Ver discusiones, estadísticas y perfiles de autor de esta publicación en: https://www.researchgate.

net/publication/318991130

Un mapa de bosque de manglar de China en 2015: Análisis de series de tiempo Landsat 7/8 y las imágenes
Sentinel-1A en plataforma de cloud computing de Google Earth Engine

Artículo    en    SIFT Diario de Fotogrametría y Teledetección · Agosto 2017

DOI: 10.1016 / j.isprsjprs.2017.07.011

CITACIONES LEE

dieciséis 1343

15 autores , incluso:

Xiangming Xiao

Academia China de Ciencias Agrícolas Tropicales / Universidad de Fudan Universidad de Oklahoma

26 PUBLICACIONES     253 CITACIONES     279 PUBLICACIONES     9347 CITACIONES    

VER EL PERFIL VER EL PERFIL

Russell Doughty Jun Ma

Universidad de Oklahoma Universidad de Fudan

27 PUBLICACIONES     63 CITACIONES     18 PUBLICACIONES     53 CITACIONES    

VER EL PERFIL VER EL PERFIL

Algunos de los autores de esta publicación también están trabajando en estos proyectos relacionados:

Sistema de Investigación Agrícola de China Ver Proyecto

La teledetección de bosques y plantaciones en las zonas tropicales y subtropicales Ver proyecto Bangqian Chen

Todo el contenido de esta página siguiente fue subido por Bangqian Chen el 23 de septiembre 2017.

El usuario ha solicitado la mejora del archivo descargado.

 SIFT Diario de Fotogrametría y Teledetección 131 (2017) 104-120

listas de contenidos ofrecidos en ScienceDirect

SIFT Diario de Fotogrametría y Teledetección

Página principal de la revista: www.elsevier. com / localizar / JPRS SIFT

Un mapa de bosque de manglar de China en 2015: Análisis de series de tiempo Landsat 7/8 y las
imágenes Sentinel-1A en plataforma de cloud computing de Google Earth Engine

Bangqian Chen una , segundo , Xiangming Xiao segundo , do , ⇑ , Xiangping Li segundo , Lianghao Pan segundo , re , Russell Doughty do , Jun Ma segundo ,
Jin Wei Dong do , Yuanwei Qin do , Zhao bin segundo , Zhixiang Wu una , Rui Sun una , guoyu Lan una , Guishui Xie una ,
Nicholas Clinton mi , Chandra Giri F
una Instituto de Investigación del Caucho (RRI), Academia China de Ciencias Agrícolas Tropicales, de Danzhou ciudad (CATAS); Danzhou Investigación y Estación Experimental de Cultivos Tropicales, Ministerio de Agricultura, la provincia de Hainan 571737,

República Popular China

segundo Ministerio de Educación clave Laboratorio de Ciencia e Ingeniería de la Biodiversidad Ecológica, Instituto de Ciencias de la biodiversidad, de la Universidad de Fudan, Shanghai 200438, República Popular China

do Departamento de Microbiología y Biología Vegetal, y el Centro de Análisis Espacial de la Universidad de Oklahoma, Norman, OK 73019, EE.UU.
re Guangxi clave Laboratorio de Conservación de Manglares y utilización, Guangxi Centro de Investigación de manglar (GMRC), Guangxi Academia de Ciencias, de Beihai, región autónoma de Guangxi 536000, República Popular China

mi Google, de Mountain View, CA, EE.UU.

F Detección y análisis espacial, Agencia de Protección Ambiental de Estados Unidos, Research Triangle Park, NC 27709, EE.UU.

información del artículo resumen

Historia del artículo: Debido a las pérdidas rápidas de manglares causadas por perturbaciones antropogénicas y el cambio climático, mapas precisos y actuales de los
Recibido el 28 de marzo de 2017 bosques de manglar son necesarios para entender cómo los ecosistemas de manglar están cambiando y establecer planes de gestión sostenible. En
Recibido en forma 20 revisado 07 2017 Aceptado 28
este estudio, una nueva algorithmwas clasi fi cación desarrolladas utilizando las características biofísicas de los bosques de manglares en China. Más
de julio 2017
específicamente, estos bosques se mapearon mediante la identificación de: (1) verdor, la cobertura de dosel, y la inundación de las mareas a partir de
datos de series de tiempo Landsat, y (2) de elevación, inclinación, y el criterio intersección-con-mar. La diferencia normalizada media anual del Índice
de Vegetación (NDVI) resultó ser una variable clave en la determinación de los umbrales de clasi fi cación de verdor, la cobertura del dosel, y la
palabras clave:
inundación de las mareas de los bosques de manglares, que son enormemente afectados por la dinámica de mareas. Adicionalmente, la integración
ETM + / OLI
de Índice de Agua Sentinel-1A VH banda y modi fi ed Normalized Difference (mNDWI) muestra un gran potencial en la identificación de los cuerpos de
SAR NDVI
agua de las mareas y fresco un año de duración, que se relaciona a los manglares. Este algoritmo se ha desarrollado utilizando 6 regiones típicas de

Verdura interés (ROI) como la formación algoritmo y se llevó a cabo en la plataforma de computación en nube de Google Earth Engine (GEE) para procesar
la cobertura del dosel 1941 imágenes Landsat (25 Path / Row) y 586 imágenes Sentinel-1A alrededor del año 2015. el mapa resultante bosque de manglar de China en 30
inundación de marea m de resolución espacial tiene una exactitud / usuarios / del productor global superior al 95% cuando validado con datos de referencia de tierra. En
2015, los manglares de China tenían una superficie total de 20.303 hectáreas, aproximadamente el 92% de las cuales fue en las provincias región
autónoma de Guangxi, Guangdong, Hainan y. Este estudio ha demostrado el potencial de usar la plataforma de GEE, series de tiempo y las imágenes
Landsat sentine-1A SAR para identificar y mapear los manglares a lo largo de las zonas costeras. Los mapas resultantes de manglares es probable
que sean útiles para la gestión sostenible y evaluaciones ecológicas de los bosques de manglares en China.

2017 Sociedad Internacional de Fotogrametría y Teledetección, Inc. (SIFT). Publicado por Elsevier
BV Todos los derechos reservados.

1. Introducción regiones entre aproximadamente 30 N y 30 S latitud ( Lee y Yeh, 2009; Giri et al., 2011 ). Estos
bosques proporcionan una amplia gama de servicios de los ecosistemas tales como hábitats de cría
manglares son humedales de marea con un conjunto diverso de árboles y arbustos y se para muchas pesquerías marinas fi, puri agua fi cación, estabilización de la costa, la diversidad
encuentran en el tropical y subtropical biológica, y son importantes para la industria de recreo y turismo ( Rahman et al, 2013.; Abdul Aziz et
al, 2015.; Giri et al., 2015 ). Los bosques de manglar son algunos de los bosques más ricos en

⇑ El primer autor en: Departamento de Microbiología y Biología Vegetal, y el Centro de Análisis Espacial de la
carbono en los trópicos, que los hacen áreas importantes para el estudio debido a la corriente

Universidad de Oklahoma, Norman, OK 73019, EE.UU..

Correos electrónicos: chbq40@163.com (B. Chen), xiangming.xiao@ou.edu (X. Xiao).

http://dx.doi.org/10.1016/j.isprsjprs.2017.07.011
0924-2716 / 2017 Sociedad Internacional de Fotogrametría y Teledetección, Inc. (SIFT). Publicado por Elsevier BV Todos los derechos reservados.
 B. Chen et al. / ISPRS Journal of Photogrammetry and Remote Sensing 131 (2017) 104–120
las pérdidas en la cubierta forestal y la degradación de los ecosistemas. Estos bosques son
candidatos para los esfuerzos de conservación en virtud de regímenes tales como reducir las
emisiones por deforestación y degradación (REDD +) ( Donato et al., 2011; Kirui et al., 2013 ). El
ecosistema de bosque de manglar es uno de los ecosistemas más vulnerables del planeta debido a
las perturbaciones antropogénicas y el cambio climático (por ejemplo, aumento del nivel del mar). Se
ha informado de que el 20-35% de las tierras forestales mundial de manglares se han perdido debido
a la deforestación desde la década de 1980 ( FAO, 2007; Rahman et al., 2013 ). La rápida pérdida de
manglares es gerentes y científicos convincentes para inventariar y vigilar su extensión espacial, y un
número considerable de los esfuerzos de monitoreo se han llevado a cabo desde el local a escala
global ( Giri et al.,
2008, 2011, 2015; Spalding et al., 2010; Kirui et al, 2013.; McCarthy et al, 2015.; Hamilton y Casey,
2016 ). Dos mapas de manglares escala mundial se produjeron en el año 2000: El Atlas Mundial de
los Manglares (referido como WAM10) por Spalding et al. (2010) y los bosques de manglares del
mundo (MFW) por Giri et al. (2011) . Más recientemente, Hamilton y Casey (2016) lanzado la base de
datos global de mangle continua Cobertura Forestal para el siglo 21 (CGMFC-21) 2000-2012
mediante la integración de la cubierta Mundial por los Bosques (GFC) de datos ( Hansen et al., 2013 ),
MFW y el ecorregiones terrestres del mundo (teow) ( Olson et al., 2001 ). Sus trabajos han contribuido
a los estudios de las poblaciones de la biodiversidad y carbono de los bosques de manglar y de los
esfuerzos para la conservación de los ecosistemas de manglar.
Sin embargo, estos mapas de manglares mencionados en China son incompletos o no
actualizados, y por lo tanto no pueden reflejar la última distribución espacial de los bosques de
manglares en China. Por ejemplo, sólo alrededor del 14% (3,139 ha) de los bosques manglares en
China fueron asignadas en el MFWmap ( Hamilton y Casey, 2016 ). Este mapeo bosque de manglar
incompleta en China se propagó a los CGMFC-21 mapas anuales desde que se generaron usando el
mapa base MFW de 2000 y la pérdida de bosques mapa anual de GFC (2001-2012). Por otra parte,
las ganancias en cubierta de los manglares no se consideraron. El WAM10 incluido China, pero el
mapa no es contemporáneo, ya que se ha generado utilizando Landsat Thematic Mapper (TM) y de
datos mejorada Thematic Mapper (ETM +) adquiridos entre 1999 y 2003 ( Spalding et al., 2010 ). Por
lo tanto, es fundamental que la cobertura y la distribución espacial de los manglares en China pueden
mapear con precisión utilizando los datos de las imágenes más recientes y mejores técnicas de
teledetección.
tabla 1 proporciona un resumen de datos, algoritmos y productos cartográficos existentes para el
mapeo de bosque de manglar. métodos supervisados ​y no supervisados ​clasi fi cación se utilizaron
en la mayoría de los estudios publicados. Estos algoritmos pueden generar mapas de manglares
precisa de las regiones especí fi cos en el momento especí fi co (tiempo de adquisición de
imágenes), pero a menudo son difíciles de escalar de salida a áreas más grandes en otros
momentos. La mayoría de los estudios publicados se basa en moderado a imágenes satelitales
ópticas de alta resolución espacial, tales como datos de Landsat. Unos pocos estudios se basaron en
la integración de datos ópticos y de radar de apertura sintética (SAR), y demostraron que los datos
ópticos y SAR podrían complementarse entre sí mediante la combinación de la información espectral
y estructural de los manglares, superando de este modo los problemas causados ​por las nubes y
sombras en óptica imágenes.
Rahman et al. (2013) Las series usadas imágenes de resolución moderada espectrorradiómetro
(MODIS) para mapear los manglares, pero los otros estudios a menudo utilizó imágenes de una
fecha única o múltiples fechas. imágenes de series de tiempo rara vez se utilizan para asignar los
manglares.
datos de la serie Landsat de tiempo pueden proporcionar información más fenológica de la
ocupación del suelo clasi fi cación, y sus ventajas se han ilustrado en estudios recientes ( Hermosilla
et al, 2015.; Reiche et al, 2015.; Dong et al, 2016.; Zhou et al., 2016 ). Varios de esos estudios
analizados de tiempo de datos serie espectrales de píxeles individuales y se utilizaron las firmas
espectrales basados ​en fenología para identificar y generar mapas de bosques, plantaciones de
caucho, y el arroz paddy
105
(tierras de cultivo Dong et al, 2013, 2016.; Kou y col., 2015 ). Con la creciente cantidad de datos de
series de tiempo libre de la escala de satélites como Landsat y Sentinel, liberando de software /
herramientas para la detección de nubes (por ejemplo, fMask (lote pre-procesamiento Zhu y Curtis,
2012 )) Y la corrección atmosférica (por ejemplo, Sistema de Landsat EcosystemDisturbance
Procesamiento Adaptativo (LEDAPS) ( Maiersperger et al, 2013.; Masek et al., 2013 )), Así como los
recursos de computación en nube como Google Earth Engine (GEE, https://earthengine.google.com ),
Existe un gran potencial en el enfoque basado en la fenología para identificar y mapear manglares
utilizando series temporales de imágenes ópticas y SAR.
Los objetivos de este estudio fueron: (1) el desarrollo de un algoritmo phenologybased para
identificar los manglares mediante el análisis de Landsat series de tiempo y Sentinel-1A imágenes, y
(2) aplicar el algoritmo para generar un mapa de bosque de manglar de China en 2015 y evaluar su
desempeño con los datos de referencia de tierra y mapas disponibles para el público y los datos de
los manglares. China es una región ideal para el estudio de la resistencia al frío de los bosques de
manglar, la respuesta del bosque de manglar al calentamiento global y los impactos de la actividad
humana, como la conservación, la restauración, el crecimiento demográfico y el desarrollo económico
rápido ( Chen et al., 2009 ). De acuerdo con las estadísticas del censo forestal, China cuenta con
alrededor de 22.000 hectáreas de manglares, que tienen alta riqueza de especies y la biodiversidad ( Chen
et al., 2009; Spalding et al., 2010 ). Varios estudios estiman que el área de bosque de manglar en
China desde el nivel local ( Lee y Yeh, 2009; Wu et al., 2011; Li et al, 2013.; Li y Dai, 2014; Zhang et
al, 2015.; Wang et al., 2016 ) A escala nacional ( Chen et al., 2009; Spalding et al., 2010; Wu et al,
2013.; Jia et al., 2014 ). Sin embargo, estas estimaciones fueron muy variables a escala nacional, que
van desde 19.788 hectáreas ( Spalding et al., 2010 ) A 24.578 hectáreas ( Wu et al., 2013 ). La
extensión total de los bosques manglares en la escala provincia también varió ampliamente ( Wu et
al, 2013.; Jia et al., 2014 ). Debido a la amplia distribución de los manglares a lo largo de las costas y
alta fragmentación causada por la perturbación humana intensiva, es una tarea difícil para mapear
con precisión manglares en China.
2. Material y métodos
2.1. Área de estudio
El área de estudio incluyó los ecosistemas de manglares costeros en el sur de China ( Figura 1 ),
Que comprende zonas de la región autónoma de Guangxi (referido como Guangxi ZAR), Hong Kong,
Macao, Taiwán y las provincias de Guangdong, Hainan, Fujian y Zhejiang. manglares naturales se
distribuyen principalmente en las latitudes entre 18 09 0 N y 27 20 0 N, mientras que los bosques de
mangle plantados se han extendido a Leqing Bay, en la provincia de Zhejiang con la latitud de 28 25 0 N
( Spalding et al., 2010; Wu et al., 2013 ). Históricamente, el área total de manglares en China fue de
250.000 ha, y en 1950 fue de aproximadamente 420, 000 hectáreas ( Liao y Zhang, 2014 ), Y
continuar a disminuir debido a la extensa conversión de la tierra, la producción de sal, la acuicultura,
y la urbanización ( Wu et al., 2013 ). El área total de manglares en 2002 fue de 22,025 ha, excluyendo
Hong Kong, Macao y Taiwán ( Chen et al., 2009 ). Predominant plant species are Bruguiera
gymnorrhiza, Kandelia obovta, Avicennia marina, Aegiceras corniculatum, Acrostichum aureum,
Acanthus ilicifolius ( Liao and Zhang, 2014 ).
2.2. Data
2.2.1. Landsat images and preprocessing
Complete coverage of the study area is 25 tiles of the Landsat Worldwide Reference System
(WRS) path/rows. A total of 1941 Landsat surface reflectance (SR) images were acquired between
 B. Chen et al. / ISPRS Journal of Photogrammetry and Remote Sensing 131 (2017) 104–120

Table 1
A brief summary on image data and algorithms from selected peer-reviewed references related to mangrove forest mapping.

Methods Optical images SAR images Optical + SAR images

VHSR/HR MR CR

VI Spalding et al. (2010), Pattanaik and Narendra Prasad (2011), Wu

et al. (2013)

MLC Lee and Yeh (2009) Ramı ´ rez-Garcı´a et al. (1998), Krause et al. (2004), Giri et al. Held et al. (2003), Rodrigues and
(2007), Lee and Yeh (2009), Salami et al. (2010), Kirui et al. (2013) Souza-Filho (2011)# ,

Jhonnerie et al. (2015)

NN Seto and Fragkias (2007) Held et al. (2003)
SVM Wang et al. (2016)
Supervised CART/PE/DT Long and Skewes (1996)# , Giri et al. (2015), Almahasheer et Simard et al. (2002)
al. (2016)
RF Jhonnerie et al. (2015)

Unsupervised ISODATA Simard et al. (2008), Long and Giri (2011), Li et al. (2013),
Carney et al. (2014)# ,
Giri et al. (2015)

Hybrid supervised and Giri et al. (2008, 2011)# , Ibharim et al. (2015)
unsupervised

OO Vo et al. (2013)# , Conchedda et al. (2008), Jia et al. (2014)# De Santiago et al.
(2013)#
Liu et al. (2014)
Knowledge- Others Rahman et al. Rocha De Souza Pereira et
(2013)*
based al. (2012)
Phenology This study

VHSR: Very high spatial resolution satellite image (e.g., Worldview-3); HR: High resolution satellite image (e.g., SPOT); MR: Moderate resolution satellite image (e.g., Landsat); CR: coarse resolution satellite image (e.g., MODIS); SAR: Synthetic
Aperture Radar; VI: Visual interpretation; NN: Neural Network; SVM: Support Vector Machine;
CART: Classification and Regression Tree; PE: Parallel-epiped; RF: Random forest; ISODATA: Iterative Self-Organizing Data Analysis Technique Algorithm; OO: Objected oriented; DT: Decision Tree; Others: User’s defined algorithm.

*
Indicate time series data were used, the others were based on images of single date or mosaic.
figure
# legend, the reader is referred to the web version of this article.) 106
Indicate visual interpretation methods were employed to refine the mangrove forest maps.

Fig. 1. Location of study area, spatial distribution of Region of Interests (ROIs), and coverage of Landsat Worldwide Reference System 2 (WRS-2) path/row for the study area in Southern China. (For interpretation of the references to color in this

January 1, 2014 and July 23, 2016, and were available on GEE as image collections. All Landsat SR
data was processed based on standard Level 1 Terrain-corrected (L1T) ortho-rectified images and
have high geometric accuracy. The Landsat 8 Operational Land Imager (OLI) SR data was generated
by LaSRC software ( USGS,
2016 ), while Landsat 7 ETM + SR data was created by the LEDAPS ( Masek et al., 2013; USGS, 2017 ).
Poor quality observations of each Landsat imagery include clouds and shadows identified by cfmask
band from SR collection and fmask band from top-of-atmosphere (TOA) reflectance with Fmask
collection ( Zhu et al., 2015; USGS,
 B. Chen et al. / ISPRS Journal of Photogrammetry and Remote Sensing 131 (2017) 104–120 107

2016, 2017 ). Observations unaffected by clouds and shadows, and ETM + scan-line-off strips were where q blue, q green, q red, q NIR, and q SWIR are blue (B1:450–520 nm), green (B2:520–600 nm), red
considered good quality observation. The spatial distribution of total observations, good quality (B3:630–690 nm), near-infrared (NIR, B4:760–900 nm), and shortwave infrared (SWIR, B5:1550–
observations, and percentage of good quality observations for all Landsat images are presented in Fig. 1750 nm) bands of Landsat ETM+/OLI imagery, respectively.
2 a–c.

Four widely used vegetation indices such as Nominalized Difference Vegetation Index (NDVI) ( Tucker, 2.2.2. Sentinel-1 images and preprocessing
1979 ), Enhanced Vegetation Index (EVI) ( Huete et al., 1997, 2002 ), Land Surface Water Index Sentinel-1A carries a C-band imager at 5.405 GHz with incidence angle between 20 and 45 and a
(LSWI) ( Gao, 1996; Xiao et al., 2004 ), and modified Normalized Difference Water Index (mNDWI) ( Xu, 12-day repeat cycle at the equator ( Torbick et al., 2016 ). The Level 1 Ground Range Detected (GRD)
2006 ) were calculated for each imagery, using Eqs. (1)–(4) . product in the Interferometric Wide (IW) swath model, which has dual-polarization of vertical
transmitting with vertical receiving (VV) and vertical transmitting with horizontal receiving (VH) bands,
was used in this study. Each tile has high geometric accuracy and was processed with Sentinel-1
Toolbox using these steps: (1) thermal noise removal, (2) radiometric calibration, (3) terrain correction
NDVI ¼ q NIR q red ð1Þ
q NIR þ q red (orthorectification) using DEM data from either the Shuttle Radar Topography Mission (SRTM, 30-m, ( Farr
et al., 2007 )) or Advanced Spaceborne Thermal Emission and Reflection Radiometer (ASTER), and
q NIR q red 4) conversion of backscatter coefficient ( r 0) to decibels (dB) ( Sentinel-1 Team, 2013 ). The spatial
EVI ¼ 2:5 ð2Þ
q NIR þ 6 q red 7:5 q blue þ 1 resolution of Sentinel-1A was 10-m and already available in GEE as an image collection. A total of
586 Sentinel-1A images acquired from April 3, 2014 (Lunch date) to July 23, 2016 were

LSWI ¼ q NIR q SWIR ð3Þ

q NIR þ q SWIR

mNDWI ¼ q green q SWIR ð4Þ

q green þ q SWIR

Fig. 2. Spatial distribution of Landsat optical and Sentinel-1A SAR data used in this study: number of (a) total observations and (b) good quality observations for Landsat ETM
+ /OLI images, (c) percentage of good quality observations for Landsat ETM+/OLI images, and (d) total number of Sentinel-1A SAR images. The number of total/good observations in the four corners of path/row overlapping area are counted four
times, while in other path/row overlapping area are counted twice. (For interpretation of the references to color in this figure legend, the reader is referred to the web version of this article.)
108 B. Chen et al. / ISPRS Diario de Fotogrametría y Teledetección 131 (2017) 104-120
used, and the number of total observations was presented in
Fig. 2 d.
All the Landsat and Sentinel-1A data processing was conducted in GEE. GEE is a cloud-based
platform for planetary-scale environmental data analysis. It combines a multi-petabyte catalog of
satellite imagery and geospatial datasets, Google’s computational infrastructure optimized for parallel
processing of geospatial data, Application Programming Interfaces (APIs) for JavaScript and Python,
and a web-based integrated development environment for rapid prototyping and visualization of
complex spatial analyses. GEE is designed so that users rarely have to worry about map projections
when doing computing at large area, projection parameters are requested in the output projection. By
default, GEE performs nearest neighbor (NN) resampling during reprojection.
2.2.3. DEM and vector maps
Los datos de 30-m SRTM DEM y su variable derivada (pendiente) se utilizaron para enmascarar
aquellas regiones de alta elevación y / o empinada la pendiente donde los bosques manglares no es
probable que se produzca. El mapa de los límites administrativos de China (Forma fi l formato, 1:
se utilizó 10000000 escala) para delinear la línea de costa. El mapa vectorial de los manglares en el
sur de Asia en 2015 (en lo que MFSA15), que fue producido por L ǚ et al. (2015) usando Landsat 8
imágenes adquiridas entre 2013 y 2015, fue descargado de la investigación del cambio global de
datos de publicación y página web del repositorio. Además, el mapa vector WAM10 ( Spalding et al.,
2010 ) Fue descargado de la página web del Océano Visor de datos. El mapa WAM10 fue generada
por este tipo de iniciativas conjuntas como la Organización Internacional de las Maderas Tropicales
(OIMT) y la Sociedad Internacional de Ecosistemas de Manglares (ISME) a ​través de análisis de
datos Landsat TM / ETM + adquiridas entre 1999 y 2003. Los mapas Bosque del mangle de China
fueron, respectivamente, recortado de MFSA15 y WAM10 para la comparación.
2.2.4. In-situ de datos para el desarrollo de algoritmos y mapa evaluación de la precisión
organizamos en el lugar frommultiple datos de fuentes. En primer lugar, las encuestas de campo
en las áreas de protección de los bosques de manglar en la ciudad de Beihai, Guangxi ZAR, y las
ciudades de Zhanjiang y Zhuhai en la provincia de Guangdong se llevaron a cabo a mediados de
mayo de 2015. Un reconocimiento adicional campo de la zona de protección de los bosques de
manglar en Dongzhai puerto, la isla de Hainan fue llevaron a cabo en 2012. Fotos de manglares y
paisajes de los alrededores fueron tomadas por la cámara EX-H20G basado en GPS y se cargan en
el campo de las bibliotecas de fotos georeferenciadas Global ( www. eomf.ou.edu/photos/ ), Un portal
libre y pública para las personas a descargar, cargar y compartir con GPS incorporado fotos de
cobertura del suelo. Estas fotos GPS se convirtieron a Keyhole Markup Language (KML) Formato de
archivos y luego cargados en Google Earth (GE). Segundo, en el lugar datos de la Red de
Conservación de Manglares China (CMCN,
http://www.china-mangrove.org ) fueron recolectados. El CMCN es una plataforma de cooperación no
gubernamental que se une a los gobiernos, las empresas y otras fuerzas no gubernamentales para
apoyar el desarrollo saludable de los ecosistemas de manglar. el CMCN en el lugar datos consisten
en gran número de fotos tomadas por GPS voluntarios en los lugares respectivos de las áreas de
protección de los bosques de manglar, y ya superpuestas mapa de Google ( Fig. S1-S2 ). El conjunto
de datos integrada de fotos basados ​en GPS de campo, CMCN en el lugar de datos, y GE imágenes
de muy alta resolución espacial (VHSR) de satélite tomadas alrededor del año 2015 sirve como
referencia de fondo para nosotros para crear Regiones de Interés (ROI) utilizando 1 1 celda de la
cuadrícula para la formación y el algoritmo de evaluación precisión de los mapas ( Dong et al, 2013.;
Kou y col., 2015 ). En tercer lugar, hemos recogido y organizado ROI forestales no manglares
disponibles a partir de estudios anteriores. En la isla de Hainan, que habíamos recogido 1118 ROI
polígono de tierras altas y bosques, plantaciones de caucho, agua, tierras de cultivo, y urbanizada
(edificio) de nuestro estudio previo, que fueron creados al azar usando 0,5 0.5 rejillas con foto- GPS
de campo
tos tomadas entre 2011 y 2013, así como imágenes de GE VHSR (alrededor del año 2010 Chen et al.,
2016 ). Esos ROIs situados dentro de la 25-km zona de amortiguación costa se seleccionó y se
actualizan con imágenes GE VHSR adquiridos circa 2015. Finalmente, se obtuvieron un total de 224
y 634 ROIs de polígono para los bosques manglares y bosques no manglares, respectivamente ( Higos.
1 y S3 ). Se obtuvieron datos de la formación del rendimiento de la inversión disponible para el
desarrollo de algoritmos. En primer lugar, de las 224 regiones de interés de manglares, se
seleccionaron seis regiones de interés relativamente de gran tamaño como datos de entrenamiento
para el estudio de las firmas ópticas y SAR de los manglares en el tiempo ( Fig. 3 ). Como manglares
tienen la característica única de la inundación de las mareas y difieren en la frecuencia de inundación
(frecuentemente inundado, moderadamente inundado, y rara vez (con poca frecuencia) inundada),
estas regiones de interés forestales seis manglares tienen diferentes frecuencias de inundación: dos
regiones de interés inundados con frecuencia, un retorno de la inversión moderadamente inundado, y
tres regiones de interés rara vez se inundaron (ver Higos. S4-S6 para más detalles), en base a la
información de inundación de la marea local. Tal análisis de la firma basada en la fenología y el
enfoque de desarrollo de algoritmos se ha utilizado y está bien documentado en nuestros estudios
anteriores de las tierras de cultivo de arroz paddy y los bosques ( Xiao et al, 2005., 2006; Dong et al,
2016.; Qin et al., 2016 ). En segundo lugar, se utilizaron todos los píxeles de manglares (9089 ha en
total) en el conjunto de datos MFSA15 para evaluar nuestros ROI de formación durante el análisis de
la firma espectral. Sólo el 20% de ROI forestales nonmangrove (127 ROIs) fueron seleccionados al
azar para el desarrollo de algoritmos, usando la herramienta de diseño de NOAA / NOS / NCCOS /
CCMA Biogeografía de Branch para ArcGIS.
Además de los 218 ROIs forestales de manglar restantes y el 80% de las ROIs forestales no
manglar (507 ROIs), diseñamos una cuadrícula de muestreo sistemático 1 1 y generamos ROIs
polígonos aleatorios dentro de celdas de la cuadrícula individuales para la evaluación del mapa
precisión. Este método de muestreo sistemático para la evaluación de la precisión se ha
documentado en publicaciones anteriores ( Qin et al., 2016 ). Un total de 4100 puntos al azar (100
puntos por 1 1 celda de la cuadrícula, 41 celdas de la cuadrícula en total) con 15-m zona de
amortiguación radio (área cerca de un pixel a 30m resolución espacial) se generaron utilizando la
función aleatoria de GEE, pero sólo 1.184 puntos que distribuido dentro de una zona tampón de la
costa de 25 km permanecieron, durante este estudio ( Fig. S7 ). Estos puntos al azar se almacenaron
en KMZ fi l de formato y se identifican como manglares o bosques no manglares con imágenes GE
VHSR obtenidos alrededor del año 2015. De los 1184 ROI, sólo tres puntos de manglares (ROI) se
obtuvieron en este diseño de muestreo, como se área de bosque de manglar representa fracción
muy pequeña del total del área de estudio. Por lo tanto, se combinaron estos 1184 ROI al azar con el
rendimiento de la inversión a partir de encuestas de campo y estudios previos. Por último, hemos
utilizado 221 (218 plus
3) polígonos manglares Rois y 1688 (507 plus 1181) polígonos forestales nonmangrove ROI para la
evaluación de la exactitud del mapa. información estadística detallada sobre los datos de referencia y
datos de entrenamiento se muestra en la Tabla S1 .
2.3. algoritmos de asignación de manglares a base de fenología
Tres características clave incluyen: (1) árboles de hoja perenne o arbustos (verdor); (2) la
cobertura de dosel (alto índice de área foliar); y (3) se propuso la inundación de las mareas para
identificar manglares, ya que son árboles de hoja perenne únicas o arbustos en estuarios y costas
marinas donde se produce la inundación por las mareas. Se utilizaron los datos de la serie Landsat
tiempo para identificar estas características del ecosistema de bosque de manglar ( Fig. 4 ). Los
criterios de LSWI> 0 y EVI> 0,2 se utilizó para mapear los bosques de hoja perenne en la América
tropical, África y Asia ( Xiao et al., 2009 ). Empleamos este criterio para identificar el verdor del bosque
de manglar. El análisis histograma de NDVI media anual y LSWI, basado en regiones de interés de
formación ( Fig. 5 a) y temporal pro fi le análisis de NDVI / EVI / LSWI con píxeles forestales cuatro
manglares de diferentes lugares ( Fig. S8 ), Se indica que una gran mayoría de los bosques manglares
tienen su NDVI y LSWI valores superiores a 0,3. Por lo tanto, NDVI> 0,3 y LSWI> 0.3 se utilizaron
como criterios para identificar dosel
 B. Chen et al. / ISPRS Diario de Fotogrametría y Teledetección 131 (2017) 104-120 109

Fig. 3. Mangrove forest ROIs used for algorithm development: (a) frequently inundated mangrove forests in Tieshan Harbor, Guangxi ZAR, (b) moderately inundated mangrove forests in Anpu Harbor, Zhanjiang City, Guangdong Province, and (c)
rarely inundated mangrove forests in Dongzhai Harbor, Hainan Province. (For interpretation of the references to color in this figure legend, the reader is referred to the web version of this article.)

Fig. 4. Ilustración de los diferentes manglares en (a-c) Imágenes GE VHSR y mapas de frecuencia de cobertura de dosel (d-f) verdor, (g-i), y (j-l) inundación de marea. Las imágenes de GE VHSR de (a) a (c) son de frecuencia inundados,
moderadamente inundados, y manglares raramente inundadas recortadas de Fig. 3 a-c, respectivamente. Las imágenes se concilian en columnas y barras de escala de verdor, la cobertura del dosel, y la inundación de las mareas se presentan a
continuación los mapas correspondientes. (Para la interpretación de las referencias de color en esta leyenda figura, se remite al lector a la versión web de este artículo.).

la cobertura de bosque de manglar. inundación Tidal fue identificado por el uso de los criterios de
Greenness ¼ 1 LSWI > 0 and EVI > 0:2 ð5Þ
LSWI EVI o LSWI NDVI, ambos de los cuales se han utilizado para el arroz paddy mapeo y 0 Other values
humedales caña ( Dong et al, 2016.; Zhou et al., 2016 ).
Secondly, calculating greenness frequency using Eq. (6) .

Because of the variation in tidal action and phenology of mangrove forests, the features of
greenness, canopy coverage, and inundation from specific imagery or one image composite could be F Greenness ¼ P NPGreenness
N Total P N Bad 100 ð6Þ

biased. Here we used frequency-based greenness, canopy coverage, and inundation from time series
Landsat images to identify mangrove forest, following the method reported in mapping paddy rice in
where F Greenness is greenness frequency scaled to 0 and 100, N Greenness
northeastern Asia ( Dong et al., 2016 ). For greenness frequency, as an example, we first determine
is the number of observation with LSWI > 0 and EVI > 0:2; and
greenness state using Eq. (5) .
N Total is the number of total observations, N Bad is the number of bad observations (e.g. clouds,
shadows, and ETM + scan-line-off strips) ( Dong et al., 2016 ). Frequency maps of canopy coverage
and tidal inundation were generated using the criteria of
 B. Chen et al. / ISPRS Diario de Fotogrametría y Teledetección 131 (2017) 104-120

de formación. (Para la interpretación de las referencias de color en esta leyenda figura, se remite al lector a la versión web de este artículo.) 110

sobre la base de regiones de interés de formación y MFSA15, respectivamente. Las barras de error indican una desviación estándar, mientras que las líneas azules fueron correspondientes umbrales fi TTED basan en l 2 r Los valores de rendimiento de la inversión

Fig. 5. La media de histogramas anuales NDVI y LSWI de manglares en base a regiones de interés de entrenamiento (a), y la barra de error parcelas de NDVI medio anual de la frecuencia de (b) verdor, (c) la cobertura del dosel, y (d) la inundación de las mareas

8> <>:
(NDVI> 0,3 y LSWI> 0,3) y (LSWI EVI o LSWI NDVI), respectivamente. 10 x < doce y veintiocho

F Pabellón re X th> 193: 85 X 43:78 doce y veintiocho 6 x < doce y cincuenta y nueve re 8 Þ
La determinación de los umbrales de frecuencia de verdor, la cobertura del dosel, y la
70 X PAG doce y cincuenta y nueve
inundación de las mareas fue un paso clave en la cartografía de los bosques de manglar. Debido a la
espectral influencia de agua, manglares inundados con frecuencia ( Fig. 4 a) disponer de las señales 8> <>:
70 x < doce y veintiocho
débiles de verdor ( Fig. 4 d) y la cobertura del dosel ( Fig. 4 g), pero fuerte señal de inundación ( Fig. 4 j).
F Inundación re X th> 155: 81 X þ 114: 01 doce y veintiocho 6 x < 0:73 re 9 Þ
Por el contrario, rara vez inundado manglares ( Fig. 4 c) tener fuertes señales de verdor ( Fig. 4 f) y la
cobertura de dosel ( Fig. 4 i), pero débil señal de la inundación de las mareas ( Fig. 4 l). Los manglares 0 X PAG 0:73

moderadamente inundadas ( Fig. 4 b) tienen señales moderadas de verdor, la cobertura del dosel, y la
dónde X es NDVI medio anual.
inundación de las mareas. Por lo tanto, los umbrales de frecuencia fi jo no pueden abordar estas
situaciones así, y los umbrales de frecuencia variable son más apropiados.
2.4. Implementación de manglar algoritmo de asignación de bosques en China

La aplicación de los algoritmos de mapeo (véase la Sección 2.3 ) a

the regional scale is a challenging task, since many factors could potentially affect classification
accuracy. However, areas where mangrove forests are not likely to occur can be excluded from the
Con base en el hecho de que cuanto más densa es la copa, menor será la posibilidad de que el
spatial analysis ( Long and Giri, 2011 ). We first created the masks of four non-mangrove land cover
agua ha sido observado por los satélites, se supone que la frecuencia de verdor, la cobertura del
types: non-coastal zones, upland and steep-slope regions, built-up and barren lands, and yearlong
dosel, y la inundación de las mareas estaban estrechamente relacionados con los manglares
water bodies. Second, we generated the mangrove forest map in 2015, based on spectral signatures
densidad de copas de los árboles, que se puede representar por NDVI medio anual ( Jensen et al.,
of greenness, canopy coverage, and tidal inundation. The mangrove forest map was further refined by
1991 ). La frecuencia de verdor y la cobertura de dosel lineal aumentó significativamente con NDVI
determining the forest’s connectivity with the sea using a yearlong water body mask ( Fig. 6 ).
medio anual cuando NDVI <0.6 ( Fig. 5 b y c), mientras que la frecuencia de inundación de marea
disminuyó linealmente con NDVI medio anual cuando NDVI> 0.3 ( Fig. 5 do). Por lo tanto, los umbrales
de frecuencia variable de verdor, la cobertura del dosel, y la inundación de las mareas se pueden
determinar usando sus bene fi lineales contra NDVI medio anual. En este estudio, los bene fi lineales
fueron construidos en bajos valores ligados de l 2 r, dónde l es media anual del NDVI y r desviación
estándar (ver Higos. S9-S11 para detalles). Sobre la base de las características del bosque de
2.4.1. Coastal zone regions
manglar que se presentan en Fig. 5 , La frecuencia superior (inferior) umbrales consolidados para
A 25-km coastline buffer zone was generated to delineate the potential areas of mangrove
verdor, la cobertura de dosel, y la inundación de las mareas se establece en 80% (20%), 70% (10%)
forests. This buffer extends 15 km inland and 10 km in the sea. The buffer zone boundary was
y 70% (0), respectivamente. Por lo tanto, basándose en los resultados fi tting lineales a partir de Higos.
modified in some regions (e.g. around Hong Kong) where the coastlines are wide, due to the
S9- S11 , Manglares Se identificaron si un píxel se reúne (7), (8) y (9) al tiempo medio en función de
presence of islands. A similar 10 km buffer zone has been used to map mangrove forests along the
su NDVI medio anual.
Kenyan coastline by Kirui et al. (2013) .

8> <>:
2.4.2. Upland and steep-slope regions
20 x < doce y veinticinco Histograms of mangrove forest elevations and slopes, based on training ROIs and the MFSA15

F verdura re X th> 211: 47 X 33:46 doce y veinticinco 6 x < doce y cincuenta y cuatro re 7 Þ map in China, indicated that a vast majority of mangrove forests were distributed in areas with an
elevation between -5 m and 10 m above mean sea level (AMSL) and a
80 X PAG doce y cincuenta y cuatro
 B. Chen et al. / ISPRS Diario de Fotogrametría y Teledetección 131 (2017) 104-120 111

Fig. 6. mapeo de bosque de manglar flujo gráfico. (Para la interpretación de las referencias de color en esta leyenda figura, se remite al lector a la versión web de este artículo).

pendiente de menos de 10 ( Fig. 7 ). Por lo tanto, DEM <10 m y la pendiente <10 fueron utilizados para
delinear las posibles ubicaciones de los manglares.
2.4.3. Urbanizada y las tierras áridas
-Up Construido y estériles tierras tienen ya sea una superficie impermeable o suelos expuestos,
que normalmente tienen valores bajos LSWI ( Xiao et al., 2005 ). Un mapa frecuencia de LSWI <0 se
generó usando un método similar a la ecuación. (5) y (6) . Un píxel con valor de frecuencia> 50% era
entonces clasificados como urbanizada o tierra estéril ( Zha et al., 2003; Qin et al., 2015 ) Y fueron
enmascarados como no mangle.
tipos de cobertura del suelo, tales como playas de arena y FL en superficies impermeables como
pistas de aeropuertos, también tienen HV <-19 (se cruzan en el área de Fig. 8 c, y ver Fig. S12 por
ilustracion). Estos tipos de cobertura terrestre no-agua pueden ser identi fi por mNDWI ( Rokni et al.,
2014 ); y los criterios mNDWI> 0 utiliza para las masas de agua de superficie abierta de mapeo ( Xu,
2006 ). mapas de frecuencia con VH <-19 y mNDWI> 0 se genera en base a todos los datos de
Sentinel-1 A y Landsat, respectivamente ( Fig. 8 Delaware). El límite entre el agua y no de agua en el
mapa frecuencia Sentinel-1A VH era más exacta que la de la mNDWI
mapa de frecuencias ( Fig. 8 Delaware). Aquí utilizamos
F VH < 19> 80% y F mNDWI> 0> 10% para identificar las masas de agua de todo el año ( Fig. 8 F).

2.4.4. los cuerpos de agua de todo el año

A lo largo de la costa, hay una cantidad considerable de las masas de agua de todo el año, tales
como salinas y estanques de acuicultura. Como se ilustra en Fig. 8 b & c, banda Sentinel-1A VH era
muy sensibles al agua y no agua (bosques de tierras altas, construida, y las tierras de cultivo) cubrir,
y el agua puede ser fácilmente identificado fi usando VH <-19. Sin embargo, unos pocos
2.4.5. Re fi nir el mapa bosque de manglares utilizando el criterio de intersección-withsea
Los bosques de manglar son generalmente inundados con agua de mar. Por lo tanto, los
parches de bosque de manglar que no se cruzan el mar en cualquier momento del año se consideran
no manglar. Algunos aislados

Fig. 7. Histograma de (a) la elevación y (b) la pendiente basado en ROIs de formación de manglares y MFSA15, respectivamente. (Para la interpretación de las referencias de color en esta leyenda figura, se remite al lector a la versión web de
este artículo).
 B. Chen et al. / ISPRS Diario de Fotogrametría y Teledetección 131 (2017) 104-120

este artículo.) 112

frecuencia acumulativa de ROIs de agua y no de agua basado en el mapa frecuencia con la VH < 19 y mNDWI> 0, respectivamente. (Para la interpretación de las referencias de color en esta leyenda figura, se remite al lector a la versión web de

Fig. 8. Ilustración de la identificación de agua de un año usando Sentinel-1A y datos Landsat: (a) Imagen GE VHSR en Dongzhai Harbor, Haikou; (B) banda Sentinel-1 VH adquirido de junio
25, 2015, y (c) histograma de agua y no de agua a la imagen B; (D) mapa frecuencia con la VH < 19 sobre la base de todos los datos de Sentinel-1A; (E) un mapa frecuencia con mNDWI> 0 sobre la base de todos los datos de Landsat; (F) de

manglares fueron retirados del mapa utilizando este criterio, pero su zona era muy pequeña para el
cribado de toda el área de estudio en GE. cuerpos de agua de mar se derivaron de los cuerpos de
agua de todo el año eliminando pequeñas masas de agua interiores, tales como estanques de
acuicultura. Sin embargo, bahías o estuarios que están separadas por puentes deben mantenerse
tan mar. Sobre la base de una prueba simple, se utilizó un umbral de 100 ha para eliminar pequeñas
masas de agua de todo el año interior mientras se mantiene bahías y estuarios como mar. Una zona
de amortiguación de 100 mwas añadido a la capa de cuerpo de agua de mar para ayudar a
determinar la intersección entre parches de bosque de mangle y el mar en GEE. parches de bosque,
que se cruzan con la zona de amortiguamiento del agua de mar se mantienen como los manglares.
El formato KML de MFM corriente continua andMFM DC + VIA también fueron convertidos en forma fi le
formato en ArcGIS para calcular el área utilizando un sistema de coordenadas proyectadas de
Krasovsky_1940_Albers. Entonces, los porcentajes de área espacialmente coherente en diferentes
regiones entre el MFM corriente continua
y MFM DC + VIA Fue reportado.
2.6. Intercomparación con otros mapas o conjuntos de datos de manglares disponibles

2.5. evaluación de la precisión de los mapas forestales de manglar resultante
The mangrove forest map generated from the algorithm defined in this study (Digital Classified
Mangrove Forest Map, MFM DC) was converted to KML format in GEE. It was then loaded into GE,
visually interpreted and evaluated, and adjusted (keep, remove, or add polygons) using GE VHSR
images circa 2015 (Visual Interpreted and Adjusted Mangrove Forest Map, MFM DC+VIA). In Guangxi
ZAR, the MFM DC+VIA was further confirmed by a local expert (Lianghao Pan) from the Guangxi
comparaciones de pared a pared entre MFM DC + VIA y la MFSA15 ( L ǚ et al., 2015 ) En Guangxi
ZAR y WAM10 ( Spalding et al., 2010 ) En China se realizaron, respectivamente. Sólo elegimos
Guangxi ZAR para la comparación porque los bosques de manglares en otras regiones no fueron
mapeados plenamente en MFSA15. áreas de manglares a nivel provincial también se comparó con
los siguientes datos pública: 1) Administración Estatal de Silvicultura (SFA) ( Chen et al., 2009 ); 2)
Northeast Instituto de Geografía y Agroecología, Academia China de Ciencias (IGA-CAS) ( Jia et al.,
2014 ); 3) el primer Instituto de Oceanografía, Administración Estatal de Oceanografía (FIO-SOA),
China ( Wu et al., 2013 ); 4) MFSA15; y 5) WAM10. El MFW ( Giri et al., 2011 ) Y CGMFC-21 ( Hamilton
y Casey, 2016 ) No se compararon porque sólo alrededor de 3000 hectáreas en Guangxi ZAR se
informó en estos dos productos. Estos mapas fueron generados a partir de imágenes a partir de

Mangrove Research Center (GMRC), Guangxi Academy of Sciences, with ten years of field 2002, 2010, 2010, 2015, y 2000 para SFA, IGA-CAS, FIO-SOA, MFSA15 y WAM10,

experience in the mangrove region. The KML format MFM DC and MFM DC+VIA respectivamente. Aunque la mayoría de estos conjuntos de datos se generaron cinco o más años
antes de lo nuestro mapa, que todavía tiene valor de referencia determinado las políticas de
protección de China que han aumentado desde la década de 1980 ( Chen et al., 2009 ). Además, la
mayoría de los bosques de manglares crecen lentamente; no es probable que los manglares se
fueron convertidos a un formato raster a una resolución espacial de 30 m en ArcGIS y luego cargada expandirían rápidamente dentro de unos años.
en ENVI para evaluación de la precisión a partir de datos de referencia en tierra por Matriz de
confusión. Los datos de referencia de tierra consisten en 221 (218 creado manualmente y 3
ordenadores generado) ROIs polígono manglares y 1688 (507 creada manualmente y genera 1.181
ordenador) no manglares ROIs polígono bosque.
 B. Chen et al. / ISPRS Diario de Fotogrametría y Teledetección 131 (2017) 104-120 113

3. resultados es 9546 ha, que representa sólo el 47% de MFM DC + VIA y 48% de WAM10, respectivamente. el MFM DC
+ VIA tiene más bosques de manglares en Guangxi ZAR (por ejemplo, La Fig. 11 c) y la provincia de

3.1. evaluación de la exactitud del mapa de bosque de manglar de la China en 2015 Guangdong (por ejemplo,
La Fig. 11 b) than WAM10, but fewer mangrove forests in Fujian and Zhejiang Province (e.g. Fig. 11 a

Tanto el MFM corriente continua y MFM DC + VIA mostrar una alta precisión cuando se evaluó con ROIs in purple box). For some regions, such as Hong Kong, mangrove forests of WAM10 have several
de referencia de tierra ( Tabla 2 ). Ellos compartieron casi los mismos valores de precisión de usuario pixels of geometry offsets ( Fig. 11 b). The WAM10 also detected many more mangrove forests at
(UA), la precisión del productor (PA), la precisión general (OA) y kappa coe fi cientes. La UA, PA, OA, Tongmingwan, Zhanjiang City, Guangdong Province, where large patches of mangrove forests might
y Kappa coef fi ciente para MFM DC + VIA eran 100%, 95,54%, 99,19% y 0,97, respectivamente. have existed before this study ( Fig. 11 d). The total area of mangrove forests in China from MFM DC+VIA

El mapa de bosque de manglar en Guangxi ZAR tenía la más alta precisión; áreas idénticas
(consistente zona espacialmente manglares entre MFM corriente continua y MFM DC + VIA) cuenta para el (20,303 ha) is very close to the area from WAM10 (19,788 ha) and IGA-CAS (20,778 ha) and lower

97% de la MFM corriente continua than the area calculated from the SFA (22,025 ha) and FIO-SOA (24,578 ha) ( Table 4 ). A nivel

y 96% de MFM DC + VIA ( Tabla 3 ). En Guangdong, Hainan, Fujian y Hong Kong, el área idéntica provincial, se han detectado más manglares en Guangxi ZAR que la mayoría de los estudios,

cuentas de valores relativamente bajos (82-84%) con MFM CORRIENTE CONTINUA, pero los valores altos excepto SFA (8375 ha). En la provincia de Guangdong, hemos mapeado 8136 hectáreas de

(93-99%) con MFM DC + VIA. Sin embargo, el área idéntica puede dar cuenta de 94% y 97% de MFM corriente manglares, obviamente menor que el área de la FIO en SOA (12.131 hectáreas) y cerca de 1000

continua en Guangdong y la provincia de Hainan, respectivamente, si se consideran sólo aquellas hectáreas, cifra inferior SFA e IGA-CAS. La zona de los manglares en la provincia de Hainan difiere

regiones con cubierta de los manglares densos. Las áreas consistentes entre MFM corriente continua y ligeramente entre estos estudios, a excepción de la FIO en SOA (4891 ha). WAM10 ha detectado

MFM DC + VIA son bajos en Taiwán y Macao, y especialmente baja en Zhejiang ( Tabla 3 ). El área valores significativamente más altos de los bosques de manglar que los otros estudios en Fujian y
Zhejiang. Se detectaron 544 hectáreas de manglares en Hong Kong, muy cerca de los datos de las
idéntica en China son 86% y 96%, cuando se compara con el MFM corriente continua y MFM DC + VIA, respectivamente
( Tabla 3 ). estadísticas agrícolas (510 ha) reportados por la Agricultura, Pesca y el Departamento de
Conservación de Hong Kong.

3.2. distribución espacial y el área de los manglares en China en 2015

Los bosques de manglares en China se distribuyen principalmente a lo largo de las costas de

4. Discusión
Guangxi ZAR, provincia de Guangdong, y la parte norte de la provincia de Hainan. cubierta de los
manglares disminuyó significativamente de la costa de Hong Kong al norte de la provincia de
4.1. Los datos y algoritmos para la asignación de los bosques de manglar
Zhejiang ( Fig. 9 una). En Taiwán, los manglares se distribuyen principalmente a lo largo de la costa
oeste y noroeste. El área total de manglares desde MFM DC + VIA es 20303 ha, con 6849 ha, 8.136 ha,
En este estudio se desarrolló un nuevo algoritmo para identificar los manglares en base a sus
y 3667 ha en Guangxi ZAR, Guangdong, y provincias Hainan, respectivamente ( Tabla 4 ). Estas tres
características únicas y se aplica este algoritmo usando datos de series temporales de Landsat y
regiones representan aproximadamente el 92% de la cobertura total de bosque de manglar en China.
Sentinel-1A, así como DEM, para mapear los manglares de China en el año 2015. Los algoritmos y
cubierta de los manglares en la provincia de Fujian, Taiwán y Hong Kong rango de 410 hectáreas a
datos utilizados en este estudio son bastante diferentes de varios estudios anteriores ( De Santiago et
675 hectáreas. Sobre 8 hectáreas y 13 hectáreas de manglares se encuentran en la provincia de
al, 2013.; Giri et al, 2015.; Jhonnerie et al., 2015 ). En primer lugar, la integración de los datos ópticos
Zhejiang y Macao, respectivamente.
y Sentinel-1A SAR Landsat captura información complementaria sobre las características espectrales
y estructurales de manglares. También utilizamos tanto los datos del Landsat Sentinel-1A y para
generar una máscara de agua de un año, lo que es valioso para la identificación de los manglares a
través de su inundación por el mar. Estudios previos han utilizado un enfoque supervisado clasi fi
cación ( Giri et al., 2011 ), Banda NIR ( De largo y Skewes, 1996 ), Y el brillo ( Vo et al., 2013 ) Para
3.3. Inter-comparación de los mapas de bosque de manglar entre los conjuntos de datos de múltiples fuentes asignar las masas de agua antes de bosques manglares mapeo. Aunque NDWI o modi fi ed NDWI
(mNDWI) derivada de los datos Landsat eran buenos indicadores de los cuerpos de agua de
superficie abierta ( McFeeters, 1996; Xu, 2006; Rokni et al., 2014 ), La inclusión de datos Sentinel-1A
El área idéntica entre MFM DC + VIA y MFSA15 en Guangxi ZAR es 3992 ha, que representan el era todavía útil, ya que tiene una resolución espacial fi ne de 10-m y no es afectado por la nubosidad.
80% de MFSA15 y 58% de MFM DC + VIA, respectivamente ( La Fig. 10 ). Una cantidad considerable de Encontramos banda Sentinel-1A VH diferencia bien entre el agua y no de agua, ya que el mapa de
manglares alrededor de la bahía de la ciudad de Qinzhou (cajas negras del I y II) se produce en frecuencias con VH < 19 tiene un límite más clara entre el agua y nonwater que hace el mapa de
MFM DC + VIA pero no en MFSA15. Estas regiones contienen una gran cantidad de manglares ( La Fig. frecuencias con mNDWI> 0 ( Fig. 8 Delaware).
10 antes de Cristo). El 1017 ha de bosques manglares que sólo se asignan en MFSA15 es debido a
la diferencia en los límites de parche y de cationes misclassi fi ( La Fig. 10 re). Hay grandes
diferencias entre MFM DC + VIA y WAM10 ( La Fig. 11 ). El área espacialmente coherente entre estos
dos mapas

Tabla 2
evaluación de la precisión de MFM corriente continua y MFM DC + VIA en China a partir de datos de referencia de tierra.

píxeles de referencia de tierra Mapa del total de píxeles la precisión del usuario

Clase Mangle No manglar

mapa píxeles Mangle 7204/7155 0/1 7204/7156 100% / 100%

No manglar 359/334 32.868 / 33.819 34.227 / 34.163 98,95% / 99,02%

Total de píxeles terreno la verdad 7563/7489 32.868 / 33.820 41.431 / 41.309

la exactitud del productor 95,25% / 95,54% 100% / 100%

La precisión global es 99,13% / 99,19% y kappa coeficiente es 0,97 / 0,97, respectivamente. Los valores primeros antes de barra invertida en cada celda eran para MFM CORRIENTE CONTINUA, y la segunda eran para MFM DC + VIA. No incluye manglares entre tierras altas y
bosques, tierras de cultivo, agua y tierras urbanizadas.
 B. Chen et al. / ISPRS Diario de Fotogrametría y Teledetección 131 (2017) 104-120

Tabla 3
Comparación entre el MFM corriente continua y MFM DC + VIA en 2015.

área de bosque de mangle (ha) Porcentaje (%)

MFM corriente continua MFM DC + VIA Idéntico Idéntico / MFM corriente continua Idéntico / MFM DC + VIA

Guangxi ZAR # 6775 6849 6572 97 96

Guangdong / DMFR 9565/6927 8136/6728 7919/6528 83/94 97/97
Hainan / DMFR 4136/3467 3667/3562 3417/3346 83/97 93/94
Fujian 807 675 662 82 98
Hong Kong 645 544 539 84 99
Taiwán 707 410 387 55 94
Zhejiang 13 8 2 15 25
macao * 6 13 5 83 38
Total 22.654 20.303 19503 86 96

MFM CORRIENTE CONTINUA: Manglar mapa forestal directamente desde digital de clasi fi cación; MFM DC + Vía: MFM corriente continua después de la interpretación visual y ajuste el uso de imágenes de GE VHSR; Idéntico: área de bosque de manglar idéntico entre MFM corriente
continua y MFM DC + VIA; DMFR: región de bosque de manglar denso, extensiones espaciales correspondientes se muestra en la Fig. 9 (I y III);
#
MFM DC + VIA aquí fue adicionalmente confirmada por un experto local con diez años de experiencia de campo.
*
Clasi exactitud fi ed sería cerca de 100%, pero degradado significativamente debido a la influencia de un edificio cónica, ver Fig. S13 para el detalle.

densos bosques de manglares. (Para la interpretación de las referencias de color en esta leyenda figura, se remite al lector a la versión web de este artículo.) 114

Fig. 9. La distribución espacial de (a) los manglares de China en 2015, y (b) puntos de vista de zoom de medida que en la provincia de Guangdong, (c) el grado II en Guangxi ZAR y (d) grado III en la provincia de Hainan, donde se produce

El mNDWI, sin embargo, es útil en la eliminación de píxeles de agua fi ed misclassi como las playas
de arena y FL en superficies impermeables desde el mapa de agua basado Sentinel-1A.
En segundo lugar, clasificación de los bosques manglares basado en el tiempo de imágenes
serie Landsat reducido en gran medida misclassi fi cación típicamente causado por los efectos de la
inundación de las mareas en los índices de vegetación ( Cohen y Lara, 2003; Wu et al., 2013 ). Con el
fin de reducir este efecto de inundación de las mareas, algunos estudios utilizaron datos satelitales
obtenidos durante la marea baja para mapear la vegetación costera, como los bosques de manglares
( Nayak y Bahuguna, 2001 ). La mayoría de los estudios anteriores utilizaron imágenes de la fecha de
una o varias de fecha mosaicos de bosque de manglar clasi fi cación ( tabla 1 ), Mientras que se utilizó
criterios basados ​en la frecuencia a partir de tres años de Landsat series de tiempo y datos de
Sentinel-1. Los mapas resultantes de manglar para 2015 tienen una alta precisión (UA / PA /
OA> 95%) y son más robustos que los que se derivan de los análisis de imágenes de mosaico /
simple (por ejemplo MFSA15), como las ventajas de la cobertura de la tierra clasi fi cación en base a
datos de imagen serie de tiempo se han ilustrado por varios estudios ( Hermosilla et al, 2015.; Reiche
et al, 2015.; Dong et al, 2016.; Zhou et al., 2016 ). En tercer lugar, la mayoría de estudios anterior
empleadas supervisados ​(por ejemplo, MLC) y sin supervisión (por ejemplo, ISODATA) algoritmos
de clasificación fi cación para trazar un mapa manglares o para cuantificar sus cambios ( tabla 1 ). Los
mapas resultantes son a menudo afectadas por los conjuntos de datos de entrenamiento y las
imágenes utilizadas en el análisis, lo que hace que sea difícil comparar los mapas de distintos años o
productores de datos seleccionados. En este estudio, hemos utilizado tres características clave:
verdor, cobertura del dosel, y la inundación de las mareas para mapear los manglares. Series
temporales de datos Landsat ETM + / OLI captura con precisión estas características y nos permite
distinguir hombre-
 B. Chen et al. / ISPRS Diario de Fotogrametría y Teledetección 131 (2017) 104-120 115

Tabla 4
comparación de áreas de manglares en China a partir de diferentes fuentes de datos de mapas.

área de bosque de manglar (ha) Este

estudio (2015) SFA (2002) IGA / CAS (2010) FIO / SOA (2010) WAM10 (2000) MFSA15 (2015)

Guangxi 6849 8375 5813 6596 4529 5009

Guangdong 8136 9084 9289 12131 7276 4080 #
Hainan 3667 3930 3576 4891 3919 -
Fujian 675 615 1023 941 2186 -
Zhejiang 8 21 293 20 1188 -
Taiwán 410 - 382 - 242 -
Hong Kong 544 - 389 - 448 -
macao 13 - 11 - - -
Total 20.303 22025 20778 24578 19788 9089

SFA: Administración Forestal del Estado, a partir Chen et al. (2009) ; IGA.CAS: Instituto noreste de Geografía y Agroecología, Academia China de Ciencias, desde Jia et al. (2014) ;
FIO.SOA: En primer Instituto de Oceanografía, Administración Estatal de Oceanografía, desde Wu et al. (2013) ; WAM10: Atlas Mundial de los Manglares (2010) a partir de Spalding et al. (2010) ;
MFSA15: mapa del bosque de manglar en el sur de Asia en 2015, a partir de L ǚ et al. (2015) .
#
mapeo de bosque de mangle en la provincia de Guangdong era incompleta en MFSA15.

Fig. 10. comparación espacial entre MFM DC + VI y MFSA15 en Guangxi ZAR: (a) comparación de superposición con áreas idénticas en zonas verdes e inconsistentes en rojo y azul vistas, zoom de medida I (b) y el grado II (c) donde manglar no

fue mapeado en MFSA15, y (d) vista de zoom de medida III en el que se había incompatibilidad entre MFM DC + VI
(En rojo) y MFSA15. El fondo de (b) y (c) son imágenes Landsat OLI adquiridas el 14 de abril, 2015 (P124 / R45) se muestra en la composición de color falso (R / G / B = Band 6/5/4), mientras que el fondo en ( d) es una imagen GE VHSR
adquirido el 8 de octubre de 2015. (para la interpretación de las referencias de color en esta leyenda figura, se remite al lector a la versión web de este artículo).

arboleda bosques de otros tipos de cobertura terrestre. Este algoritmo basado en la fenología
requiere un número relativamente pequeño de formación de datos (en el ejemplo 6 ROI manglares
aquí) para estudiar cómo los bosques manglares cambia con el tiempo. Se puede aplicar como un
algoritmo de clasi fi cación más general que puede ser fácilmente extendida a grandes regiones con
la plataforma de GEE. También se encontró que el NDVI medio anual es una variable clave en la
determinación de los umbrales de frecuencia de verdor, la cobertura del dosel, y la inundación de las
mareas, lo que nos permite generar mapas de manglares en China utilizando un algoritmo y los
valores de umbral dinámico.
mapas est. Previo estudio utilizó un criterio de intersección similar con el agua y el agua no contiguo
para volver mapas forestales definir mangle durante la post-clasi fi cación en el software GIS ( De
largo y Skewes, 1996 ). Aquí, hemos integrado estos pasos con GEE y generó un mapa directamente. La
Fig. 12 ilustra la aplicación de este criterio intersección-con-mar. Muchos parches discretos en rojo
fueron previamente misclassi fi cado como manglares ( La Fig. 12 A), y la mayoría se han eliminado ya
que no están inundados por el mar ( La Fig. 12 re). Además, la zona de amortiguamiento, la elevación,
y la pendiente se emplearon en el análisis para generar mapas forestales de mangle. Los umbrales
para estos criterios fue similar o la misma que en los estudios anteriores. Por ejemplo, Almahasheer
et al. (2016) usado un tampón de 1-km

En cuarto lugar, la eliminación de manchas de bosque no se cruzan con el mar era un método
simple y fácil de refinar manglar para-
 B. Chen et al. / ISPRS Diario de Fotogrametría y Teledetección 131 (2017) 104-120

referencias de color en esta leyenda figura, se remite al lector a la versión web de este artículo.) 116

OLI adquiridas el 19 de enero, 2015 (P122 / R44), 23 de octubre de 2015 (P125 / R45) y 17 de enero, 2015 (P124 / R45 ) se muestra en la composición de color falso (R / G / B = Band 6/5/4), respectivamente. (Para la interpretación de las

mangle. El rectángulo de color púrpura en (a) indica el mapa WAM10 aquí de error fi cación casi clasificación porque los límites naturales de los bosques de manglares en China es de unos 27 N. El fondo de (b), (c) y (d) son imágenes Landsat

en la ciudad de Beihai, Guangxi ZAR donde algunos manglares no se mapearon en WAM10; y (d) vista de zoom del punto III en Tongminwan, ciudad de Zhanjiang, provincia de Guangdong, donde theWAM10 mapeado muchos más bosques de

Shenzhen fronteras de la zona económica especial de la provincia de Guangdong (grado I) en bosques de manglar en Shenzhen no fueron mapeados y compensaciones de geometría existían en el mapa WAM10; (C) vista de zoom del punto II

Fig. 11. comparación espacial entre MFM DC + VI y WAM10: (a) comparación de superposición con áreas idénticas en zonas verdes e inconsistentes en rojo y azul; (B) Vista de zoom de Mai Po Reserva Natural Marismas en Hong Kong y

de costa para enmascarar áreas no manglares. En este caso, se utilizó una amplia zona de
amortiguación de 25 km para dar cuenta de la diversidad (por ejemplo, muchas islas pequeñas y
estuarios interiores más largas) de la extensa costa en China. El 10-m AMSL de este estudio fue
consistente con muchos estudios previos ( De largo y Skewes, 1996; Kirui et al, 2013.; Darmawan et
al., 2016 ). Nos enmascarado por la pendiente porque los bosques de manglares se encuentran en
los humedales, los cuales han relativamente FL en topografía.
la costa sur de la isla de Hainan, Delta del Río Perla, uno de los estuarios de perturbación más
intensivos - provincia de Fujian y también degrada la proporción de superficie idéntica a MFM corriente
continua y MFM DC + VIA
a 82-83%. Sin embargo, este tipo de misclassi catión fi disminuyó de forma significativa en regiones
con densas distribuciones relativas de manglares. El área idéntica representa el 97%, 94% y 97% de
MFM corriente continua
ZAR en Guangxi, y las regiones de bosques manglares densos de Guangdong y la provincia de
Hainan, respectivamente ( Tabla 3 ).

4.2. Las posibles fuentes de errores en el mapa resultante bosque de manglares en China
4.2.1. la vegetación de hoja perenne que se encuentra cerca de un año de duración cuerpos de agua
Algunos vegetación de hoja perenne que se encuentra en las proximidades de un año de
duración cuerpos de agua, tales como estanques de acuicultura, estuarios, y el mar puede ser
mapeada como manglares desde estos píxeles eran una mezcla de vegetación de hoja perenne y
agua ( La Fig. 13 una). Es difícil para eliminarlos utilizando el criterio de intersección con el mar, ya
que están muy cerca de los cuerpos de agua de todo el año. La proporción de estos misclassi pixeles
fi ed sería significativo cuando los bosques manglares se distribuyen escasamente lo largo de una
línea de costa. Por ejemplo, el área idéntica representa el 55% de la MFM corriente continua en Taiwán
principalmente porque sólo 410 ha de bosques manglares se distribuyen a lo largo de su costa más
larga ( Tabla 3 , Fig. 9 ). manglares dispersos a lo largo de
4.2.2. Los bosques jóvenes y recién plantados manglares
El gobierno de China ha hecho grandes esfuerzos para restaurar los manglares desde la década
de 1990: alrededor de 1.531 hectáreas de manglares han sido restaurados con éxito hasta 2002, y la
zona de restauración ha seguido aumentando en la última década ( Chen et al., 2009 ). Sin embargo,
la mayoría de estos manglares plantados tienen un dosel escasa debido a que crecen lentamente ( La
Fig. 13 C y D), y no fuera identificado como manglares de nuestro algoritmo. Esta fue la razón
principal para la zona constante del 15% entre MFM corriente continua y MFM DC + VIA en la provincia de
Zhejiang, donde los bosques de manglares naturales son raros ( Spalding et al., 2010 ) Y casi todos
los bosques de manglares se plantaron en los últimos años. También es difícil de identificar los
bosques jóvenes y recién plantados de manglares en las imágenes de GE VHSR sin una gran
cantidad de experiencia de campo. Por lo tanto, el área total de 20.303 hectáreas
 B. Chen et al. / ISPRS Diario de Fotogrametría y Teledetección 131 (2017) 104-120 117

Fig. 12. Ilustración de una precisión mejorada mapa utilizando el criterio de intersección-con-sea: (a) Imagen Landsat 8 OLI adquirió el 14 de septiembre 2,015 muestran en la composición en falso color (R / G / B = Band 6/5/4) con manglares
mostrado en verde oscuro; la imagen OLI solapado con (b) capa de trama agua un año de duración, (c) MFM corriente continua raster layer, (d) yearlong water vector layer after removing small water patches and (e) improved mangrove forest map after
removing misclassified pixels that were not connected with sea. A is a zoom view of misclassified mangrove forests in a region where there was no connection to the sea. (For interpretation of the references to color in this figure legend, the reader
is referred to the web version of this article.)

Fig. 13. Ilustración de las incertidumbres típicas en nuestro algoritmo de: (a) la vegetación típica de hoja perenne encuentra muy cerca de los cuerpos de agua de todo el año y, posteriormente, misclassi fi cado como manglares (En polígonos
rojos); (B) los bosques aislados de mangle (111.00935E, 19.67804N) debido a la perturbación humana en Tonggulin, la ciudad de Wenchang, provincia de Hainan; (C) plantado manglares (108.49370E, 21.84820N) de GE VHSR en la isla de
Tuanhe, la ciudad de Qinzhou, Guangxi ZAR; y (d) la foto de campo tomada en la isla de Tuanhe. (Para la interpretación de las referencias de color en esta leyenda figura, se remite al lector a la versión web de este artículo).
118 B. Chen et al. / ISPRS Diario de Fotogrametría y Teledetección 131 (2017) 104-120

manglares pueden subestimar ligeramente la superficie total con árboles de mangle en China. Además, el algoritmo lleva a cabo bien en las regiones con una relativamente densa distribución de
los bosques manglares ( Tabla 3 ).

4.2.3. manglares aislados

4.3. Comparación con otros mapas disponibles de manglares
bosques de mangle (aislado La Fig. 13 b) y los que tienen estrecho
conexiones con el agua de mar, pueden no encajar el criterio intersección con el mar. A pesar de
Las diferencias entre MFM DC + VIA y otros mapas vectoriales y los datos pueden explicarse por
estas zonas de manglares es probable que sean muy pequeñas en el sur de China, la aplicabilidad
varios factores. En primer lugar, otros estudios basados ​en la teledetección utilizan moderados
de este algoritmo para otras regiones del mundo necesita ser explorado.
imágenes ópticas espaciales (por ejemplo Landsat TM / ETM +, HJ-1A / B) a partir de una sola fecha
o un mosaico para generar mapas de manglares de China. Clasi fi cación con observaciones
limitadas puede verse afectada por la variabilidad de las mareas y otros factores. En segundo lugar,
4.2.4. Otros tipos de cobertura terrestre
la calidad de las fuentes de datos y métodos de clasi fi cación tiene impactos significativos en los
Algunos edificios y mover objetos tales como barcos y buques afectarían las señales de ambos
resultados. Por ejemplo, el mapa Resultados zona de bosque de manglar en la provincia de
datos ópticos y SAR, que crean algunos errores durante la masa de agua identificación y por lo tanto
Guangdong variaron en gran medida de imágenes multiespectrales de CBERS-02B y HJ-1 A / B, y el
afectar la cartografía bosque de manglar. Por ejemplo, hemos detectado una fuerte dispersión
método de interpretación visual ( Wu et al., 2011, 2013 ). El mapa WAM10, derivado de una
transversal en datos Sentinel-1A en Macao ( Fig. S13c ). Esta dispersión transversal fue causado por
combinación de la interpretación visual y sin supervisión clasificacion, muestra grandes errores clasi
un edificio con un tejado cónico y se separó los cuerpos de agua de todo el año mapeadas por banda
fi cación en Fujian y Zhejiang Provincia donde los bosques manglares naturales en China se limita a
Sentinel-1A VH en trozos pequeños. Sobre 8 hectáreas de manglares en parches fue excluido por el
aproximadamente 27 N ( Spalding et al., 2010 ). En tercer lugar, algunos mapas como WAM10 y WFM
criterio de intersección con el mar y por lo tanto conducen a muy baja coherencia entre MFM corriente
se generaron hace más de diez años, y la deforestación pueden crear inconsistencia entre estos
continua y MFM DC + VIA ( Tabla 3 ).
mapas ( La Fig. 11 re). Las diferencias entre MFM DC + VIA y WAM10 fueron causadas principalmente
por (1) error clasi fi cación, (2) cambio en el tipo de cobertura terrestre, y (3) geométrico
desplazamiento de algunos bosques manglares en WAM10 ( La Fig. 11 ).

4.2.5. Direccional re fl efectos ectancia

Un número de estudios han sugerido la necesidad de reducir al mínimo cerca del nadir Landsat
bidireccional reflectancia (BRDF) efectos para proporcionar datos de reflectancia más consistentes
en el espacio y el tiempo ( Inundación, 2013; Nagol et al, 2015.; Roy et al., 2016 ). El 7,5 variación ±
en vista ángulo cenital puede resultados en tanto como 20% a lo largo de la variación de exploración
en reflectancia en los sitios de latitud más bajos, y el impacto de la variación en el ángulo cenital
5. Conclusión
solar es significativo en las zonas tropicales debido a la proximidad relativa de Landsat escanea a la
avión principio ( Nagol et al., 2015 ). Contabilidad o la corrección de los efectos de la BRDF (por
El ecosistema de bosque de manglar y los organismos que apoyan son de signi fi valor ecológico y socioeconómico no
ejemplo, la incorporación de correcciones para los efectos de la geometría sol-meta-sensor)
puede. algoritmos de clasi fi cación eficaces son altamente deseables para el seguimiento de los bosques de manglares a través
mejoraría la precisión de la cartografía de los manglares, pero no se consideran en este estudio
de escalas locales, regionales y globales. La cantidad cada vez mayor de datos ópticos y SAR a disposición del público de series
debido a datos o algoritmo listas para su uso no están disponibles en GEE ahora mismo.
temporales y plataformas en la nube como GEE, han proporcionado una oportunidad para mapear manglares utilizando enfoques

de datos de series de tiempo. Mediante la observación de los cambios espacio-temporales en los ecosistemas de bosques de

manglares, hemos establecido un nuevo algoritmo usando la frecuencia de verdor, la cobertura del dosel, y la inundación de las

mareas de series de tiempo Landsat ETM + / datos OLI, Sentinel-1A y datos DEM. La aplicación de este algoritmo en China se

obtiene un mapa forestal de manglares confiable de China en 2015, con una gran precisión cuando validado con datos
4.2.6. El valor de la interpretación visual y ajuste de área
groundreference (UA / PA / OA> 95%). El mapa resultante también es espacialmente coherente con los mapas forestales de
Con precisión la cartografía de manglares a escala regional es una tarea difícil, especialmente
manglares que son públicos y ajustado visualmente. El área total de manglares de China en 2015 era de 20.303 hectáreas,
en aquellas regiones que tienen diferentes densidades de los manglares a lo largo de largas líneas
aproximadamente el 92% de los cuales fueron distribuidos en Guangxi ZAR, provincia de Guangdong y la provincia de Hainan.
costeras. Como manglares cubren un porcentaje muy pequeño de la superficie de la Tierra, la
Este estudio ha demostrado el potencial de este algoritmo para la asignación de bosque de manglar en China. Es factible aplicar
interpretación visual ha sido ampliamente utilizado para mapear los manglares o para mejorar la
el algoritmo a escala continental y mundial sobre la plataforma GEE, después de que los umbrales y el criterio de intersección
precisión de los mapas ( De largo y Skewes, 1996; Giri et al., 2011; Rodrigues y Souza-Filho, 2011;
con el mar son cuidadosamente investigados. Este estudio ha demostrado el potencial de este algoritmo para la asignación de
De Santiago et al, 2013.; Vo et al, 2013.; Wu et al, 2013.; Carney et al, 2014.; Jia et al., 2014 ).
bosque de manglar en China. Es factible aplicar el algoritmo a escala continental y mundial sobre la plataforma GEE, después de
Nuestro algoritmo puede reducir el número de píxeles fi cados misclassi en aquellas regiones que
que los umbrales y el criterio de intersección con el mar son cuidadosamente investigados. Este estudio ha demostrado el
tienen cubierta de los manglares escasa mediante el uso de umbrales más estrictos (por ejemplo,
potencial de este algoritmo para la asignación de bosque de manglar en China. Es factible aplicar el algoritmo a escala
umbrales de frecuencia más alta), pero los bosques de manglares que con frecuencia o rara vez
continental y mundial sobre la plataforma GEE, después de que los umbrales y el criterio de intersección con el mar son
están inundadas, o tienen dosel escasa, también podría ser eliminado (por ejemplo, una gran
cuidadosamente investigados.
cantidad de huecos en los parches de manglar) ( Fig. 4 C.A). Una estrategia comprometer era usar
ligeramente más flexibles umbrales (por ejemplo, fi lineales ts con l 2 r valores) para identificar la
mayoría de los bosques de manglares, a continuación, ajuste con la ayuda de imágenes de GE
VHSR y MFM trama corriente continua que sin el uso del criterio de intersección con el mar. En el caso de
las imágenes sin VHSR disponibles, composición de falso color (R / G / B = Banda 5/4/3) de
imágenes Landsat nube-libre fue otra buena opción para la interpretación visual, ya que los bosques
de manglares saludables siempre aparecen de color verde muy oscuro ( Spalding et al., 2010 ). El Expresiones de gratitud
ajuste visual generalmente incluye: (1) la supresión de parches fi cación misclassi obvios (o
polígonos) y (2) la adición de polígonos forestales de manglar en áreas donde no se cumple el Esta investigación fue financiada en parte por subvenciones de investigación de la Fundación
criterio de intersección-con-mar. A diferencia de la interpretación visual directa, el ajuste de MFM Nacional de Ciencias Naturales de China (41571408), la Central Pública interés Scientific Research
vectorial corriente continua se llevó a cabo muy rápidamente simplemente borrando / adición de polígonos, Fund Institución Basal para la Academia China de Ciencias Agrícolas Tropicales (núms.
mientras que los límites del polígono de MFM corriente continua rara vez es necesario modi fi cación. En
1630022015012, 1630022017016), y el programa de cambio de la cubierta terrestre de la NASA de
Estados Unidos Uso de la Tierra y (NNX11AJ35G, NNX14AD78G). Agradecemos a la US Geological
Survey (USGS) EROS Data Center, la Agencia Espacial Europea (ESA), la publicación de Cambio
Global de Datos Investigación y Repositorio, Océano visor de datos de sus fuentes de datos, y
Google para su plataforma GEE. Agradecemos a Sarah Xiao en Yale
 B. Chen et al. / ISPRS Diario de Fotogrametría y Teledetección 131 (2017) 104-120 119

Universidad para la edición de Inglés del manuscrito. Agradecemos a cuatro revisores por sus
comentarios y sugerencias en las versiones anteriores del texto. Su ayuda ha mejorado
sustancialmente el manuscrito.
Apéndice A. Materiales complementarios
Los datos complementarios asociados a este artículo se pueden encontrar, en la versión en
Hermosilla, T., Wulder, MA, Blanco, JC, Coops, NC, Hobart, GW, 2015. regional
detección, caracterización y atribución del cambio anual de bosque 1984-2012 usando métricas de series de
tiempo Landsat-derivado. Sens remotas. Environ. 170, 121-132 .
Huete, A., Didan, K., Miura, T., Rodríguez, EP, Gao, X., Ferreira, LG, 2002. Descripción general
del rendimiento radiométrico y biofísica de los índices de vegetación MODIS. Sens remotas. Environ. 83,
195-213 .
Huete, AR, Liu, HQ, Batchily, K., van Leeuwen, W., 1997. Una comparación de
índices de vegetación más de un conjunto global de imágenes TM para EOS-MODIS. Sens remotas. Environ. 59,
440-451 .

línea, en http://dx.doi.org/10.1016/j.isprsjprs.2017.07. 011 . Estos datos incluyen los mapas de Google
de las áreas más importantes que se describen en este artículo.
Ibharim, NA, Mustapha, MA, Lihan, T., Mazlan, AG, 2015. Mapping mangle
cambios en el manglares de Matang utilizando múltiples imágenes de satélite temporal. Costa del océano
Administrar. 114, 64-76 .
Jensen, JR, Lin, H., Yang, X., Thoemke, CW, 1991. La medición de manglar
características en el suroeste de Florida a partir de datos multiespectrales SPOT. Geocarto Int. 6, 13-21 .

referencias Jhonnerie, R., Siregar, VP, Nababan, B., Prasetyo, LB, Wouthuyzen, S., 2015.
Al azar clasi fi cación forestal para el mapeo de la cobertura del suelo de manglar usando Landsat 5 TM y Alos
PALSAR Imaginarios. Procedia Environ. Sci. 24, 215-221 .
Abdul Aziz, A., Phinn, S., Dargusch, P., 2015. La investigación de la disminución de los ecosistemas
Jia, M., Wang, Z., Li, L., Song, K., Ren, C., Liu, B., Mao, D., 2014. Mapeo de China
servicios en un manglar de producción utilizando Landsat y análisis de imágenes basado en objetos. Estuar.
manglares basados ​en una clasificación fi cación orientado a objetos de imágenes Landsat. Humedales 34,
Costa. Shelf Sci. 164, 353-366 .
277-283 .
Almahasheer, H., Aljowair, A., Duarte, CM, Irigoien, X., 2016. estabilidad Decenal de
Kirui, KB, Kairo, JG, Bosire, J., Viergever, KM, Rudra, S., Huxham, M., Briers, RA,
manglares Mar Rojo. Estuar. Costa. Shelf Sci. 169, 164-172 .
2013. Cartografía de bosque de manglar cambio de cobertura del suelo a lo largo de la costa de Kenia utilizando imágenes
Carney, J., Gillespie, TW, Rosomoff, R., 2014. Evaluación de cambios en el bosque en una prioridad
Landsat. Costa del océano Administrar. 83, 19-24 .
West ecosistema de manglar de África: 1986-2010. Geoforum 53, 126-135 .
Kou, W., Xiao, X., Dong, J., Gan, S., Zhai, D., Zhang, G., Qin, Y., Li, L., 2015. Mapping
Chen, B., Li, X., Xiao, X., Zhao, B., Dong, J., Kou, W., Qin, Y., Yang, C., Wu, Z., Sun, R.,
las áreas de plantación de caucho de hoja caduca y se destacan las edades con PALSAR y Landsat imágenes. Sens
Lan, G., Xie, G., 2016. Mapeo de los bosques tropicales y las plantaciones de caucho de hoja caduca en la isla de
remotas. 7, 1048-1073 .
Hainan, China mediante la integración de PALSAR 25-M y las imágenes Landsat multitemporales. En t. J. Appl. Obs
Krause, G., Bock, M., Weiers, S., Braun, G., 2004. Cartografía de la cubierta terrestre y el mangle
tierra. 50, 117-130 .
estructuras con las técnicas de teledetección: una contribución a un SIG sinóptica en apoyo de la gestión
Chen, L., Wang, W., Zhang, Y., Lin, G., 2009. Los progresos recientes en los manglares
costera en el norte de Brasil. Reinar. Gestionar. 34, 429-440 .
conservación, restauración e investigación en China. J. Plant Ecol. 2, 45-54 .
Cohen, MCL, Lara, RJ, 2003. Los cambios temporales de la vegetación de manglar
Lee, T., Yeh, H., 2009. La aplicación de técnicas de teledetección para supervisar el cambio
límites de la Amazonia: Aplicación de SIG y técnicas de teledetección. Wetl. Ecol. Gestionar. 11, 223-231 .
vegetación de los humedales: Un estudio de caso de río de Dans comunidades estuario de manglar, Taiwán.
Ecol Ing. 35, 487-496 .
Conchedda, G., Durieux, L., Mayaux, P., 2008. Un método basado en objetos para la cartografía
Li, C., Dai, H., 2014. Extracción de manglares distribución espacial utilizando datos de teledetección. Humedal Sci. 12,
y cambiar el análisis en los ecosistemas de manglar. ISPRS J. Photogramm. 63, 578- 589 .
580-589 .
Li, MS, Mao, LJ, Shen, WJ, Liu, SQ, Wei, AS, 2013. Cambio de fragmentación y tendencias de los bosques de
Darmawan, S., Takeuchi, W., Nakazono, E., Parwati, E., Dien, VT, Oo, KS, Wikantika,
manglar Zhanjiang en el sur de China a partir de imágenes Landsat multitemporal (1977-2010). Estuar. Costa.
K., Sari, DK, 2016. Caracterización y distribución espacial de los tipos de bosque de manglar en base a
Shelf Sci. 130, 111-120 .
ALOS-PALSAR mosaico 25m resolución en el sudeste asiático. En la Conferencia Internacional del octavo
Liao, B., Zhang, Q., 2014. Area, distribución y composición de las especies de los manglares en
IGRSM y Exposición sobre Sensores Remotos y SIG.
China. Humedal Sci., 435-440
De Santiago, FF, Kovacs, JM, Lafrance, P., 2013. Una clasi fi cación orientado a objetos
Liu, K., Liu, L., Liu, H., Li, X., Wang, S., 2014. La exploración de los efectos de la biofísica
método para la cartografía manglares en Guinea, África Occidental, a partir de datos de banda L multipolarized
parámetros en el patrón espacial de daño por frío raro manglares. Sens remotas. Environ. 150, 20-33 .
ALOS PALSAR. En t. J. Sens remoto. 34, 563-586 .
Donato, DC, Kauffman, JB, Murdiyarso, D., Kurnianto, S., Stidham, M., Kanninen,
Largo, BG, Skewes, TD, 1996. Una técnica para manglares de mapeo con landsat TM
M., 2011. Los manglares entre los bosques más ricos en carbono en los trópicos. Nat. Geosci. 4, 293-297 .
sistema de información geográfica de datos y satélites. Estuar. Costa. Shelf Sci. 43, 373-381 .

Dong, J., Xiao, X., Chen, B., Torbick, N., Jin, C., Zhang, G., Biradar, C., 2013. Mapping
De largo, JB, Giri, C., 2011. Mapeo de manglares de Filipinas utilizando Landsat
plantaciones de caucho de hoja caduca a través de la integración de PALSAR y las imágenes Landsat
imágenes. Sensores 11, 2972-2981 .
multitemporal. Sens remotas. Environ. 134, 392-402 .
L ǚ, T., Zhou, X., Liu, C., Tao, Z., Yongyut, T., 2015. La distribución espacial conjunto de datos de los bosques
Dong, J., Xiao, X., Menarguez, MA, Zhang, G., Qin, Y., Thau, D., Biradar, C., Moore III,
manglares en Asia del Sur (Mangrov_SEAsia_2015). Investigación del Cambio Global de Datos Publicación y
B., 2016. Mapeo de arroz con cáscara área de siembra en el noreste de Asia con Landsat 8 imágenes, algoritmo
Repositorio. < http://geodoi.ac.cn/WebCn/doi.aspx? Id = 198 >.
basado en la fenología y Google Earth Engine. Sens remotas. Environ. 185, 142-154 .

Maiersperger, TK, Scaramuzza, PL, Leigh, L., Shrestha, S., Gallo, KP, Jenkerson, C.
FAO, 2007. Los manglares del mundo 1980-2005. papel forestal de la FAO, 153, Roma: Alimentación
B., Dwyer, JL, 2013. Caracterización LEDAPS superficie re fl ectancia productos por comparaciones con
y la Organización de las Naciones Unidas para la Agricultura.
AERONET, espectrómetro de campo, y los datos MODIS. Sens remotas. Environ. 136, 1-13 .
Farr, TG, Rosen, PA, Caro, E., Crippen, R., Duren, R., Hensley, S., Kobrick, M., Paller,
M., Rodríguez, E., Roth, L., Seal, D., Shaffer, S., Shimada, J., Umland, J., Werner, M., Oskin, M., Burbank, D.,
Masek, JG, Vermote, EF, Saleous, N., Wolfe, R., Hall, FG, Huemmrich, F., Gao, F.,
Alsdorf, D., 2007. El transbordador radar Topography Mission. Rev Geophys. 45 .
Kutler, J., Lim., TK, 2013. LEDAPS calibración, reflectancia, Corrección Atmosférica Código preprocesamiento,
Versión 2. En.
Inundación, N., 2013. Prueba de la aplicación local de los parámetros para la BRDF MODIS
McCarthy, MJ, Merton, EJ, Muller-Karger, FE, 2015. humedal costero mejorada
corregir Landsat TM imágenes. Remoto Sens Lett. 4, 793-802 .
mapear usando muy alta resolución 2-metro imágenes espaciales. En t. J. Appl. Obs tierra. 40, 11-18 .
Gao, B., 1996. NDWI-A índice de agua de diferencia normalizada para teledetección de
agua líquida vegetación desde el espacio. Sens remotas. Environ. 58 (1996), 257-266 .
McFeeters, SK, 1996. El uso del Índice de Diferencia Normalizada Agua (NDWI) en
Giri, C., Long, J., Abbas, S., Murali, RM, Qamer, FM, Pengra, B., Thau, D., 2015.
la delineación de las características del agua abiertos. Int J. remoto Sens. 17, 1425-1432 .
Distribución y dinámica de los bosques de manglares del sur de Asia. J. Environ Administrar. 148, 101-111 .
Nagol, JR, Sexton, JO, Kim, D., Anand, A., Morton, D., Vermote, E., Townshend, JR,
2015. Los efectos bidireccional de Landsat re fl estimaciones ectancia: ¿Hay un problema a resolver? ISPRS J.
Giri, C., Ochieng, E., Tieszen, LL, Zhu, Z., Singh, A., Loveland, T., Masek, J., Duke, N.,
Photogramm. 103, 129-135 .
2011. Estado y distribución de los manglares del mundo utilizando datos de satélites de observación terrestre.
Nayak, S., Bahuguna, A., 2001. La aplicación de datos de teledetección para supervisar
Ecol global. Biogeogr. 20, 154-159 .
manglares y otra vegetación costera de la India. Indian Journal de Ciencias Marinas. 30, 195-213 .
Giri, C., Pengra, B., Zhu, Z., Singh, A., Tieszen, LL, bosque de manglar 2007. Monitoring
dinámica de los Sundarbans en Bangladesh y la India a partir de datos satelitales multitemporales de 1973 a
Olson, DM, Dinerstein, E., Wikramanayake, ED, Burgess, ND, Powell, GVN,
2000. Estuar. Costa. Shelf Sci. 73, 91-100 .
Underwood, EC, D'Amico, JA, Itoua, I., Strand, HE, Morrison, JC, Loucks, CJ, Allnutt, TF, Ricketts, TH, Kura, Y.,
Giri, C., Zhu, Z., Tieszen, LL, Singh, A., Gillette, S., Kelmelis, JA, 2008. mangle
Lamoreux, JF, Wettengel, WW, Hedao, P., Kassem, KR, 2001. ecorregiones terrestres del mundo: un nuevo
distribuciones de los bosques y la dinámica (1975-2005) de la región afectada por el tsunami de Asia. J.
mapa de la vida en la Tierra: un nuevo mapa global de las ecorregiones terrestres proporciona una herramienta
Biogeogr. 35, 519-528 .
innovadora para la conservación de la biodiversidad. Bioscience 51, 933-938 .
Hamilton, SE, Casey, D., 2016. Creación de una resolución espacio-temporal alta mundial
base de datos de la cubierta de los manglares continua para el siglo 21 (CGMFC-21). Ecol global. Biogeogr. 25,
Pattanaik, C., Narendra Prasad, S., 2011. Evaluación del impacto de la acuicultura en
729-738 .
manglares del delta del Mahanadi (Orissa), la costa este de la India el uso de teleobservación y los SIG. Costa del
Hansen, MC, Potapov, PV, Moore, R., Hancher, M., Turubanova, SA, Tyukavina, A.,
océano Administrar. 54, 789-795 .
Thau, D., Stehman, SV, Goetz, SJ, Loveland, TR, Kommareddy, A., Egorov, A., Chini, L., Justicia, CO,
Qin, Y., Xiao, X., Dong, J., Zhang, G., Roy, PS, Joshi, PK, Gilani, H., Murthy, MS, Jin,
Townshend, JRG, mapas de alta resolución de 2013. globales de 21st- bosque de siglo cambio de la cubierta.
C., Wang, J., Zhang, Y., Chen, B., Menarguez, MA, Biradar, CM, Bajgain, R., Li, X., Dai, S., Hou, Y., Xin, F. ,
Ciencia 342, 850-853 .
Moore, BR, 2016. Los bosques de mapeo en Asia monzónica con ALOS PALSAR imágenes de mosaico 50-m y
Held, A., Ticehurst, C., Lymburner, L., Williams, N., la cartografía de alta resolución de 2003.
las imágenes MODIS en 2010. Sci. Rep-Uk 6, 20880 .
ecosistemas de manglares tropicales utilizando hiperespectral y el radar de detección a distancia. En t. J. Sens
remoto. 24, 2739-2759 .
120 B. Chen et al. / ISPRS Diario de Fotogrametría y Teledetección 131 (2017) 104-120
Qin, Y., Xiao, X., Dong, J., Zhou, Y., Zhu, Z., Zhang, G., Du, G., Jin, C., Kou, W., Wang, J.,
Li, X., 2015. Mapping arroz con cáscara área de siembra en la región de clima templado frío a través de análisis
de series de tiempo Landsat 8 (OLI), Landsat 7 (ETM +) y las imágenes MODIS. ISPRS J. Photogramm. 105,
220-233 .
Rahman, AF, Dragoni, D., Didan, K., Barreto-Munoz, A., Hutabarat, JA, 2013.
La detección de conversión a gran escala de los manglares a la acuicultura con punto de cambio y
mezclado-pixel análisis de datos MODIS de alta fidelidad. Sens remotas. Environ. 130, 96-107 .
Rami 'Rez-Garci 'A, P., López-Blanco, J., Ocaña, D., evaluación 1998. mangle vegetación en la boca de río de
Santiago, México, por medio de supervisado clasi fi utilizando Landsat TM imágenes. Bosque Ecol Administrar.
105, 219-229 .
Reiche, J., Verbesselt, J., Hoekman, D., Herold, M., 2015. Fusing Landsat y hora SAR
serie para detectar la deforestación en los trópicos. Sens remotas. Environ. 156, 276- 293 .
De Souza, Rocha, Pereira, F., Kampel, M., Cunha-Lignon, M., 2012. Cartografía de
manglares en la costa sur de Sao Paulo, Brasil, utilizando los datos de radar de apertura sintética de ALOS /
PALSAR. Sens remoto. Lett. 3, 567-576 .
Rodrigues, SWP, Souza-Filho, PWM, 2011. El uso de los datos de sensores múltiples para identificar
y el mapa de humedales costeros tropicales de la Amazonía del norte de Brasil. humedales
31, 11-23 .
Rokni, K., Ahmad, A., Selamat, A., Hazini, S., 2014. extracción de características Agua y
detección de cambios utilizando imágenes Landsat multitemporal. Sens remoto. 6, 4173- 4189 .
Roy, DP, Zhang, HK, Ju, J., Gómez-Dans, JL, Lewis, PE, Schaaf, CB, Sol, P., Li, J.,
Huang, H., V, K., 2016. Un método general para normalizar Landsat datos reflectancia a nadir BRDF ajustado
reflectancia. Sens remotas. Environ. 176, 255-271.
Salami, AT, Akinyede, J., de Gier, A., 2010. Una evaluación preliminar de NigeriaSat-1
para la vigilancia de los bosques de manglar sostenible. En t. J. Appl. Obs tierra. 12, S18-S22 .
Sentinel-1 Team, 2013. Sentinel-1 User Manual < https: //sentinel.esa.
INT / documentos / 247904/685163 / Sentinel-1_User_Handbook >.
Seto, KC, Fragkias, M., 2007. conversión de manglares y el desarrollo de la acuicultura en
Vietnam: Un enfoque basado en la teledetección para la evaluación de la Convención de Ramsar sobre los
Humedales. Environ global. Cambio 17, 486-500 .
Simard, M., Grandi, GD, Saatchi, S., Mayaux, P., 2002. Mapping costera tropical
vegetación utilizando JERS-1 y ERS-1 de datos de radar con un árbol de decisión clasi fi cador. En t.
J. Sens remoto. 23, 1461-1474 .
Simard, M., Rivera-Monroy, VH, Mancera-Pineda, JE, Castañeda-Moya, E., Twilley,
RR, 2008. Un método sistemático para el mapeo 3D de los manglares en base a datos de elevación Shuttle
Radar Topography Mission, formas de onda ICEsat / Glas y datos de campo: Aplicación a la Ciénaga Grande de
Santa Marta, Colombia. Sens remotas. Environ. 112, 2131-2144 .
Spalding, M., Kainuma, M., Collins, L., 2010. Atlas mundial de manglares. En el mundo
Atlas de manglares. Routledge.
Torbick, N., Ledoux, L., Salas, W., Zhao, M., 2016. mapeo regional de plantación
medida utilizando imágenes multisensor. Sens remotas. 8, 236 .
Tucker, CJ, 1979. Rojo y combinaciones de líneas infrarrojas fotográficos para
el seguimiento de la vegetación. Sens remotas. Environ. 8, 127-150 .
Ver las
estadísticas
estadísticas
de la
depublicación
publicación
USGS, 2016. provisional Landsat 8 Superficie Re fl Código reflectancia (LASRC) de Proudct.
'' Departamento de Interior de Estados Unidos Geological Survey”< http://landsat.usgs.gov/CDR_ LSR.php >.
USGS, 2017. Landsat 4-7 registro de datos climáticos (CDR) de superficie reflectancia.
< http://landsat.usgs.gov/documents/cdr_sr_product_guide.pdf >.
Vo, Q., Oppelt, N., Leinenkugel, P., Kuenzer, C., 2013. La teledetección en el mapeo
ecosistemas de manglares - un enfoque basado en objetos. Sens remotas. 5, 183-201 .
especies basados ​en características Wang, T., Zhang, H., Lin, H., Fang, C., 2016. textura-espectrales
clasificación de los manglares en la reserva natural de Mai Po de visión del mundo-3 imágenes. Sens remoto. 8,
24 .
Wu, P., Zhang, J., Ma, Y., Li, X., 2013. seguimiento y análisis de la teledetección
cambios de los recursos de manglares en China en los últimos 20 años. Adv. Marzo Sci., 406- 414
Wu, P., Ma, Y., Li, X., Yu, G., 2011. monitoreo de detección remota del mangle
bosques recursos de la provincia de Guangdong. J. marzo Sci. 29, 16-24 .
Xiao, X., Biradar, CM, Czarnecki, C., Alabi, T., Keller, M., 2009. Un simple algoritmo para
mapeo a gran escala de los bosques de hoja perenne tropical en América, África y Asia. Sens remoto. 1,
355-374 .
Xiao, X., Boles, S., Frolking, S., Li, C., Babu, JY, Salas, W., III, BM, 2006. Mapping
agricultura arroz con cáscara en el sur y el sudeste asiático el uso de imágenes MODIS multitemporales.
Remota Sens Environ. 100, pp. 95-113. Xiao, X., Boles, S., Liu, J., Zhuang, D., Frolking, S., Li, C., Salas, W., III,
BM, 2005.
Mapeo de la agricultura arroz con cáscara en el sur de China usando imágenes MODIS multitemporales. Remota
Sens Environ. 95, 480-492.
Xiao, X., Zhang, Q., Braswell, B., Urbanski, S., Boles, S., Wofsy III, S., Berrien, M.,
Ojima, D., 2004. Modelado de la producción primaria bruta de bosque de hoja ancha templado caducifolio el uso
de imágenes de satélite y datos climáticos. Sens remotas. Environ.
91, 256-270 .
Xu, H., 2006. Modificación del índice de agua de diferencia normalizada (NDWI) para mejorar
las características del agua abiertos en teledetección imágenes. En t. J. Sens remoto. 27, 3025- 3033 .
Zha, Y., Gao, J., Ni, S., 2003. El uso de diferencia de índice normalizado incorporado en
mapear automáticamente las áreas urbanas de imágenes TM. En t. J. Sens remoto. 24, 583-594 .
Zhang, W., Chen, Z., Wang, J., 2015. Control de la variación de área de manglar en
costa del Golfo de Beibu de Guangxi de China con los datos de teledetección. J. Guangxi Univ. (Nat Sci Ed),
1570-1576 .
Zhou, Y., Xiao, X., Qin, Y., Dong, J., Zhang, G., Kou, W., Jin, C., Wang, J., Li, X., 2016.
Mapping zona de plantación de arroz con cáscara en zonas coexistentes arroz-humedales a través de análisis de
Landsat 8 OLI y MODIS imágenes. En t. J. Appl. Obs tierra. 46, 1-12 .
Zhu, Z., Curtis, W., 2012. basada en objetos nube y sombra de una nube de detección en Landsat
imágenes. Sens remotas. Environ. 118, 83-94 .
Zhu, Z., Wang, S., Woodcock, CE, 2015. mejora y ampliación de la fMask
algoritmo: nube, sombra de una nube, y la detección de nieve para Landsat 4-7, 8, y Sentinel 2 imágenes. Sens
remotas. Environ. 159, 269-277 .