基于机器学习与地表水检测数据的湄公河下游流域湿地流失时空分析及其生态影响研究

针对湄公河下游流域湿地退化问题，日本研究人员结合全球地表水检测数据集（Global Surface Water）与机器学习算法（Random Forest/Light GBM），量化了1984-2021年湿地流失的时空格局，揭示城市化与河道距离是主要驱动因素，72.2%流失湿地转为农田。研究为洪水调控与生态保护提供了高分辨率（30 m）预测模型，发表于《Wetlands》。

　　

湿地作为地球之肾，其退化正引发全球生态危机。湄公河下游流域的洪泛湿地因季节性洪水滋养，支撑着东南亚重要的农业与渔业系统，但近年来却面临城市化、填埋和上游水坝建设的多重威胁。日本东北大学的研究团队在《Wetlands》发表论文，首次利用高分辨率地表水数据与机器学习，揭示了该区域湿地流失的时空规律与驱动机制。

研究团队采用欧洲航天局Sentinel-2（10 m分辨率）和ALOS全球数字地表模型（30 m）数据，结合Google Earth Engine平台的全球地表水数据集（Monthly Water History），构建了1984-2021年逐月水面覆盖数据库。通过设定双重验证条件（连续5年干旱判定+历史水面覆盖率≥50%），精准识别了湿地流失区域。随机森林（Random Forest）与轻量梯度提升机（Light GBM）算法被用于分析高程、河道距离和城市距离三大特征的重要性。

时空分布特征
研究发现湿地流失面积在2012-2014年出现峰值，累计流失区域主要分布在距城市较近（平均0.86 km）且远离主河道（平均8.61 km）的洪泛区边缘。曼-惠特尼U检验（Mann-Whitney U-test）证实这种空间差异具有统计学显著性（p<0.01）。

土地利用转化
Sentinel-2土地利用数据显示，72.2%的流失湿地转化为农田，显著高于全球内陆湿地转化平均值（61.7%），而11.3%转为牧场（rangeland）则体现了湄公河特有的水文特征——上游水坝导致的洪水脉冲减弱可能直接引发湿地旱化。

机器学习预测
随机森林模型（F1-score 90.1%）显示河道距离是最关键特征（重要性69.6%），而Light GBM模型则更均衡地分配了三大特征权重。模型预测表明，研究区南部低海拔区域现有湿地的流失风险最高。

这项研究创新性地将长期水文观测与机器学习结合，证实了人为干扰与自然水文变化的协同作用会加速湿地退化。其构建的30米分辨率预测模型，为制定差异化的湿地保护策略提供了科学依据，尤其对依赖季节性洪水的农业生态系统具有重要预警价值。未来研究需整合水动力模型，以量化上游水坝与气候变化的相对贡献。