我主要做GIS方法研究，机缘巧合地自2017年起开始做一个科技基础资源调查专项的红树林遥感调查课题，先后带了一个博士后和博士生完成课题相关任务，做的一些大范围红树林分布的遥感提取方法及数据产品这两年陆续发出文章，阶段工作收尾，在这里自我总结一下几篇作为通讯作者发出来的文章。

红树林是生长在热带和亚热带潮滩上、受海水周期性浸淹的木本植物群落，能够提供岸线保护、物种保育、碳汇等生态服务。我国红树林纬度跨度广，沿海岸带破碎分布、受潮汐淹没影响、与非红树植被混杂等特点，对大范围遥感监测既有迫切需求，又有方法挑战。立项时（2016年底-2017年初）已有研究通过遥感分类结合后处理的方式获取大范围红树林分布，多使用Landsat作为主要数据源，忽略了破碎的小斑块、陆缘狭长带状斑块，以及部分易受潮水浸淹影响的低矮红树林。尤其立项时尚无覆盖全国红树林地区的现势、高分辨率遥感调查成果。在上述研究背景下，我从2017年起先后带出一个博士后夏清和博士生赵传朋，瞄准大范围红树林分布的遥感提取开展了一系列方法研究。

最初与夏清博士合作，针对传统基于单期遥感影像的NDVI等指数难以准确提取受潮水涨退影响的红树林边缘分布，设计了一种利用高、低潮时期的两期高分影像的“淹没红树林识别指数”（submerged mangrove recognition index，SMRI），以区分红树林与其他地物类型。文章2018年发在《Remote Sensing》上。这个指数很快得到同行的应用， 研究成果被在线报道在NASA的Landsat Science上。

> Xia Q, Qin C-Z*, Li H, Huang C, Su F-Z. Mapping mangrove forests based on multi-tidal high-resolution satellite imagery. Remote Sensing, 2018, 10(9), 1343.

夏清博士进一步将SMRI与提取红树林常用的植被指数（NDVI、RVI、EVI、SAVI、MRI）分别应用于高分和中分影像，进行对比评价。结果显示在两类影像之下，SMRI都能够更好地识别浸淹状态的红树林分布范围。文章2020年发表在《Ecological Indicators》上。

> Xia Q, Qin C-Z*, Li H, Huang C, Su F-Z, Jia M-M. Evaluation of submerged mangrove recognition index using multi-tidal remote sensing data. Ecological Indicators, 2020, 113, 106196.  

为有效提取大范围潮滩分布，用作为提取红树林分布的空间约束条件，指导博士生赵传朋完成了基于时序SAR影像提取中国红树林分布区的潮滩分布。遥感提取大区域潮滩分布范围的现有方法中，存在着依赖于潮高模拟数据或潮滩样本数据、限制了可用性的问题，针对此问题，提出了一套不依赖于潮高信息提取大区域潮滩分布范围的新方法，该方法首先基于时序的Sentinel SAR数据或水体指数数据，以分位数合成估计高潮位面和低潮位面，分别进行自适应的水陆二分类，以获取近似高潮位和近似低潮位的水陆界线；之后按照“低潮位裸露、高潮位淹没”的原则初步确定潮滩范围。同时，针对河口地区当前由于缺乏大范围水体盐度信息，导致无法区分淡水季节变动形成的滩涂和受潮汐影响形成的滩涂的问题，新方法以历史红树林分布范围来指示中等盐度水的范围，依据水色遥感领域的波段比和机器学习方法，将水体盐度划分为低盐度水、中等盐度水和高盐度水，在此基础上可以自适应地确定河口区域的潮滩范围。 新方法结合时间序列的Sentinel-1 SAR影像，提取了2017年中国南方潮滩分布，样本集验证的总体精度为92.4%。文章2020年发表在《ISPRS Journal of Photogrammetry and Remote Sensing》上，数据产品发布在我国的“科学数据银行”Science Data Bank上。

> Zhao C, Qin C-Z*, Teng J. Mapping large-area tidal flats without the dependence on tidal elevations: A case study of Southern China. ISPRS Journal of Photogrammetry and Remote Sensing, 2020, 159: 256-270.  

> 相关数据集：赵传朋, 秦承志*. 基于10米分辨率SAR影像的2017年中国红树林分布区的潮滩数据. V1. Science Data Bank. Chuanpeng Zhao, Chengzhi Qin. 10-m-resolution tidal flat map of China’s mangrove distribution area for 2017 derived from multi-temporal SAR images[DS/OL]. Science Data Bank, 2020[2022-11-06]. 

为了有效识别大范围红树林的破碎小斑块和狭长条带斑块，研究组引入了以10米分辨率的Sentinel影像为主的多时相数据，同时综合考虑了潮水浸淹、潮间带地形、云的干扰和植被物候变化等影响红树林分类精度的因素并针对性处理。这些针对性设计包括：通过时间序列水指数和时间序列VV波段刻画潮水浸淹状态；使用数字高程模型和前面研究生成的2017年中国南方潮滩分布数据共同刻画潮间带地形；利用时间序列分位数合成和SAR数据以减轻云的干扰；使用时间序列NDVI刻画植被物候变化。最终结合遥感分类和后处理，提取了2017年10米分辨率的中国红树林分布。文章2020年发表在《ISPRS Journal of Photogrammetry and Remote Sensing》上，数据产品发布在Science Data Bank上。

> Zhao C, Qin C-Z*. 10-m-resolution mangrove maps of China derived from multi-source and multi-temporal satellite observations. ISPRS Journal of Photogrammetry and Remote Sensing, 2020, 169: 389-405.  

> 相关数据集：（1）赵传朋, 秦承志*. 基于遥感的2017年中国红树林分布数据. V1. Science Data Bank. /Chuanpeng Zhao, Chengzhi Qin. 10-m-resolution mangrove map of China for 2017 derived from multi-source and multi-temporal satellite observations[DS/OL]. Science Data Bank, 2020[2022-11-06]. https://cstr.cn/31253.11.sciencedb.00479. CSTR:31253.11.sciencedb.00479；（2）赵传朋, 秦承志*. 包含红树林的中国南方海岸土地覆被样本集. V2. Science Data Bank. http://www.dx.doi.org/10.11922/sciencedb.00279.  (2020-12-03).

在此基础上，进一步开展大范围红树林遥感提取的方法研究：现有红树林遥感分类研究中，误分类的关键原因是什么？是分类特征不够优化，样本量不足，还是类别体系问题？针对这一问题，研究组通过假设检验，最终确定误分类的关键原因是：分类体系中未针对性地考虑水边非红树植被。文章2021年发表在《Remote Sensing》上。在此基础上，利用我们前期建立的以Sentinel SAR时序数据提取大范围红树林分布的方法框架，通过在二分类体系的负类（即“非红树林”）之下针对性地引入“水边（非红树）植被”子类别，可在无需扩充总样本量的情况下，显著降低误分类。研究成果今年发表在《International Journal of Applied Earth Observation and Geoinformation》上。

> Zhao C, Qin C-Z*. The key reason of false positive misclassification for accurate large-area mangrove classifications. Remote Sensing, 2021, 13(15), 2909. 

> Zhao C, Qin C-Z*. Identifying large-area mangrove distribution based on remote sensing: A binary classification approach considering subclasses of non-mangroves. International Journal of Applied Earth Observation and Geoinformation, 2022, 108, 102750.

在上述方法研究的基础上，我们完成了混合10米分辨率多时序影像数据提取结果和高分辨率Google Earth影像解译结果的2019年中国红树林分布数据产品，所生产的数据产品经过多种方式（包括利用项目其他野外调查课题收集的野外样方数据）评价其精度优势，并率先公开发布在我国科学数据共享平台“科学数据银行”上。数据文章今年发表在《Geoscience Data Journal》上。

> Zhao C, Qin C-Z*. A detailed mangrove map of China for 2019 derived from Sentinel-1 and -2 images and Google Earth images. Geoscience Data Journal, 2022, 9(1): 74-88.

> 数据产品：赵传朋, 秦承志*. 基于遥感的2019年中国红树林分布数据. V1. Science Data Bank. /Chuanpeng Zhao, Cheng-Zhi Qin. A fine resolution mangrove map of China for 2019 derived from 10-m-resolution satellite observations and Google Earth images[DS/OL]. Science Data Bank, 2021[2022-11-06]. https://cstr.cn/31253.11.sciencedb.00245. CSTR:31253.11.sciencedb.00245.

做这些工作、发表文章的过程中，还连续两篇文章投稿时遇到了审稿人反对我们文章中图里标的九段线、图表里把台湾作为中国一个省来统计分析的事情，也全顶了回去、文章顺利发表，过程见博文“论文中的台湾与国界线——与审稿人的两次争辩”。

这个课题刚刚通过课题绩效评估。指导的夏清博士2019年博士后出站后现在长沙理工当老师，指导的赵传朋2021年博士毕业后，现在中科院东北地理所做博士后。现在我自己的课题组里的学生又重新恢复到全是以GIS方法研究作为研究方向的状态。机遇巧合下开展的RS研究工作也暂告一段落。是为记。