大型国际重要湿地边界及遥感分类数据集（2001、2013）

张海英¹，牛振国^1*，许盼盼¹，陈燕芬¹，胡胜杰¹，宫 宁²

1. 中国科学院遥感与数字地球研究所遥感科学国家重点实验室，北京 100101；
2. 山东农业大学资源与环境学院，泰安 271018

摘 要：湿地是全球最具生物多样性和生产力最高的生态系统之一。本数据集依据拉姆萨尔湿地公约网站及保护区等其他辅助资料，对照Google Earth、天地图等高分辨率遥感影像，确定了全球100处大型（面积大于20万hm2）国际重要湿地的边界。以2001年和2013年Terra/Aqua卫星MODIS传感器250 m空间分辨率16天合成的MOD13Q1产品为数据基础，对归一化植被指数（NDVI）进行滤波和时间序列重建，采用支持向量机方法（SVM）对其进行分类和制图，得到2001年和2013年全球100处国际重要湿地的遥感分类数据集。与高分辨率遥感影像和文献资料等数据比较，湿地遥感分类数据集能够揭示气候波动与人类活动双重影响下国际重要湿地内湿地的时空变化特征；与基于单期遥感数据的湿地监测相比，更具有优势。该数据集可以为湿地保护与管理和全球环境变化研究等提供参考。本数据集共包含3个文件，由.kmz和.shp两种格式存储，压缩后数据量为102 MB。

关键词：湿地；边界；遥感分类；湿地制图；国际重要湿地名录

DOI: https://doi.org/10.3974/geodp.2017.02.15

1 前言

湿地是全球最具生物多样性和生产力最高的生态系统之一[1]。近年来，湿地监测不断受到全球科学家的关注，成为全球变化研究中的热点问题。准确掌握湿地生态系统的时空变化特征，对全球变化具有至关重要的现实意义[2]。遥感技术的快速发展为全球湿地研究提供了更为客观的手段。遥感卫星提供的时间序列数据对研究湿地在其植被生长周期或自然年份内的变化发挥了不可替代的作用[3]，是本文全球大型国际重要湿地遥感监测的重要数据源。作者在发表相关研究论文的同时，出版该数据集。

2 数据集元数据简介

大型国际重要湿地边界及遥感分类数据集[4]的名称、作者、地理区域、数据年代、时间分辨率、空间分辨率、数据集组成、数据出版与共享服务平台和数据共享政策等信息见表1。

3 数据研发方法

3.1 监测对象与指标

依据可查证确切分布范围、面积较大、地图信息完整、兼顾全球典型生态气候区和各大洲均匀分布的原则，在国际重要湿地数据库（https://rsis.ramsar.org/）中选取100处大型国际重要湿地（大于20万hm2）作为监测对象（见图1）。

全球大型国际重要湿地遥感监测的主要指标包括湿地保护区内各种地表类型及其面积（见表2）。湿地与非湿地类型之间的相互转化、湿地类型之间的相互转化、湿地面积的增减等是反映国际重要湿地生态环境状况的重要指标。一般而言，如果湿地类型转变为非湿地类型或自然湿地转变为人工湿地，则意味着国际重要湿地的生态环境状况变差，不利于生物多样性的保护；反之，则认为国际重要湿地的生态环境状况向好的方向转变。

3.2 数据采集与研发方法

国际重要湿地的边界主要以《湿地公约》官方网站（https://rsis.ramsar.org/，截止到2014年7月）公布的纸质扫描版地图为基准数据[6]，少部分来自全球保护区数据（https://www.iucn.org/；http://www.protectedplanet.net. 2014年7月）及其他各种文献资料等。利用ArcGIS平台进行地理配准和矢量化，形成初步的国际重要湿地边界。由于各个国家对于湿地的管理和技术水平条件等存在较大差异，上述边界与实际情况存在部分不一致。因此我们又参照Google Earth、天地图等高分辨率遥感影像，依据湿地的自然地理特征进行边界的修正和确认（如沿河流、山脊和道路等走向）。湿地的遥感监测以时间序列的中等分辨率成像光谱仪（MODIS）产品MOD13Q1（16天合成，空间分辨率为250 m）为主要数据源，来源于美国国家航空航天局（https://ladsweb.nascom.nasa.gov/data/），时间覆盖2001年、2013年，每年包括23期。本研究同时以国家测绘地理信息局天地图网站（http://www.tianditu.com/map/index.html）、Google Earth平台提供的高分辨率遥感影像以及其他地理数据作为辅助数据。由于归一化植被指数（NDVI）可以反映植被生长状况，通过分析各种湿地与非湿地类型的NDVI值在植被生长周期或一年内的变化规律差异（主要包括植被类型的生长期长度、NDVI最高值与最低值、NDVI在一年中首次出现正值时的日期等信息），结合不同生态区内的植被生长规律等信息[7]，能有效提高不同地物类型的解译精度。本研究采用Savitzky-Golay滤波的方法对MODIS NDVI时间序列数据进行重建[8]，通过对时间序列数据进行聚类，结合不同地物在高分辨率遥感影像中的图像特征，对每类地物选取10-20个训练样本，利用支持向量机方法（SVM）对时间序列遥感数据进行分类制图，最小制图单元面积为56.25 hm2（3×3像元）。具体方法及技术流程见图2。

图1 大型国际重要湿地分布图

下载

图2 大型国际重要湿地遥感监测方法及技术流程

下载

4 数据结果

数据结果包括在三个数据文件中，它们分别是：100个大型国际重要湿地界线数据（Top100_boundary.kmz，1,470.14 KB）、2001年湿地遥感监测数据（Ramsar2001.rar，52,245.46 KB）和2013年湿地遥感监测数据（Ramsar2013.rar，50,858.42 KB）（http://www.geodoi.ac.cn/WebCn/doi.aspx?Id=243）。

4.1 大型国际重要湿地面积统计

全球100个大型国际重要湿地面积总计138,392,121.05 hm2。其中，面积最大的湿地是位于博茨瓦纳的奥卡万戈三角洲（湿地编码879号），面积6,703,463.94 hm2。全球100个大型国际重要湿地面积统计结果列于表3。

4.2 大型国际重要湿地2001年、2013年遥感分类结果

在100个大型国际重要湿地2001、2013年遥感分类结果（Ramsar2001.rar，Ramsar2013.rar）基础上，汇总出各种地表覆盖类型的面积总和，汇总结果见表4。

5 数据验证

利用高分辨率遥感影像对全球大型国际重要湿地制图结果进行精度检验。在各大洲（南极洲除外）各个国际重要湿地内随机抽选10个国际重要湿地作为待检验区域，将分类结果中的所有地物类型进行随机采样，共计选取各类样本2,386个，利用高分一号、资源三号等国内外高分辨率卫星影像进行对照，完成对所有类型的精度检验。其中，2001年总精度为88%，Kappa系数为0.86；2013年总精度为89%，Kappa系数为0.87。

该数据集是一套包含全球100处大型国际重要湿地边界和以250 m空间分辨率16天合成MODIS MOD13Q1产品为基础的湿地遥感制图及类型变化数据。它是全球湿地及气候变化研究的重要参考数据。

作者分工：张海英、牛振国负责全球大型国际重要湿地边界提取方法研发、数据收集与处理、数据分析与验证等全部流程的研究工作。张海英、许盼盼、陈燕芬、胡胜杰、宫宁参与了大型国际重要湿地边界提取和湿地遥感分类工作，在文章作者顺序中按其工作量和贡献程度进行排列。张海英负责数据论文撰写，牛振国负责文章审核和校正等。

参考文献

• [1] Costanza, R., d'Arge, R., De Groot, R., et al. The value of the world's ecosystem services and natural capital [J]. Nature, 1997, 387: 253-260.
• [2] Kloiber, S. M., Macleod, R. D., Smith, A. J., et al. A semi-automated, multi-source data fusion update of a wetland inventory for East-Central Minnesota, USA [J]. Wetlands, 2015, 35: 335-348.
• [3] Dong, J., Xiao, X., Kou, W., et al. Tracking the dynamics of paddy rice planting area in 1986-2010 through time series Landsat images and phenology-based algorithms [J]. Remote Sensing of Environment, 2015, 160: 99-113.
• [4] 张海英, 牛振国, 宫宁等. 全球大型国际重要湿地遥感分类及类型变化数据集[DB/OL]. 全球变化科学研究数据出版系统, 2015. DOI: 10.3974/geodb.2015.02.09.V1.
• [5] 全球变化科学研究数据出版系统. 全球变化科学研究数据共享政策[OL]. DOI:10.3974/dp.policy. 2014.05 (2017年更新).
• [6] Ramsar convention secretariat. The Ramsar convention manual: a guide to the convention on wetlands (Ramsar, Iran, 1971), 4th edition [Z]. 2006.
• [7] Jin, Z., Xu, B. A novel compound smoother―RMMEH to reconstruct MODIS NDVI time series [J]. IEEE Geoscience and Remote Sensing Letters, 2013, 10: 942-946.
• [8] Chen, J., J?nsson, P., Tamura, M., et al. A simple method for reconstructing a high-quality NDVI time-series data set based on the Savitzky-Golay filter [J]. Remote Sensing of Environment, 2004, 91: 332-344.