期刊链接：

微信链接：

特刊“Remote Sensing in Mangroves”共发表13篇优秀文章，本期小编在此刊精选了6篇文章供各位读者阅读赏析。内容涵盖红树林地上生物量估算、红树林生态系统土地覆盖分类、森林火灾监测以及红树林-沼泽过渡地带斑块的研究等。此外, 和学术编辑Dr. Chandra Giri再次合作, 创建了“Remote Sensing in Mangroves: Part II", 值此机会欢迎各位老师同学踊跃投稿。

1. Estimating Mangrove Above-Ground Biomass Using Extreme Gradient Boosting Decision Trees Algorithm with Fused Sentinel-2 and ALOS-2 PALSAR-2 Data in Can Gio Biosphere Reserve, Vietnam

利用Sentinel-2和ALOS-2 PALSAR-2融合数据的极端梯度提升决策树算法估算越南Can Gio生态保护区红树林地上生物量

Tien Dat Pham et al.

DOI：

本文将梯度提升决策树算法应用到越南Can Gio生态保护区的红树林地上生物量 (Above-Ground Biomass, AGB) 估算过程中，采用一种极端梯度提升回归 (Extreme Gradient Boosting Regression, XGBR) 算法，利用121个旱季样本地区的调查数据组成数据集，建立了红树林地上生物量模型并进行了验证。该数据集融合了Sentinel-2多光谱探测仪 (Multispectral Instrument, MSI) 和ALOS-2 PALSAR-2探测卫星的双偏振 (Dual Polarimetric, HH, HV) 数据。本文将XGBR模型的性能指标与梯度提升回归、支持向量回归等机器学习方法的性能指标进行了比较，并获得了最好的预测性能。实验结果表明，XGBR结合Sentinel-2和ALOS-2 PALSAR-2数据可以准确估算Can Gio生态保护区红树林地上生物量。

越南Can Gio生态保护区红树林AGB的空间分布估计

2. Integration of GF2 Optical, GF3 SAR, and UAV Data for Estimating Aboveground Biomass of Chinas Largest Artificially Planted Mangroves

综合GF2 Optical、GF3 SAR和无人机数据估算明升中国最大人工红树林地上生物量

Yuanhui Zhu et al.

DOI：

本文选择我国最大的人工红树林片区——淇澳岛作为研究区域，通过多次实地考察收集了127份AGB样本，采用随机森林算法，综合Gaofen-2 (GF-2) 光学图像、Gaofen-3 (GF-3) SAR图像和UAV-DSM数据，建立了AGB估算模型，基于五次交叉验证和分层随机抽样方法，采用均方根误差 (Root-Mean-Square Error, RMSE) 和相对均方根误差 (RMSEr) 来评估模型的性能。实验结果表明，GF-2光学图像和GF-3 SAR图像均可用于人工红树林AGB的监测，组合使用比仅使用其中一个数据集的模型具有更高的精度。研究结果表明，通过整合光学、SAR和DSM数据集的图像，可以准确地测量红树林AGB，充分反映冠层、森林结构和树高等信息。

淇澳岛红树林生物量分布图

3. Land Cover Classification in Mangrove Ecosystems Based on VHR Satellite Data and Machine Learning—An Upscaling Approach

基于VHR卫星数据和机器学习的红树林生态系统土地覆盖类型分类方法

Neda Bihamta Toosi et al.

DOI：

红树林是一种常见于沿海岸线、河滩等位置的生态系统，能够为人类提供诸多生态服务和经济产品。本文利用Sentinel-2和Worldview-2数据对位于伊朗的一个面积为768 平方千米的红树林生态系统进行土地覆盖类型分类。本文采用一种较为先进的方法来收集参考数据以尽量降低获取商业卫星图像的成本，并将重点放在免费获得的卫星数据上，用以绘制红树林生态系统的土地覆盖类别。实验结果表面，该方法总体检测精度为65.5%，kappa系数为0.63，对深水和封闭红树林冠层的精度最高。该方法提高了测绘精度，有望在红树林生态系统的保护和可持续管理方面发挥积极作用。

相关研究区域红树林位置分布

4. Identification before-after Forest Fire and Prediction of Mangrove Forest Based on Markov-Cellular Automata in Part of Sembilang National Park, Banyuasin, South Sumatra, Indonesia

基于马尔可夫-元胞自动机的森林火灾前后识别与红树林预测——以印度尼西亚南苏门答腊省森比朗国家公园部分地区为例

Soni Darmawan et al.

DOI：

本文通过调查该地区红树林多年来的变化，分析森林火灾前后的情况，对该地区红树林未来发展形势进行预测。本研究采用马尔可夫链-元胞自动机相结合的模型，对1989-2015年间该地区红树林面积变化进行识别，并对2028年红树林面积变化进行了预测。结果表明：1989–1998年间红树林面积受森林火灾影响减少了9.6%，1998-2002年间增加了8.4%，2002–2015年间增加了2.3%。多方面结果表明：在2015到2028年间，该地区红树林面积将从27.4%持续增加至31%，这表明，印尼政府对该地区红树林生态系统的恢复管理措施取得了一定程度效果。

1997年火灾期间苏门答腊岛的热点分布情况。

5. The Google Earth Engine Mangrove Mapping Methodology (GEEMMM)

谷歌地球引擎红树林制图方法

J. Maxwell M. Yancho et.al.

DOI：

红树林具有生物多样性丰富和碳密度高等特点，为树林周边人民提供经济商品和生态服务，并通过碳封存和储存方式为减缓全球气候变化作出重大贡献，但由于人类活动，红树林在全球诸多地区遭到破坏，损失严重，要阻止这种损失，就需要更加方便、直观的测绘工具，使沿海管理者能够绘制和监测红树林覆盖情况。本文提出了一种新方法——谷歌地球引擎红树林制图 (GEEMMM)。它满足了广大非专业的沿海管理者和决策者的工作需求。本文将该工具应用在全球红树林流失热点地区——缅甸沿海地区，研究结果表明，GEEMMM能够为绘制和监测全球红树林生态系统提供一种便捷的方法。

红树林区域变化情况

6. Delineation of Tree Patches in a Mangrove-Marsh Transition Zone by Watershed Segmentation of Aerial Photographs

基于航空照片分水岭分割的红树林-沼泽过渡地带斑块的轮廓描述

Himadri Biswas et.al.

DOI：

红树林迁移是一个非常缓慢的变化过程，如果需要对此过程进行研究，必须要充分了解红树林的当前分布情况以及它们的变化率。本文提出了一种新方法来描述红树林分布，采用高分辨率真彩航空摄影图像进行红树林覆盖情况的估算。该方法采用基于植被指数和Otsu自动阈值检测标记的分水岭分割方法，对14个常用的植被指数进行测试，以确定它们对树木检测、覆盖估计和斑块轮廓准确性的影响。通过基于点的精度分析，结果显示，7项植被指数在树木检测中的总体精度高于90%，同样，使用基于对象的方法，预测数据和参考数据之间的最高重叠精度为95%。

研究区域树林分布图

期刊简介

(ISSN 2072-4292, IF 4.509) 是一个国际型开放获取期刊。其期刊范围涵盖遥感app所有领域，从传感器的设计、验证和校准，到遥感在地球app、环境生态、城市建筑等各方面的广泛应用。采取单盲同行评审，一审周期约为19天，文章从接收到发表仅需2.9天。