《International Journal of Digital Earth》：A water-vegetation dual-structure remote sensing framework for wetland health assessment on the Qinghai–Xizang Plateau
编辑推荐：
摘要：青藏高原湿地对于生态系统服务和生态安全至关重要，但日益受到气候变化和人类活动的威胁。以往研究通常将湿地视为均质实体，并依赖粗分辨率数据，忽视了水体和植被-土壤组分各自不同的响应。为弥补这一不足，研究人员提出了一种基于水-植被二元结构的遥感评估框架，用于评
摘要：青藏高原湿地对于生态系统服务和生态安全至关重要，但日益受到气候变化和人类活动的威胁。以往研究通常将湿地视为均质实体，并依赖粗分辨率数据，忽视了水体和植被-土壤组分各自不同的响应。为弥补这一不足，研究人员提出了一种基于水-植被二元结构的遥感评估框架，用于评估2018至2023年间的湿地动态。通过整合景观格局、生态状态和生态功能，研究人员利用并行无监督自编码器（AE）构建了湿地健康指数（WHI）。进一步应用地理探测器（Geodetector）和GeoShapley识别驱动因素并量化其空间效应。结果表明，研究期间WHI在均值0.42附近波动，处于中等水平，水体组分的健康得分始终高于植被区域。地理探测器识别出降水（PREP）和牲畜放牧（CH）分别为主导的自然和人为驱动因子。GeoShapley进一步揭示，地理位置本身部分塑造了生态基线状态，而外部驱动因子在不同地理区域间呈现空间异质性影响。这些发现为近期高寒湿地健康动态提供了空间显式视角，并支持高原上空间差异化的湿地保护与管理。
青藏高原湿地健康评估：水-植被二元结构框架下的遥感监测研究解读
一、研究背景与问题
湿地是全球重要的生态系统，在水文调节、水质净化、气候调节、碳平衡和生物多样性保护等方面发挥着关键作用。其中，高寒湿地分布于高海拔河源区，其水文和生态变化会直接影响下游水文过程和区域生态安全。青藏高原（QXP）被称为“第三极”和“亚洲水塔”，拥有中国20%的湿地面积和一半的湖泊面积，是全球对气候变化响应最敏感的区域之一。
然而，现有研究存在三方面不足。其一，以往评估多依赖生态风险和生态脆弱性框架，侧重于负面退化过程，缺乏正向的健康评价体系。其二，湿地常被当作均质单元处理，忽视了水体与植被-土壤组分在生态功能上的本质差异，统一的指标体系可能掩盖内部异质性。其三，方法上存在局限：主成分分析（PCA）和层次分析法（AHP）难以表征湿地健康与解释变量之间的非线性关系；多数研究依赖MODIS等粗分辨率产品或多年间隔，无法捕捉高寒湿地短期波动和精细空间异质性；对驱动因子的分析多关注全局重要性，空间异质性效应未得到明确量化。
基于此，研究人员提出了一项基于水-植被二元结构的30米分辨率湿地健康评估框架，旨在实现像素尺度的湿地健康综合评价，并识别驱动因子的空间效应。
二、研究内容与主要结论
该研究发表于《International Journal of Digital Earth》。研究人员以青藏高原为研究区，利用2018至2023年数据，构建了融合景观格局（L）、生态状态（E）和生态功能（E）三个维度的LEE评估框架。研究将湿地像素依据水体出现频率划分为水体类别和植被-土壤类别，分别赋予差异化的指标体系。通过并行无监督自编码器（AE）合成像素级湿地健康指数（WHI），并利用地理探测器（Geodetector）和GeoShapley方法分析驱动因素及其空间效应。
研究得出以下主要结论：青藏高原湿地健康总体处于中等水平，平均WHI在0.42附近波动；水体组分的健康得分始终高于植被-土壤组分；湖泊的健康指数最高，洪泛平原最低；降水（PREP）和牲畜放牧（CH）分别是最主要的自然和人为驱动因子；地理位置本身部分决定了湿地的生态基线状态，外部驱动因子在不同地理区域呈现空间异质性影响。该研究为高寒湿地健康动态提供了空间显式视角，支持空间差异化的湿地保护与管理决策。
三、关键技术与方法
研究人员使用了以下主要技术方法：利用HLS（Harmonized Landsat and Sentinel-2）数据计算遥感指标，解决单一传感器在青藏高原云雨天气下高质量观测不足的问题；采用并行无监督自编码器（AE）将多维生态指标非线性压缩为一维潜在表征作为WHI，瓶颈层限制为单神经元并施加Sigmoid激活函数；使用地理探测器（Geodetector）中的最优参数地理探测器（OPGD）量化各驱动因子对WHI空间分层异质性的解释力；采用基于FLAML（Fast Library for Automated Machine Learning & Tuning）的AutoML方法构建预测WHI的代理模型，选用XGBoost、LightGBM和随机森林（Random Forest）作为候选算法；使用GeoShapley方法将预测分解为全局截距、空间主效应、非空间特征独立贡献和空间-特征交互项，以量化驱动因子的空间异质性效应。
四、研究结果
4.1 湿地健康指数的时空变化
并行AE模型收敛稳定，水体类别验证重构误差为0.0337±0.0002，植被-土壤类别为0.0399±0.0001。内部一致性分析表明WHI与各指标的相关方向符合生态学预期。2018至2023年间，青藏高原湿地健康总体处于中等水平，平均WHI在0.42附近波动，2018年最低为0.41，2021年达到峰值0.44。水体像素的平均WHI始终高于植被-土壤像素，水体像素在2021年达到约0.69的良好水平，而植被-土壤WHI维持在0.33至0.36的中等水平。湖泊的WHI始终最高，保持在0.60左右；洪泛平原持续偏低，约为0.20。空间上，高原东部和东南部WHI相对较高，中部和西部较低且波动更大。健康等级方面，中等水平湿地占比从2018年的25.9%上升至2023年的30.1%，中等及以上水平湿地合计净增6.9%。
4.2 WHI的空间分层异质性
OPGD分析显示，降水（PREP）和牲畜放牧（CH）的解释力始终最高，q值在研究期间围绕0.40波动，表明二者分别是主导的自然和人为驱动因子。土壤湿度（SM）和高程（DEM）的解释力相对稳定，平均q值分别约为0.27和0.22。人类活动指数（HAI）的解释力从2018年的0.24上升至2020年的0.28，2021年骤降至0.19后逐步回升至2023年的0.21，这一骤降与WHI在2021年达到峰值相吻合，暗示人类活动暂时减弱可能促进了生态恢复。
4.3 GeoShapley空间效应解释
LightGBM取得了最佳预测性能，R2为0.87。GeoShapley分析显示，人类活动指数（HAI）、地理位置（GEO）和冻土分布（PFD）是前三位重要因子。内在位置效应呈现明显的空间格局：高原中部和西部为负值，向东部逐渐转为正值，表明中部高原天然具有较低的WHI基线。牲畜放牧（CH）及其与地理位置交互作用的综合贡献大于其单独贡献，中部高原CH较高通常对应较低的WHI，而北部边缘部分区域出现正效应，说明放牧压力对湿地健康的影响因地理位置而异。
五、讨论与结论
讨论部分指出，该框架的优势在于显式区分水体与植被-土壤组分，克服了以往将湿地视为均质单元的局限。与1公里生态环境质量指数（EQI）和500米改进型遥感生态指数（IRSEI）的空间对比显示，WHI与二者高度一致（相关系数分别为0.68和0.72），且WHI能覆盖前两者排除的水体区域。野外验证表明，植被-土壤像素的WHI与地上生物量（r=0.42）和土壤有机碳（r=0.43）显著正相关，水体像素的WHI与湖水透明度（LAWSD30）相关系数约为0.47。研究还发现，2020至2021年间WHI的改善可能与人类扰动减弱、有利的水文气候条件和生态保护措施加强有关。降水（PREP）的主导作用表明，在青藏高原，降水增加对湿地的影响超过了温度驱动的冰川退缩和冻土退化。放牧（CH）效应的空间异质性说明牲畜活动的影响取决于局部环境背景和生态承载力。
研究结论：本研究开发了基于水-植被二元结构的像素尺度LEE评估框架，利用无监督自编码器（AE）综合评价了青藏高原湿地健康。结果表明，青藏高原湿地健康总体处于中等水平，平均WHI在0.42附近波动。水体组分始终表现出高于植被区域的健康得分。空间上，藏中地区和青海南部湿地健康水平相对较高，而较为破碎的湿地WHI较低。时间上，2020至2021年间WHI的改善可能与人为扰动减弱、有利水文气候条件和生态保护措施加强的综合影响有关。OPGD识别出降水（PREP）和牲畜放牧（CH）分别是主导的自然和人为驱动因子。GeoShapley进一步揭示了空间异质性，表明地理位置部分塑造了湿地健康基线，环境和人为因子的效应随地理情境而变化。持续的高分辨率评估对于捕捉短期环境变率、为气候变化和持续人类压力下脆弱湿地生态系统的空间差异化适应性保护策略提供信息至关重要。
