中国湿地专题

    2020年9月,国家地球系统科学数据中心发布30米分辨率中国湿地空间分布数据集(2015年),该产品由中国科学院东北地理与农业生态研究所王宗明团队生产,该产品将为我国湿地保护与恢复提供重要的科学数据支撑。

    湿地与森林、农田并称为三大陆地生态系统,为全球40%的陆地生物提供生境,为87%的水鸟提供栖息地,其水源涵养能力是其它陆地生态系统的5-8倍,贮存全球34%的陆地表层土壤有机碳。湿地是“山水林田湖草”生命共同体中的重要组成部分,湿地的保护与管理对于“美丽中国”建设至关重要。20世纪50年代以来,受到气候变化和人类活动的双重胁迫,中国湿地面积大幅减少,空间分布范围明显萎缩。该数据集可以作为国家落实联合国可持续发展目标SDG 6.6进展状况评估的重要基础,可以为国家《国际湿地公约》具体履约行动提供关键数据支撑,为我国湿地生态系统有效管理与保护、外来入侵物种防治、湿地恢复空间决策提供科学依据。

    湿地因其光谱和空间特征复杂多变,高精度、大范围的制图工作存在极大困难。传统的湿地遥感制图仅依赖光谱特征,极易造成错分、漏分和“椒盐现象”。中国科学院东北地理与农业生态研究所王宗明团队充分综合湿地的光谱和纹理特征,采用集成面向对象方法与多层决策树的湿地分类技术(HOHC),进行国家尺度湿地分类。首先对遥感图像进行多尺度分割,构建层次分明、结构清晰的层次网络体系;然后利用决策树方法对湿地对象进行逐级分层分类,以不同尺度分割结果作为分层的依据,结合多源辅助信息(气候数据、地形地貌数据、植被类型数据、水体分布数据等)实现影像对象的分类;为进一步提高分类精度,该团队应用海量的野外调查数据对湿地分类结果进行检查和修正。最终获得2015年中国沼泽湿地、滨海养殖池、红树林、互花米草的空间分布数据集。遥感分类精度验证结果表明,2015年中国沼泽湿地的总体分类精度为95%,滨海养殖池、红树林和互花米草的分类精度均在92%以上。

    中国沼泽湿地空间分布
    中国红树林空间分布
    中国互花米草空间分布 中国滨海养殖池空间分布

    目前,30米分辨率中国湿地空间分布数据集(2015年)已在本中心开放共享,欢迎相关研究人员下载使用数据,数据下载链接为:


    30m分辨率中国沼泽湿地空间分布数据集(2015年)

    30m分辨率中国红树林空间分布数据集(2015年)

    30m分辨率中国互花米草空间分布数据集(2015年)

    30m分辨率中国滨海养殖池空间分布数据集(2015年)


    相关文献如下:

    [1] Mao, D.H., Wang, Z.M., Du, B.J., Li, L., Tian, Y.L., Zeng, Y., Song, K.S., Jiang, M., Wang, Y.Q. 2020. National wetland mapping in China: A new product resulting from object based and hierarchical classification of Landsat 8 OLI images. ISPRS Journal of Photogrammetry and Remote Sensing, 164: 11-25.
    [2] Mao, D.H., Wang, Z.M., Wu, J.G., Wu, B.F., Zeng, Y., Song, K.S., Yi, K.P., Luo, L. 2018. China's wetlands loss to urban expansion. Land Degradation and Development, 29: 2644-2657.
    [3] Mao, D.H., Luo, L., Wang, Z.M., Wilson, M.C., Zeng, Y., Wu, B.F., Wu, J.G. 2018. Conversions between natural wetlands and farmland in China: A multiscale geospatial analysis. Science of the Total Environment, 634: 550-560.
    [4] Mao, D.H., Liu, M.Y., Wang, Z.M., Li, L., Man, W.D., Jia, M.M., Zhang, Y.Z. 2019. Rapid invasion of spartina alterniflora in the coastal zone of mainland China: Spatiotemporal patterns and human prevention. Sensors, 19: 2308.
    [5] Jia, M.M., Wang, Z.M., Wang, C., Mao, D.H., Zhang. Y.Z. 2019. A new vegetation index to detect periodically submerged mangrove forest using single-tide Sentinel-2 imagery. Remote Sensing, 11: 2043.
    [6] Jia, M.M., Wang, Z.M., Zhang, Y.Z., Mao, D.H., Wang, C. 2018. Monitoring loss and recovery of mangrove forests during 42 years: The achievements of mangrove conservation in China. International Journal of Applied Earth Observation and Geoinformation, 73: 535-545.
    [7] Jia, M.M., Wang, Z.M., Li, L., Song, K.S., Ren, C.Y., Liu, B., Mao, D.H. 2014. Mapping China’s mangroves based on an object-oriented classification of Landsat imagery. Wetlands, 34: 277-283.
    [8] Liu, M.Y., Mao, D.H, Wang, Z.M. 2018. Rapid invasion of spartina alterniflora in the coastal zone of mainland China: New observations from Landsat OLI images. Remote Sensing, 10 (12): 1933.
    [9] Ren, C.Y., Wang, Z.M., Zhang, Y.Z., Zhang, B., Chen, L., Xi, Y.B. 2019. Rapid expansion of coastal aquaculture ponds in China from Landsat observations during 1984–2016. International Journal of Applied Earth Observation and Geoinformation, 82: 101902.
    [10] Mao, D.H., He, X.Y., Wang, Z.M., Tian, Y.L., Xiang, H.X., Yu, H., Man, W.D., Jia, M.M., Ren, C.Y., Zheng, H.F. 2019. Diverse policies leading to contrasting impacts on land cover and ecosystem services in Northeast China. Journal of Cleaner Production, 240: 117961.