基于多源时间数据和知识驱动的机器学习方法，研究中国（2016–2024年）年度湿地变化情况

《ISPRS JOURNAL OF PHOTOGRAMMETRY AND REMOTE SENSING》：Annual wetland changes across China (2016–2024) from multisource temporal data and knowledge-driven machine learning approach

　　

王明|毛德华|王叶桥|向恒星|贾明明|董斌|王宗明

安徽农业大学资源与环境学院，合肥230036，中国

摘要

及时准确的湿地动态数据对于有效的保护规划、政策实施和实现可持续发展至关重要。然而，在国家层面上获取高分辨率的湿地变化数据仍然是一个重大挑战，因为中国缺乏一个全面的、长期的数据集。在这项研究中，我们提出了一个改进的湿地制图框架，该框架将多源时间数据与基于先验知识的机器学习方法相结合。通过利用湿地出现的概率估计作为先验知识，这种方法在空间上限制了湿地的潜在分布，显著提高了计算效率，并减少了误分类和训练数据的需求。利用超过259万张Sentinel图像，我们制作了2016年至2024年中国每年10米分辨率的湿地变化产品，平均总体准确率为81.72%（范围从80.55%到82.17%）。结果表明，中国的湿地总面积在2016年至2024年间基本保持稳定，净增加了0.5%。水体显示出最大的年际变化（1.23 × 10^3平方公里），并且总体上有所扩大（+1.24%），而沿海沼泽也略有增加。相比之下，沿海湿地（-0.62 × 10^3平方公里）和潮滩（-0.71 × 10^3平方公里）有所减少，内陆沼泽略有减少（-0.11%），内陆湿地没有显著变化。从区域上看，青藏高原和中国东北部的变化最大。这个高分辨率、每年更新的湿地数据集为湿地保护、恢复和生态管理提供了关键资源，并将在支持国家和全球努力评估和实现联合国可持续发展目标（SDGs）方面发挥关键作用。

引言

湿地是重要的生态系统，为生物多样性保护、气候缓解和人类福祉提供了关键服务（Costanza等人，2014年；Zedler和Kercher，2005年）。然而，气候变异性和人为干扰导致全球湿地广泛退化和丧失（Fluet-Chouinard等人，2023年；Murray等人，2022年）。在这种情况下，及时和连续监测其时空动态对于有效的保护和可持续的生态系统管理至关重要。这一需求在中国等地区尤为紧迫，因为动态的水文变化与密集的人类活动和广泛的生态保护工作相互交织，给湿地保护带来了更大的挑战（Jiang等人，2024年）。尽管有这一迫切需求，现有的大规模湿地制图方法和产品主要提供单年或多年的基线地图，空间分辨率较低或中等（Gong等人，2010年；Mao等人，2020年；Pekel等人，2016年）。这种有限的时间频率和空间细节无法满足捕捉快速湿地变化的需求，因此迫切需要强大的方法来生成连续的、高分辨率的大规模湿地变化地图。

连续大规模湿地动态制图的基本前提是拥有能够支持这种大规模时空需求的遥感数据。由于其全球覆盖范围和丰富的档案，Landsat图像一直是湿地制图的主要数据来源（Jin等人，2017年；Mahdavi等人，2018年）。然而，其30米的空间分辨率往往无法充分捕捉到破碎湿地的细尺度空间异质性。此外，其16天的重访周期和易受云层污染的影响限制了跟踪快速水文变化所需的密集时间序列观测（Jia等人，2021年）。为了克服这些观测障碍，多源数据整合——特别是Sentinel-1雷达和Sentinel-2光学图像的融合——已成为一种成熟的方法（Mahdianpari等人，2020年；Wang等人，2023a）。这种组合提供了必要的穿透云层的能力和连续的10米观测，以有效捕捉动态湿地特征（Amani等人，2017年；LaRocque等人，2020年）。然而，有效利用这些大规模和高维的时间数据集进行连续的国家规模制图仍然是一个重大挑战。

虽然机器学习在大规模湿地制图方面已被证明非常有效（DeLancey等人，2020年；Mallick等人，2021年），但其性能在很大程度上取决于大规模、高质量训练样本的可用性。在广阔且异质的地形中收集可靠训练数据这一本质上劳动密集型的任务，对于连续年度制图来说是一个限制，因为需要连续多年获取可靠的年度特定样本（Vabalas等人，2019年）。为了减轻对大量样本的依赖，新兴的少样本学习（FSL）算法已被广泛探索（Gong等人，2019年；Yang等人，2022年）。然而，这些方法在自然湿地环境中通常表现出有限的泛化能力，因为存在显著的类内变异性和复杂的生态动态（Adam等人，2010年；Amani等人，2018年）。另一种方法是基于光谱或密度指标的自动化样本迁移策略，将现有的历史样本转移到目标年份（Feng等人，2022年；Wang等人，2022年）。然而，当应用于高度异质的生态系统时，这些迁移的样本经常引入大量的标签噪声，仍然需要大量的手动验证（Huang等人，2020年）。因此，推进大规模动态制图迫切需要一个强大的方法论框架，能够在大幅减少训练样本需求的同时保持高分类准确性。

巨大的计算负担和年际准确性不稳定的潜在风险，由提取和优化分类特征以训练机器学习模型的复杂过程驱动（Li等人，2017年），构成了连续大规模湿地动态制图的另一个关键挑战（Li等人，2018年；McCarthy等人，2018年；Peng等人，2023年）。尽管大量研究表明，密集的时间序列特征对于捕捉湿地的自然演变和复杂的水文变化是不可或缺的（Kovács等人，2022年；Tian等人，2020年），但从大量遥感数据流中处理和最优选择这些高维表示需要巨大的计算成本（Gorelick等人，2017年；Mahdavi等人，2018年）。此外，基于这些特征训练泛化的国家规模分类模型本质上消耗了巨大的计算资源。对于连续动态制图来说，这一负担会成倍增加，因为必须为每个特定年份独立重复严格的训练过程，从而指数级增加总计算开销。然而，即使可以克服这些巨大的计算瓶颈，广泛的背景干扰问题仍然是一个关键障碍。在广阔的国家规模上进行制图时，大量的非湿地土地覆盖经常表现出与目标湿地相似的光谱和时间特征（Gallant，2015年；Ozesmi和Bauer，2002年）。这种广泛的空间干扰不仅直接降低了分类准确性，还严重破坏了动态地图的年际稳定性，导致不现实的年际波动。因此，实现连续的国家规模制图需要一种新的策略，同时优化计算效率并有效屏蔽分类模型免受无关背景干扰。

为了解决这些挑战，本研究通过将多源Sentinel时间序列数据与基于先验知识的机器学习相结合，开发了一个改进的高分辨率、年度国家规模湿地制图框架。该框架的核心是使用估计的湿地空间概率作为先验知识，将分类限制在高置信度区域内。这种策略同时最小化了样本依赖性，优化了计算效率，并通过屏蔽背景干扰确保了年际稳定性。本研究的具体目标是：（1）开发一个改进的大规模年度湿地制图框架，（2）生成2016年至2024年中国每年10米分辨率的湿地地图并评估其准确性，（3）量化中国湿地的空间分布和年际动态。预期的结果将提供一个关键的验证过的制图范式和连续的地理空间数据，以支持湿地保护、生态系统恢复和推进可持续发展目标（SDGs）。

章节片段

卫星图像获取和预处理

Sentinel-1合成孔径雷达（SAR）和Sentinel-2光学数据的双模协同作用使得本研究能够实现多模态、高空间分辨率（10米）、丰富的光谱覆盖和频繁的观测。使用了255万多张2015年至2024年覆盖中国的Sentinel-1和Sentinel-2图像，数据通过Google Earth Engine（GEE）平台访问和处理。数据集包括314,690张双极化（VV + VH）Sentinel-1 SAR和2,284,308张多光谱Sentinel-2图像

年度湿地分类结果的准确性评估和比较

为了评估所提出的10米数据集的准确性，我们将其局部空间细节与现有的高质量全球数据集（例如ESA WorldCover和Dynamic World）进行了比较，这些数据集基于共享的湿地类别（图5A）。对于破碎的小水体（图5A-(4)），我们的产品划分出了堤坝，识别出441个离散的斑块。相比之下，Dynamic World将这些特征合并为216个较大的块，而ESA WorldCover则呈现了未分类的像素级噪声。

湿地的形成和持续存在从根本上受年度和季节性水文动态及相关生态过程的控制（Junk等人，2013年）。以频繁或持续的表面或近表面水可用性为特征的区域创造了有利于湿地生态系统发展的环境条件，特别是通过水生植被的建立和厌氧土壤环境（Bullock和Acreman，2003年；Hu等人，2017年）。

结论

为了解决大规模湿地变化制图的核心挑战，本研究开发了一个新的框架，将多源时间数据与基于先验知识的机器学习相结合。通过利用从出现概率估计的潜在湿地范围作为空间约束，这种方法提高了计算效率并减少了样本依赖性。此外，它通过将模型的关注点仅限于高置信度区域，大大减少了误分类。

王明：撰写——原始草稿，验证，方法论，资金获取。毛德华：撰写——审阅与编辑，资金获取，概念化。王叶桥：撰写——审阅与编辑。向恒星：撰写——审阅与编辑，数据管理。贾明明：撰写——审阅与编辑。董斌：撰写——审阅与编辑。王宗明：撰写——审阅与编辑，资金获取，概念化。

利益冲突声明

作者声明他们没有已知的可能会影响本文工作的竞争性财务利益或个人关系。

致谢

本研究由中国国家自然科学基金（42330109、42171379和42501400）和国家地球系统科学数据中心共同资助。