深圳市沿海红树林时空格局演变（1986—2021年）

Spatiotemporal dynamics of coastal mangroves in Shenzhen （1986-2021）

摘要

红树林是典型的“蓝碳”生态系统，在固碳、护岸和维持生物多样性等方面发挥着重要作用，但快速城市化带来的岸线开发和土地利用变化使其面临生境退化风险.作为改革开放前沿城市，深圳沿海红树林的演变反映了城市化与生态系统互动的典型过程，对地方保护与修复政策制定具有重要参考价值.然而，现有研究多集中于深圳湾红树林，缺乏市域尺度的长期监测.基于1986—2021年Landsat影像，本研究采用K-means聚类和随机森林分类方法，系统绘制并计算了深圳沿海红树林的时空格局与地上生物量动态.结果显示，1986—2021年间红树林面积由约51.53 hm² 增至203.87 hm²，地上总生物量由15 827.28 t 增至56 674.79 t，整体呈持续增长趋势.空间格局上，红树林主要分布在深圳湾、前海湾、茅洲河口及东涌等区域，呈现出典型的河口与湾区聚集特征.本研究系统揭示了深圳市红树林的长期时空动态，为修复潜力评估、差异化保护措施制定及碳汇功能研究提供了数据支撑.

Abstract

Mangroves are typical “blue carbon” ecosystems， playing vital roles in carbon sequestration， shoreline protection， and biodiversity maintenance. However， rapid urbanization has led to coastline development and land-use change， posing risks of habitat degradation. As a pioneer city of China’s reform and opening-up， the evolution of coastal mangroves in Shenzhen reflects the typical interactions between urbanization and ecosystems， and provides valuable insights for local conservation and restoration policies. Nevertheless， existing studies have mostly focused on the Shenzhen Bay mangroves， with a lack of long-term monitoring at the city scale. Based on Landsat imagery from 1986 to 2021， this study employed K-means clustering and random forest classification to systematically map and quantify the spatiotemporal patterns and aboveground biomass dynamics of mangroves along the Shenzhen coast. Results show that from 1986 to 2021， mangrove area increased from approximately 51.53 ha to 203.87 ha， while total aboveground biomass rose from 15，827.28 t to 56，674.79 t， indicating a consistent growth trend. Spatially， mangroves were mainly distributed in Shenzhen Bay， Qianhai Bay， the Maozhou River estuary， and Dongyong， showing typical estuarine and bay-area clustering characteristics. This study systematically reveals the long-term spatiotemporal dynamics of mangroves in Shenzhen， and provides data support for restoration potential assessment， differentiated conservation strategies， and carbon sink research.

Graphical abstract

关键词

红树林 / 遥感监测 / 深圳沿海 / 时空信息

Key words

mangroves / remote sensing monitoring / coastal Shenzhen / spatiotemporal information

红树林是生长在热带-亚热带潮间带的常绿乔木或灌木群落，具有净化水体、减缓风浪^［1］、固碳^［2-3］以及维持生物多样性等多重生态功能^［4］，对沿海社区的生计和生态安全具有重要支持作用^［5］.然而，红树林长期面临人工开发、围垦养殖和土地利用变化等压力，20世纪末全球面积约下降 20%~35%^［6-7］，近20年来正以1.58%的速率在下降^［8］.1996—2019年间，红树林土地利用变化导致的生态系统服务价值净损失达 292亿美元^［9］.因此亟需对红树林进行系统性监测、评估和修复.据测算，红树林修复效益-成本比在6.83~10.5之间^［9-10］，具有极高的投资回报潜力，不仅能够扭转其生态功能退化的趋势，更能带来可观的经济回报，实现生态与经济的双赢.

中国自 2000 年以来已认识到红树林的生态与经济价值并相继开展系统修复工作，针对过去的围海造田、围塘养殖和基础设施扩张等造成的破坏采取了保护与恢复措施.到 2020 年，中国红树林面积已基本恢复到 1980 年左右的水平 ^［11］，是世界上红树林面积净增的少数国家之一.深圳市作为中国改革开放的前沿城市，城镇化进程快速，城市发展与生态保护之间的矛盾尤为突出.深圳红树林的时空响应既具有典型的城市化-生态系统相互作用研究价值，也为城市尺度的保护与修复实践提供了重要示例.2024 年 11 月，国际红树林中心在深圳签署成立协定，进一步凸显了深圳在红树林保护与国际合作中的战略地位.

对深圳市红树林资源进行长时序、全域性的时空分布监测，不仅有助于系统总结与推广其治理经验，也能为城市管理者面向未来的修复潜力评估、保护优先区划定及管理对策优化提供关键数据支持，具有重要的现实意义与科学价值.然而，现有相关研究多集中于深圳湾等特定保护区^［12-14］，或大湾区^［15-17］、以及全国区域^{［4， 18］}等更宏大尺度，尚缺乏覆盖深圳全市域、长时间尺度的系统性监测与格局分析.本研究基于1986—2021年的Landsat系列遥感影像，旨在精确绘制并深入分析深圳全市沿海红树林的时空演变历程，以期为深圳市乃至其他快速城市化地区的红树林可持续管理与科学决策提供坚实的数据支撑.

1 研究区域与数据

1.1 研究区域

本研究范围为深圳市海岸带区域（22°25′34″~22°44′42″ N，113°44′3″~114°3′20″ E），其地理位置分布如图1所示.研究区北依南岭、东临大鹏湾、西连珠江口，南与香港接壤，部分海域隔水相望，具有典型的亚热带海洋性季风气候特征，年平均气温约23.3 ℃，年均降水量约1 933 mm.深圳市海岸线总长约260.5 km，岸线类型多样，包括河口湾、潟湖、港湾与外海岸段，为红树林的自然分布与人工恢复提供了多样的生境条件.

1.2 遥感数据的选取与预处理

1.2.1 Landsat 系列卫星数据

本研究采用 Landsat 系列卫星 （Landsat 4， 5， 8）.该系列影像不仅具备较长的观测历史和稳定的数据获取能力，还在不同传感器之间保持了较好一致性，因此能够为红树林动态演变的长期监测提供可靠的数据基础.基于GEE （Google Earth Engine） 平台调用Landsat 4/5/8数据集，包括LANDSAT / LT04 / C02 / T1_L2，LANDSAT / LT05 / C02 / T1_L2，LANDSAT / LC08 / C02 / T1_L2，该数据集为地表反射率数据，已完成辐射定标、大气校正和几何校正等的预处理工作.

1.2.2 数据预处理

通过利用 Landsat 系列影像中的 QA_PIXEL 波段对云和阴影进行掩膜处理，可以有效减少非目标像元干扰.由于单景影像在去云处理后可用像元数量有限，本研究基于红树林在年际尺度上覆盖状况相对稳定的特性，采用年均值合成方法生成年度红树林遥感影像，以此作为面积提取和生物量估算的基础数据.

1.2.3 指数计算

针对本研究面积提取和生物量估算的研究重点，选择归一化植被指数（normalized difference vegetation index， NDVI）^［19］、归一化水体指数（normalized difference water index， NDWI）^［20］、地表水分指数（land surface water index， LSWI）^［21］、土壤调节植被指数 （soil-adjusted vegetation index， SAVI）^［22］四种指数进行研究.

NDVI 反映植被生长状况，其值由近红外与红光波段反射率差值与两者和的比值计算而来：

I_{\mathrm{N}\mathrm{D}\mathrm{V}}=\left(R\mathrm{r}{\mathrm{s}}_{\mathrm{n}\mathrm{i}\mathrm{r}}-R\mathrm{r}{\mathrm{s}}_{\mathrm{r}}\right)/\left(R\mathrm{r}{\mathrm{s}}_{\mathrm{n}\mathrm{i}\mathrm{r}}+R\mathrm{r}{\mathrm{s}}_{\mathrm{r}}\right)；（1）

NDWI 由绿光与近红外波段构建而成，是一种常用的归一化指数，主要用于增强水体信息并区分陆地与水域：

I_{\mathrm{N}\mathrm{D}\mathrm{W}}=\left(R\mathrm{r}{\mathrm{s}}_{\mathrm{b}}-R\mathrm{r}{\mathrm{s}}_{\mathrm{n}\mathrm{i}\mathrm{r}}\right)/\left(R\mathrm{r}{\mathrm{s}}_{\mathrm{b}}+R\mathrm{r}{\mathrm{s}}_{\mathrm{n}\mathrm{i}\mathrm{r}}\right)；（2）

LSWI 主要用于刻画植被冠层含水量，其值由近红外与短波红外波段反射率计算的归一化比值获得：

I_{\mathrm{L}\mathrm{S}\mathrm{W}}=\left(R\mathrm{r}{\mathrm{s}}_{\mathrm{n}\mathrm{i}\mathrm{r}}-Rr{\mathrm{s}}_{\mathrm{s}\mathrm{w}\mathrm{i}\mathrm{r}}\right)/\left(R\mathrm{r}{\mathrm{s}}_{\mathrm{n}\mathrm{i}\mathrm{r}}+R\mathrm{r}{\mathrm{s}}_{\mathrm{s}\mathrm{w}\mathrm{i}\mathrm{r}}\right)；（3）

SAVI 在 NDVI 的基础上引入土壤调节因子L，以减弱土壤背景效应对植被指数的影响，从而更好地反映植被覆盖特征，计算公式为：

\begin{array}{l}{I}_{\mathrm{S}\mathrm{A}\mathrm{V}}=\left(R\mathrm{r}{\mathrm{s}}_{\mathrm{n}\mathrm{i}\mathrm{r}}-R\mathrm{r}{\mathrm{s}}_{\mathrm{r}}\right)/\left(R\mathrm{r}{\mathrm{s}}_{\mathrm{n}\mathrm{i}\mathrm{r}}+R\mathrm{r}{\mathrm{s}}_{\mathrm{r}}+L\right)\times \\ \left(\mathrm{1}+L\right)\end{array}.（4）

式中，R\mathrm{r}{\mathrm{s}}_{\mathrm{r}}为近红外波段的地表反射率，R\mathrm{r}{\mathrm{s}}_{\mathrm{r}}为红光波段，R\mathrm{r}{\mathrm{s}}_{\mathrm{b}}为蓝光波段，R\mathrm{r}{\mathrm{s}}_{\mathrm{s}\mathrm{w}\mathrm{i}\mathrm{r}}为短波红外波段，L为通过冠层时红光和近红外消光差异，本研究中取L = 0.5.

2 红树林提取及其生物量估算

2.1 基于K-means聚类和随机森林的红树林提取方法

研究采用 K-means 聚类与随机森林（random forest， RF）相结合的方法提取红树林.具体流程如下：首先利用 K-means 聚类对 NDVI 指数进行二分类，区分植被与非植被区域；随后在植被区域内应用 RF 算法进行精细分类，进一步提取红树林.与以往仅依赖 RF ^［23］、支持向量机（support vector machine， SVM）^［24］等分类方法相比，本研究的“两步走”策略能够有效降低 RF 模型在第二步建模时的复杂度，减少水体、裸地和建筑等噪声干扰，使模型更专注于红树林与其他植被的区分，从而提升分类的鲁棒性与精度；同时第一步的K-means 聚类作为应用最广泛的无监督方法之一，通过迭代更新聚类中心，使样本根据相似性自动划分至不同类别，能够快速、有效地分离植被与非植被区域.与人工设定 NDVI 阈值分割植被区域相比，该方法受传感器老化、大气条件（如气溶胶等）等因素影响更小，具有更高的稳定性与准确性.

以福田红树林保护区为例，其提取流程如图 2 所示.基于预处理及指数计算后的年均值合成影像，首先利用 NDVI 波段进行 K-means 聚类，将影像划分为植被与非植被两类，并掩膜非植被区域.随后，在植被区域内选择 blue、green、red、nir、swir、NDVI、LSWI、NDWI 八个波段作为输入特征，利用 RF 算法进行分类.最后，采用 Permutation Importance 方法计算各特征的重要性^［25］，该方法基于袋外样本（out-of-bag samples），通过置乱单一特征并比较置乱前后的预测精度差异来量化其贡献，从而获得各波段的权重分布，揭示不同光谱特征在红树林识别中的作用差异.

实测样本主要来自两部分：1） 基于 Landsat 影像的目视解译与人工标注，其中 70% 样本用于训练，30% 用于验证，以支持 K-means 聚类与 RF 模型的训练和验证；2） 基于 2020 年在福田红树林保护区采集的无人机航片，经人工解译标注后获得红树林分布及其面积统计结果，该结果作为测试集对Landsat 分类结果进行评价.

2.2 红树林分类精度评价

在本研究中，随机森林模型的树数设定为 10，分类总体精度达到 98.39 %.波段特征的重要性排序如图 3 所示，其中 LSWI 的贡献度最高.将提取结果与 2020 年福田区域红树林无人机航测数据（110.40 hm²）进行对比，本研究得到的面积为 120.31 hm²，约高估 9 %.这一差异主要与 Landsat 影像 30 m 空间分辨率较粗有关：在红树林分布的边缘地带，往往与河岸、池塘等水体相邻，受限于分辨率，易产生混合像元，从而导致部分不透水地表或滩涂区域被误分类.

基于所构建的红树林自动提取方法，对深圳海岸带的红树林面积进行了长时序反演.需要指出的是，红树林分布受潮汐涨落影响较大，不同年份的影像解译结果可能出现面积的阶段性波动，这在一定程度上也会传递到地上生物量的估算中.然而，从整体趋势来看，所获得的结果能够较为准确地反映 1986—2021 年间深圳沿海红树林面积的时序变化特征.

2.3 基于SAVI指数对红树林生物量进行估算

基于已有研究^［26］对越南与中国临近区域红树林的地上生物量AGB （above ground biomass）建立的估算模型，对深圳海岸带红树林AGB进行估算.其计算公式如下：

m_{\mathrm{A}\mathrm{G}\mathrm{B}}=\mathrm{30.38}+\mathrm{911.95}\times I_{\mathrm{S}\mathrm{A}\mathrm{V}}.（5）

3 结果及分析

3.1 深圳市沿海红树林面积的空间分布时序变化

对1986—2021年深圳市沿海红树林面积进行提取，时序变化如图4所示（其中2012年由于 Landsat-5退役、Landsat-8尚未在轨，未获取到有效数据）.从1986—2021年提取结果来看，深圳市海岸带红树林面积总体呈持续增长趋势，面积由51.53 hm² 增长至203.87 hm²，平均增长速率为4.47 hm²·a^-1. 期间，红树林面积最小值和最大值分别出现在1992年和2020年，面积分别为21.51 hm²和232.91 hm².

根据深圳沿海红树林分布情况，图 5 至图 8 选取了 1990年、2000年、2010年 和 2020 年 4 个典型时段，并结合 5 个红树林集中分布的代表性区域，对其空间格局演变进行展示与分析，底图采用同期 Landsat 影像的近红外波段灰度值.整体来看，红树林分布与面积的扩展主要集中在深圳中西部沿海，其中深圳湾区域规模最大.此外，华侨城湿地、深圳湾公园沿岸、前海湾、茅洲河口、东涌和坝光等地也均有红树林分布，且大部分区域面积呈显著增加趋势.

3.2 红树林生物量时空演变

基于红树林生物量估算方法［式（5）］，对1986—2021年期间深圳市沿海红树林的单位面积地上生物量（t·hm^-2）均值进行估算，同时结合提取的红树林面积，对深圳市红树林总地上生物量进行统计（图9）.

1986—2021年期间，红树林单位面积地上生物量呈先下降后增加的趋势，其中1998年单位面积地上生物量均值达到最低值，为273.29 t·hm^-2，2017年单位面积地上生物量均值达到最高值，为363.72 t·hm^-2.总地上生物量呈持续增长趋势，其时序波动与红树林面积提取的时序结果接近.1986—2021年期间，红树林总地上生物量由15 827.28 t 增长至56 674.79 t，增长速率为1 261.5 t·a^-1.地上总生物量最小值出现在1992年，为6 260.19 t，最大值出现在2020年，为83 343.44 t.

由图10~图13选取的1990年、 2000年、 2010年、 2020年共计4个时期为代表展现的单位面积地上生物量空间分布来看，深圳沿海红树林的地上生物量分布不均匀.在靠近深圳河口湾的区域单位面积地上生物量最高，与红树林面积分布一致.深圳市西侧海岸如前海湾、深圳湾公园沿海区域红树林的单位面积生物量居中，而宝安西湾、茅洲河口的红树林生物量较低，表明潮汐影响更小的区域更适宜红树林植被生长.深圳市东侧海岸的东涌和坝光等地红树林分布较为稀疏，生物量最低.

4 讨论

作为中国改革开放的前沿城市，深圳在快速城市化进程中长期面临土地需求与生态保护的矛盾.然而，深圳沿海红树林面积和生物量在1986—2021年总体呈增长趋势，仅在1986—2000年间出现阶段性下降.这一“逆城市化趋势”具有重要的研究意义.

改革开放初期，城市建设对红树林造成了显著破坏.为缓解土地紧张，自1989年起，深圳湾北岸和西海岸实施大规模围海造地工程，海岸线变化在遥感影像中清晰可见（图10~图12）.1991年前后，福田红树林保护区周边因滨海大道建设和房地产开发直接损失红树林36.13 hm^2［27］.1990—2000年间，白沙湾的大面积红树林被围网养殖取代（图5e、图6e）.围海活动不仅改变了水质和沉积环境，加速了红树林退化，同时叠加了海平面上升带来的压力.观测数据显示，深圳湾由1965年的346 mm持续上升至2010年的445 mm，增加了红树林的淹没风险，而围海造地则阻断了其向陆扩展的通道，进一步压缩了生境空间^［13］.这些因素共同导致了1986—1992年间红树林面积和生物量的显著下降，以及其后近十年的低位徘徊.

值得注意的是，围海造地在带来破坏的同时，也因泥沙淤积而为部分红树林扩展创造了条件.例如，1989—2012年深圳湾围海面积超过20 km²，造成湾内纳潮量显著下降进而促进滩涂淤积，推动福田红树林保护区的向海扩展（图5c~图8c、图10c~13c）.2015—2021年，大鹏新区东涌河海堤建设亦形成新的裸地滩涂，为红树林提供了潜在生境^［28］.尽管滩涂淤积创造了恢复空间，但其能否转化为红树林面积与生物量的持续增长，仍依赖于长期稳定的政策支持与生态修复措施.

自20世纪80年代以来，深圳在红树林保护方面不断加大投入.1984年福田红树林保护区成立，1988年升格为国家级自然保护区.此后，深圳陆续开展滩涂造林、退塘还林等修复工程，并先后建立红树林海滨生态公园（2000年）、福田红树林生态公园（2015年）和西湾红树林公园（2017年）等湿地公园，显著改善了红树林恢复的空间与条件.2018年起，深圳市政府明确禁止在沿海地区，尤其是红树林周边，开展新的填海造地活动^［29］.这些关键性的保护政策和修复举措直接推动了2000—2021年间红树林面积和生物量的持续增长（图4、图9）.

总体而言，深圳沿海红树林的演变既反映了城市化带来的破坏压力，也彰显了政策干预与生态修复的成效.早期衰退主要源于围海造地和海平面上升，而后期恢复则得益于滩涂淤积与制度保障的共同作用.深圳的经验表明，在快速城市化背景下，科学规划与政策保护能够有效逆转红树林退化，实现生态系统的恢复与可持续发展.

5 结语

本研究基于Landsat系列遥感影像资料，建立了基于K-means聚类和随机森林的红树林自动分类算法，并对深圳沿海红树林植被区域地上生物量进行了估算.将分类算法和估算公式应用于1986—2021年期间Landsat影像经云掩膜后的年均值合成影像，实现了深圳市红树植被面积逐年监测，并计算得到了红树植被的地上生物量空间分布，以及红树植被地上总生物量.得到以下结果：1） 深圳市沿海红树林的生长分布范围较广，但在空间位置上红树林资源分布不均，主要分布于深圳湾，且集中于河口湾处；2） 1986—2021年间，市沿海红树林面积和单位面积生物量总体呈增长趋势，但1986—2000年处于低值区间，并出现阶段性下降； 3） 1986—2000年的衰退主要受围海造地和海平面上升影响；而2000年以后，滩涂淤积为红树林扩张创造了潜在生境，长期稳定的政策保护和生态修复措施则成为推动面积和生物量持续恢复的核心因素.

参考文献

[1] HUANG G W， ZHAO X J， YANG Z H， et al. Mangrove-induced reversal of water exchange in Shenzhen Bay［J/OL］. Estuarine， Coastal and Shelf Science， 2025， 322［2025-09-24］.

[2] SONG S S， DING Y L， LI W， et al. Mangrove reforestation provides greater blue carbon benefit than afforestation for mitigating global climate change［J/OL］. Nature Communications， 2023， 14［2025-09-24］.

[3] 吴一凡， 江鎞倩， 李瑞利， 等. 红树林生态系统固碳服务价值评估及其应用对策［J/OL］. 生态学杂志， 2025. ［2025-07-21］.

[4] WU Y F， JIANG B Q， LI R L， et al. Valuation and strategic application of carbon sequestration services in mangrove ecosystems［J/OL］. Chinese Journal of Ecology， 2025［2025-07-21］.

[5] 王浩， 任广波， 吴培强， 等. 1990—2019年中国红树林变迁遥感监测与景观格局变化分析［J］. 海洋技术学报， 2020， 39（5）： 1-12.

[6] WANG H， REN G B， WU P Q， et al. Analysis on the remote sensing monitoring and landscape pattern change of mangrove in China from 1990 to 2019［J］. Journal of Ocean Technology， 2020， 39（5）： 1-12. （Ch）.

[7] GOLDBERG L， LAGOMASINO D， THOMAS N， et al. Global declines in human-driven mangrove loss［J］. Global Change Biology， 2020， 26（10）： 5844-5855.

[8] POLIDORO B A， CARPENTER K E， COLLINS L， et al. The loss of species： Mangrove extinction risk and geographic areas of global concern［J/OL］. PLoS One， 2010， 5（4）［2025-09-24］.

[9] WANG L， JIA M M， YIN D M， et al. A review of remote sensing for mangrove forests： 1956—2018［J/OL］. Remote Sensing of Environment， 2019， 231［2025-09-24］.

[10] HAGGER V， WORTHINGTON T A， LOVELOCK C E， et al. Drivers of global mangrove loss and gain in social-ecological systems［J/OL］. Nature Communications， 2022， 13［2025-09-24］.

[11] ZHANG J F， LU Z， ZHOU J G， et al. Getting the best of carbon Bang for mangrove restoration buck［J/OL］. Nature Communications， 2025， 16［2025-09-24］.

[12] SU J， FRIESS D A， GASPARATOS A. A meta-analysis of the ecological and economic outcomes of mangrove restoration［J/OL］. Nature Communications， 2021， 12［2025-09-24］.

[13] 贾明明， 王宗明， 毛德华， 等. 面向可持续发展目标的中国红树林近50年变化分析［J］. 科学通报， 2021， 66（30）： 3886-3901.

[14] JIA M M， WANG Z M， MAO D H， et al. Spatial-temporal changes of China’s mangrove forests over the past 50 years： an analysis towards the sustainable development goals（SDGs）［J］. Chinese Science Bulletin， 2021， 66（30）： 3886-3901. （Ch）.

[15] FENG Z Y， TAN G M， XIA J Q， et al. Dynamics of mangrove forests in Shenzhen Bay in response to natural and anthropogenic factors from 1988 to 2017［J/OL］. Journal of Hydrology， 2020， 591［2025-09-24］.

[16] 汪振松， 冯志勇， 陈鹏， 等. 近30年深圳湾红树林群落演变过程及其对人类活动的响应［J］. 中国农村水利水电， 2022（12）： 24-30.

[17] WANG Z S， FENG Z Y， CHEN P， et al. Evolution process of mangrove forests in Shenzhen Bay and its response to human activities［J］. China Rural Water and Hydropower， 2022（12）： 24-30. （Ch）.

[18] 周琳， 吴海轮， 徐华林， 等. 粤港澳大湾区红树林湿地鸟类生态健康评价——以深圳湾为例［J］. 中国环境科学， 2020， 40（6）： 2604-2614.

[19] ZHOU L， WU H L， XU H L， et al. Bird ecological health assessment of mangrove wetland in Guangdong-Hong Kong-Macao Greater Bay Area： a case study of Shenzhen Bay［J］. China Environmental Science， 2020， 40（6）： 2604-2614. （Ch）.

[20] 贾凯， 陈水森， 蒋卫国. 粤港澳大湾区红树林长时间序列遥感监测［J］. 遥感学报， 2022， 26（6）： 1096-1111.

[21] JIA K， CHEN S S， JIANG W G. Long time-series remote sensing monitoring of mangrove forests in the Guangdong-Hong Kong-Macao Greater Bay Area［J］. National Remote Sensing Bulletin， 2022， 26（6）： 1096-1111. （Ch）.

[22] 袁艺馨， 温庆可， 徐进勇， 等. 1990年—2020年粤港澳大湾区红树林动态变化遥感监测［J］. 遥感学报， 2023， 27（6）： 1496-1510.

[23] YUAN Y X， WEN Q K， XU J Y， et al. Remote sensing monitoring of mangrove forest changes from 1990 to 2020 in Guangdong-Hong Kong-Macao Greater Bay Area［J］. National Remote Sensing Bulletin， 2023， 27（6）： 1496-1510. （Ch）.

[24] HE T T， FU Y C， DING H， et al. Evaluation of mangrove wetlands protection patterns in the Guangdong-Hong Kong-Macao greater bay area using time-series landsat imageries［J］. Remote Sensing， 2022， 14（23）： 6026.

[25] CHEN K L， DONG Z N， GONG J Z. Monitoring dynamic mangrove landscape patterns in China： effects of natural and anthropogenic forcings during 1985—2020［J/OL］. Ecological Informatics， 2024， 81［2025-09-24］.

[26] TUCKER C J. Red and photographic infrared linear combinations for monitoring vegetation［J］. Remote Sensing of Environment， 1979， 8（2）： 127-150.

[27] GAO B C. NDWI—a normalized difference water index for remote sensing of vegetation liquid water from space［J］. Remote Sensing of Environment， 1996， 58（3）： 257-266.

[28] XIAO X M， ZHANG Q Y， SALESKA S， et al. Satellite-based modeling of gross primary production in a seasonally moist tropical evergreen forest［J］. Remote Sensing of Environment， 2005， 94（1）： 105-122.

[29] HUETE A R. A soil-adjusted vegetation index （SAVI）［J］. Remote Sensing of Environment， 1988， 25（3）： 295-309.

[30] 王子予， 刘凯， 彭力恒， 等. 基于Google Earth Engine的1986—2018年广东红树林年际变化遥感分析［J］. 热带地理， 2020， 40（5）： 881-892.

[31] WANG Z Y， LIU K， PENG L H， et al. Analysis of mangrove annual changes in Guangdong Province during 1986—2018 based on google earth engine［J］. Tropical Geography， 2020， 40（5）： 881-892. （Ch）.

[32] 薛志泳， 田震， 朱建华， 等. 基于Google Earth Engine的八门湾红树林年际变化监测［J］. 自然资源遥感， 2024， 36（2）： 279-286.

[33] XUE Z Y， TIAN Z， ZHU J H， et al. Monitoring of inter-annual variations in mangrove forests in the Bamen Bay area based on Google Earth Engine［J］. Remote Sensing for Natural Resources， 2024， 36（2）： 279-286. （Ch）.

[34] BREIMAN L. Random forests［J］. Machine Learning， 2001， 45（1）： 5-32.

[35] NGUYEN H H， VU H D， RÖDER A. Estimation of above-ground mangrove biomass using landsat-8 data- derived vegetation indices： a case study in quang ninh province， Vietnam［J］. Forest and Society， 2021： 506-525.

[36] 何奋琳. 深圳福田红树林生态系统生态恢复对策研究［J］. 环境科学与技术， 2004， 27（4）： 81-83；119.

[37] HE F L. Study on ecological restoration of mangrove ecosystem［J］. Environmental Science and Technology， 2004， 27（4）： 81-83；119. （Ch）.

[38] 王章芬， 许恒涛， 丘建煌， 等. 深圳东涌红树林现状及其保育策略［J］. 林业科技通讯， 2021（9）： 23-27.

[39] WANG Z F， XU H T， QIU J H， et al. Current situation and conservation of mangrove in Dongchong， Shenzhen［J］. Forest Science and Technology， 2021（9）： 23-27. （Ch）.

[40] 冯应馨，索拉亚·基什特瓦里 ．中国最具“未来感”的城市，如何修复红树林？中外对话［EB/OL］.（2024-08-07）［2025-07-25］．

[41] FENG Y X， SORAYA K. China’s most “futuristic” city： how Shenzhen is restoring its mangroves. China Dialogue［EB/OL］.（2024-08-07）［2025-07-25］.

基金资助

国家自然科学基金项目(42425604)

国家自然科学基金项目(42271322)

深圳市科技计划资助项目(KCXFZ20240903093659003)

广东省自然科学基金项目(2023B1515120061)