کارایی شاخص‌های مانگرو در تهیه نقشه جنگل‌های مانگرو با استفاده از تصاویر لندست 8 در جنوب ایران
الموضوعات :یوسف عرفانی فرد 1 , محسن لطفی نصیرآباد 2
1 - دانشیار، گروه سنجش از دور و GIS، دانشکده جغرافیا، دانشگاه تهران، تهران، ایران
2 - کارشناس ارشد، گروه سنجش از دور و GIS، دانشکده جغرافیا، دانشگاه تهران، تهران، ایران
الکلمات المفتاحية: حرا, ماشین‌بردار پشتیبان, سیریک, خلیج گواتر, منحنی مشخصه نسبی عملکرد, خلیج نایبند,
ملخص المقالة :
پیشینه و هدف جنگل‌های مانگرو به‌عنوان یکی از بوم‌سازگان‌های مهم گیاهی هستند که در مناطق جزر و مدی سواحل اقیانوسی مستقر شده و از گونه‌های همیشه‌سبز تشکیل می‌شوند. با توجه به گزارش‌های سازمان خواروبار و کشاورزی ملل متحد، مساحت جنگل‌های مانگرو در دنیا حدود 14.6 میلیون هکتار است که بیش از 40 درصد از این جنگل‌ها در آسیا قرار دارند. اندونزی با 2.3 میلیون هکتار بیشترین سطح تحت پوشش با بیشترین تنوع گونه‌ای از این جنگل‌ها را دارد. همچنین ایران نیز با دارا بودن حدود 10000 هکتار جنگل مانگرو در بخش های شمالی خلیج‌فارس و دریای عمان، یکی از کشورهای دارای مانگرو محسوب می‌شود. اگرچه اهمیت بوم‌شناختی و اقتصادی ـ اجتماعی جنگل‌های مانگرو بر پژوهشگران و مدیران پوشیده نیست، کاهش سالانه کمیت و کیفیت این جنگل‌ها تحت تأثیر عوامل طبیعی (مانند طوفان) و انسانی (بهره‌برداری بی‌رویه) همچنان ادامه دارد. بنابراین، توسعه راهکارهای عملی و مؤثر به‌منظور حفاظت از زیستگاه‌های موجود و همچنین بهبود مدیریت، پایش و ارزیابی جنگل‌های مانگرو ضروری به نظر می‌رسد. نخستین گام در هر برنامه مدیریتی و حفاظتی در جنگل‌های مانگرو شامل تهیه نقشه پراکنش مکانی و همچنین پایش تغییرات مکانی آن ها است. بنابراین یافتن روش‌های کارآمد در مساحی و بررسی تغییرات زمانی و مکانی جنگل‌های مانگرو به‌منظور مدیریت و حفاظت مؤثر از آن ها از اهمیت زیادی برخوردار است. دشواری داده‌برداری میدانی در این بوم‌سازگان باعث شده داده‌های سنجش از دور در نقشه‌برداری از مانگروها به سرعت توسعه پیدا کنند. اگرچه پژوهش‌های پیشین نشان دادند به دلیل سبزینگی و محتوای آب متفاوت برگها، شاخص‌های پوشش گیاهی متداول در طبقه‌بندی مانگروها از کارایی لازم برخوردار نیستند. لذا پژوهشگران با بررسی رفتار طیفی مانگروها، اقدام به ارائه شاخص‌هایی کردند که مختص طبقه‌بندی این جنگل‌ها روی تصاویر ماهواره‌ای هستند. ازآنجایی‌که شاخص‌های مانگرو اخیراً معرفی شده‌اند، کارایی آن ها در شرایط یکسان مورد مقایسه قرار نگرفته و صرفاً در مطالعات موردی به صورت تکی و یا در مقایسه با شاخص‌های پوشش گیاهی بررسی شدند. همچنین شاخص‌های مانگرو در نقشه‌برداری جنگل‌های مانگرو در جنوب ایران مورد ارزیابی قرار نگرفتند. بنابراین مطالعه حاضر با هدف مقایسه کارایی هشت شاخص مانگرو در نقشه‌برداری از مانگروهای سه رویشگاه خلیج نایبند (استان بوشهر)، سیریک (استان هرمزگان) و خلیج گواتر (استان سیستان و بلوچستان) روی تصاویر لندست 8 انجام شد.مواد و روش ها جنگل‌های مانگرو در ایران در 21 رویشگاه در 10 شهرستان در سه استان بوشهر، هرمزگان و سیستان و بلوچستان پراکنده شدند. به‌منظور ارزیابی کلی شاخص‌های مانگرو، یک منطقه از هر استان برای این مطالعه انتخاب شد. جنگل‌های مانگرو در خلیج نایبند در دو خور بیدخون و بساتین متمرکز است. مانگروها در سیریک در اطراف تالاب آذینی پراکنده هستند و جنگل‌های مانگرو در خلیج گواتر، در خورهای باهو و گواتر مستقر هستند. تصاویر ماهواره لندست 8 مربوط به سال 2020 به نحوی دریافت شدند که از هر منطقه دو تصویر یکی در شرایط جزر و یکی هم در شرایط مد بودند. پس از پیش‌پردازش‌های لازم، از تصاویر لندست در شرایط جزر برای محاسبه شاخص‌های MI (Mangrove Index)، NDMI (Normalized Difference Mangrove Index)، CMRI (Combined Mangrove Recognition Index)، MDI (Mangrove Discrimination Index)، MMRI (Modular Mangrove Recognition Index)، L8MI (Landsat 8 Mangrove Index) و MVI (Mangrove Vegetation Index) استفاده شد. همچنین دو تصویر لندست جزر و مد در هر منطقه برای محاسبه شاخص SMRI (Submerged Mangrove Recognition Index) به کار رفت. سپس تفکیک سه طبقه خاک، آب و جنگل‌های مانگرو با الگوریتم ماشین بردار پشتیبان انجام شد. نتایج طبقه‌بندی علاوه بر معیارهای صحت کلی، کاپا، صحت تولیدکننده و صحت کاربر طبقه مانگرو، با استفاده از سطح زیر منحنی (AUC) مشخصه نسبی عملکرد (ROC) نیز ارزیابی شدند.نتایج و بحث در مجموع 10 شاخص مانگرو در شرایط یکسان مورد مقایسه و ارزیابی قرار گرفتند. شاخص‌های مورد بررسی هشت عدد بودند که دو شاخص MDI و L8MI هر کدام یک بار با استفاده از باند SWRI1 و یک بار با باند SWIR2 محاسبه شدند که درنتیجه مجموعاً 10 شاخص برای طبقه‌بندی جنگل‌های مانگرو در مناطق مطالعاتی به کار رفتند. از میان شاخص‌های مورد مطالعه، شاخص SMRI به عنوان شاخص بهینه انتخاب شد. علاوه بر صحت تولیدکننده (مانگروPA) و صحت کاربر (مانگروUA) طبقه مانگرو؛ صحت کلی و ضریب کاپا در طبقه‌بندی آب، خاک و مانگرو SMRI نیز بیشتر از سایر شاخص‌ها بود. یکی از دلایل احتمالی کارایی بیشتر این شاخص می تواند در استفاده از تصاویر جزر و مدی برای شناسایی مانگروها باشد. بررسی نتایج دو شاخص MDI و L8MI نیز نشان داد که در خلیج نایبند عملکرد این دو شاخص در شناسایی جنگل‌های مانگرو هنگام استفاده از باند SWIR2 بهتر از باند SWIR1 بود. یکی از دلایل احتمالی بروز این نتیجه می‌تواند به وجود مناطق انسان‌ساخت و پوشش گیاهی غیرمانگرو در خلیج نایبند مربوط باشد. درحالی‌که در خلیج گواتر هر دو شاخص با باند SWIR1 نتایج صحیح‌تری در طبقه‌بندی مانگروها داشتند. بررسی AUC نیز تأیید نمود که شاخص SMRI در شناسایی طبقه مانگرو در مناطق مورد بررسی بهتر از سایر شاخص‌های مانگرو عمل کرد. مقدار AUC طبقه مانگرو در خلیج نایبند 0.94، در سیریک 0.92 و در خلیج گواتر 0.93 بوده است که بیشترین مقدار AUC بین شاخص‌های مورد بررسی بوده است. نتایج طبقه‌بندی جنگل‌های مانگرو در سه منطقه مورد مطالعه با شاخص منتخب SMRI نشان داد مساحت مانگروها در خلیج نایبند 260.1 هکتار، در سیریک حدود 1049.2 هکتار و در خلیج گواتر حدود 649.5 هکتار برآورد شدند.نتیجه گیری نتایج نشان داد که شاخص‌های مانگرو عملکرد مطلوبی در شناسایی مانگروها در هر سه منطقه مورد مطالعه داشتند و در هیچکدام نتایج بسیار ضعیف دیده نشد. مقدار AUC طبقه مانگرو با استفاده از SMRI در هر سه رویشگاه مورد مطالعه به بیش از 0.9 رسید و این شاخص در هر سه منطقه به عنوان شاخص مطلوب شناخته شد. با بررسی نتایج در سه منطقه مطالعاتی می‌توان به این جمع‌بندی رسید که عملکرد شاخص‌های مانگرو در خلیج نایبند اندکی کمتر از دو منطقه دیگر بوده است (مانند NDMI و L8MI-1 با AUC حدود 0.6). مساحت جنگل های مانگرو در خلیج نایبند، سیریک و خلیج گواتر بر اساس تصاویر ماهواره لندست 8 مربوط به سال 2020 برآورد شد. بین این پنج رویشگاه، بیشترین مساحت جنگل‌های مانگرو مربوط به سیریک (1049.2 هکتار) و کمترین آن مربوط به خور بساتین (43.3 هکتار) بوده است. به منظور تأیید نهایی دستاوردهای مطالعه حاضر، پیشنهاد می شود SMRI در سایر رویشگاه های مانگرو در جنوب ایران مورد ارزیابی قرار گیرد.
Ali A, Nayyar ZA. 2020. Extraction of mangrove forest through Landsat 8 Mangrove Index (L8MI). Arabian Journal of Geosciences, 13: 1132. doi:https://doi.org/10.1007/s12517-020-06138-4.
Alatorre LC, Sánchez-Andrés R, Cirujano S, Beguería S, Sánchez-Carrillo S. 2011. Identification of mangrove areas by remote sensing: the ROC curve technique applied to the northwestern Mexico coastal zone using Landsat imagery. Remote Sensing, 3(8): 1568-1583. doi:http://doi.org/10.3390/rs3081568.
Amiri N, Sajadi J, Sadough Vanini H. 2011. Application of vegetation indices derived from IRS data for detecting the Avicennia forest area near the south Pars Oil Apparatus. Environmental Sciences, 8(1): 69-84. (In Persian)
Baloloy AB, Blanco AC, Raymund Rhommel RRC, Nadaoka K. 2020. Development and application of a new mangrove vegetation index (MVI) for rapid and accurate mangrove mapping. ISPRS Journal of Photogrammetry and Remote Sensing, 166: 95-117. doi:https://doi.org/10.1016/j.isprsjprs.2020.06.001.
Behera MD, Barnwal S, Paramanik S, Das P, Bhattyacharya BK, Jagadish B, Roy PS, Ghosh SM, Behera SK. 2021. Species-level classification and mapping of a mangrove forest using random forest-Utilisation of AVIRIS-NG and Sentinel data. Remote Sensing, 13(11): 2027. doi:https://doi.org/10.3390/rs13112027.
Bihamta Toosi N, Soffianian A, Fakheran S, Pourmanafi S, Ginzler C, Waser L. 2019. Comparing different classification algorithms for monitoring mangrove cover changes in southern Iran. Global Ecology and Conservation, 19: e00662. doi:https://doi.org/10.1016/j.gecco.2019.e00662.
Danekar A, Mahmoudi B, Sabaei M, Ghadirian T, Asadolahi Z, Sharifi N, Petrosian H. 2012. Iran national plan for sustainable mangrove management. National Forests, Range and Watershed Management Organization, 624 pp.
Diniz C, Cortinhas L, Nerino G, Rodrigues J, Sadeck L, Adami M, Souza-Filho PWM. 2019. Brazilian mangrove status: Three decades of satellite data analysis. Remote Sensing, 11: 808. doi:https://doi.org/10.3390/rs11070808.
Ghandi S, Jones TG. 2019. Identifying mangrove deforestation hotspots in South Asia, Southeast Asia and Asia-Pacific. Remote Sensing, 11: 728. doi:https://doi.org/10.3390/rs11060728.
Gupta K, Mukhopadhyay A, Giri S, Chanda A, Datta Majumdar S, Samanta S, Mitra D, Samal RN, Pattnaik AK, Hazra S. 2018. An index for discrimination of mangroves from non-mangroves using LANDSAT 8 OLI imagery. MethodsX, 5: 1129-1139. doi:https://doi.org/10.1016/j.mex.2018.09.011.
Hauser LT, An Binh N, Viet Hoa P, Hong Quan N, Timmermans J. 2020. Gap-free monitoring of annual mangrove forest dynamics in Ca Mau Province, Vietnamese Mekong Delta, using the Landsat-7-8 archives and post-classification temporal optimization. Remote Sensing, 12: 3729. doi:https://doi.org/10.3390/rs12223729.
Heumann BW. 2011. An object-based classification of mangroves using a hybrid decision tree - support vector machine approach. Remote Sensing, 3: 2440-2460. doi:https://doi.org/10.3390/rs3112440.
Jia M, Wang Z, Wang C, Mao D, Zhang Y. 2019. A new vegetation index to detect periodically submerged mangrove forest using single-tide Sentinel-2 imagery. Remote Sensing, 11: 2043. doi: https://doi.org/10.3390/rs11172043.
Jiang Y, Zhang L, Yan M, Qi J, Fu T, Fan S, Chen B. 2021. High-resolution mangrove forests classification with machine learning using Worldview and UAV hyperspectral data. Remote Sensing, 13: 1529. doi:https://doi.org/10.3390/rs13081529.
Kumar T, Mandal A, Dutta D, Nagaraja R, Dadhwal V. 2019. Discrimination and classification of mangrove forests using EO-1 Hyperion data: a case study of Indian Sundarbans. Geocarto International, 34(4): 415-442. doi:http://doi.org/10.1080/10106049.2017.1408699.
Li W, El-Askary H, Qurban M, Li J, ManiKandan K, Piechota T. 2019. Using multi-indices approach to quantify mangrove changes over the Western Arabian Gulf along Saudi Arabia coast. Ecological Indicators, 102: 734-745. doi:https://doi.org/10.1016/j.ecolind.2019.03.047.
Liu K, Li X, Shi X, Wang S. 2008. Monitoring mangrove forest changes using remote sensing and GIS data with decision-tree learning. Wetlands, 28: 336. doi:https://doi.org/10.1672/06-91.1.
Long JB, Giri C. 2011. Mapping the Philippines’ mangroves forests using Landsat Imagery. Sensors, 11: 2972-2981. doi:https://doi.org/10.3390/s110302972.
Mafi-Gholami D, Baharlouii M, Mahmoudi B. 2017. Mapping area chnages of mangroves using RS and GIS (Case study: mangroves of Hormozgan province). Environmental Sciences, 15(2): 75-91. (In Persian)
Mafi-Gholami D, Zenner E, Jaafari A, Bui D. 2020. Spatially explicit predictions of changes in the extent of mangroves of Iran at the end of the 21st century. Estuarine Coastal and Shelf Science, 237: 106644. doi: https://doi.org/10.1016/j.ecss.2020.106644.
Makowski C, Finkl C. 2018. Threats to mangrove forests. Springer USA, 724 pp.
Maurya K, Mahajan S, Chaube N. 2021. Remote sensing techniques: mapping and monitoring of mangrove ecosystem-a review. Complex & Intelligent Systems. doi:https://doi.org/10.1007/s40747-021-00457-z.
Razali SM, Nuruddin AA, Lion M. 2019. Mangrove vegetation health assessment based on remote sensing indices for Tanjung Piai, Malay Peninsular. Journal of Landscape Ecology, 12: 26-40. doi:https://doi.org/10.2478/jlecol-2019-0008.
Shi T, Liu J, Hu Z, Liu H, Wang J, Wu G. 2016. New spectral metrics for mangrove forest identification. Remote Sensing Letters, 7(9): 885–894. doi:https://doi.org/10.1080/2150704X.2016.1195935.
Taghizadeh A, Danehkar A, Kamrani E, Mahmoudi, B. 2010. Mangrove forest communities in Hormozgan province. Journal of Forest, 1: 25-34. (In Persian)
Xia Q, Qin C, Li H, Huang C, Su F. 2018. Mapping mangrove forests based on multi-tidal high-resolution satellite imagery. Remote Sensing, 10: 1343. doi:https://doi.org/10.3390/rs10091343.
Xia Q, Qin C, Li H, Huang C, Su F, Jia M. 2020. Evaluation of submerged mangrove recognition index using multi-tidal remote sensing data. Ecological Indicators, 113: 106196. doi:https://doi.org/10.1016/j.ecolind.2020.106196.
Wang D, Wan B, Qiu P, Zuo Z, Wang R, Wu X. 2018. Evaluating the performance of Sentinel-2, Landsat 8 and Pléiades-1 in mapping mangrove extent and species. Remote Sensing, 10: 1468. doi:https://doi.org/10.3390/rs10091468.
Winarso G, Purwanto AD, Yuwono DM. 2014. New mangrove index as degradation/health indicator using Remote Sensing data: Segara Anakan and Alas Purwo case study. In Proceedings of the 12th Biennial Conference of Pan Ocean Remote Sensing Conference. November 2014, Bali, Indonesia, 309-316.
Zhang X, Treitz PM, Chen D, Quan C, Shi L, Li X. 2017. Mapping mangrove forests using multi-tidal remotely-sensed data and a decision-tree-based procedure. International Journal of Applied Earth Observation and Geoinformation, 62: 201–214. doi:https://doi.org/10.1016/j.jag.2017.06.010.
_||_Ali A, Nayyar ZA. 2020. Extraction of mangrove forest through Landsat 8 Mangrove Index (L8MI). Arabian Journal of Geosciences, 13: 1132. doi:https://doi.org/10.1007/s12517-020-06138-4.
Alatorre LC, Sánchez-Andrés R, Cirujano S, Beguería S, Sánchez-Carrillo S. 2011. Identification of mangrove areas by remote sensing: the ROC curve technique applied to the northwestern Mexico coastal zone using Landsat imagery. Remote Sensing, 3(8): 1568-1583. doi:http://doi.org/10.3390/rs3081568.
Amiri N, Sajadi J, Sadough Vanini H. 2011. Application of vegetation indices derived from IRS data for detecting the Avicennia forest area near the south Pars Oil Apparatus. Environmental Sciences, 8(1): 69-84. (In Persian)
Baloloy AB, Blanco AC, Raymund Rhommel RRC, Nadaoka K. 2020. Development and application of a new mangrove vegetation index (MVI) for rapid and accurate mangrove mapping. ISPRS Journal of Photogrammetry and Remote Sensing, 166: 95-117. doi:https://doi.org/10.1016/j.isprsjprs.2020.06.001.
Behera MD, Barnwal S, Paramanik S, Das P, Bhattyacharya BK, Jagadish B, Roy PS, Ghosh SM, Behera SK. 2021. Species-level classification and mapping of a mangrove forest using random forest-Utilisation of AVIRIS-NG and Sentinel data. Remote Sensing, 13(11): 2027. doi:https://doi.org/10.3390/rs13112027.
Bihamta Toosi N, Soffianian A, Fakheran S, Pourmanafi S, Ginzler C, Waser L. 2019. Comparing different classification algorithms for monitoring mangrove cover changes in southern Iran. Global Ecology and Conservation, 19: e00662. doi:https://doi.org/10.1016/j.gecco.2019.e00662.
Danekar A, Mahmoudi B, Sabaei M, Ghadirian T, Asadolahi Z, Sharifi N, Petrosian H. 2012. Iran national plan for sustainable mangrove management. National Forests, Range and Watershed Management Organization, 624 pp.
Diniz C, Cortinhas L, Nerino G, Rodrigues J, Sadeck L, Adami M, Souza-Filho PWM. 2019. Brazilian mangrove status: Three decades of satellite data analysis. Remote Sensing, 11: 808. doi:https://doi.org/10.3390/rs11070808.
Ghandi S, Jones TG. 2019. Identifying mangrove deforestation hotspots in South Asia, Southeast Asia and Asia-Pacific. Remote Sensing, 11: 728. doi:https://doi.org/10.3390/rs11060728.
Gupta K, Mukhopadhyay A, Giri S, Chanda A, Datta Majumdar S, Samanta S, Mitra D, Samal RN, Pattnaik AK, Hazra S. 2018. An index for discrimination of mangroves from non-mangroves using LANDSAT 8 OLI imagery. MethodsX, 5: 1129-1139. doi:https://doi.org/10.1016/j.mex.2018.09.011.
Hauser LT, An Binh N, Viet Hoa P, Hong Quan N, Timmermans J. 2020. Gap-free monitoring of annual mangrove forest dynamics in Ca Mau Province, Vietnamese Mekong Delta, using the Landsat-7-8 archives and post-classification temporal optimization. Remote Sensing, 12: 3729. doi:https://doi.org/10.3390/rs12223729.
Heumann BW. 2011. An object-based classification of mangroves using a hybrid decision tree - support vector machine approach. Remote Sensing, 3: 2440-2460. doi:https://doi.org/10.3390/rs3112440.
Jia M, Wang Z, Wang C, Mao D, Zhang Y. 2019. A new vegetation index to detect periodically submerged mangrove forest using single-tide Sentinel-2 imagery. Remote Sensing, 11: 2043. doi: https://doi.org/10.3390/rs11172043.
Jiang Y, Zhang L, Yan M, Qi J, Fu T, Fan S, Chen B. 2021. High-resolution mangrove forests classification with machine learning using Worldview and UAV hyperspectral data. Remote Sensing, 13: 1529. doi:https://doi.org/10.3390/rs13081529.
Kumar T, Mandal A, Dutta D, Nagaraja R, Dadhwal V. 2019. Discrimination and classification of mangrove forests using EO-1 Hyperion data: a case study of Indian Sundarbans. Geocarto International, 34(4): 415-442. doi:http://doi.org/10.1080/10106049.2017.1408699.
Li W, El-Askary H, Qurban M, Li J, ManiKandan K, Piechota T. 2019. Using multi-indices approach to quantify mangrove changes over the Western Arabian Gulf along Saudi Arabia coast. Ecological Indicators, 102: 734-745. doi:https://doi.org/10.1016/j.ecolind.2019.03.047.
Liu K, Li X, Shi X, Wang S. 2008. Monitoring mangrove forest changes using remote sensing and GIS data with decision-tree learning. Wetlands, 28: 336. doi:https://doi.org/10.1672/06-91.1.
Long JB, Giri C. 2011. Mapping the Philippines’ mangroves forests using Landsat Imagery. Sensors, 11: 2972-2981. doi:https://doi.org/10.3390/s110302972.
Mafi-Gholami D, Baharlouii M, Mahmoudi B. 2017. Mapping area chnages of mangroves using RS and GIS (Case study: mangroves of Hormozgan province). Environmental Sciences, 15(2): 75-91. (In Persian)
Mafi-Gholami D, Zenner E, Jaafari A, Bui D. 2020. Spatially explicit predictions of changes in the extent of mangroves of Iran at the end of the 21st century. Estuarine Coastal and Shelf Science, 237: 106644. doi: https://doi.org/10.1016/j.ecss.2020.106644.
Makowski C, Finkl C. 2018. Threats to mangrove forests. Springer USA, 724 pp.
Maurya K, Mahajan S, Chaube N. 2021. Remote sensing techniques: mapping and monitoring of mangrove ecosystem-a review. Complex & Intelligent Systems. doi:https://doi.org/10.1007/s40747-021-00457-z.
Razali SM, Nuruddin AA, Lion M. 2019. Mangrove vegetation health assessment based on remote sensing indices for Tanjung Piai, Malay Peninsular. Journal of Landscape Ecology, 12: 26-40. doi:https://doi.org/10.2478/jlecol-2019-0008.
Shi T, Liu J, Hu Z, Liu H, Wang J, Wu G. 2016. New spectral metrics for mangrove forest identification. Remote Sensing Letters, 7(9): 885–894. doi:https://doi.org/10.1080/2150704X.2016.1195935.
Taghizadeh A, Danehkar A, Kamrani E, Mahmoudi, B. 2010. Mangrove forest communities in Hormozgan province. Journal of Forest, 1: 25-34. (In Persian)
Xia Q, Qin C, Li H, Huang C, Su F. 2018. Mapping mangrove forests based on multi-tidal high-resolution satellite imagery. Remote Sensing, 10: 1343. doi:https://doi.org/10.3390/rs10091343.
Xia Q, Qin C, Li H, Huang C, Su F, Jia M. 2020. Evaluation of submerged mangrove recognition index using multi-tidal remote sensing data. Ecological Indicators, 113: 106196. doi:https://doi.org/10.1016/j.ecolind.2020.106196.
Wang D, Wan B, Qiu P, Zuo Z, Wang R, Wu X. 2018. Evaluating the performance of Sentinel-2, Landsat 8 and Pléiades-1 in mapping mangrove extent and species. Remote Sensing, 10: 1468. doi:https://doi.org/10.3390/rs10091468.
Winarso G, Purwanto AD, Yuwono DM. 2014. New mangrove index as degradation/health indicator using Remote Sensing data: Segara Anakan and Alas Purwo case study. In Proceedings of the 12th Biennial Conference of Pan Ocean Remote Sensing Conference. November 2014, Bali, Indonesia, 309-316.
Zhang X, Treitz PM, Chen D, Quan C, Shi L, Li X. 2017. Mapping mangrove forests using multi-tidal remotely-sensed data and a decision-tree-based procedure. International Journal of Applied Earth Observation and Geoinformation, 62: 201–214. doi:https://doi.org/10.1016/j.jag.2017.06.010.
