ارزیابی کمی و تحلیل نیروی محرکه تغییرات جنگل حرا در چین از سال ۱۹۸۵ تا ۲۰۱۸ با ادغام تصاویر نوری و راداری

خلاصه

اکوسیستم‌های حرا با ارزش و در عین حال آسیب‌پذیر هستند و بنابراین موضوع مهمی برای حفاظت و بازسازی در چین بوده‌اند. اطلاعات قابل اعتماد در مورد پویایی طولانی مدت حرا چین وجود ندارد، اما برای تجزیه و تحلیل نیروهای محرک و ارزیابی تلاش های گفتگوی حرا حیاتی است. این مطالعه با هدف تعیین کمیت تبدیل در میان مانگروها و سایر پوشش های زمینی با دقت بالا انجام شده است. نقشه پایه حرا به روز شده برای سال ۲۰۱۸ با ادغام موزاییک های سالانه رادار ۲ (PALSAR-2) و تصاویر لندست با دقت کلی ۶٫۰۲ ± ۹۵٫۲۳٪ آرایه فازی آرایه فازی ماهواره ای پیشرفته (ALOS) از نوع باند L Synthetic Aperture Radar 2 (PALSAR-2) تولید شد. سپس، یک رویکرد جدید با ترکیب روش‌های نقشه به تصویر و تصویر به تصویر برای شناسایی پیکسل‌های تغییر یافته در جنگل‌های حرا از سال ۱۹۸۵ تا ۲۰۱۸ پیشنهاد شد. نقشه پایه حرا برای پوشاندن تصاویر سال های دیگر به کار گرفته شد. برای تعیین پیکسل های تغییر یافته، مقادیر تفاوت در ناحیه پوشانده شده بین دو تصویر محاسبه و با آستانه های مربوطه مقایسه شد. بر اساس پیکسل های تغییر یافته، نیروهای محرک احتمالی تجزیه و تحلیل شدند و با توسعه اجتماعی-اقتصادی مرتبط شدند. پویایی حاصل از حرا نشان داد که جنگل‌های حرا در چین در طول ۳۰ سال گذشته ابتدا تمایل به از دست دادن و بعداً بهبود را تجربه کردند. بیشترین دستاوردهای حرا از آبزی پروری و گل و لای حاصل شد، در حالی که ضرر و زیان ناشی از ساخت و ساز و احیای آبزی پروری بود. این تبدیل‌ها نشان داد که جنگل‌زدایی‌های حرا عمدتاً به دلیل تخریب ناشی از انسان بوده است، در حالی که بازیابی‌ها به شدت با اقدامات حفاظتی و بازسازی مرتبط است. برای تعیین پیکسل های تغییر یافته، مقادیر تفاوت در ناحیه پوشانده شده بین دو تصویر محاسبه و با آستانه های مربوطه مقایسه شد. بر اساس پیکسل های تغییر یافته، نیروهای محرک احتمالی تجزیه و تحلیل شدند و با توسعه اجتماعی-اقتصادی مرتبط شدند. پویایی حاصل از حرا نشان داد که جنگل‌های حرا در چین در طول ۳۰ سال گذشته ابتدا تمایل به از دست دادن و بعداً بهبود را تجربه کردند. بیشترین دستاوردهای حرا از آبزی پروری و گل و لای حاصل شد، در حالی که ضرر و زیان ناشی از ساخت و ساز و احیای آبزی پروری بود. این تبدیل‌ها نشان داد که جنگل‌زدایی‌های حرا عمدتاً به دلیل تخریب ناشی از انسان بوده است، در حالی که بازیابی‌ها به شدت با اقدامات حفاظتی و بازسازی مرتبط است. برای تعیین پیکسل های تغییر یافته، مقادیر تفاوت در ناحیه پوشانده شده بین دو تصویر محاسبه و با آستانه های مربوطه مقایسه شد. بر اساس پیکسل های تغییر یافته، نیروهای محرک احتمالی تجزیه و تحلیل شدند و با توسعه اجتماعی-اقتصادی مرتبط شدند. پویایی حاصل از حرا نشان داد که جنگل‌های حرا در چین در طول ۳۰ سال گذشته ابتدا تمایل به از دست دادن و بعداً بهبود را تجربه کردند. بیشترین دستاوردهای حرا از آبزی پروری و گل و لای حاصل شد، در حالی که ضرر و زیان ناشی از ساخت و ساز و احیای آبزی پروری بود. این تبدیل‌ها نشان داد که جنگل‌زدایی‌های حرا عمدتاً به دلیل تخریب ناشی از انسان بوده است، در حالی که بازیابی‌ها به شدت با اقدامات حفاظتی و بازسازی مرتبط است. مقادیر تفاوت در ناحیه پوشانده شده بین دو تصویر محاسبه و با آستانه های مربوطه مقایسه شد. بر اساس پیکسل های تغییر یافته، نیروهای محرک احتمالی تجزیه و تحلیل شدند و با توسعه اجتماعی-اقتصادی مرتبط شدند. پویایی حاصل از حرا نشان داد که جنگل‌های حرا در چین در طول ۳۰ سال گذشته ابتدا تمایل به از دست دادن و بعداً بهبود را تجربه کردند. بیشترین دستاوردهای حرا از آبزی پروری و گل و لای حاصل شد، در حالی که ضرر و زیان ناشی از ساخت و ساز و احیای آبزی پروری بود. این تبدیل‌ها نشان داد که جنگل‌زدایی‌های حرا عمدتاً به دلیل تخریب ناشی از انسان بوده است، در حالی که بازیابی‌ها به شدت با اقدامات حفاظتی و بازسازی مرتبط است. مقادیر تفاوت در ناحیه پوشانده شده بین دو تصویر محاسبه و با آستانه های مربوطه مقایسه شد. بر اساس پیکسل های تغییر یافته، نیروهای محرک احتمالی تجزیه و تحلیل شدند و با توسعه اجتماعی-اقتصادی مرتبط شدند. پویایی حاصل از حرا نشان داد که جنگل‌های حرا در چین در طول ۳۰ سال گذشته ابتدا تمایل به از دست دادن و بعداً بهبود را تجربه کردند. بیشترین دستاوردهای حرا از آبزی پروری و گل و لای حاصل شد، در حالی که ضرر و زیان ناشی از ساخت و ساز و احیای آبزی پروری بود. این تبدیل‌ها نشان داد که جنگل‌زدایی‌های حرا عمدتاً به دلیل تخریب ناشی از انسان بوده است، در حالی که بازیابی‌ها به شدت با اقدامات حفاظتی و بازسازی مرتبط است. نیروهای محرک احتمالی مورد تجزیه و تحلیل قرار گرفتند و با توسعه اجتماعی-اقتصادی مرتبط شدند. پویایی حاصل از حرا نشان داد که جنگل‌های حرا در چین در طول ۳۰ سال گذشته ابتدا تمایل به از دست دادن و بعداً بهبود را تجربه کردند. بیشترین دستاوردهای حرا از آبزی پروری و گل و لای حاصل شد، در حالی که ضرر و زیان ناشی از ساخت و ساز و احیای آبزی پروری بود. این تبدیل‌ها نشان داد که جنگل‌زدایی‌های حرا عمدتاً به دلیل تخریب ناشی از انسان بوده است، در حالی که بازیابی‌ها به شدت با اقدامات حفاظتی و بازسازی مرتبط است. نیروهای محرک احتمالی مورد تجزیه و تحلیل قرار گرفتند و با توسعه اجتماعی-اقتصادی مرتبط شدند. پویایی حاصل از حرا نشان داد که جنگل‌های حرا در چین در طول ۳۰ سال گذشته ابتدا تمایل به از دست دادن و بعداً بهبود را تجربه کردند. بیشترین دستاوردهای حرا از آبزی پروری و گل و لای حاصل شد، در حالی که ضرر و زیان ناشی از ساخت و ساز و احیای آبزی پروری بود. این تبدیل‌ها نشان داد که جنگل‌زدایی‌های حرا عمدتاً به دلیل تخریب ناشی از انسان بوده است، در حالی که بازیابی‌ها به شدت با اقدامات حفاظتی و بازسازی مرتبط است. بیشترین دستاوردهای حرا از آبزی پروری و گل و لای حاصل شد، در حالی که ضرر و زیان ناشی از ساخت و ساز و احیای آبزی پروری بود. این تبدیل‌ها نشان داد که جنگل‌زدایی‌های حرا عمدتاً به دلیل تخریب ناشی از انسان بوده است، در حالی که بازیابی‌ها به شدت با اقدامات حفاظتی و بازسازی مرتبط است. بیشترین دستاوردهای حرا از آبزی پروری و گل و لای حاصل شد، در حالی که ضرر و زیان ناشی از ساخت و ساز و احیای آبزی پروری بود. این تبدیل‌ها نشان داد که جنگل‌زدایی‌های حرا عمدتاً به دلیل تخریب ناشی از انسان بوده است، در حالی که بازیابی‌ها به شدت با اقدامات حفاظتی و بازسازی مرتبط است.

کلید واژه ها:

تشخیص تغییر ؛ پویایی بلند مدت ؛ حفاظت ; مرمت ؛ ALOS PALSAR

۱٫ معرفی

اکوسیستم‌های حرا از جمله مولدترین اکوسیستم‌های روی زمین هستند و طیف گسترده‌ای از خدمات اکوسیستمی ضروری را ارائه می‌دهند [ ۱ ، ۲ ]، مانند حفاظت از ساحل و مهدکودک برای بچه ماهیان صخره‌های مرجانی. امروزه، جنگل حرا به عنوان یک مخزن مهم برای کربن شناخته شده است [ ۳ ] که ظرفیت جذب و ذخیره کربن آن ۳ تا ۴ برابر بیشتر از جنگل های خشکی است. موری و همکاران [ ۴ ] تخمین زده است که حرا ۳۴٫۵-۳۸٫۲ میلیارد تن CO2 را با میانگین نرخ تثبیت کربن ۵٫۹۸ تن CO2 در هکتار در سال جذب می کند که می تواند به کاهش تغییرات آب و هوایی و دستیابی به اهداف توسعه پایدار کمک کند [ ۳ ]]. با این حال، اکوسیستم حرا یکی از آسیب پذیرترین و در معرض خطرترین اکوسیستم های جهان است و به دلیل فعالیت های انسانی مانند توسعه شهری، احیای آبزی پروری و دفن زباله های ساحلی خسارت چشمگیری را تجربه کرده است. گزارش شده است که بیش از ۵۰ درصد از جنگل های حرا در سطح جهان از دهه ۱۹۸۰ از بین رفته است [ ۵ ، ۶ ]. برای جلوگیری از تلفات بیشتر مانگروها، بسیاری از برنامه‌های بین‌المللی، مانند کاهش انتشار از جنگل‌زدایی و تخریب (REDD+) و پروتکل کیوتو، اهمیت حفاظت و حفاظت فوری از اکوسیستم‌های حرا را برجسته کرده‌اند. چین تنها حدود ۰٫۱۴ درصد از مساحت مانگروهای جهان را تشکیل می دهد، اما یک سوم گونه های مانگرو جهان را با ارزش اکولوژیکی و اجتماعی-اقتصادی قابل توجهی در خود جای داده است [ ۷ ].، ۸ ]. جنگل های حرا در چین ۵۰ درصد از بین رفتند از ۴۰۰۰۰ هکتار در سال ۱۹۵۷ به ۱۸۸۰۰ هکتار در اواسط دهه ۱۹۸۰ [ ۹ ]. در همین حال، حفاظت و احیای حرا از اوایل دهه ۱۹۸۰ آغاز شد و پس از سال ۱۹۹۵ با اعلام برنامه اقدام حفاظت از تنوع زیستی چین به طور گسترده انجام شد. بنابراین، درک پویایی طولانی مدت حرا در چین و ارزیابی دستاوردهای تلاش های حفاظتی بین دهه ۱۹۸۰ و ۲۰۱۰ مهم است.
سنجش از دور (RS) راهی برای نظارت بر توزیع مکانی و زمانی و وضعیت سلامت اکوسیستم‌های حرا فراهم می‌کند. تا به امروز، چندین نقشه جهانی جنگل حرا تولید شده است، مانند اطلس جهانی حرا [ ۱۰ ]، جنگل های حرا جهان [ ۱۱ ]، و پایگاه داده جهانی پوشش جنگلی حرا پیوسته برای قرن ۲۱ [ ۵ ]]. با این حال، این نقشه ها ناقص یا قدیمی هستند، که ممکن است منعکس کننده آخرین توزیع فضایی جنگل های حرا در چین نباشد. علاوه بر این، مانگروهای چین در مناطق نسبتاً کوچکی هستند و در مقایسه با سایر کشورها پراکنده اند. در نتیجه، تمایز آنها با همان روش‌های طبقه‌بندی یا نمونه‌های آموزشی که در مناطق دیگر استفاده می‌شود، چالش برانگیز است. بنابراین، در سال های اخیر، بسیاری از محققان در چین تلاش کردند تا نقشه جنگل های حرا را در مقیاس ملی ترسیم کنند. وو و همکاران [ ۱۲ ] اکوسیستم های جنگلی حرا در چین را برای دهه های ۱۹۹۰، ۲۰۰۰ و ۲۰۱۰ با تفسیر بصری تصاویر Landsat ترسیم کرد. جیا و همکاران [ ۱۳] روش مبتنی بر شی را برای تولید نقشه‌های جنگل حرا به کار برد و اثربخشی حفاظت را روی جنگل‌های حرا در چین ارزیابی کرد. چن و همکاران [ ۱۴ ] با ترکیب تصاویر Landsat 7/8 و Sentinel 1A، نقشه جنگل حرا از چین را در سال ۲۰۱۵ با دقت بالا ایجاد کرد. هو و همکاران [ ۱۵ ] تغییرات جنگل حرا را در چین بین سال‌های ۱۹۹۰ و ۲۰۱۵ از طریق معیارهای تغییرپذیری طیفی-زمانی مشتق شده از Landsat بررسی کرد. جیا و همکاران [ ۱۶] دینامیک جنگل حرا را از سال ۱۹۷۳ تا ۲۰۱۵ بر اساس تصاویر Landsat ترسیم کرد که اولین مجموعه داده از توزیع طولانی مدت حرا در چین را ارائه کرد. اگرچه این مطالعات مروری بر جنگل‌های حرا در چین ارائه می‌دهد، محدودیت‌هایی همچنان وجود دارد. اولاً، اکثر مطالعات فقط تصاویر نوری را برای نظارت طولانی مدت اتخاذ کردند که منجر به حذف برخی از مناطق مانگرو به طور کامل یا جزئی به دلیل عدم وجود تصاویر در دسترس از آلودگی ابرها شد. علاوه بر این، تا جایی که ما می دانیم، هیچ مطالعه ای تغییرات را در بین حرا و سایر پوشش های زمین علیرغم اهمیت آنها در شناسایی عوامل محرک تغییرات، کمیت یابی نکرده است. تجزیه و تحلیل کمی تغییرات حرا می تواند اثربخشی حفاظت و مدیریت حرا را افزایش دهد.
بنابراین، اهداف اصلی این مطالعه (۱) پایش دینامیک طولانی مدت حرا در سطح استان با دقت بالا با ترکیب تصاویر رادار دیافراگم نوری و مصنوعی (SAR) است. (۲) برای تعیین کمیت تغییرات در میان مانگروها و سایر پوشش های زمین و تجزیه و تحلیل نیروهای محرک احتمالی پویایی حرا در چین.

۲٫ مواد و روشها

۲٫۱٫ منطقه مطالعه

مانگروهای طبیعی در چین از بندر یولین، استان هاینان (۱۸ درجه و ۹ دقیقه شمالی) تا فودینگ، استان فوجیان (۲۷ درجه و ۲۰ دقیقه شمالی) توزیع شده‌اند، در حالی که حراهای کاشته شده مصنوعی تا خلیج یوئکینگ در استان ژجیانگ (۲۸ درجه و ۲۵ دقیقه شمالی) گسترش یافته‌اند. ) [ ۱۲ ]. منطقه مورد مطالعه ( شکل ۱ ) تمام مناطق بالقوه ای را که در آن حرا در چین رخ می دهد، شامل پنج استان ساحلی (هاینان، گوانگشی، گوانگدونگ، فوجیان و ژجیانگ)، منطقه اداری ویژه هنگ کنگ، منطقه اداری ویژه ماکائو و تایوان را پوشش می دهد. .

۲٫۲٫ داده ها

۲٫۲٫۱٫ تصاویر رادار دیافراگم مصنوعی (SAR).

موزاییک باند L SAR آژانس اکتشافات هوافضای ژاپن (JAXA) از ماهواره ژاپنی منابع زمین ۱ (JERS-1) برای سال ۱۹۹۶ از JAXA دانلود شد (JAXA EORC mosaic: http://www.eorc.jaxa.jp/ALOS/en/ موزاییک‌های سالانه palsar_fnf/fnf_index.htm و ALOS PALSAR/PALSAR-2 برای سال‌های ۲۰۰۷، ۲۰۱۰ و ۲۰۱۸ از موتور Google Earth (GEE) با وضوح فضایی ۲۵ متر به‌دست آمدند. یک فیلتر Lee برای فیلتر کردن نوارها از تصاویر SAR برای کاهش اثرات لکه [ ۱۷ ] استفاده شد.]. داده ها به صورت عدد دیجیتال بود و با استفاده از رابطه (۱)، با ضریب کالیبراسیون (CF) 83- برای ALOS PALSAR/PALSAR-2 و ۸۴٫۶۶- برای JERS-1 به ضریب پراکندگی پس پراکندگی سیگما تبدیل شد. برای امکان ادغام با داده‌های Landsat و داده‌های مدل رقومی ارتفاع (DEM)، داده‌های حاصل از ALOS PALSAR/PALSAR-2 و JERS-1 با استفاده از درونیابی نزدیک‌ترین همسایه در GEE به وضوح پیکسل ۳۰ متر نمونه‌برداری شدند.

σ o = ۱۰ × log ۱۰ (DN ۲ ) – CF،
۲٫۲٫۲٫ تصاویر لندست
تصاویر نقشه برداری موضوعی لندست ۵ (TM) و لندست ۸ تصویرگر زمین عملیاتی (OLI) بازتاب سطحی (SR) بین سال های ۱۹۸۵ تا ۲۰۱۸ در GEE به دست آمد. بر اساس باند cfmask، ابرها و سایه‌ها در تصاویر شناسایی شدند و تنها تصاویر با ابرهای کمتر از ۱۰ درصد برای انجام طبقه‌بندی انتخاب شدند. علاوه بر این، برای کاهش تأثیر طغیان جزر و مدی، شاخص تفاوت عادی شده گیاهی (NDVI) [ ۱۸ ] و شاخص آب سطحی زمین (LSWI) [ ۱۹ ] برای نمونه‌های حرا منتخب محاسبه شد. ما فرض کردیم که مقادیر میانگین NDVI نمونه‌های حرا باید بزرگتر از میانگین مقادیر LSWI در دوره جزر و مد باشد [ ۱۴ ، ۲۰ ]]. بنابراین، تصاویر Landsat با مقادیر میانگین NDVI بزرگتر از میانگین مقادیر LSWI برای نمونه‌های حرا در این مطالعه انتخاب شدند. در نهایت، میانگین جمع آوری تصاویر برای هر سال برای طبقه بندی حرا محاسبه شد.
۲٫۲٫۳٫ داده های زمینی-حقیقت
بررسی های میدانی در ژجیانگ و فوجیان از سال ۲۰۱۷ تا ۲۰۱۸ انجام شد. تصاویر از اطراف جنگل های حرا با وسیله نقلیه هوایی بدون سرنشین (UAV) و دوربین دیجیتال ( شکل تکمیلی S1 ) گرفته شده است. علاوه بر این، مکان‌های حرا نیز با بررسی ادبیات ( جدول تکمیلی S1 ) و بازرسی بصری تصاویر Google Earth با وضوح فضایی بسیار بالا جمع‌آوری شدند. در نهایت، حدود ۱۲۳۶ هکتار از جنگل های حرا به عنوان نمونه های واقعی انتخاب شدند (۵ درصد از کل جنگل های حرا). تمام این داده های حقیقت-زمینی برای انتخاب نمونه های آموزشی (۷۰%) و اعتبارسنجی (۳۰%) استفاده شد.
۲٫۲٫۴٫ داده های دیگر
داده های OpenStreetMap و نقشه اداری چین برای ترسیم خط ساحلی مورد استفاده قرار گرفت. سپس، یک منطقه حائل خط ساحلی ۱۰ کیلومتری برای هر دو قسمت داخلی و ساحلی ایجاد شد تا منطقه مورد مطالعه را باریک کند. از آنجایی که بیشتر مانگروها در مناطقی با ارتفاع بین ۵- تا ۱۰ متر از سطح متوسط ​​دریا و شیب کمتر از ۱۰ درجه پراکنده شده اند ، داده های DEM ماموریت توپوگرافی رادار ۳۰ متری شاتل (SRTM) برای پوشاندن استفاده شد. خارج از مناطق با ارتفاع زیاد و شیب تند. در نهایت، منطقه بالقوه رشد حرا در شکل ۱ نمایش داده شده است . مجموعه داده های مورد استفاده در این مطالعه در جدول ۱ خلاصه شده است.

۲٫۳٫ روش شناسی

نمای کلی روش در شکل ۲ نشان داده شده است . ابتدا نقشه پایه حرا چین برای سال ۲۰۱۸ ایجاد شد. سپس پویایی طولانی مدت حرا با شناسایی تغییرات در جنگل های حرا طی دوره های ۱۹۸۵-۲۰۱۸، ۱۹۹۶-۲۰۱۸، ۲۰۰۷-۲۰۱۸، و ۲۰۱۰-۲۰۱۸ تعیین شد. در نهایت، تبدیل بین حرا و سایر پوشش‌های زمین برای هر دوره اندازه‌گیری شد. جزئیات در بخش های زیر نشان داده شده است:

۲٫۳٫۱٫ طبقه بندی پایه حرا

تفکیک پذیری باندهای مختلف بر اساس میانگین تفاوت بین حرا و سایر پوشش‌های زمین (تالاب‌های نمکی، آب دریا، آبزی‌پروری، کشاورزی، ساخته‌شده و گل و لای) ارزیابی شد. نوارهایی با قابلیت تفکیک نسبتاً بالا به عنوان ویژگی های طبقه بندی انتخاب شدند. علاوه بر این، اندازه‌گیری اهمیت متغیر در طبقه‌بندی جنگل تصادفی (RF) نشان داد که NDVI، شاخص تفاوت عادی آب اصلاح‌شده (mNDWI) [ ۲۱ ]، LSWI، و شاخص گیاهی تنظیم‌شده با خاک (SAVI) [ ۲۲ ]]، در تشخیص حرا به خوبی عمل کرد. بنابراین، این شاخص‌ها نیز به عنوان ویژگی‌های طبقه‌بندی برای کمک به طبقه‌بندی حرا در طبقه‌بندی کننده RF مورد استفاده قرار گرفتند. در مجموع ۷۰ درصد از نمونه ها به صورت تصادفی برای آموزش انتخاب شدند و بقیه برای اعتبار سنجی استفاده شدند. روش طبقه بندی در پلت فرم GEE تکمیل شد.
۲٫۳٫۲٫ تشخیص تغییر حرا از ۱۹۸۵ تا ۲۰۱۸
تشخیص تغییر در RS معمولاً با تصویر به تصویر [ ۲۳ ] یا نقشه به نقشه [ ۲۴ ] به دست می آید. ] به دست می آید. روش تصویر به تصویر متکی بر شناسایی اشیاء با بهبود تصویر است که تحت تأثیر تفاوت در کالیبراسیون تصویر است. روش نقشه به نقشه بر اساس نتایج طبقه بندی از تصاویر چند تاریخ است، بنابراین ممکن است از انتشار خطای طبقه بندی رنج ببرد. برای غلبه بر این محدودیت ها، توماس و همکاران. [ ۲۵] یک روش نقشه به تصویر جدید برای تشخیص تغییرات در جنگل های حرا در سطح جهان پیشنهاد کرد. این روش فرض می‌کند که توزیع مقادیر استخراج‌شده برای یک طبقه پوشش زمین، با انحرافات دور از این که به عنوان ویژگی‌های تغییر شناسایی می‌شود، نرمال است. از نقشه پایه اشیاء (جنگل‌های حرا) که از طبقه‌بندی به دست آمده بود برای پوشاندن یک تصویر مستقل استفاده کرد و سپس پیکسل‌ها را حذف کرد تا در نهایت به توزیع نرمال در ناحیه نقاب‌دار دست یابد. پیکسل های حذف شده به عنوان پیکسل های تغییر یافته، یعنی تغییرات در جنگل های حرا تعریف شدند. روش نقشه به تصویر ثابت کرده است که در تشخیص تغییرات در جنگل های بزرگ حرا مستمر موثر است. با این حال، زمانی که مناطق مانگرو کوچک هستند، یا تغییرات نامشخص هستند، کارآمد نیست. پراکنش حرا در چین نسبتاً کم است،شکل تکمیلی S2 ; بنابراین، روش نقشه به تصویر را نمی توان در تشخیص دینامیک حرا در چین به طور مستقیم اعمال کرد. در این مطالعه، یک روش بهبود یافته تشخیص تغییر با ترکیب روش نقشه به تصویر با روش تصویر به تصویر برای شناسایی تغییرات حرا در چین پیشنهاد شد. نمودار شماتیک در شکل ۳ نمایش داده شده است . در مرحله اول، نقشه حرا در سال ۲۰۱۸ در بخش ۲٫۳٫۱ ایجاد شدبرای پوشاندن پشته‌های ALOS-Landsat برای سال‌های ۱۹۹۶، ۲۰۰۷ و ۲۰۱۰ و تصاویر Landsat 5 TM برای سال ۱۹۸۵ استفاده شد. سپس، تصاویر ماسک‌شده با تصویر در سال ۲۰۱۸ کم شدند تا تصویر متمایز ایجاد شود، که نشان‌دهنده تغییر است. مقادیر دیجیتال برای هر پیکسل بین این دو سال. چهار ویژگی طبقه‌بندی در اینجا برای تشخیص تغییر بین دو تصویر، یعنی NDVI، LSWI، و ارسال افقی و دریافت عمودی (HV) برای پشته‌های ALOS-Landsat و NDVI، LSWI، و NIR برای تصاویر Landsat 5 TM اتخاذ شد. ما فرض کردیم که اگر مقدار تفاوت یک پیکسل بین دو تصویر بزرگتر از آستانه باشد، آنگاه این پیکسل در طول زمان تغییر کرده است [ ۲۶ ]]. مجموعه‌ای از آستانه‌های ممکن برای هر ویژگی آزمایش شد و دقت تشخیص تغییر بر اساس نمونه‌های اعتبارسنجی ارزیابی شد. در نهایت از آستانه با بالاترین دقت استفاده شد. اگر مقادیر متمایز همه ویژگی ها (NDVI، LSWI و HV) برای یک پیکسل از آستانه خود فراتر رود، این پیکسل به عنوان پیکسل تغییر یافته طبقه بندی می شود. پیکسل های تغییر یافته به عنوان از دست دادن حرا تعریف شدند در حالی که پیکسل های بدون تغییر نشان دهنده مانگروهای باقی مانده بودند.
از نظر افزایش حرا، یک بافر ۱۰۰۰ متری بر اساس نقشه حرا در سال ۲۰۱۸ برای نشان دادن منطقه بالقوه ای که در آن افزایش حرا ممکن است رخ دهد ایجاد شد [ ۲۵ ]. به طور مشابه، از این ناحیه بالقوه برای پوشاندن تصاویر مربوط به سال‌های مختلف استفاده شد و پیکسل‌های تغییر یافته/تغییر نشده در ناحیه ماسک‌دار با همان روش شناسایی شدند. پس از آن، پیکسل های تغییر یافته بر اساس نمونه های آموزشی به جنگل های حرا و دیگر پوشش های زمین طبقه بندی شدند. پیکسل های حرا جدید به عنوان دستاوردهای حرا در نظر گرفته شدند. کل روش در R Studio [ ۲۷ ] انجام شد.
۲٫۳٫۳٫ ارزیابی کمی دینامیک حرا
پیکسل های تغییر یافته (افزایش و زیان حرا) نشان دهنده تبدیل بین مانگروها و سایر پوشش های مختلف زمین است. پوشش‌های زمینی اطراف جنگل‌های حرا ساحلی عبارتند از آب دریا، آبزی پروری، کشاورزی، زمین‌های گلی، ساخته‌شده و شوره‌زار. بنابراین، پیکسل های تغییر یافته در این شش کلاس مختلف برای کمیت کردن دینامیک حرا طبقه بندی شدند. مناطق مختلف شرایط محیطی و ژئومورفیک مختلفی دارند. برای مثال، باتلاق‌های نمکی در نزدیکی جنگل‌های حرا در ژجیانگ و فوجیان پراکنده شده‌اند، در حالی که به ندرت در هاینان و گوانگدونگ رخ می‌دهند. از این رو، طبقه بندی مجدد در سطح استان انجام شد و نتایج کمی به ترتیب برای هر استان خلاصه شد. دقت طبقه بندی مجدد برای هر استان ارزیابی شد. سرانجام،

۳٫ نتایج

۳٫۱٫ نقشه پایه حرا

قابلیت تفکیک باندهای مختلف در میان مانگروها و سایر پوشش های زمین در شکل ۴ نشان داده شده است . این نشان داد که نوار قرمز مادون قرمز نزدیک (NIR) از تصاویر Landsat SR و پراکندگی پشتی HV از موزاییک PALSAR-2 برای شناسایی حرا نسبتا مهم هستند. بنابراین، NIR، HV، NDVI، mNDWI ، LSWI، و SAVI در این مطالعه برای نقشه‌برداری از توزیع‌های حرا در سال ۲۰۱۸ استفاده شدند. این ثابت کرد که ویژگی های انتخاب شده در تمایز پوشش های مختلف زمین به خوبی عمل می کنند.
نقشه پراکنش حرا در چین در سال ۲۰۱۸ در شکل ۵ نمایش داده شده است و دقت طبقه بندی برای هر استان در جدول ۲ آمده است. دقت طبقه بندی برای اکثر مناطق بیش از ۹۰٪ است، بین ۸۵٫۱۹ ± ۱۲٫۲۱٪ (ژجیانگ) و ۹۹٫۰۲ ± ۲٫۱۴٪ (هنگ کنگ). دقت کلی برای کل منطقه ساحلی ۶٫۰۲ ± ۹۵٫۲۳٪ با ضریب کاپا ۰٫۹۲۴۳ است. در کل ۲۴۶۰۲ هکتار حرا در کل منطقه ساحلی شناسایی شد که از ۱۰٫۶۲ هکتار در ماکائو تا ۹۲۱۷٫۶۳ هکتار در گوانگدونگ متغیر است. جدول ۲).). بیش از ۹۰ درصد از جنگل های حرا در چین در مناطق جنوبی توزیع شده است. گوانگدونگ بزرگترین منطقه جنگل حرا را به خود اختصاص داده است که حدود ۳۷٫۵٪ از کل منطقه حرا را تشکیل می دهد، پس از آن Guangxi (36.9٪) و Hainan (17.4٪) قرار دارند.

۳٫۲٫ تغییر منطقه حرا از ۱۹۸۵ تا ۲۰۱۸

تغییرات منطقه حرا برای هر استان (منطقه) در دوره ۱۹۸۵-۲۰۱۸، ۱۹۹۶-۲۰۱۸، ۲۰۰۷-۲۰۱۸، و ۲۰۱۰-۲۰۱۸ در شکل ۶ و شکل ۷ ارائه شده است. دقت طبقه بندی برای همه استان ها بالای ۸۰ درصد است. نتایج نشان داد که مساحت کل حرا چین در سالهای ۱۹۸۵، ۱۹۹۶، ۲۰۰۷، ۲۰۱۰ و ۲۰۱۸ به ترتیب ۲۰۰۸۶ هکتار، ۱۸۰۳۳ هکتار، ۲۲۴۲۸ هکتار، ۲۳۶۳۹ هکتار و ۲۴۶۰۲ هکتار بوده است. طی دوره ۱۹۸۵-۱۹۹۶، جنگل های حرا در چین ۲۰۵۳ هکتار از دست دادند، با این حال، پس از آن، منطقه حرا تقریباً ۳۶٪ از ۱۸,۰۳۳ هکتار در سال ۱۹۹۶ به ۲۴,۶۰۲ هکتار در سال ۲۰۱۸ افزایش یافت. به ویژه در طول سال های ۱۹۹۶-۲۰۱۰، حرا. این منطقه یک سود خالص ۷۱۳۳ هکتاری را تجربه کرد. از سال ۲۰۱۰، کل منطقه حرا در مقایسه با قبل نسبتاً پایدار بوده است.
از سال ۱۹۸۵ تا ۱۹۹۶، مناطق مانگرو در ژجیانگ، هاینان، هنگ کنگ، ماکائو و تایوان افزایش یافت، در حالی که در سه استان دیگر، مناطق حرا کاهش یافت. پس از سال ۱۹۹۶، مناطق حرا در گوانگدونگ، گوانگشی و هنگ کنگ همچنان افزایش یافت. جنگل‌های حرا در فوجیان، ماکائو و تایوان ابتدا یک سود خالص و سپس یک ضرر خالص پس از سال ۱۹۹۶ تجربه کرده‌اند. در مقابل، منطقه پس از کاهش جزئی از سال ۱۹۹۶ تا ۲۰۰۷ در هاینان دوباره افزایش یافت. بیشترین تغییر مساحت در گوانگدونگ مشاهده شد، جایی که ۴۶ درصد (۴۲۴۹ هکتار) از حرا بین سال‌های ۱۹۹۶ و ۲۰۱۸ بهبود یافت . ۸٫ بیشتر تغییرات بین سال‌های ۱۹۹۶ و ۲۰۰۷ در نزدیکی دو ذخیره‌گاه طبیعی ملی رخ داد، در حالی که افزایش‌های پراکنده پس از سال ۲۰۱۰ ظاهر شد.

۳٫۳٫ نتایج کمی دینامیک حرا

جدول ۳ تبدیل بین مانگروها و سایر پوشش های زمین در چین را در دوره ۱۹۸۵-۲۰۱۸، ۱۹۹۶-۲۰۱۸، ۲۰۰۷-۲۰۱۸، و ۲۰۱۰-۲۰۱۸ نشان می دهد. برای هر استان و زمان، جزئیات تغییرات مانگروها و پوشش های مختلف زمین در شکل ۷ قابل مشاهده است. دقت طبقه بندی مجدد برای همه استان ها و سال ها بالاتر از ۹۰ درصد است که در جدول A2 خلاصه شده است.. به طور کلی، بین سال‌های ۱۹۸۵ و ۲۰۱۸، ۱۹۳۴ هکتار از حرا از آبزی‌پروری و ۲۲۶۳ هکتار از گل و لای حاصل شد، در حالی که ۴۹۳ هکتار از دست دادن حرا به تولید و ۶۹۲ هکتار به آبزی‌پروری تبدیل شد. با اشاره به نتیجه برای هر منطقه، تغییرات در استان ها و دوره های زمانی مختلف متفاوت بوده است. برای ژجیانگ، فوجیان، گوانگدونگ و تایوان، سود حرا عمدتاً از آبزی پروری بود، در حالی که برای گوانگشی و هنگ کنگ، سود حاصل از گل و لای بود. علاوه بر این، حرا در هاینان از آبزی پروری و کشاورزی به دست آوردند. از نظر تلفات حرا، برای فوجیان، گوانگشی و هنگ کنگ، تلفات حرا عمدتاً به دلیل ساخت و ساز و احیای آبزی پروری بود. علاوه بر این، بیش از ۵۰ درصد از مانگروها به دلیل ساخت و سازهای ساخته شده در هاینان از بین رفته اند، در حالی که بیشتر مانگروها در گوانگدونگ به آبزی پروری تبدیل شده اند.

۴٫ بحث

۴٫۱٫ مزایا در دینامیک حرا حاصل

در این مطالعه، دقت کلی برای نقشه پایه و دینامیک حرا به ترتیب ۰۲/۶ ± ۲۳/۹۵ و ۹۸/۴ ± ۸۰ درصد است که نشان‌دهنده نقشه‌های با کیفیت کافی برای استفاده در جامعه پژوهشی و سیاست‌گذاری است. در مقایسه با نقشه‌های موجود ملی حرا [ ۱۲ ، ۱۵ ، ۱۶ ]، مناطق حاصل از مانگرو در این مطالعه به داده‌های آماری گزارش جنگل‌داری چین [ ۲۸ ] نزدیک‌تر است، همانطور که در شکل A1 نشان داده شده است ، به ویژه برای گوانگدونگ، گوانگشی، و هاینان. سه مزیت در این مطالعه ممکن است به دقت بالاتر کمک کند.
اولاً، طغیان جزر و مدی همانطور که در بخش ۲٫۲٫۲ ذکر شد در این مطالعه به درستی در نظر گرفته شد . اکثر مطالعات قبلی تصاویر با جزر و مد را بر اساس سطح آب در ایستگاه های سطح جزر و مد انتخاب کردند [ ۱۵ ، ۱۶ ]. با این حال، معمولاً در هر استان فقط ۳-۴ ایستگاه سطح جزر و مد وجود دارد و برخی از آنها دور از جنگل های حرا هستند. بنابراین، سطح آب ممکن است طغیان جزر و مدی واقعی در جنگل های حرا را منعکس نکند. در این تحقیق فرض کردیم که اگر حرا بالای سطح آب باشد، شاخص پوشش گیاهی (NDVI) باید بزرگتر از شاخص آب (LSWI) باشد. روش مشابهی به طور گسترده برای نقشه برداری شالیزار برنج و نیزار تالاب استفاده شده است [ ۲۰ ، ۲۹]. به این ترتیب، تصاویر بر اساس نمونه‌های حرا انتخاب شدند که می‌تواند اطلاعات جزر و مدی قابل اعتمادتری را در جنگل‌های حرا نشان دهد. علاوه بر این، به جای استفاده از تصویر تک داده‌ها، ما موزاییک‌های چند داده‌ای را برای هر سال اتخاذ کردیم، که می‌تواند طبقه‌بندی نادرست ناشی از طغیان جزر و مد را نیز کاهش دهد.
ثانیاً، طبقه بندی حرا معمولاً تحت تأثیر حضور ابرها در مناطق گرمسیری و نیمه گرمسیری است. اگرچه اکثر مطالعات تصاویر را با ابر کمتری اتخاذ کردند، اما آلودگی ابر هنوز به طور کامل قابل حل نیست. در این تحقیق، تصاویر SAR، که تحت تأثیر شرایط آب و هوایی [ ۲۵ ] نیستند، برای بهبود دقت طبقه‌بندی مورد استفاده قرار گرفتند. مطالعات قبلی نشان داده اند که با ترکیب مجموعه داده های نوری و راداری در مقایسه با استفاده مستقل از آنها، دقت ۲۰ درصد افزایش یافته است [ ۳۰ ، ۳۱ ]. علاوه بر این، داده‌های SAR می‌توانند اطلاعات ساختاری حرا را منعکس کنند، که می‌تواند به تمایز آنها از سایر پوشش‌های گیاهی کمک کند [ ۳۲ . مناطق حرا که ما بدست آوردیم کمی بزرگتر از مناطقی است که در مطالعات قبلی انجام شده است [۱۲ ، ۱۵ ، ۱۶ ، ۲۸ ]، که نشان می دهد حراهای بیشتری در این مطالعه شناسایی شدند. دو منطقه جنوبی (گوانگشی و هاینان) به احتمال زیاد تحت تأثیر ابر قرار دارند. نتایج ما نشان داد که ۸۷۱۵ هکتار حرا در گوانگشی و ۳۸۶۱ هکتار در هاینان وجود دارد که مشابه داده های آماری گزارش جنگلداری چین است (۸۳۷۵ هکتار در گوانگشی و ۳۹۳۰ هکتار در هاینان). با این حال، نتایج به دست آمده از تنها تصاویر Landsat نشان داد که مناطق حرا ۵۸۱۳ هکتار و ۵۹۷۸ هکتار در گوانگشی و ۳۵۷۶ هکتار و ۳۶۲۳ هکتار در هاینان هستند [ ۱۵ , ۱۶ ].] که بسیار کمتر از داده های آماری هستند. بنابراین، ترکیب تصاویر نوری و راداری با کاهش نفوذ ابرها، نتایج جامع‌تر و دقیق‌تری ارائه کرد که باعث بهبود قابلیت اطمینان دینامیک حرا شد.
در نهایت، روش تشخیص تغییر پیشنهاد شده در این مطالعه در شناسایی پویایی حرا چین قوی‌تر و دقیق‌تر است. ترکیب روش نقشه به تصویر و روش تصویر به تصویر تشخیص پیکسل های تغییر یافته بین تصاویر مستقل را افزایش داد و انتشار خطا ناشی از دقت طبقه بندی مختلف را کاهش داد. علاوه بر این، به جای تجزیه و تحلیل ویژگی های طیفی در کل جنگل حرا [ ۲۵]، ما بر روی تفاوت تصویر در سطح پیکسل تمرکز کردیم، که می تواند تغییرات را در جزئیات تشخیص دهد. ارزیابی موفقیت‌آمیز دینامیک حرا در ژجیانگ ثابت کرد که این روش به منطقه و توزیع حرا محدود نمی‌شود. رویکرد جدید نشان دهنده یک گام اساسی به سمت ترسیم پویایی حرا در چین با منطقه محدود و توزیع پراکنده است.

۴٫۲٫ منابع بالقوه عدم قطعیت در دینامیک حرا حاصل

اگرچه نقشه‌های حرا حاصل در مطالعه ما دقت پایگاه‌داده حرا را در چین بهبود بخشید، محدودیت‌هایی در کاربرد داده‌های RS وجود دارد. اولاً، ما متوجه شدیم که دقت طبقه‌بندی حرا در ژجیانگ کمترین (۸۵٫۱۹ ± ۱۲٫۲۱٪) در بین تمام مناطق بود. دلایل طبقه بندی اشتباه ممکن است به دلیل اثرات جزر و مدی و شباهت طیفی بین پوشش گیاهی باشد. ژجیانگ شمالی ترین مرز مانگرو در چین است که تنها یک گونه مانگرو دارد – کندلیا کندل . ۳۳]. حراهای کاشته شده مصنوعی بسیار کوتاهتر از انواع طبیعی بودند و پراکندگی فضایی نسبتاً پراکنده بود. این ویژگی ها آنها را در برابر طغیان جزر و مدی مستعدتر می کند. اگرچه ما تصاویر لندست را در دوره جزر و مد توسط نمونه‌های حرا انتخاب کردیم، نمونه‌ها به‌طور تصادفی انتخاب شدند و نمی‌توانستند همه حراها را در آن منطقه نشان دهند. این احتمال وجود دارد که چند درخت حرا در زیر سطح آب بوده و قابل شناسایی نباشد. علاوه بر این، ژجیانگ دارای منطقه وسیعی از باتلاق‌های نمکی است، مانند حدود ۲۴۳۲ هکتار از Spartina alterniflora . ۳۴ ].]. نمکزارها معمولاً در نواحی مجاور مانگروها پراکنده می شوند که اطلاعات طیفی مشابهی با مانگروها به ویژه تحت تأثیر جزر و مد دارند. بنابراین، تشخیص آنها بدون داده های کافی از حقیقت زمین یا تصاویر با وضوح بسیار دشوار است.
علاوه بر این، تعیین آستانه های مختلف برای تشخیص پیکسل های تغییر یافته تا حدودی نامشخص است. در این مطالعه، گروهی از آستانه‌ها را برای هر متغیر تعیین کردیم و بر اساس نمونه‌های حقیقت پایه، آستانه‌ای را انتخاب کردیم که بالاترین دقت را داشت. دقت برای همه آستانه ها بالای ۸۰ درصد بود، با این حال، آنها در مناطق و دوره های مختلف متفاوت بودند. شباهت طیفی بین حرا، باتلاق‌های نمکی و زمین‌های کشاورزی، تعیین آستانه‌ها و شناسایی تبدیل‌ها در بین آنها را دشوار می‌کرد. بنابراین، عدم قطعیت آستانه ها می تواند باعث طبقه بندی نادرست در میان برخی از پوشش های زمین شود. علاوه بر این، سن و گونه‌های حرا نیز ممکن است بر تشخیص تغییرات حرا تأثیر بگذارند. به عنوان مثال، اگر حراهای موجود در یک پیکسل بزرگ شوند یا در طول زمان به گونه های دیگر تبدیل شوند، اطلاعات طیفی برای آن پیکسل در دو تصویر می تواند متفاوت باشد. در این حالت، پیکسل‌های مانگرو بدون تغییر با سن‌ها یا گونه‌های مختلف به اشتباه به پیکسل‌های تغییر یافته طبقه‌بندی می‌شوند. این طبقه بندی اشتباه ممکن است زمانی رخ دهد که ما تغییرات را در یک دوره طولانی شناسایی کنیم. بنابراین، پیشنهاد می‌شود که این روش تشخیص تغییر را در یک دوره معین به درستی اعمال کنید یا آن را با داده‌های واقعی بیشتر اعتبارسنجی کنید.
عدم قطعیت های اضافی می تواند از وضوح فضایی تصاویر ناشی شود. تصاویری که ما در این مطالعه استفاده کردیم دارای وضوح فضایی ۳۰ متر هستند. با این حال، در برخی از مناطق، حرا به طور پراکنده با مناطق نسبتا کوچک توزیع شده است. این می تواند باعث ایجاد پیکسل های مخلوط شده و بر دقت طبقه بندی تأثیر بگذارد. به دلیل محدودیت منابع تصویری RS، بهبود نتایج قبل از دهه ۲۰۰۰ دشوار است. با این حال، از آنجایی که توسعه نقشه‌برداری حرا توسط پیشرفت حسگر انجام می‌شود [ ۳۵ ]، با در دسترس بودن تصاویر با وضوح بالا (مانند QuickBird، Worldview و GaoFen-2)، شناسایی توزیع‌ها و تغییرات حرا می‌تواند بیشتر بهبود یابد.

۴٫۳٫ نیروهای محرکه احتمالی مانگرو دینامیک

این اولین مطالعه ای است که تغییرات مانگرو را در چین کمیت می کند. نتایج حاکی از نیروهای محرک احتمالی دینامیک حرا در ۳۰ سال گذشته بود. به طور کلی تغییرات حرا در مناطق و دوره های زمانی مختلف با توجه به شرایط جوی متنوع و اقدامات سیاستی متنوع بوده است. با این حال، بیشتر عواید حرا از آبزی پروری و گل و لای تغییر شکل داده است و تلفات ناشی از ساخت و ساز و احیای آبزی پروری بوده است. تلفات حرا در چین به طور معمول از سال ۱۹۸۵ تا ۱۹۹۶ رخ داد، در حالی که پس از سال ۱۹۹۶ مناطق حرا به طور پیوسته افزایش یافت. دلایل اصلی این تغییرات فعالیت های انسانی از جمله تخریب و حفاظت است. قبل از دهه ۱۹۹۰، از بین رفتن حرا عمدتاً به دلیل فشار ناشی از انفجار جمعیت و شهرنشینی بود. ۳۶ ]]، به ویژه در مناطق ساحلی که چندین شهر بزرگ مانند شنژن و شیامن در آن قرار دارند. توسعه سریع در منطقه ساحلی مستلزم زمین های ساخته شده بیشتر برای فعالیت های انسانی است و به همین دلیل است که جنگل های حرا در برخی مناطق تخریب شده و به ساخت و ساز تبدیل شده است. علاوه بر این، کمبود منابع مالی و انسانی در آن زمان باعث شد تا سطح وسیعی از حرا برای منافع اقتصادی مستقیم به آبزی پروری تبدیل شود.
با این حال، از اوایل دهه ۱۹۹۰، اهمیت و آسیب پذیری اکوسیستم های حرا موجب آگاهی دولت چین و عموم مردم شد. بنابراین، تعدادی از قوانین و مقررات برای حفاظت از اکوسیستم های حرا منتشر شد، از جمله برنامه اقدام برای حفاظت از تنوع زیستی چین (آژانس حفاظت از محیط زیست ایالتی، ۱۹۹۴)، برنامه اقدام جنگلداری برای دستور کار چین در قرن ۲۱ (اداره جنگلداری ایالتی، ۱۹۹۵; ۱۹۹۶)، طرح حفاظت از محیط زیست اکولوژیکی چین (شورای دولتی، ۱۹۹۸)، و برنامه اقدام برای حفاظت از تالاب چین (اداره جنگلداری ایالتی، ۲۰۰۰). بر اساس این قوانین و مقررات، میلیاردها دلار برای بازسازی و حفاظت از اکوسیستم های حرا سرمایه گذاری شد. ۱۶ ]]. با توجه به نتایج ما، سود حرا عمدتا از آبزی پروری و گل و لای بود که منعکس کننده دستاوردهای اصلاح ماهیگیری غیرقانونی و منطقه وسیعی از احیاء بود.
در همین حال، از دهه ۱۹۸۰ ذخایر بسیاری از حرا ایجاد شد که به شدت با افزایش منطقه حرا همراه بود. اولین ذخیره گاه طبیعی استانی حرا در سال ۱۹۸۰ در هاینان تأسیس شد. پس از آن، ۲۶ ذخیره گاه حرا ایجاد شده است، همانطور که در شکل تکمیلی S3 نشان داده شده است ، که از حدود ۲۰۰۰۰ هکتار حرا محافظت می کند. افزایش حرا به دنبال ایجاد ذخایر حرا با تاخیرهای زمانی متفاوت بود. این را می توان به میزان متفاوت بقای مانگروهای تازه کاشته شده در مناطق مختلف نسبت داد. در آغاز، میزان بقا در اکثر استان ها پایین بود و تنها ۲۰ تا ۳۰ درصد بود. ۱۶ ].]. با این حال، پروژه موفق کاشت مجدد در اوایل دهه ۱۹۹۰ در گوانگشی آغاز شد. همانطور که گزارش شد، حدود ۷۱ درصد از مانگروهای کاشته شده مصنوعی در آنجا زنده ماندند [ ۲۸ ]، که دلیل افزایش سریع منطقه حرا در گوانگشی است. اخیراً پروژه‌های احیای حرا بیشتری در ژجیانگ برای بزرگ‌تر کردن جنگل حرا در بخش میانی چین انجام شده است. با این حال، هوای بسیار سرد در زمستان ۲۰۱۵ باعث مرگ مانگروها شد که به از بین رفتن حرا در ژجیانگ کمک کرد. علاوه بر این، هجوم گیاه آلترنی فلورا اسپارتینا سلامت اکوسیستم های حرا را نیز تهدید می کند. همانطور که در شکل ۷ نشان داده شده استبرخی از مناطق حرا در ژجیانگ و فوجیان به باتلاق‌های نمکی تبدیل شده‌اند. بنابراین، حفاظت، معرفی و توسعه اکوسیستم های حرا همچنان نیازمند دانش و عمل علمی بیشتری است.
در این مطالعه، ما در درجه اول بر روی عوامل انسانی که از دست دادن و افزایش حرا تاثیر می‌گذارند، تمرکز کردیم. با این حال، عوامل محیطی نیز می تواند به تغییرات در جنگل های حرا کمک کند. مطالعات نشان داده‌اند که دمای هوا، بارندگی و شوری تأثیر قابل‌توجهی بر فنولوژی حرا دارند [ ۳۷ ] که می‌تواند بر کاشت مجدد تأثیر بگذارد. علاوه بر این، فرآیند شهرنشینی رسوباتی ایجاد کرد که به رودخانه ریخته شد و یک گل و لای جدید را تشکیل داد [ ۳۸ ]]. این پهنه گلی در حال گسترش، زیستگاه های بیشتری را برای نهال ها و کاشت مجدد حرا فراهم کرد که برای افزایش منطقه حرا مفید است. بنابراین، به بررسی میدانی و مشاهدات RS بیشتری نیاز دارد تا نیروهای محرکه جامع دینامیک حرا را در مطالعه بیشتر کشف کنیم.

۵٫ نتیجه گیری ها

این مطالعه اولین ارزیابی کمی از دینامیک حرا در چین را در ۳۰ سال گذشته با ادغام تصاویر ALOS PALSAR/PALSAR-2 و Landsat ارائه می‌کند. نقشه پایه حرا به روز شده، با دقت کلی ۶٫۰۲ ± ۹۵٫۲۳ درصد نشان می دهد که ۲۴۶۰۲ هکتار جنگل حرا در سال ۲۰۱۸ وجود داشته است و بیش از ۹۰ درصد حرا در امتداد خط ساحلی جنوبی توزیع شده است. یک رویکرد جایگزین با ترکیب روش نقشه به تصویر و روش تصویر به تصویر برای بهبود تشخیص تغییر حرا پیشنهاد شد. تجزیه و تحلیل مبتنی بر پیکسل و آستانه های مختلف برای هر شاخص می تواند تغییرات بین حرا و سایر پوشش های زمین را با جزئیات شناسایی کند. پویایی طولانی مدت حرا حاصل نشان داد که حرا در بیشتر مناطق ابتدا تمایل به از دست دادن و بعداً بهبود دارند. اگرچه آنها دستخوش تغییرات فضایی هستند، بیشتر عواید حرا از آبزی پروری و گل و لای حاصل شد، در حالی که ضرر و زیان آنها به آبزی پروری و ساخت و ساز تبدیل شد. علاوه بر این، نتایج کمی تغییرات حرا ما را قادر می سازد تا نیروهای محرک بالقوه را تجزیه و تحلیل کنیم. تلفات حرا معمولاً به دلیل تخریب انسان‌ساز بوده است، در حالی که بازیابی به اقدامات حفاظتی نسبت داده می‌شود. اگرچه محدودیت‌هایی وجود دارد، با این وجود، نتایج ارزیابی‌های درستی از تغییرات حرا را ارائه می‌دهند، که اهمیت بالقوه‌ای برای برنامه‌های حفاظت و احیای حرا، همراه با کاربرد برای جامعه پژوهشی و سیاست‌گذاری دارند. تلفات حرا معمولاً به دلیل تخریب انسان‌ساز بوده است، در حالی که بازیابی به اقدامات حفاظتی نسبت داده می‌شود. اگرچه محدودیت‌هایی وجود دارد، با این وجود، نتایج ارزیابی‌های درستی از تغییرات حرا را ارائه می‌دهند، که اهمیت بالقوه‌ای برای برنامه‌های حفاظت و احیای حرا، همراه با کاربرد برای جامعه پژوهشی و سیاست‌گذاری دارند. تلفات حرا معمولاً به دلیل تخریب انسان‌ساز بوده است، در حالی که بازیابی به اقدامات حفاظتی نسبت داده می‌شود. اگرچه محدودیت‌هایی وجود دارد، با این وجود، نتایج ارزیابی‌های درستی از تغییرات حرا را ارائه می‌دهند، که اهمیت بالقوه‌ای برای برنامه‌های حفاظت و احیای حرا، همراه با کاربرد برای جامعه پژوهشی و سیاست‌گذاری دارند.

ضمیمه الف. دقت ارزیابی پس از طبقه بندی

جدول A1. ماتریس سردرگمی برای تهیه نقشه پراکندگی حرا در هر استان (منطقه).
جدول A2. دقت طبقه بندی کمیت تغییرات در هر استان (منطقه).
شکل A1. مقایسه مناطق حرا با سایر داده های موجود در سال ۲۰۱۰٫

منابع

  1. ناگلکرکن، آی. وان در ولده، جی. گوریسن، ام. مایجر، جی. وانت هوف، تی. دن هارتوگ، سی. اهمیت حرا، بستر علف‌های دریایی و صخره‌های مرجانی کم‌عمق به‌عنوان مهدکودک برای ماهی‌های مهم صخره‌های مرجانی، با استفاده از تکنیک سرشماری بصری. استوار. ساحل. Shelf Sci. ۲۰۰۰ ، ۵۱ ، ۳۱-۴۴٫ [ Google Scholar ] [ CrossRef ]
  2. Arkema، KK; گوانل، جی. وروتس، جی. چوب، SA; گوری، ا. راکلشائوس، ام. کاریوا، پ. لاکایو، ام. نقره، JM زیستگاه های ساحلی از مردم و دارایی ها در برابر افزایش سطح دریا و طوفان محافظت می کنند. نات. صعود چانگ. ۲۰۱۳ ، ۳ ، ۹۱۳-۹۱۸٫ [ Google Scholar ] [ CrossRef ]
  3. دوارته، سی ام. لوسادا، آی جی; هندریکس، IE; مزارسه، من. Marbà، N. نقش جوامع گیاهی ساحلی برای کاهش تغییرات آب و هوا و سازگاری. نات. صعود چانگ. ۲۰۱۳ ، ۳ ، ۹۶۱-۹۶۸٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  4. موری، BC; پندلتون، ال. جنکینز، WA; Sifleet، S. پرداخت های سبز برای کربن آبی: مشوق های اقتصادی برای حفاظت از زیستگاه های ساحلی در معرض تهدید. ۲۰۱۱٫ در دسترس آنلاین: https://nicholasinstitute.duke.edu/environment/publications/naturalresources/blue-carbon-report (در ۶ ژوئیه ۲۰۲۰ قابل دسترسی است).
  5. 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. ۲۰۱۶ ، ۲۵ ، ۷۲۹-۷۳۸٫ [ Google Scholar ] [ CrossRef ]
  6. اسپالدینگ، ام. بلاسکو، ای. Field, C. World Mangrove Alias ​​; انجمن بین المللی برای اکوسیستم های حرا: اوکیناوا، ژاپن، ۱۹۹۷٫ [ Google Scholar ]
  7. وو، جی. ژانگ، اچ. پان، ی. کراوز-جنسن، دی. او، ز. فن، دبلیو. شیائو، ایکس. چانگ، آی. ماربا، ن. سرانو، او. فرصت ها برای استراتژی های کربن آبی در چین. ساحل اقیانوس. مدیریت ۲۰۲۰ , ۱۹۴ , ۱۰۵۲۴۱٫ [ Google Scholar ] [ CrossRef ]
  8. لی، ایکس. یو، ایکس. هو، ایکس. لیو، ی. لی، اچ. ژو، ی. شیا، اس. لیو، ی. دوان، اچ. وانگ، ی. ارزیابی خدمات اکوسیستم تالاب در ذخایر طبیعی ملی در مناطق ساحلی چین. پایداری ۲۰۲۰ ، ۱۲ ، ۳۱۳۱٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  9. سلام.؛ Zhang، M. مطالعه در مورد از دست دادن تالاب و دلایل آن در چین. چانه. Geogr. علمی ۲۰۰۱ ، ۱۱ ، ۲۴۱-۲۴۵٫ [ Google Scholar ] [ CrossRef ]
  10. اسپالدینگ، ام. کاینوما، ام. کالینز، L. اطلس جهانی حرا ; Earthscan: لندن، بریتانیا، ۲۰۱۰٫ [ Google Scholar ]
  11. 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. ۲۰۱۱ ، ۲۰ ، ۱۵۴-۱۵۹٫ [ Google Scholar ] [ CrossRef ]
  12. وو، پی. ژانگ، جی. ممکن است.؛ لی، ایکس. نظارت و تجزیه و تحلیل سنجش از راه دور تغییرات منابع حرا در چین در ۲۰ سال گذشته. Adv. مارس Sci. ۲۰۱۳ ، ۳۱ ، ۴۰۶-۴۱۴، (به زبان چینی با چکیده انگلیسی). [ Google Scholar ]
  13. جیا، م. وانگ، ز. لی، ال. آهنگ، ک. رن، سی. لیو، بی. Mao, D. نقشه برداری از حرا چین بر اساس طبقه بندی شی گرا از تصاویر Landsat. Wetlands ۲۰۱۴ , ۳۴ , ۲۷۷-۲۸۳٫ [ Google Scholar ] [ CrossRef ]
  14. چن، بی. شیائو، ایکس. لی، ایکس. پان، ال. دوغتی، ر. ما، جی. دونگ، جی. Qin، Y.; ژائو، بی. Wu, Z. نقشه جنگل حرا چین در سال ۲۰۱۵: تجزیه و تحلیل تصاویر سری های زمانی Landsat 7/8 و Sentinel-1A در پلت فرم محاسبات ابری موتور Google Earth. ISPRS J. Photogramm. Remote Sens. ۲۰۱۷ , ۱۳۱ . [ Google Scholar ] [ CrossRef ]
  15. هو، ال. لی، دبلیو. Xu، B. نظارت بر تغییر جنگل حرا در چین از سال ۱۹۹۰ تا ۲۰۱۵ با استفاده از معیارهای تغییرپذیری طیفی-زمانی مشتق شده از Landsat. بین المللی J. Appl. زمین Obs. Geoinf. ۲۰۱۸ ، ۷۳ ، ۸۸-۹۸٫ [ Google Scholar ] [ CrossRef ]
  16. جیا، م. وانگ، ز. ژانگ، ی. مائو، دی. وانگ، سی. نظارت بر تلفات و بازیابی جنگل‌های حرا در طول ۴۲ سال: دستاوردهای حفاظت از حرا در چین. بین المللی J. Appl. زمین Obs. Geoinf. ۲۰۱۸ ، ۷۳ ، ۵۳۵-۵۴۵٫ [ Google Scholar ] [ CrossRef ]
  17. لی، جی.اس. بهبود تصویر دیجیتال و فیلتر نویز با استفاده از آمار محلی. IEEE Trans. الگوی مقعدی ماخ هوشمند ۱۹۸۰ ، ۱۶۵-۱۶۸٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  18. Tucker، CJ Red و ترکیبات خطی مادون قرمز عکاسی برای نظارت بر پوشش گیاهی. سنسور از راه دور محیط. ۱۹۷۸ ، ۸ ، ۱۲۷-۱۵۰٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  19. گائو، B.-C. NDWI – یک شاخص تفاوت نرمال شده آب برای سنجش از راه دور آب مایع گیاهی از فضا. سنسور از راه دور محیط. ۱۹۹۶ ، ۵۸ ، ۲۵۷-۲۶۶٫ [ Google Scholar ] [ CrossRef ]
  20. ژو، ی. شیائو، ایکس. Qin، Y.; دونگ، جی. ژانگ، جی. کو، دبلیو. جین، سی. وانگ، جی. Li, X. نقشه برداری از منطقه کاشت برنج شالیزاری در مناطق همزیست تالاب برنج از طریق تجزیه و تحلیل تصاویر Landsat 8 OLI و MODIS. بین المللی J. Appl. زمین Obs. Geoinf. ۲۰۱۶ ، ۴۶ ، ۱-۱۲٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  21. Xu، H. اصلاح شاخص آب تفاوت نرمال شده (NDWI) برای افزایش ویژگی های آب باز در تصاویر سنجش از راه دور. بین المللی J. Remote Sens. ۲۰۰۶ ، ۲۷ ، ۳۰۲۵-۳۰۳۳٫ [ Google Scholar ] [ CrossRef ]
  22. Huete، AR یک شاخص پوشش گیاهی با خاک (SAVI). سنجش از دور محیط زیست سنسور از راه دور محیط. ۱۹۸۸ ، ۲۵ ، ۲۹۵-۳۰۹٫ [ Google Scholar ] [ CrossRef ]
  23. بروزون، ال. Prieto، DF تجزیه و تحلیل خودکار تصویر تفاوت برای تشخیص تغییرات بدون نظارت. IEEE Trans. Geosci. Remote Sens. ۲۰۰۰ , ۳۸ , ۱۱۷۱-۱۱۸۲٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  24. دینگل رابرتسون، ال. کینگ، دی جی مقایسه طبقه‌بندی مبتنی بر پیکسل و شی در نگاشت تغییر پوشش زمین. بین المللی J. Remote Sens. ۲۰۱۱ ، ۳۲ ، ۱۵۰۵-۱۵۲۹٫ [ Google Scholar ] [ CrossRef ]
  25. 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. ۲۰۱۸ , ۱۰ , ۱۴۶۶٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  26. Macleod، RD; Congalton، RG مقایسه کمی الگوریتم‌های تشخیص تغییر برای نظارت بر علف مارماهی از داده‌های سنجش از راه دور. فتوگرام مهندس Remote Sens. ۱۹۹۸ , ۶۴ , ۲۰۷-۲۱۶٫ [ Google Scholar ]
  27. تیم RStudio. RStudio: توسعه یکپارچه برای R. RStudio . PBC: بوستون، MA، ایالات متحده آمریکا، ۲۰۱۹٫ [ Google Scholar ]
  28. چن، ال. وانگ، دبلیو. ژانگ، ی. لین، جی. پیشرفت‌های اخیر در حفاظت، مرمت و تحقیق حرا در چین. J. Plant Ecol. ۲۰۰۹ ، ۲ ، ۴۵-۵۴٫ [ Google Scholar ] [ CrossRef ]
  29. دونگ، جی. شیائو، ایکس. منارگوئز، MA; ژانگ، جی. Qin، Y.; تاو، دی. بیرادار، سی. Moore III، B. نقشه برداری از منطقه کاشت برنج شالیزاری در شمال شرقی آسیا با تصاویر Landsat 8، الگوریتم مبتنی بر فنولوژی و موتور Google Earth. سنسور از راه دور محیط. ۲۰۱۶ ، ۱۸۵ ، ۱۴۲-۱۵۴٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  30. برگزار شد، ا. تایس هرست، سی. لیمبرنر، ال. ویلیامز، ن. نقشه برداری با وضوح بالا از اکوسیستم های حرا استوایی با استفاده از سنجش از دور ابرطیفی و راداری. بین المللی J. Remote Sens. ۲۰۰۳ , ۲۴ , ۲۷۳۹-۲۷۵۹٫ [ Google Scholar ] [ CrossRef ]
  31. رمزی، EW; نلسون، GA؛ Sapkota، SK طبقه بندی منابع ساحلی با ادغام تصاویر نوری و راداری و عکاسی مادون قرمز رنگی. مرداب های نمکی حرا ۱۹۹۸ ، ۲ ، ۱۰۹-۱۱۹٫ [ Google Scholar ] [ CrossRef ]
  32. 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. ۲۰۱۹ ، ۱۱ ، ۲۳۰٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  33. هوانگ، ایکس. پنگ، ایکس. کیو، جی. وضعیت چن، اس. حرا و چشم انداز توسعه در استان ژجیانگ جنوبی. جی. ژجیانگ برای. Coll. ۲۰۰۹ ، ۲۶ ، ۴۲۷-۴۳۳، (به زبان چینی با چکیده انگلیسی). [ Google Scholar ]
  34. وانگ، آ. چن، جی. جینگ، سی. بله، جی. وو، جی. هوانگ، ز. ژو، سی. نظارت بر تهاجم Spartina alterniflora از سال ۱۹۹۳ تا ۲۰۱۴ با داده های ماهواره ای Landsat TM و SPOT 6 در خلیج Yueqing، چین. PLoS ONE ۲۰۱۵ ، ۱۰ ، e0135538. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  35. وانگ، ال. جیا، م. یین، دی. تیان، جی. مروری بر سنجش از دور برای جنگل‌های حرا: ۱۹۵۶-۲۰۱۸٫ سنسور از راه دور محیط. ۲۰۱۹ ، ۲۳۱ ، ۱۱۱۲۲۳٫ [ Google Scholar ] [ CrossRef ]
  36. جیا، م. لیو، ام. وانگ، ز. مائو، دی. رن، سی. Cui، H. ارزیابی اثربخشی حفاظت در حرا: مقایسه مبتنی بر سنجش از دور برای دو منطقه حفاظت‌شده مجاور در شنژن و هنگ کنگ، چین. Remote Sens. ۲۰۱۶ , ۸ , ۶۲۷٫ [ Google Scholar ] [ CrossRef ][ Green Version ]
  37. سانگسوم، وی. کودسین، دبلیو. ریچی، RJ; Huete، A. فنولوژی حرا و محرک های زیست محیطی مشتق شده از سنجش از دور در جنوب تایلند. Remote Sens. ۲۰۱۹ , ۱۱ , ۹۵۵٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  38. لیو، ام. ژانگ، اچ. لین، جی. لین، اچ. تانگ، دی. پهنه بندی و پویایی جهت جنگل های حرا برگرفته از تصاویر ماهواره ای سری زمانی در مای پو، هنگ کنگ. پایداری ۲۰۱۸ ، ۱۰ ، ۱۹۱۳٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
شکل ۱٫ موقعیت منطقه مورد مطالعه و منطقه بالقوه رشد حرا در چین.
شکل ۲٫ نمودار جریان نقشه برداری حرا و تشخیص تغییر.
شکل ۳٫ نمودار شماتیک تشخیص تغییر حرا (۲۰۱۰-۲۰۱۸).
شکل ۴٫ قابلیت تفکیک پوشش های مختلف زمین از نظر: ( الف ) بازتاب طیفی از بازتاب سطحی لندست ۸ (SR). ( ب ) ضریب پراکندگی پس از PALSAR-2.
شکل ۵٫ توزیع فضایی مانگروهای چین در سال ۲۰۱۸ و نماهای زوم سه ذخیره‌گاه طبیعی حرا: ( الف ) ذخیره‌گاه طبیعی ملی خور گوانگشی بیلون. ( ب ) ذخیره‌گاه ملی حرا ژان‌جیانگ؛ و ( ج ) رزرو ویژه دریایی جزیره ژجیانگ Ximen. پس زمینه ( a – c ) موزاییک PALSAR-2 در سال ۲۰۱۸ است که در R: G: B = HH: HV: HH-HV کامپوزیت نشان داده شده است (نکته: HH = انتقال افقی و دریافت افقی).
شکل ۶٫ مناطق حرا برای هر استان (منطقه) و کل منطقه ساحلی از سال ۱۹۸۵ تا ۲۰۱۸٫
شکل ۷٫ تبدیل جنگل های حرا و سایر پوشش های زمین برای هر استان (منطقه).
شکل ۸٫ تغییرات توزیع حرا در بخش جنوبی استان گوانگدونگ پس از دهه ۱۹۹۰: ( الف ) ۱۹۹۶-۲۰۱۸; ( ب ) ۲۰۰۷–۲۰۱۸; ( ج ) ۲۰۱۰–۲۰۱۸٫

بدون دیدگاه

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

خانهدربارهتماسارتباط با ما