心的感谢！ 10.11834/jrs.20221487 1007-4619（2022）06-1155-14 高常军，蒋侠朋，甄佳宁，王俊杰，邬国锋.2022.耦合WorldView-2和珠海一号影像的红树林物种分布.遥感学报，26（6）： 1155-1168 高常军，蒋侠朋，甄佳宁，王俊杰，邬国锋.2022.耦合WorldView-2和珠海一号影像的红树林物种分布.遥感学报，26（6）： 1155-1168 Gao C J，Jiang X P，Zhen J N，Wang J J，Wu G F. 2022. Mangrove species classification with combination of WorldView-2 and Zhuhai-1 satellite images. National Remote Sensing Bulletin， 26（6）：1155-1168 Gao C J，Jiang X P，Zhen J N，Wang J J，Wu G F. 2022. Mangrove species classification with combination of WorldView-2 and Zhuhai-1 satellite images. National Remote Sensing Bulletin， 26（6）：1155-1168 遥感科学国家重点实验室开放基金项目（编号：OFSLRSS202016）；广东省基础与应用基础研究基金（编号：2019A1515010741，2019A1515110400，2021A1515011670） Supported by Open Fund of State Key Laboratory of Remote Sensing Science (No. OFSLRSS202016); Guangdong Basic and Applied Basic Research Foundation (No. 2019A1515010741, 2019A1515110400, 2021A1515011670) 2021-07-14 2022-06-07 2022-08-04 2022-02-25 遥感学报 6 26