气候驱动的红树林衰退与恢复：以澳大利亚阿尔伯特河和莱希哈特河为例的研究

《Remote Sensing in Ecology and Conservation》：Climate-Driven Mangrove Dieback and Recovery: A Case Study in Albert and Leichhardt Rivers, Australia

　　**摘要**

2015/2016年，澳大利亚北部卡奔塔利亚湾发生了一次严重的红树林死亡事件，该事件后来被认为与厄尔尼诺-南方涛动（ENSO）以及与月球节点周期相关的异常低海平面有关。然而，红树林变化的长期驱动因素、它们的恢复力以及对这些环境事件的物种特异性响应仍然知之甚少。本研究结合了k-means聚类和随机森林分类方法，利用Landsat档案数据来填补关于红树林动态的知识空白。尽管在2002/2004年（9.1平方公里）、2008年（2.9平方公里）和2015/2016年（8.1平方公里）出现过周期性的红树林死亡现象，但在1987年至2023年间，红树林的面积（增加了260%，从21.4平方公里增加到55.7平方公里）和绿色度（NDVI增加18%）。这些结果表明，红树林的范围和状况经历周期性衰退后能够迅速恢复。以Avicennia marina为主的陆地边缘在极端负ENSO相位期间表现出最低的NDVI值，特别是在月球节点周期导致的异常低海平面进一步减少了潮汐淹没的情况下。这种模式表明这些区域对水分不足和盐度压力的脆弱性更大。在整个研究期间，以R. stylosa为主的成熟红树林区域保持稳定，而在以A. marina为主的海向边缘观察到了显著的扩展，这可能是由于河流流量增加期间沉积物的积累。这种高度动态的红树林森林展示了向陆地和海洋两侧扩展的能力。然而，随着气候变率的加剧，特别是极端事件的频繁发生和预计的海平面上升导致的潮汐制度的变化，了解红树林森林的长期恢复力及其恢复能力对于制定针对特定区域的保护策略和维持成熟红树林的蓝碳储量至关重要。

**1 引言**

全球红树林的状况和范围的变化越来越多地与气候变率相关联，这对它们的生态系统服务构成了相当大的风险。海洋-大气相互作用，如厄尔尼诺-南方涛动（ENSO）和印度洋偶极子（IOD），会改变降水量以及海洋和空气温度（Cai等人，2021年；Luo等人，2010年）。当这些条件超出红树林的生理极限时，就会发生死亡和冠层状况的下降（Abhik等人，2021年；Carruthers等人，2024年；Lovelock等人，2017年）。在厄尔尼诺阶段和月球节点周期的低水位等重叠扰动下，气候变率的影响可能会加剧（Saintilan等人，2022年）。这些影响可能由物理干扰（如飓风引起的风倒）（Asbridge等人，2018年）和环境压力因素（包括导致干燥的水分不足（Asbridge等人，2015年）或长期积水（Asbridge等人，2024年）所驱动。2015/2016年，澳大利亚北部的卡奔塔利亚湾经历了显著且广泛的红树林死亡事件（Duke等人，2017年）。当时，这主要归因于厄尔尼诺阶段导致的温度升高和降水量减少（Abhik等人，2021年；Sippo等人，2020年）。与月球节点周期相关的低潮位可能加剧了厄尔尼诺的影响，尤其是在潮汐框架中较高海拔的红树林植被上（Saintilan等人，2022年）。在死亡事件之前，该地区的红树林表现出高度动态性，观察到了死亡、向陆地扩展和向海洋扩展的现象，从1987年到2014年，红树林总面积总体有所增加（Asbridge等人，2015年）。红树林物种在潮间带的垂直分布，通常称为红树林分区（Snedaker，1982年），已在全球范围内得到广泛描述（Bunt，1996年；Casta?eda-Moya等人，2006年；Irawan等人，2021年；Lombard等人，2023年；Ximenes等人，2016年），并受到对环境条件的生理耐受性的影响，包括盐度、海拔、基底和淹没频率（Ellison等人，2000年）。尽管不同地区的分区模式可能因地貌和干扰机制而异，但在许多印度-太平洋系统中，Rhizophora物种通常占据潮间带的中央区域，而Avicennia物种则出现在较低海拔（Asbridge等人，2016年；Hay，2009年；Reef和Lovelock，2015年）。这些物种特异性的适应机制突显了红树林分区的动态性质，以及长期监测对于评估物种如何随时间应对气候异常的重要性。来自光学卫星传感器（例如Landsat和Sentinel卫星）的密集时间序列分析被广泛用于监测植被随时间的变化，从而能够检测和量化大范围地理区域内红树林分布和状况的变化（例如Pasquarella等人，2016年；Lu和Wang，2021年；Bunting等人，2022年，2023年）。尽管Sentinel提供更高的空间分辨率（10-20米），但其时间覆盖范围（2015年至今）比Landsat档案（1987年至今）更有限。因此，Landsat的长期记录保留了多个气候周期的数据，包括ENSO（4-7年）、IOD（通常3-5年）和月球节点周期（18.6年），从而可以更全面地评估红树林生态系统对周期性环境变化的响应。虽然之前的研究使用遥感方法主要关注气候周期对红树林植被的短期影响（Alongi，2015年；Duke等人，2017年），但整合遥感和气候数据的长期分析仍然较少（Abhik等人，2021年；Asbridge等人，2016年；Hickey等人，2021年；Maina等人，2021年）。尽管有先前的研究，红树林动态的长期环境和气候驱动因素及其物种特异性响应仍然了解不足。这对于以不同红树林属（如Avicennia sp.和Rhizophora sp.）为主的区域尤为明显，这些属对气候因素（包括由ENSO、IOD和月球节点周期驱动的海平面波动）的反应各不相同。理解这些物种特异性的响应对于识别脆弱区域和制定针对最受威胁区域的保护策略至关重要。在这项研究中，通过考察澳大利亚卡奔塔利亚湾Albert河和Leichhardt河36年（1987-2023年）红树林范围和状况的变化，解决了对红树林动态长期理解的关键空白。本研究中的红树林状况定义为归一化差异植被指数（NDVI）的空间和时间变化，反映了植被绿色度的变化，作为健康、光合作用活跃植被的代理指标。同样，死亡主要指的是冠层绿色度的减少，表现为较低的NDVI值。尽管死亡有时可能表明植物死亡，但它也可能代表部分冠层丧失或植被健康状况下降，如果环境条件改善，这种情况可能是可逆的（Asbridge等人，2018年；Long等人，2016年）。本研究的主要目的是确定红树林变化发生的地点以及可能促成这些变化的环境因素。具体目标是：（1）描述和量化不同红树林区域随时间的变化；（2）确定影响这些变化的环境驱动因素，包括气候和潮汐周期以及地貌过程。为此，使用Landsat卫星档案（1987-2023年）对红树林区域进行了分类，并将红树林状况（NDVI）和范围的变化与气候指数（包括ENSO和IOD）以及潮汐高度数据相结合。这项研究对于识别和监测脆弱红树林区域以及在长期环境变化和气候变率不确定性下制定有针对性的管理策略至关重要。

**2 方法**

**2.1 研究区域**

Albert河和Leichhardt河流入澳大利亚昆士兰州的卡奔塔利亚湾（17.57°S，139.80°E，图1）。该地区属于半干旱气候，特点是4月至11月为旱季，12月至3月为雨季（BOM 2024a）。年平均最低和最高温度范围为13°C至35°C（BOM 2024a）。Albert河和Leichhardt河口的潮汐为日潮中潮，平均范围为2-3米（Whitfield和Elliott，2011年）。在研究区域，Rhizophora stylosa通常分布在潮间带的中央区域（Asbridge等人，2016年；Hay，2009年），而Avicennia marina主要分布在海向边缘，但也在陆地边缘存在，此外还有Ceriops spp.（Hay，2009年）。其他物种，如Aegialitis annulata和Xylocarpus moluccensis也被发现，但在混合物种区域内仅出现在有限的分布中。

**2.2 方法**

图2展示了使用Digital Earth Australia沙箱（Krause等人，2021年）绘制红树林范围和状况变化的工作流程，包括分类模型、高分辨率遥控飞行器（RPA）光谱图像和LiDAR数据处理、红树林状况评估和模型验证。

**2.3 红树林范围的变化**

**2.3.1 分类红树林区域的准备**

为所有可用、分析准备好的、无云的Landsat 5 TM、7 ETM+和8 OLI图像（路径99，行72，n=1167）创建了年度中值合成图像，并用于1987年至2023年每年的红树林区域分类。本研究中使用的所有Landsat图像均来自Digital Earth Australia的NBART分析准备数据，该数据应用了跨传感器校准，将Landsat 5 TM、7 ETM+和8 OLI统一到单一的一致表面反射率标准，校正了BRDF、地形效应和大气变化，最小化了传感器间的变异性。这些数据是Geoscience Australia专门为支持长期生态时间序列分析而设计的，目前正被一致地用于时间序列分析（Lucas等人，2019年；Overs等人，2021年）。通过使用归一化差异水指数（Normalised Difference Water Index）和修改后的归一化差异水指数（Modified Normalised Difference Water Index，支持信息S1）为每年开发了红树林掩膜，以排除海洋和内陆水域。这两种指数提高了对水体的检测精度，因为单独使用它们时某些区域无法被一致地屏蔽。使用模块化红树林识别指数（Modular Mangrove Recognition Index—MMRI，Diniz等人，2019）排除了非红树林植被。该指数专门设计用于改善红树林森林与相邻陆地和湿植被覆盖的区分。MMRI通过NDVI和修改后的归一化差异水指数（MNDWI）之间的差异来区分水体和湿地基底：

MNDWI利用绿色和近红外光组合突出水体和湿地基底，而NDVI通过近红外和红色反射率捕捉植被绿色度。通过结合这两种指数，增强了与水和植被相关的信号，有利于识别潮间带红树林植被。使用2016年的年度中值合成图像定义了归一化差异水指数（NDWI）、MNDWI和MMRI的阈值，因为这一年展示了红树林状况最大的光谱变化范围。对于2016年，每个指数都通过直方图和红树林植被、开阔水域、裸露沉积物及相邻陆地植被的空间分布进行了视觉检查。候选阈值经过迭代调整，以确保包含红树林区域并最小化非红树林植被或水体的包含。阈值仅为受压像素设置了下限，允许更健康的植被发生变化，并确保观察到的变化反映了真实的生态动态，同时保持红树林区域在时间序列中的一致识别。为了验证阈值的适用性，将指数输出与2016年PlanetScope卫星数据（Planet Labs PBC 2024）的高分辨率年度中值合成图像进行了交叉检查，该数据由PS2传感器（蓝、绿、红和近红外波段）在大约3.7米的空间分辨率下捕获。然后将阈值应用于2023年的图像，并根据RPA衍生的数据（见2.3.2地面验证和之前的分类数据）和地面验证点评估红树林范围。最终阈值在支持信息S1中呈现。使用Digital Earth Australia动态海岸线数据集（Bishop-Taylor等人，2021年），将掩膜扩展到距离海岸线12公里范围内。

**2.3.2 地面验证和之前的分类比较**

2024年7月，在Albert河和Leichhardt河沿岸的九个地点使用DJI Phantom 4 RTK和DJI Matrice 300 RTK收集了数据（图1，支持信息S2）。使用DJI Matrice 300 RTK进行的飞行使用光探测和测距传感器（LiDAR）和光学（红、绿、蓝；RGB）图像数据收集了3D点云数据，这些数据仅限于由于RPA的大小和重量而可以从岸上访问的区域。对于无法从岸上访问的地点，从船上部署了Phantom 4 RTK（重量小于2公斤），仅收集了RGB数据。使用DJI Terra为七个可以从岸上访问的区域生成了Matrice 300 RTK的LiDAR点云数据（图1）。使用从澳大利亚陆地生态系统研究网络（Sivanandam等人，2023年）改编的R脚本为每个地点生成了数字地形模型、树冠高度模型以及由此得出的坡度和朝向信息。使用基于Python的Agisoft Metashape v 2.1脚本为所有区域（n=9）创建了正射影像。选择RPA飞行的红树林区域来代表研究区域内的主要红树林区域和结构条件，同时也考虑了与潮汐变化和鳄鱼存在相关的安全限制。优先考虑之前记录有死亡现象的地点，以及物种组成和树冠结构可以直观区分的地方。为了识别RPA衍生数据中的主要物种区域，通过对激光雷达衍生数据和RGB正射影像的组合进行多分辨率分割，采用了基于对象的图像分析方法。初次分割时使用的是默认参数：尺度为100，形状为0.1，紧凑度为0.5。为了提高分割效果，逐步减小尺度参数，每次减小10，直到对象边界与目标红树林主要物种区域在视觉上一致。生成的RPA红树林掩膜包含了所有红树林区域，并用于确定Landsat红树林掩膜的阈值。RPA衍生数据还用于验证，此外还结合了地面验证点来指示红树林的存在与否，并识别主要红树林物种。在该地区没有观察到红树林主要物种的显著季节性变化，使用复合卫星影像可以减少这种潜在的季节性变化，从而使实地观察结果能够代表短期的稳定树冠结构。这些观察是通过船只进行的，同时拍照作为其环境和结构的参考（图3），并且使用Google Maps记录了每个地点的地理坐标。

在实地检查中识别出的主要植被类型和分布情况。照片根据每种类型在实地的特征进行了标记。为了评估本研究生成的地图与之前为同一区域发布的两个产品之间的准确性，生成了混淆矩阵，包括整体准确性、用户准确性和生产者准确性（Congalton 1991）。第一个产品是由Hay（2009年）制作的，他使用2000年的Landsat影像绘制了以Rhizophora为主的区域、以Avicennia为主的封闭区域、封闭的混合区域、以Ceriops为主的封闭区域以及以Avicennia为主的开放区域，为评估本研究生成的红树林区域地图提供了可比较的基础。第二个产品是Duke等人（2017年）制作的2016年红树林死亡地图，该地图利用Landsat影像和实地观察确定了卡奔塔利亚湾（Gulf of Carpenteria）内的树冠衰退区域。

2.3.3 红树林区域的初步分类
使用了所有可用的、经过分析处理的、无云的2016年Landsat 8 OLI影像（路径99，行72，n=24）来创建年度中值复合图，并开发了基线年的红树林掩膜。这个基线年被认为代表了Landsat记录期间最低的范围和最高的条件变化，从而能够计算相对于这一年的变化情况。对2016年掩膜化的年度复合图进行了初步的k-means分类，以聚类数据中的自然边界。表面反射率波段、前一年（2015年）的NDVI以及年际NDVI变化被作为输入特征，以捕捉光谱特征和最近的植被变化。在与分类之前，仅使用与水相关的指数（NDWI和MNDWI）以及MMRI来生成红树林掩膜。类别的数量基于主要区域的数量，包括以Rhizophora为主的区域、以Avicennia为主的区域、以Ceriops为主的区域、开放的混合区域、封闭的混合区域、开放的森林死亡区域和封闭的森林死亡区域。使用RGB和NDVI 2016 PlanetScope影像以及每个红树林区域内随机抽样的30个点，对初步红树林分类的准确性进行了视觉评估。分类的准确性再次通过混淆矩阵进行了评估（支持信息S3）。与之前研究中用于检测一般红树林覆盖范围的国家尺度时间序列地图（Lymburner等人，2020年）不同，本研究应用了基于本地校准阈值的年度、特定区域的红树林掩膜，这使得能够详细描述不同红树林区域内的范围和条件变化。

2.3.4 红树林优势物种区域的时间序列分类
使用随机森林算法对1987年至2023年每年的Landsat中值复合图进行了优势物种区域的分类。选择随机森林是因为它能够在异质环境中处理多维特征并实现高分类精度（Rogers等人，2017年）。模型参数（树的数量、树深度和分裂标准）通过sklearn.model_selection库的gridsearchcv函数进行了网格搜索优化（Van等人，2024年）。从2016年的初步分类中随机抽取了每个类别250个像素，其中70%用于训练随机森林分类器，剩余的30%用于通过混淆矩阵评估模型性能。最终模型由300棵决策树组成，深度不限，每片叶子至少有一个样本，内部节点分裂至少需要五个样本。对于每年，将Landsat 5 TM、7 ETM+和8 OLI影像合成年度中值图，用于计算NDVI、NDWI、MNDWI和MMRI。还计算了年际NDVI（ΔNDVI）和MMRI（ΔMMRI）的变化。质量评估得分低于0.01的图像被排除，以去除云像素和传感器相关错误（例如，2003年Landsat 7 ETM+影像中的扫描线错误）。将训练好的随机森林应用于每年的复合图，以生成一致的红树林区域分类时间序列。通过将ΔNDVI和ΔMMRI层纳入模型来确保年份之间的时间一致性。为了提高空间一致性和减少基于像素的分类的典型斑点效应，应用了形态学过滤步骤（即去除“胡椒盐噪声”），将少于10个像素的簇与相邻的主要类别合并。ChatGPT 4o被用作编码辅助工具，以优化和调试Python脚本。具体而言，它帮助改进了脚本结构，提高了数据处理的计算效率，并解决了与数组维度和随机森林参数调整过程相关的编码错误。通过在ArcGIS Pro中目视检查分类地图来评估生成的输出结果，并通过地面验证点进行验证和批判性评估。

2.3.5 准确性评估
为了验证红树林区域分类的准确性，使用了现场的优势物种点观察数据、RPA衍生的数据（包括正射影像和树冠高度模型）进行了评估。由于直升机拍摄的海岸线影像无法提供高分辨率的物种识别细节，因此采用了这种方法。在每个地面验证点周围创建了一个30米半径的圆形区域（n=78），并使用这些区域的混淆矩阵来评估2023年的分类准确性（支持信息S4）。在每个圆形区域内，将分类后的红树林区域与实地观察结果进行比较，并将匹配情况记录为正确或错误，从而得出分类准确性的定量衡量。RPA衍生的数据（包括正射影像和树冠高度模型）用于评估2023年分类后的红树林区域之间的定性评估。在九个RPA调查区域内各随机选择了三十个点（n=270），每个点都通过正射影像和树冠高度模型进行了视觉检查，以验证主要红树林区域。2017年和2019年的直升机拍摄的海岸线斜向照片也用于这些年的视觉验证。

2.4 红树林状况的变化
2.4.1 数据准备
使用了所有可用的、经过分析处理的、无云的Landsat 5 TM、7 ETM+和8 OLI影像（路径99，行72，n=1167）来评估1987年至2023年红树林区域的状态。计算了每张图像的NDVI，作为红树林状况的代理指标（Mafi-Gholami等人，2019年），并作为NDVI的相对时间变化进行评估。从Ni?o 3.4指数（NOAA/NCEP，2024年）、Dipole Mode Index—DMI（C. P. C. NOAA/NCEP，2024年）和Karumba潮汐测量站（BOM，2024b）获取了ENSO、IOD和月球节点周期的月度数据。

2.4.2 红树林状况变化的评估
为了帮助解释长期变化，我们计算了1987年至2023年间每个像素在不同红树林优势物种之间的转换次数（类别变化），并检查了这些转换的空间分布。此外，还结合了阵列图和Hovm?ller图表（为沿岸线每1公里创建的53条横断面）对变化的相对比例进行了视觉解释（支持信息S5）。

2.4.3 红树林植被的环境影响
为了识别与气候变量相关的红树林状况和范围的时间趋势，拟合了一系列广义加性模型。为每个红树林区域分别开发了一个模型，将红树林状况和范围作为响应变量，包括NDVI、估计面积及其变化率，这些数据是根据连续两年之间的差异计算得出的。模型纳入了时间效应和气候变量之间的平滑交互作用，其中包括DMI、NINO3.4和MSL的年度中值及其成对交互作用。模型摘要以有效自由度、调整后的R2值（高斯模型解释的方差比例）、偏差解释（基于似然的差异度量）和p值的形式呈现（支持信息S8和S9）。还使用了主成分分析来研究气候变量对每个分类区域红树林状况和范围的综合影响。所有统计分析都是在R环境中使用mgcv（版本1.9-1）进行广义加性模型的。

3 结果
3.1 红树林范围的变化
3.1.1 分类模型评估
基于k-means聚类的2016年初步分类的准确性指标达到了68%。训练数据在以Avicennia为主的封闭区域（86%）、以Rhizophora为主的区域（75%）以及开放（90%）和封闭死亡（81%）区域的表现最好，而以Ceriops为主的区域（37%）以及开放（45%）和封闭（48%）的混合区域的准确性最低（支持信息S3）。随后使用这些样本训练的随机森林模型（应用于1987–2023年的时间序列）在所有类别上表现均衡，总体准确率为97%（F1分数=0.97，AUC=0.99，支持信息S6）。此外，使用从船上收集的地面验证点验证的2023年分类数据的总体准确率为71%，其中以Ceriops为主（88%）和以Avicennia为主（85%）区域的准确性最高。这些结果为将分类应用于Digital Earth Australia的时间序列数据提供了信心，同时也考虑了模型在混合区域的一些局限性。

3.1.2 红树林范围的变化
从1987年到2023年，所有红树林区域的范围都有所增加，特别是在向海洋方向和内陆的小溪沿岸有显著增长，而在向陆地方向的区域则出现了损失（图4A,H，表1）。大部分红树林的增长发生在以Avicennia为主的区域向海洋扩展的地方（图4C）。内陆的小溪主要经历了Ceriops物种和混合区域的显著向陆地扩展（图4A–C）。红树林的损失主要发生在陆地区域（图4A），尤其是在之前以Rhizophora stylosa或Ceriops物种为主的区域（图4C,D）。最稳定的区域位于红树林森林的中心（图4A），在整个研究期间主要仍被分类为以Rhizophora为主的区域（图4A,D）。

图4显示了1987年至2023年间（A）所有红树林区域、（B）封闭混合区域（3公里条形图显示了B–G图的比例尺）、（C）封闭的Avicennia为主区域、（D）以Rhizophora为主的区域、（E）以Ceriops为主的区域、（F）开放的Avicennia为主区域以及（G）开放的混合区域之间的红树林损失（粉色）、增长（绿色）和稳定区域（深灰色）。表1显示了1987年至2023年每个红树林区域的范围（面积，平方公里）和NDVI的相对和绝对增加，最小和最大范围以及条件，以及拟合区域和NDVI趋势的年度变化。R2用于指示每个变量（NDVI和面积）随时间的线性趋势幅度，p值表示这种趋势的显著性。班级
1987年
2023年
绝对增长
比例增长
最小值
最大值

R
2

p

Ceriops
面积
8.6 km2
17.9 km2
增长51.9%
NDVI
0.86
增长8.60
0.40
<0.001

NDVI**
0.27
0.43
增长58.7%
0.25
0.43
增长0.53
<0.001

Closed Avicennia
面积
4.0 km2
14.7 km2
增长72.5%
NDVI
0.32
增长0.32
<0.001

Rhizophora
面积
2.2 km2
7.9 km2
增长72.1%
NDVI
0.48
增长19.5%
0.44
0.67
<0.001

Open Mixed
面积
0.6 km2
0.4 km2
增长35.6%
NDVI
0.13
增长149.3%
0.11
<0.001

Closed Mixed
面积
2.4 km2
6.6 km2
增长73.4%
NDVI
0.18
增长105.4%

Open Avicennia
面积
3.6 km2
5.2 km2
增长30.6%

Open Dieback
NDVI
0.1
NA*

Closed Dieback
NDVI
0.32

*
由于某些类别缺失，无法计算自首次分类地图以来的变化。
**
平均值：Closed Avicennia主导的区域总面积从1987年的4.0 km2增加到2023年的14.7 km2（图4C,H，表1）。沿潮汐溪流网络也出现了扩张现象，Ceriops主导的区域占据了这些区域（图4E，表1）。相比之下，在较高海拔地区观察到红树（Rhizophora）林带的退缩（图5）。在多个时间段内记录了红树林的衰退事件，其中最明显的发生在2002–2004年（减少9.1 km2）、2008年（减少2.9 km2）和2015–2016年（减少8.1 km2）（图4I）。这些事件在封闭森林区域比在开阔森林区域更为明显。

2017年的高分辨率卫星图像（Queensland Globe）显示了红树林衰退后的情况；2024年的无人机数字地形高程（B）和冠层覆盖（C）；1987–2023年期间的类别变化（D）以及57号样带（透明线）的分类红树林区域（E）。

3.1 红树林状况的变化
所有类别的NDVI都有所增加，表明红树林的面积在扩大且变得更加茂盛（表1）。NDVI增加最显著的是新形成的向海方向扩展的区域，其中Closed Avicennia主导的区域有所扩展（图6，表1）。相比之下，由成熟红树（Rhizophora stylosa）主导的稳定森林状况变化最小（+0.10），反映了整个研究期间植被的稳定和健康状况。该类别的NDVI值在所有区域中最高（2018年为0.63）。然而，并非所有地点都经历了NDVI的增加。例如，26号和57号样带在2002/2004年和2015/2016年的衰退事件期间NDVI下降，这与海平面较低的时期相吻合（图4H和6B–G）。

3.2 与红树林植被变化相关的环境变量
广义加性模型显示，红树林状况和面积的时间变化受到大尺度气候振荡的强烈影响，特别是厄尔尼诺-南方涛动（ENSO）、印度洋偶极子（IOD）和平均海平面（MSL）（支持信息S8和S9）。在Closed Avicennia主导的区域，NDVI和面积的变化与这些气候因素没有显著关联，尽管模型解释了大部分偏差（=0.74）。这表明可能存在其他驱动这些变化的因素。然而，主成分分析（PCA）显示NDVI和MSL呈正相关，而ENSO呈负相关，表明较高的海平面与更健康的冠层状况相关，而强烈的厄尔尼诺现象则与冠层衰退相关（图7A）。相比之下，红树主导的区域显示出MSL（p<0.01）与ENSO和IOD（p=0.03）之间的显著交互作用。具体来说，低MSL与强烈的IOD或ENSO阶段相结合，导致红树林面积减少，这与干旱条件和淹没减少有关。该模型解释了87.6%的偏差（=0.78），PCA（PC1=49.7%的方差）的载荷证实了面积和MSL的正相关，而ENSO和IOD呈负相关（图7B）。对于封闭森林退化区域，NDVI受到ENSO和MSL的显著影响（p<0.01），较低的NDVI值与较高的ENSO和海平面相关。该模型解释了90.5%的偏差（=0.76）。PCA（PC1=49.6%的方差）的载荷显示NDVI和MSL呈负相关，而ENSO呈正相关（图7C）。在所有区域中，封闭森林退化区域与环境变量的相关性最强（图7G–I），时间（p=0.01）、DMI（p<0.01）和NINO3.4（p<0.01）与面积变化显著相关，解释了57%的偏差（=0.43）（图7D–F）。

3.3 模型性能和局限性
本研究使用的分类模型具有较高的性能，随机森林分类器的整体准确率为97%；F1分数为0.97，AUC为0.99。这些结果表明模型能够可靠地区分不同类型的红树林区域，尤其是在Closed Avicennia主导、红树主导和退化区域。使用k-means聚类的初步分类准确率较低（68%），特别是在混合和Ceriops主导的区域，由于光谱特征的重叠或过渡区域可能导致误分类。使用2023年的地面验证点评估了随机森林模型的时间迁移能力，整体准确率为71%。地面验证数据（支持信息S4）显示，Avicennia主导和Closed mixed区域的用户准确率最高（分别为85%和90%），而陆地植被、红树和Ceriops主导区域的用户准确率最低（分别为36%、50%和58%（支持信息S4）。Closed mixed区域在2023年的地图中经常被错误分类为红树或Ceriops主导的区域，表明模型在识别这一类别为红树林方面存在局限性。这可能是由于同一像素内不同物种的复杂性或区域大小受到卫星空间分辨率的限制。与Hay（2009年）的先前分类和Duke等人（2017年）的退化地图相比，当前分类与之前的结果一致性较低。总体上，与Hay（2009年）的一致性为43%，与Duke等人（2017年）的退化地图的一致性为76%。在红树林区域中，Closed Avicennia主导区域的匹配度最高（49%），其次是红树和Open Avicennia主导的区域（47%），Ceriops主导区域的匹配度最低（16%）。在之前的分类中，Ceriops主导的观察结果在当前分类中大多被分类为Closed Avicennia或红树主导的区域。对于退化情况的比较，生产者对“无退化”类别的同意率为0.68，表明之前被标记为健康红树林的32%的区域在本研究中被分类为退化区域。用户对退化类别的同意率为0.53，意味着本研究预测为退化的区域中有近一半与之前的分类不符。

4 讨论
尽管2002–2004年和2015/2016年该地区发生了两次红树林衰退事件，但36年来所有红树林区域的面积和绿色程度都有所增加。Closed Avicennia主导的区域在面积和绿色程度上的增长比例最高，尤其是在向海方向和一些潮汐溪流沿线表现出了持续的扩张。这表明它们具有侵占新栖息地的能力，这归因于它们对不同盐度和淹没程度的耐受性，特别是在沉积物沉积较多且有足够空间的地方（Woodroffe等人，2016年）。低潮时的高分辨率图像（支持信息S12）显示了Leichhardt河口的沉积物羽流和暴露的潮间带泥滩，这些与观察到的向海扩展区域在空间上是一致的。相比之下，Open mixed和Open Avicennia主导的区域扩张最小，在1987年至2023年间大部分保持稳定。这可能反映了这些区域在范围和状况上的高度动态性，其中开阔区域的条件显著改善，有些甚至转变为封闭森林。这种区域分类的快速变化与Avicennia marina的快速生长特性及其在沉积物较多的适宜栖息地上快速建立的能力相符（Almahasheer等人，2016年）。所有红树林区域随时间的改善情况与其他研究结果一致，这些研究记录了澳大利亚北部的红树林绿化（Lymburner等人，2020年）以及退化后的恢复期（Hickey等人，2021年；Lovelock等人，2017年）。红树林绿化程度的显著增加通常归因于有利的气候条件，包括降雨量和沉积物的可获得性（Asbridge等人，2016年）。