時間序列遙感影像支持下杭州灣南岸植被動態(tài)監(jiān)測

劉永超, 李加林, 張 宇, 趙冰雪, 許文軒, 何改麗, 劉永學*

時間序列遙感影像支持下杭州灣南岸植被動態(tài)監(jiān)測

劉永超1,2,3, 李加林4, 張 宇5, 趙冰雪1,6, 許文軒1, 何改麗1, 劉永學1,2,3*

（1.南京大學 地理與海洋科學學院, 江蘇 南京 210023; 2.自然資源部海岸帶開發(fā)與保護重點實驗室, 江蘇 南京 210024; 3.南京大學 中國南海研究協(xié)同創(chuàng)新中心, 江蘇 南京 210023; 4.寧波大學 東海研究院, 浙江 寧波 315211; 5.南京師范大學 地理科學學院, 江蘇 南京 210023; 6.池州學院 地理與規(guī)劃學院, 安徽 池州 247000）

海岸帶植被是連通陸海生態(tài)系統(tǒng)的關鍵要素, 在全球變暖、海平面上升及人類活動加劇等背景下, 掌握海岸帶植被演化規(guī)律是支撐未來海岸帶彈性發(fā)展的基礎. 以太平洋西岸中部長江三角洲杭州灣南岸為研究區(qū), 利用時間序列Landsat遙感影像對1984至2018年杭州灣南岸植被動態(tài)進行監(jiān)測. 結果表明: 杭州灣南岸植被面積從1984年的7.26km2增加至2018年的468.35 km2, 主要經歷了生長發(fā)育到迅速擴張再到緩慢增長等演化階段; 在圍墾、人工引種及泥沙淤積等影響下, 海岸植被垂直于海堤沿海岸呈帶狀分布并伴有稀疏碎斑, 其景觀構成與演替特征顯著; 研究也顯示了Google Earth Engine對于海岸植被長時序持續(xù)監(jiān)測的優(yōu)勢與潛力. 研究揭示的人類活動加劇背景下杭州灣南岸植被變化特征, 對維護濱海濕地生態(tài)系統(tǒng)安全及大灣區(qū)可持續(xù)發(fā)展有重要意義.

時間序列分析; 植被動態(tài); 圍墾; 人工引種; 杭州灣南岸

海岸植被具有海岸防護、生物棲息、水質凈化和藍色碳匯等功能, 在全球變暖、海平面上升及人類活動加劇背景下[1], 成為偏離海陸生態(tài)系統(tǒng)中心橫跨海陸間的狹長生態(tài)脆弱帶. 1980年前后長江口人工引種的北美洲互花米草[2]由保灘促淤到侵占土著植被生境的變化, 以及海岸人工地貌逐漸增多[3-4], 嚴重沖擊了海岸帶生態(tài)系統(tǒng)演化[5]. 目前, 海岸帶研究以岸線景觀[6-8]、藍碳[9-10]、圍墾[11]、鹽沼[12]、脆弱性[13-14]、海草[15]、植被光譜[16]和植被護岸功能[17]等內容為主. 隨著陸海交互頻繁發(fā)展, 潮汐周期性浸沒以及海堤與濱海公路圍欄影響的加劇[18], 野外大面積連續(xù)同步觀測困難, 使傳統(tǒng)實地調研手段難以進行. 加之海岸帶地物光譜特征混淆嚴重[12], 單時相遙感影像難以準確表征植被分布特征[19].

衛(wèi)星傳感器支撐下的地理信息迅速增長, 催生了“大數(shù)據科學范式”[20], 推動了遙感技術更加高效地對地觀測研究, 尤其是2010年Google、卡內基梅隆大學、美國USGS開發(fā)推出Google Earth Engine (GEE)云計算平臺, 通過JavaScript API或Python離線編程方式獲取和處理共享的海量數(shù)據, 可以減少影像下載和預處理等過程, 提高了研究效率[21]. 已有研究借助于GEE探討了全球植被覆蓋[22]、陸表水體[23]、水稻[24]、潮灘軌跡[25]以及濕地景觀格局演變[26]等資源環(huán)境演化信息, 展現(xiàn)了GEE遙感地學分析的強大功能與優(yōu)勢.

選取太平洋西岸中部長江三角洲杭州灣南岸為研究區(qū), 該區(qū)域以平原型淤泥質海岸為主, 海涂廣闊, 岸線曲折, 資源豐富, 同時經濟發(fā)達, 城鎮(zhèn)密集, 人地交互作用劇烈, 是我國海岸帶研究的典型區(qū)域. 本文基于GEE云平臺, 揭示了杭州灣南岸1984年至2018年海岸植被覆蓋變化特征, 豐富了GEE海岸帶研究領域案例, 可為維護濱海濕地生態(tài)系統(tǒng)安全及大灣區(qū)可持續(xù)發(fā)展提供決策參考.

1 數(shù)據來源與研究方法

1.1 研究區(qū)概況

杭州灣位于太平洋西岸中部、長江三角洲浙江東北部區(qū)域, 西接錢塘江, 東入東海. 入海泥沙在灣內外堆積, 部分經波浪與潮汐動力隨沿岸流南移, 使杭州灣南岸成為全球淤泥質河口海岸帶規(guī)模最大、發(fā)育最完善的河口型潮灘之一, 并入選國際重要濕地名錄. 該區(qū)域是長江三角洲平原與浙東南火山巖低山丘陵的接壤地帶, 地形以平原和低山丘陵為主, 屬于亞熱帶季風濕潤氣候, 年均氣溫16~21℃, 紅黃壤相間分布, 長有草本、灌木和喬木等植被, 也是長三角城市群重要組成部分, 行政上涉及寧波市的余姚、慈溪和鎮(zhèn)海區(qū)域(圖1).

圖1 研究區(qū)地理位置

1.2 數(shù)據來源及處理

在GEE中通過JavaScript API在線訪問研究區(qū)行列號118/039區(qū)域, 數(shù)據包括1984至2018年Landsat 5 TM, Landsat 7 ETM+和Landsat 8 OLI系列表面反射率遙感影像(表1), 空間分辨率30m, 時間分辨率為16d, 該數(shù)據已經使用LEDAPS進行了大氣校正, 包括使用CFMASK生成的云、影、水和雪掩膜以及每像素飽和度掩膜等[21].

表1 遙感影像信息

1.3 研究方法

(1)海岸帶植被指數(shù)計算. 歸一化植被指數(shù)(Normalized Difference Vegetation Index, NDVI)是區(qū)分植被與非植被(光灘、水體)的指示[27]. 增強植被指數(shù)(Enhanced Vegetation Index, EVI)是改進的植被指數(shù), 它減少了大氣影響, 消除了冠層背景信號[28], 在高生物量區(qū)域NDVI飽和時, 具有更高的敏感性. 陸地表面水指數(shù)(Land Surface Water Index, LSWI)對植被含水和土壤水有很強的敏感性.

(2)海岸帶植被提取算法. NDVI與葉面積指數(shù)關聯(lián)較大, 但在灌木層上卻表現(xiàn)為飽和[29]. EVI會根據藍色波段反射率來調整紅色波段反射率, 顧及大氣污染、土壤條件變化和冠層背景反射率. LSWI用于識別植被和排除水體. 因此采用EVI≥0.1, NDVI≥0.2且LSWI>0來識別植被信息[30]. 由于潮汐動力周期性、沿海植被物候變化和劣質遙感觀測的影響, 從一個圖像或合成圖像獲取的濕地分類結果不能捕捉提取海岸帶地物信息. 因此, 為減少潮汐動力和植被物候對海岸帶制圖的影響, 研究基于時間序列Landsat影像有效頻率來識別海岸帶植被區(qū)和非植被區(qū)(潮灘和海水). 參考中國海岸帶潮灘軌跡研究[29], 使用植被頻率閾值≥5來甄別杭州灣南岸植被.

(3)海岸帶植被景觀格局變化分析. 景觀指數(shù)可濃縮海岸植被演化信息, 對海岸帶植被景觀結構的組成和空間配置特征進行表征, 研究選取聚集度指數(shù)(COHESION)、斑塊數(shù)(NP)、最大斑塊數(shù)(LPI)、形狀指數(shù)(LSI), 借助Fragstats 4.2軟件對杭州灣南岸植被格局進行甄別.

(4)杭州灣南岸植被區(qū)域范圍. 海岸帶是連接陸地和海洋邊緣的兩大生態(tài)系統(tǒng)交錯帶, 包括自然地物(河流、海水、潮上帶植被、潮間帶鹽沼和潮下光灘等)和人工地物(湖泊、鹽田、農田、養(yǎng)殖塘和建筑等)[7]. 其中, 濕地植被是海岸帶藍色碳匯的典型載體, 同時由濕地植被轉化而來的農田也具有較高的固碳能量和潛力, 可作為重要的碳匯類型補充海岸帶藍碳. 1974年以來, 杭州灣共計圍墾面積已經超過851.03km2 [32], 墾區(qū)線海向利用方式以海水養(yǎng)殖、淡水種植業(yè)和工業(yè)為主. 植被在自然濕地與人工濕地區(qū)域均有分布, 基于海岸帶地物和岸線指標綜合特征[7], 以研究起始時間為基準, 借助ArcGIS 10.3軟件結合Google Earth影像, 提取1984年墾區(qū)堤防線作為岸向界線, 并顧及植被物候和34年來潮汐海水淹沒頻率(圖2), 最終確定研究范圍是1984年墾區(qū)堤防線至灘涂向海延伸, 南北以沿海鄉(xiāng)鎮(zhèn)為界形成海向敞開的半閉合區(qū)域(圖1、圖2), 包括潮間上帶植被、潮間帶鹽沼、圍墾區(qū)農田等地物類型.

2 結果與討論

2.1 杭州灣南岸植被空間分布特征

2.1.1杭州灣南岸植被2018年空間分布

2.1.2杭州灣南岸植被線年度空間分布特征

海岸線作為重要的海岸地貌標志, 是海岸帶開發(fā)活動的重要依托空間, 其屬性在一定程度上代表了海岸人工化趨勢[31]. 杭州灣南岸地處亞熱帶季風氣候區(qū), 雨量充沛, 土壤脫鹽過程較快, 為開墾濱海沼澤創(chuàng)造了獨特的自然稟賦條件, 該區(qū)域潮間上帶人類沼澤開發(fā)利用已有20多年歷史[32], 但由于人類活動和自然演化等多因素交互影響的差異, 各鎮(zhèn)鄰近區(qū)域海岸植被分布和演化過程不均勻. 具體來講, 人類圍墾以后在墾區(qū)范圍內人工植被如農業(yè)種植作物會連片規(guī)則分布, 而自然植被如互花米草等則會在潮間帶淤泥質光灘上呈斑塊狀生長發(fā)育, 并隨時間推移連片分布直到斑禿消亡. 此外, 植被區(qū)外緣垂直于海岸的變化部分會出現(xiàn)向海擴張和向岸侵退的周期性[33], 特別是當海岸受侵蝕后退時會在植被和光灘間產生陡坎, 造成鹽沼植被減少. 總體來說, 杭州灣南岸人工植被呈面狀向海推進, 指示海岸淤長堆積, 而近海潮間帶植被呈團狀連片或稀疏碎片, 指示海岸侵蝕或兼有堆積特征. 因此, 比較1984至2018年不同鎮(zhèn)鄰近區(qū)域岸段植被線的特征, 可指示杭州灣南岸不同位置海岸的侵蝕和堆積格局(圖4).

圖2 杭州灣南岸植被范圍

圖3 2018年杭州灣南岸植被分布

2.2 杭州灣南岸植被變化特征

2.2.1杭州灣南岸植被年際動態(tài)

海岸植被利于海岸防護, 一方面波浪和潮汐能量在此降低以至消失使海岸所受侵蝕作用減輕, 海水中懸浮物質進入海岸植被遭攔截后沉積使灘面加高延伸, 在陸海物質流動和能量遷移中起著過濾作用; 另一方面作為一種資源與海岸帶其他有利物質一起構成了近海生物食物鏈環(huán)節(jié). 因此, 植被年際變化趨勢需受到重視.

對研究時段內杭州灣南岸植被時空變化數(shù)據進行分析, 可揭示海岸植被動態(tài)及擴散特征. 將各期海岸植被數(shù)據與鎮(zhèn)級行政區(qū)劃數(shù)據疊加, 得到近34年各鎮(zhèn)鄰近區(qū)域植被面積演化情況(圖5). 可以看出, 1984到2018年發(fā)生了較大變化, 總體呈現(xiàn)波動上升趨勢, 海岸植被面積從1984年的7.26 km2上升到了2018年的468.35km2, 這是由于圍墾后農田等人工植被增加, 且有少量林地和人工引種的互花米草等在海岸擴張引起. 依據海岸植被年際變化趨勢特征, 將其增長劃分為5個階段. 其中第Ⅰ階段(1984~1994年), 1994年為1984年的3.78倍; 第Ⅱ階段(1995~2008年), 2008年為1995年的2.06倍; 第Ⅲ階段(2009~2012年), 2012年為2008年的1.56倍; 第Ⅳ階段(2013~2014年)凈增長了4.38km2; 第Ⅴ階段(2015~2018年), 2015年是2018年的1.04倍. 就年變化率而言, 從第I階段1994年的25.26%下降至第II階段2008年的7.57%, 逐漸降低到第V階段2018年的1.1%. 可見, 海岸圍墾減少了潮間灘涂植被帶的寬度, 同時人工引種的互花米草和圍墾區(qū)陸地的人類農業(yè)種植等又擴大了植被面積.

2.2.2杭州灣南岸植被景觀格局連通性態(tài)勢

景觀構成單元斑塊面積與數(shù)量變化會引起景觀格局較大動態(tài), 依據景觀格局指數(shù)計算結果(圖6), 研究期間杭州灣南岸植被景觀指數(shù)變化態(tài)勢有所差異, 斑塊個數(shù)占總百分比數(shù)由1984年的55%升至2004年的60%, 到2018年下降至31%, 可見, 杭州灣南岸植被在人類圍墾和農業(yè)活動影響下斑塊出現(xiàn)波動破碎化趨勢. 杭州灣南岸植被形狀指數(shù)在1984~2018年期間出現(xiàn)逐漸減小趨勢, 其中在1996年以后大幅減小; 同時聚集度指數(shù)在研究時段內出現(xiàn)先減小后增大的趨勢, 但變化幅度較小, 說明海岸植被斑塊形狀越來越趨向規(guī)則化. 需要指出的是, 1984到2004年聚集度指數(shù)在降低后又逐漸升高, 說明2004年以后農業(yè)活動和圍墾后沿海灘涂互花米草等植被趨于成片分布, 使其聚集度升高.

圖4 1984~2018年杭州灣南岸植被線動態(tài)

圖5 杭州灣南岸植被面積變化特征

圖6 1984-2018年杭州灣南岸植被景觀格局指數(shù)特征

不同性質的海岸類型其植被演化影響因素有所差異(表2). 人類圍墾是影響淤泥質河口海岸資源環(huán)境演化的干擾因素之一, 一方面使潮間帶鹽沼植被生境變化導致植被面積減少, 另一方面受人類圍墾活動影響, 河口與濱海濕地喪失, 灘涂生境破壞, 陸域環(huán)境取代潮灘環(huán)境. 在淤泥質杭州灣南岸, 植被因其生物特性對地貌演變過程中的固沙、消能等有重要影響, 反過來地貌環(huán)境對植被生長和消亡也至關重要. 另外, 淤泥質海岸潮灘分帶性明顯, 潮間中下帶多為光灘, 而潮上帶多為鹽沼植被(互花米草等), 伴隨著杭州灣南岸圍墾造地和海堤防護建設等人類活動, 人工植被擴張速率遠高于自然植被演替. 因此, 需要科學合理地規(guī)劃海岸帶防護林體系建設, 以應對海平面上升、濱海洪澇等潛在風險.

3 結論

杭州灣南岸作為連接陸地與海洋生態(tài)系統(tǒng)的關鍵交錯帶, 是高強度人類活動和全球氣候變化雙重影響的空間單元, 也是全球重要的濕地資源之一. 該區(qū)域潮汐動力、地質地貌以及氣候條件為互花米草等植被生長發(fā)育提供了優(yōu)越環(huán)境. 近34年來, 杭州灣南岸人類圍墾面積較多, 灘涂圍墾與潮溝裁彎取直等導致海岸植被帶景觀向海推移. 人工引種互花米草等在一定程度上彌補了因圍墾而減少的潮間帶鹽沼面積, 同時隨著圍墾區(qū)農業(yè)活動加劇, 杭州灣南岸植被面積增幅顯著, 進一步促進了杭州灣南岸景觀生態(tài)系統(tǒng)類型的演替速度.

值得指出的是, 杭州灣南岸灘涂淤積、米草引種以及圍墾后人工植被種植等, 導致了杭州灣南岸植被群落結構和景觀生態(tài)特征發(fā)生變化, 同時圍墾降低了杭州灣南岸原生植被的生態(tài)位, 干擾了海岸帶植被景觀自然演替序列, 使海岸帶濕地整體生態(tài)系統(tǒng)服務功能受到沖擊. 以互花米草為代表的種群較強的入侵力和杭州灣南岸濕地生態(tài)系統(tǒng)的可入侵性, 使人工引種的海岸帶植被由最初的擔負促淤護灘使命, 轉向至外來入侵物種角色. 因此, 需要連續(xù)評估監(jiān)測鹽沼植被生態(tài)環(huán)境效應, 對標國際研究計劃“未來地球海岸”的陸海統(tǒng)籌藍圖重繪戰(zhàn)略, 將其納入到濱海濕地整治修復實施和海岸帶保護與開發(fā)規(guī)劃中, 穩(wěn)步落實生態(tài)保護紅線制度和自然岸線占補平衡機制在大灣區(qū)濱海濕地區(qū)域的實踐, 以服務未來海岸彈性發(fā)展.

表2 中國海岸帶植被演化影響因素分析

[1] Jevrejeva S, Jackson L P, Riva E M, et al. Coastal sea level rise with warming above 2℃[J]. Proceedings of the National Academy of Sciences of the United States of America, 2016, 113:13342-13347.

[2] 胥為, 周云軒, 沈芳, 等. 基于Sentinel-1A雷達影像的崇明東灘蘆葦鹽沼植被識別提取[J]. 吉林大學學報(地球科學版), 2018, 48(4):1192-1200.

[3] Li J L, Yang L, Pu R L, et al. A review on anthropogenic geomorphology[J]. Journal of Geographical Sciences, 2017, 27(1):109-128.

[4] 李加林, 劉永超. 人工地貌學學科體系框架構建初探[J]. 地理研究, 2016, 35(12):2203-2215.

[5] 劉永超, 李加林, 袁麒翔, 等. 人類活動對象山港潮汐汊道及沿岸生態(tài)系統(tǒng)演化的影響[J]. 寧波大學學報(理工版), 2015, 28(4):120-123.

[6] 劉永超, 李加林, 袁麒翔, 等. 人類活動對港灣岸線及景觀變遷影響的比較研究—–以中國象山港與美國坦帕灣為例[J]. 地理學報, 2016, 71(1):86-103.

[7] 李飛, 曹可, 趙建華, 等. 典型海岸線指標識別與特征研究—–以江蘇中部海岸為例[J]. 地理科學, 2018, 38(6):963-971.

[8] 李加林, 田鵬, 邵姝遙, 等. 中國東海區(qū)大陸岸線變遷及其開發(fā)利用強度分析[J]. 自然資源學報, 2019(9): 1886-1901.

[9] 唐劍武, 葉屬峰, 陳雪初, 等. 海岸帶藍碳的科學概念、研究方法以及在生態(tài)恢復中的應用[J]. 中國科學: 地球科學, 2018, 48(6):661-670.

[10] 王秀君, 章海波, 韓廣軒. 中國海岸帶及近海碳循環(huán)與藍碳潛力[J]. 中國科學院院刊, 2016, 31(10):1218-1225.

[11] 馮佰香, 李加林, 龔虹波, 等. 基于恢復能力與影響周期的圍海養(yǎng)殖工程生態(tài)損害特征及補償標準—–以象山縣水湖涂名優(yōu)水產養(yǎng)殖區(qū)為例[J]. 自然資源學報, 2019, 34(4):745-758.

[12] Sun C, Fagherazzi S, Liu Y X. Classification mapping of salt marsh vegetation by flexible monthly NDVI time- series using Landsat imagery[J]. Estuarine Coastal and Shelf Science, 2018, 213:61-80.

[13] Webb E L, Friess D A, Krauss K W, et al. A global standard for monitoring coastal wetland vulnerability to accelerated sea-level rise[J]. Nature Climate Change, 2013, 3(5):458-465.

[14] Liu Y C, Liu Y X, Li J L, et al. Evolution of landscape ecological risk at the optimal scale: A case study of the open coastal wetlands in Jiangsu, China[J/OL]. International Journal of Environmental Research and Public Health, 2018, 15(8):1691 [2018-08-08]. https://doi. org/10.3390/ijerph15081691.

[15] Traganos D, Aggarwal B, Poursanidis D, et al. Towards global-scale seagrass mapping and monitoring using sentinel-2 on Google Earth Engine: The case study of the Aegean and Ionian seas[J/OL]. Remote Sensing, 2018, 10(8):1227 [2019-03-22].https://doi.org/10.3390/rs1008 1227.

[16] Schmidt K S, Skidmore A K. Spectral discrimination of vegetation types in a coastal wetland[J]. Remote Sensing of Environment, 2003, 85(1):92-108.

[17] Gedan K B, Kirwan M L, Wolanski E, et al. The present and future role of coastal wetland vegetation in protecting shorelines: Answering recent challenges to the paradigm [J]. Climatic Change, 2011, 106(1):7-29.

[18] 劉明月. 中國濱海濕地互花米草入侵遙感監(jiān)測及變化分析[D]. 長春: 中國科學院東北地理與農業(yè)生態(tài)研究所, 2018.

[19] Sun C, Liu Y X, Zhao S S, et al. Classification mapping and species identification of salt marshes based on a short-time interval NDVI time-series from HJ-1 optical imagery[J]. International Journal of Applied Earth Observation and Geoinformation, 2016, 45:27-41.

[20] Goodchild M F, Guo H, Annoni A, et al. Next-generation digital earth[J]. Proceedings of the National Academy of Sciences of the United States of America, 2012, 109(28): 11088-11094.

[21] Gorelick N, Hancher M, Dixon M, et al. Google earth engine: Planetary-scale geospatial analysis for everyone [J]. Remote Sensing of Environment, 2017, 202:18-27.

[22] Hansen M C, Potapov P V, Moore R, et al. High- resolution global maps of 21st-century forest cover change[J]. Science, 2013, 342(6160):850-853.

[23] Pekel J F, Cottam A, Gorelick N, et al. High-resolution mapping of global surface water and its long-term changes[J]. Nature, 2016, 540:418-422.

[24] Dong J W, Xiao X M, Menarguez M A, et al. Mapping paddy rice planting area in northeastern Asia with Landsat 8 images, phenology-based algorithm and Google Earth Engine[J]. Remote Sensing of Environment, 2016, 185:142-154.

[25] Murray N J, Phinn S R, DeWitt M, et al. The global distribution and trajectory of tidal flats[J]. Nature, 2019, 565:222-225.

[26] 孟夢, 田海峰, 鄔明權, 等. 基于Google Earth Engine平臺的濕地景觀空間格局演變分析: 以白洋淀為例[J]. 云南大學學報(自然科學版), 2019, 41(2):416-424.

[27] Pettorelli N, Vik J O, Mysterud A, et al. Using the satellite-derived NDVI to assess ecological responses to environmental change[J]. Trends in Ecology & Evolution, 2005, 20(9):503-510.

[28] Huete A, Didan K, Miura T, et al. Overview of the radiometric and biophysical performance of the MODIS vegetation indices[J]. Remote Sensing of Environment, 2002, 83(1/2):195-213.

[29] Xiao X, Braswell B, Zhang Q, et al. Sensitivity of vegetation indices to atmospheric aerosols: Continental- scale observations in Northern Asia[J]. Remote Sensing of Environment, 2003, 84(3):385-392.

[30] Xiao X M, Biradar C M, zarnecki C, et al. A simple algorithm for large-scale mapping of evergreen forests in tropical America, Africa and Asia[J]. Remote Sensing, 2009,1(3):355-374.

[31] Wang X, Xiao X M, Zou Z H, et al. Tracking annual changes of coastal tidal flats in China during 1986-2016 through analyses of Landsat images with Google Earth Engine[J/OL]. Remote Sensing of Environment [2018- 12-15]. https://doi.org/10.1016/j.rse.2018.11.030.

[32] 花一明. 杭州灣灘涂圍墾及利用動態(tài)遙感監(jiān)測研究[D]. 杭州: 浙江大學, 2016.

[33] 侯西勇, 毋亭, 侯婉, 等. 20世紀40年代初以來中國大陸海岸線變化特征[J]. 中國科學: 地球科學, 2016, 46(8):1065-1075.

[34] 陳吉余, 楊世倫, 張勇, 等. 中國海濱沼澤的初步研究—–紀念竺可楨師誕辰一百周年[J]. 地理科學, 1990(1): 58-68.

[35] 張長寬, 龔政, 陳永平, 等. 潮灘演變研究進展及前沿問題[C]. 第十八屆中國海洋(岸)工程學術討論會, 舟山, 2017.

Dynamic monitoring of vegetation in southern Hangzhou Bay from time series images

LIU Yongchao1,2,3, LI Jialin4, ZHANG Yu5, ZHAO Bingxue1,6, XU Wenxuan1, HE Gaili1, LIU Yongxue1,2,3*

( 1.School of Geography and Ocean Science, Nanjing University, Nanjing 210023, China; 2.Key Laboratory of Coastal Zone Exploitation and Protection of Ministry of Natural Resources, Nanjing 210024, China; 3.Collaborative Innovation Center of South China Sea Studies, Nanjing University, Nanjing 210023, China; 4.Donghai Institute, Ningbo University, Ningbo 315211, China; 5.School of geography, Nanjing Normal University, Nanjing 210023, China; 6.College of geography and planning, Chizhou University, Chizhou 247000, China )

Coastal vegetation is a key element in connecting land and sea ecosystems. Under the background of global warming, sea-level rise (SLR) and increased human activities, mastering the evolution law of coastal vegetation is the basis for supporting the elastic development of the future coastal zones. Taking the south bank of Hangzhou Bay in the West Coast of the Pacific Ocean as the sampled research area, the vegetation dynamics of the Southern Hangzhou Bay (SHB) from 1984 to 2018 were monitored by time-series Landsat remote sensing images. The results show that the vegetation area on the SHB has increased from 7.26km2in 1984 to 468.35km2in 2018, mainly undergoing evolutionary stages from growth and development to rapid expansion then back to slow growth. Under the influence of cofferdam, artificial introduction and sedimentation, the coastal vegetation is distributed perpendicularly to the seawall along the coast with sparse plaques, and its landscape composition and succession characteristics are significant. The study also shows the advantages and potential of Google Earth Engine for continuous monitoring of coastal vegetation. The study reveals that the characteristics of vegetation change on the SHB under the background of human activities are extremely important for maintaining the safety of the coastal wetland ecosystem and the sustainable development of the super bay area.

time series analysis; vegetation dynamics; reclamation; artificial planting; Southern Hangzhou Bay

Q149; X826

A

1001-5132（2020）01-0025-07

2019?09?30.

寧波大學學報（理工版）網址: http://journallg.nbu.edu.cn/

國家自然科學基金（41971378）; 江蘇省杰出青年基金（BK20160023）; NSFC-浙江兩化融合聯(lián)合基金（U1609203）; 安徽省高校

自然科學項目（KJ2019A0866）.

劉永超（1990－）, 男, 甘肅慶陽人, 在讀博士研究生, 主要研究方向: 海岸帶資源環(huán)境演化. E-mail: lycgeo@163.com

劉永學（1976－）, 男, 江蘇揚州人, 博士/教授, 主要研究方向: 資源環(huán)境遙感. E-mail: yongxue@nju.edu.cn

（責任編輯 韓 超）