2015–2020年广东省沿岸红树林矢量数据集

其他数据论文 II 区论文（已发表） • 版本 ZH3 Vol 7 (1) 2022

A dataset of mangrove vector along the coast of Guangdong Province during 2015–2020

刘叶取，张立，郭康丽，党二莎，唐世林

LIU Yequ, ZHANG Li, GUO Kangli, DANG Ersha, TANG Shilin

DOI: 10.11922/csdata.2020.0108.zh
PID: 21.86101.1/csdata.2020.0108.zh
: 10.11922/sciencedb.j00001.00199

： 2020 - 12 - 30

： 2021 - 12 - 03

： 2021 - 02 - 22

： 2022 - 03 - 30

代做工资流水公司淮安代办房贷银行流水舟山开公司流水常德办入职工资流水桂林做房贷银行流水徐州打签证工资流水石家庄转账流水样本重庆企业对公流水制作台州打印收入证明江门企业对公流水代做珠海打印银行流水账许昌车贷流水模板德阳代办薪资银行流水台州房贷流水打印柳州流水账单湖州收入证明办理信阳企业银行流水查询舟山转账银行流水报价惠州房贷流水打印大庆办理贷款银行流水中山在职证明查询汕头贷款工资流水代做西安房贷工资流水代做阜阳背调工资流水报价温州办理薪资流水单南阳查询自存流水衡阳贷款流水样本赣州车贷流水开具泉州打印工资证明天津入职工资流水查询金华薪资流水代办香港通过《维护国家安全条例》两大学生合买彩票中奖一人不认账让美丽中国“从细节出发”19岁小伙救下5人后溺亡多方发声卫健委通报少年有偿捐血浆16次猝死汪小菲曝离婚始末何赛飞追着代拍打雅江山火三名扑火人员牺牲系谣言男子被猫抓伤后确诊“猫抓病”周杰伦一审败诉网易中国拥有亿元资产的家庭达13.3万户 315晚会后胖东来又人满为患了高校汽车撞人致3死16伤司机系学生张家界的山上“长”满了韩国人？张立群任西安交通大学校长手机成瘾是影响睡眠质量重要因素网友洛杉矶偶遇贾玲 “重生之我在北大当嫡校长”单亲妈妈陷入热恋 14岁儿子报警倪萍分享减重40斤方法杨倩无缘巴黎奥运考生莫言也上北大硕士复试名单了许家印被限制高消费奥巴马现身唐宁街黑色着装引猜测专访95后高颜值猪保姆男孩8年未见母亲被告知被遗忘七年后宇文玥被薅头发捞上岸郑州一火锅店爆改成麻辣烫店西双版纳热带植物园回应蜉蝣大爆发沉迷短剧的人就像掉进了杀猪盘当地回应沈阳致3死车祸车主疑毒驾开除党籍5年后原水城县长再被查凯特王妃现身！外出购物视频曝光初中生遭15人围殴自卫刺伤3人判无罪事业单位女子向同事水杯投不明物质男子被流浪猫绊倒投喂者赔24万外国人感慨凌晨的中国很安全路边卖淀粉肠阿姨主动出示声明书胖东来员工每周单休无小长假王树国卸任西安交大校长师生送别小米汽车超级工厂正式揭幕黑马情侣提车了妈妈回应孩子在校撞护栏坠楼校方回应护栏损坏小学生课间坠楼房客欠租失踪房东直发愁专家建议不必谈骨泥色变老人退休金被冒领16年金额超20万西藏招商引资投资者子女可当地高考特朗普无法缴纳4.54亿美元罚金浙江一高校内汽车冲撞行人多人受伤

代做工资流水公司 XML地图 TXT地图虚拟主机 SEO 网站制作网站优化

5245 66 0

摘要&关键词

摘要：广东省是全国红树林分布面积最大、范围最广、种类最为丰富的地区之一，摸清广东沿岸红树林的分布范围和利用现状至关重要。本数据选取了2015–2020年共119景覆盖广东沿岸、低云量的高分二号卫星遥感数据，数据预处理后采用面向对象特征的分类方法，提取广东省沿岸红树林矢量数据。精度评价结果表明，数据集的总体精度、Kappa系数和生产精度分别是95.83%，0.8872和85.83%。本数据集反映了广东省沿岸2015–2020年红树林分布状况及变化，可作为该区域红树林资源的保护、恢复、管理及湿地动态监测、海洋环境变化等应用的基础数据。

关键词：广东省；红树林；高分二号；遥感；数据集

Abstract & Keywords

Abstract: Guangdong Province is one of the regions with the largest mangroves area, the widest range and the most abundant species in China. It is very significant to figure out the distribution and utilization of mangroves along the coast of Guangdong province. We selected in the dataset 119 Gaofen-2 (GF-2) satellite remote sensing images of Guangdong province with less cloud cover from 2015 to 2020. In the following of the preprocessing of the collected GF-2 images, we adopted the object-based image analysis (OBIA) to extract vector data of mangroves. The accuracy assessment demonstrates that the overall classification accuracy, Kappa coefficient and production accuracy of the dataset are 95.83%, 0.8872 and 85.83%, respectively. This dataset presents the distribution and area changes of mangroves along the coast of Guangdong Province during 2015–2020. It can be used as the basic data for the protection, restoration and management of mangrove resources, as well as wetland dynamic monitoring and marine environment change in the region.

Keywords: Guangdong Province; mangrove; GF-2 satellite; remote sensing; dataset

数据库（集）基本信息简介

数据库（集）名称	2015–2020年广东省沿岸红树林矢量数据集
数据作者	刘叶取、张立、郭康丽、党二莎、唐世林
数据通信作者	张立（lizhang@scsio.ac.cn）
数据时间范围	2015–2020年
地理区域	广东省沿岸（地理范围为20°13′–25°31′N，109°39′–117°19′E）
空间分辨率	1 m
数据量	38 MB
数据格式	.shp, .tif
数据服务系统网址	http://www.dx.doi.org/10.11922/sciencedb.j00001.00199
基金项目	广东省海洋经济发展（海洋六大产业）专项（粤自然资合[2020]064号）；广东省重大团队项目（2019BT02H594）。
数据库（集）组成	数据集共包括2个数据文件，其中：(1) mangroves_shapefile.rar是2015–2020年广东省沿岸红树林矢量数据，数据量28 MB；(2) mangroves_tif.rar是2015–2020年广东省沿岸红树林分布图，数据量10 MB。

Dataset Profile

Title	A dataset of mangrove vector along the coast of Guangdong Province during 2015–2020
Data corresponding author	ZHANG Li (lizhang@scsio.ac.cn)
Data authors	LIU Yequ, ZHANG Li, GUO Kangli, DANG Ersha, TANG Shilin
Time range	2015 – 2020
Geographical scope	Guangdong Province (20°13′–25°31′N, 109°39′–117°19′E)
Spatial resolution	1 m
Data volume	38MB
Data format	.shp, .tif
Data service system	<http://www.dx.doi.org/10.11922/sciencedb.j00001.00199>
Sources of funding	Special Project for Marine Economic Development (Six Major Marine Industries) of Guangdong Province (GDNRC [2020] 064); Guangdong Special Support Program (2019BT02H594).
Dataset composition	The Dataset consists of 2 subsets in total: (1) “mangroves_shapefile.rar” composed of the mangroves vector data of Guangdong Province, with a data volume of 28 MB; (2) “mangroves_tif.rar” composed of the mangroves of Guangdong Province distribution maps, with a data volume of 10 MB.

代做工资流水公司 XML地图 TXT地图虚拟主机 SEO 网站制作网站优化

引言

红树林生长在热带和亚热带的海岸潮间带滩涂^{[ 1]}，是一种重要的滨海湿地生态系统，具有防护堤岸、抵御风浪、净化水源、改善海湾环境、固碳和维系湿地系统生物多样性的重要作用^{[ 2- 3]}。我国红树林主要分布在广东、海南、广西、福建、香港、澳门等地^{[ 4]}，其中广东占全国红树林面积的40%^{[ 5- 6]}，是全国红树林分布面积最大、范围最广、种类最为丰富的地区之一^{[ 3, 7]}。广东省作为我国经济发达省份，政策扶持、建立自然保护区、人工种植等措施利于红树林的生长，但一些不合理的水产养殖、填海造地等活动对红树林生长环境带来了巨大挑战。明晰广东省红树林分布现状和范围在海洋环境保护、生态文明建设等政府决策方面具有非常重要的基础现实意义。

由于红树林生长在广阔的潮间带淤泥中，常规的野外调查方法难以实现红树林大范围长时序的调查、监测等工作。遥感技术具有大面积同步观测、重访周期短、动态性和数据综合性等特点，在红树林资源调查中应用越来越广泛^{[ 8- 12]}。近年来，国产遥感卫星取得较大突破，特别是高分辨率先进对地观测系统（高分系列卫星），达到了国际先进水平。

本文基于2015–2020年高分二号遥感影像提取的广东沿岸红树林高分辨矢量数据，显示了广东沿岸红树林的分布位置、范围和利用现状。本数据集基于国产卫星影像进行数据处理和解译分类提取广东沿岸红树林矢量数据，可作为广东沿岸红树林研究的基础数据，为研究该区域红树林资源的保护、恢复、管理及海洋环境变化、湿地动态监测等提供科学依据。

1 数据采集和处理方法

1.1 数据源

高分二号（GF-2）卫星于2014年8月19日成功发射，8月21日首次开机成像并下传数据，在轨5年多。高分二号卫星搭载有两台高分辨率1 m全色、4 m多光谱相机，GF-2卫星有效载荷参数见表1。它具有亚米级空间分辨率、高定位精度和快速姿态机动能力等特点，有效地提升了卫星综合观测效能，达到了国际先进水平。

表1 GF-2卫星有效载荷参数

载荷	谱段号	谱段范围（um）	空间分辨率(m)	幅宽(km)	侧摆能力	重访时间（天）
全色多光谱相机	1	0.45～0.90	1	45	±35°	5
	2	0.45～0.52	4
	3	0.52～0.59
	4	0.63～0.69
	5	0.77～0.89

本数据采用的高分二号数据产品为L1A级产品，包括全色影像和多光谱2个TIFF文件，还需进行辐射校正、大气校正、正射校正等预处理。选择2015–2020年覆盖广东沿岸的119幅高质量的高分二号卫星数据，云量低于20%，下载后检查数据，确保影像没有缺失、条带等异常现象影响后续图像处理。

1.2 数据处理

高分二号L1A级卫星遥感产品，需要进行数据预处理和遥感解译分类两个步骤。数据预处理主要包括辐射校正、大气校正、正射校正等，遥感解译分类包括多尺度分割、样本选取和图件制作等，流程如图1。

图1 广东省沿岸红树林矢量数据生产示意图

Figure 1 Technical workflow of mangrove vector dataset along the coast of Guangdong Province

1.2.1 数据预处理

数据预处理操作在ENVI 5.3平台上完成。根据影像头文件提供的参考值对影像进行辐射校正，将无意义的DN值转化为有意义的底物反射率。大气校正采用快速大气校正工具（Quick Atmospheric Correction，QUAC），它能够自动从图像上收集不同物质的波谱信息，获取经验值完成高光谱和多光谱的快速大气校正，可以有效地去除大气中的水蒸气、氧气、二氧化碳、甲烷、臭氧以及气溶胶对图像的影响。正射校正是基于ENVI 5.3自带DEM数据进行无控制点校正。最后，使用NNDiffuse Pan Sharpening方法融合，得到高分辨率（1 m）的融合影像。

1.2.2 遥感解译分类

本数据集采用面向对象特征分类方法解译分类红树林遥感信息。面向对象特征分类是利用训练样本数据集合邻近像元为对象来识别感兴趣的光谱，充分利用高分辨率的全色和多光谱的空间、纹理和光谱信息来分类，精确地提取地物。利用面向对象方法提取珊瑚礁，其准确率比最大似然法提高了24%^{[ 13]}，应用于土地利用类型分类也得到了满意的结果^{[ 14]}。红树林分类上，贾明明使用面向对象方法对2010年中国东南沿海红树林进行遥感制图，结果表明，红树林分类精度达到90%以上^{[ 15]}。张蓉构建了多种光谱特征、地形特征参数，利用面向对象的方法对大珠三角红树林提取分析，红树林分类精度达到85%以上^{[ 16]}。

本文采用面向对象的分类方法，包括分割和分类两步。分层分割是根据不同层次进行多次分割，然后通过阈值进行优化合并，形成网络层次结构^{[ 17]}。异构性阈值中，自定义颜色加权为0.9，形状加权为0.1；为避免紧凑或非紧凑段，平滑度和紧凑度权重分别设置为0.5和0.5。将各景影像在eCognition Developer 8.64.1平台上多尺度分割为多个层次，得到一幅分割后的矢量图像；分类法选择最邻近分类法，选取的感兴趣区（Area of Interested，AOI）样本计算其隶属度从而将其分类。

2 数据样本描述

本数据集是利用融合后的高分二号影像，采用面向对象特征提取的分类方法，得到红树林矢量数据，能够直观展示2015–2020年广东省沿岸红树林分布位置和范围。影像空间分辨率为1 m，shapefile格式，投影为Transverse_Mercator投影，坐标系为GCS_WGS_1984，制作的广东省沿岸红树林分布如图2所示。

图2 广东省沿岸红树林分布图（审图号：GS(2022)981号）

Figure 2 Coastal mangrove distribution of Guangdong Province

3 数据质量控制和评估

完成红树林矢量数据提取后，采用混淆矩阵方法，计算总体分类精度、Kappa系数和生产精度，对提取到红树林矢量数据进行精度评价。以Google Earth影像作为参考图像，采用目视判别选取样本，样本分布于粤东、珠三角和粤西地区，包括汕头、深圳、珠海、茂名、阳江、湛江等地。样本主要分为红树林和非红树林两大类，红树林样本数约为500个。红树林提取总体精度为95.83%，Kappa系数据为0.8872，生产精度达到85.83%，数据质量较为理想。

本数据集在生产过程中，未考虑潮汐淹没广东沿岸红树林的情况，从而水面以下的红树林提取会有一定的偏差。因此，接下来的工作可以结合海水潮汐周期性变化，提高红树林矢量数据集精度。

4 数据价值

高质量的国产遥感卫星数据产品对广东沿岸红树林系统的保护、恢复、管理极其重要。本研究收集了高分二号1 m分辨率的遥感影像，采用分割–分类的面向对象特征的分类方法，生产了2015–2020年广东沿岸红树林分布的矢量数据集，为广东沿岸红树林的保护恢复、管理规划及湿地动态监测等提供了数据支持。本产品采集的遥感影像云量少、分辨率高，提供的shapefile矢量文件可直接在ArcGIS、ENVI等软件平台使用，可为海洋生态修复、海洋带监测、城市发展规划提供参考。

5 数据使用方法和建议

2015–2020年广东省沿岸红树林分布矢量数据集存储为shapefile矢量格式，建议使用ArcGIS软件打开、查询、编辑及统计等。2015–2020年广东省沿岸红树林分布图为TIFF格式，可直接浏览，方便使用者快速定位、可视化感兴趣区域红树林资源的位置和分布范围。

[1]

刘凯, 彭力恒, 李想, 等. 基于Google Earth Engine的红树林年际变化监测研究[J]. 地球信息科学学报, 2019, 21(5): 731–739. DOI:10.12082/dqxxkx.2019.180354. [LIU K, PENG L H, LI X, et al. Monitoring the inter-annual change of mangroves based on the google earth engine[J]. Journal of Geo-Information Science, 2019, 21(5): 731–739. DOI:10.12082/dqxxkx.2019.180354.]

+ CSCD · Baidu Scholar

[2]

蒙良莉, 凌子燕, 蒋卫国, 等. 基于sentinel遥感数据的红树林信息提取研究: 以广西茅尾海为例[J]. 地理与地理信息科学, 2020, 36(4): 41–47. DOI:10.3969/j.issn.1672-0504.2020.04.007. [MENG L L, Ling Z Y, JIANG W G, et al. Mangrove information extraction based on the Sentinel remote sensing data: a case study of maoweihai bay of guangxi[J]. GeographyandGeo - InformationScience,2020, 36(4): 41–47. DOI:10.3969/j.issn.1672-0504.2020.04.007. ]

+ CSCD · Baidu Scholar

[3]

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. DOI:10.13284/j.cnki.rddl.003268. [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, 40 (5): 881-892. DOI:10.13284/j.cnki.rddl.003268.]

+ CSCD · Baidu Scholar

[4]

林天维, 柴清志, 孙子钧, 等. 我国红树林的面积变化及其治理[J]. 海洋开发与管理, 2020, 37(2): 48–52. DOI:10.3969/j.issn.1005-9857.2020.02.008. [LIN T W, CHAI Q Z, SUN Z J, et al. The area change and governance of the mangrove in China[J]. Ocean Development and Management, 2020, 37(2): 48–52. DOI:10.3969/j.issn.1005-9857.2020.02.008.]

+ CSCD · Baidu Scholar

[5]

贾明明. 1973～2013年中国红树林动态变化遥感分析[D]. 长春: 中国科学院研究生院（东北地理与农业生态研究所）, 2014. [JIA M M. Remote Sensing Analysis of China's Mangrove Forests Dynamics during 1973 to 2013[D]. Changchun: Northeast Institute of Geography and Agroecology, Chinese Academy of Sciences, 2014.]

+ CSCD · Baidu Scholar

[6]

麦少芝, 徐颂军. 广东红树林资源的保护与开发[J]. 海洋开发与管理, 2005, 22(1): 44–48. DOI:10.3969/j.issn.1005-9857.2005.01.011.[MAI S Z, XU S J. Protection and exploitation of mangrove resources in Guangdong Province[J]. Ocean Development and Management, 2005, 22(1): 44–48. DOI:10.3969/j.issn.1005-9857.2005.01.011.]

+ CSCD · Baidu Scholar

[7]

吴培强, 马毅, 李晓敏, 等. 广东省红树林资源变化遥感监测[J]. 海洋学研究, 2011, 29(4): 16–24. DOI:10.3969/j.issn.1001-909X.2011.04.003. [WU P Q, MA Y, LI X M, et al. Remote sensing monitoring of the mangrove forests resources of Guangdong Province[J]. Journal of Marine Sciences, 2011, 29(4): 16–24. DOI:10.3969/j.issn.1001-909X.2011.04.003.]

+ CSCD · Baidu Scholar

[8]

李晓俞, 张东水, 马宇, 等. 1990—2015年间四省红树林变化监测及其驱动力分析[J]. 地理空间信息, 2020, 18(2): 76–80, 7. DOI:10.3969/j.issn.1672-4623.2020.02.022. [LI X Y, ZHANG D S, MA Y. Mangrove Dynamic Monitoring and Driving Force Analysis in Four Provinces from 1990 to 2015[J]. Geospatial Information, 2020, 18(2): 76–80, 7. DOI:10.3969/j.issn.1672-4623.2020.02.022.]

+ CSCD · Baidu Scholar

[9]

HAMYLTON S M, NURDIN N, CARVALHO R C, et al. Mangrove and sand cay dynamics on Australian and Indonesian low wooded Islands: a 45 year comparison of changes from remote sensing[J]. Estuarine, Coastal and Shelf Science, 2020, 245: 106912. DOI:10.1016/j.ecss.2020.106912.

+ CSCD · Baidu Scholar

[10]

SERRANO-RUBIO J P, RUIZ M D M, VIDAL-ESPITIA U. Integrating remote sensing and image processing to test for disturbance effects in a post-hurricane mangrove ecosystem[J]. Signal, Image and Video Processing, 2021, 15(2): 351–359. DOI:10.1007/s11760-020-01754-9.

+ CSCD · Baidu Scholar

[11]

VAN T T, WILSON N, THANH-TUNG H, et al. Changes in mangrove vegetation area and character in a war and land use change affected region of Vietnam (Mui Ca Mau) over six decades[J]. Acta Oecologica, 2015, 63: 71–81. DOI:10.1016/j.actao.2014.11.007.

+ CSCD · Baidu Scholar

[12]

YOUNES CÁRDENAS N, JOYCE K E, MAIER S W. Monitoring mangrove forests: Are we taking full advantage of technology? [J]. International Journal of Applied Earth Observation and Geoinformation, 2017, 63: 1–14. DOI:10.1016/j.jag.2017.07.004.

+ CSCD · Baidu Scholar

[13]

BENFIELD S L, GUZMAN H M, MAIR J M, et al. Mapping the distribution of coral reefs and associated sublittoral habitats in Pacific Panama: a comparison of optical satellite sensors and classification methodologies[J]. International Journal of Remote Sensing, 2007, 28(22): 5047–5070. DOI:10.1080/01431160701258062.

+ CSCD · Baidu Scholar

[14]

陈云浩, 冯通, 史培军, 等. 基于面向对象和规则的遥感影像分类研究[J]. 武汉大学学报·信息科学版, 2006, 31(4): 316–320. [CHEN Y H, FENG T, SHI P J, et al. Classification of remot sensing image based on object oriented and class rules[J]. Geomatics and Information Science of Wuhan University, 2006, 31(4): 316–320.]

+ CSCD · Baidu Scholar

[15]

JIA M M, WANG Z M, LI L, et al. Mapping China's mangroves based on an object-oriented classification of Landsat imagery[J]. Wetlands, 2014, 34(2): 277–283. DOI:10.1007/s13157-013-0449-2.

+ CSCD · Baidu Scholar

[16]

张蓉, 夏春林, 贾明明, 等. 基于面向对象的大珠三角红树林动态变化分析[J]. 测绘与空间地理信息, 2019, 42(12): 22–26. DOI:10.3969/j.issn.1672-5867.2019.12.007. [ZHANG R, XIA C L, JIA M M, et al. Remote sensing analysis of greater Pearl River Delta's mangrove forests dynamics based on object-oriented classification method[J]. Geomatics & Spatial Information Technology, 2019, 42(12): 22–26. DOI:10.3969/j.issn.1672-5867.2019.12.007.]

+ CSCD · Baidu Scholar

[17]

BEAULIEU J M, GOLDBERG M. Hierarchy in picture segmentation: a stepwise optimization approach[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1989, 11(2): 150–163. DOI:10.1109/34.16711.

+ CSCD · Baidu Scholar

数据引用格式

刘叶取, 张立, 郭康丽, 等. 2015–2020年广东省沿岸红树林矢量数据集[DS/OL]. Science Data Bank, 2021. (2021-11-17). DOI: 10.11922/sciencedb.j00001.00199.

代做工资流水公司 XML地图 TXT地图虚拟主机 SEO 网站制作网站优化

稿件与作者信息

论文引用格式

刘叶取, 张立, 郭康丽, 等. 2015–2020年广东省沿岸红树林矢量数据集[J/OL]. 中国科学数据, 2022, 7(1). (2021-10-12). DOI: 10.11922/csdata.2020.0108.zh.

刘叶取

LIU Yequ

主要承担工作：高分二号影像补缺、数据预处理和遥感信息提取。

（1992—），男，广东阳江人，硕士，助理工程师，研究方向为海洋遥感应用和海洋信息服务。

张立

ZHANG Li

主要承担工作：高分二号影像收集，方案前期调研和广东省红树林资源背景调研分析。

lizhang@scsio.ac.cn

（1980—），女，北京人，博士研究生，中级工程师，研究方向为滨海湿地生态修复。

郭康丽

GUO Kangli

主要承担工作：协助收集整理高分二号影像，现场调查。

（1992—），女，湖南郴州人，硕士，工程师，研究方向为海洋环境资源保护修复。

党二莎

DANG Ersha

主要承担工作：协助方案设计，现场调查。

（1990—），女，陕西西安人，硕士，工程师，研究方向为海洋环境评价研究。

唐世林

TANG Shilin

主要承担工作：方案设计和产品精度检查。

（1981—），男，湖南邵阳人，博士，正高级工程师，研究方向为海洋遥感和海洋信息化。

广东省海洋经济发展（海洋六大产业）专项（粤自然资合[2020]064号）；广东省重大团队项目（2019BT02H594）。

Special Project for Marine Economic Development (Six Major Marine Industries) of Guangdong Province (GDNRC [2020] 064); Guangdong Special Support Program (2019BT02H594).

代做工资流水公司 XML地图 TXT地图虚拟主机 SEO 网站制作网站优化

出版历史

I区发布时间：2021年2月22日（版本ZH2）

II区出版时间：2022年3月30日（版本ZH3）