注册 登录 English Version
综述 | 浏览量 : 2196 下载量: 1817 CSCD: 5 更多指标
  • 导出

  • 分享

  • 收藏

  • 专辑

    • 全球湿地遥感研究综述:1975年—2020年

    • Review of global studies on the remote sensing of wetlands from 1975 to 2020

    • 毛德华

      1

      王宗明

      1

      贾明明

      1

      罗玲

      1

      牛振国

      2

      蒋卫国

      3

      孙伟伟

      4
    • 2023年27卷第6期 页码:1270-1280   

      纸质出版日期: 2023-06-07

    • DOI: 10.11834/jrs.20231022     

    扫 描 看 全 文

  • 引用

    阅读全文PDF

  • 毛德华,王宗明,贾明明,罗玲,牛振国,蒋卫国,孙伟伟.2023.全球湿地遥感研究综述:1975年—2020年.遥感学报,27(6): 1270-1280 DOI: 10.11834/jrs.20231022.
    Mao D H, Wang Z M, Jia M M, Luo L, Niu Z G, Jiang W G and Sun W W. 2023 Review of global studies on the remote sensing of wetlands from 1975 to 2020. National Remote Sensing Bulletin, 27(6):1270-1280 DOI: 10.11834/jrs.20231022.
  •  
  •  
    论文导航

    摘要

    在显著气候变化叠加人类活动干扰的背景下,可持续的湿地生态系统管理对于湿地空间信息的需求不断提升,湿地遥感作为重要的交叉学科方向,研究成果日益增多。本文以Web of Science核心合集为数据库,通过检索过去50年湿地遥感论文成果,总结了湿地遥感研究全球发文量和引文量的变化情况;进行文献计量分析,探讨湿地遥感研究的发展历程和发展趋势。论文将湿地遥感研究划分为潜力探索期、框架成形期、快速增长期3个阶段,进而总结分析了不同阶段湿地遥感的研究主题和主要数据源;最后基于VOCviewer软件对湿地遥感研究热点关键词进行综述,从大数据时代背景下的湿地遥感分类及景观动态、精细化的湿地生态参量遥感观测、湿地可持续管理空间决策支持3个方面进行了未来研究趋势的展望。本研究将为理解国际湿地遥感研究发展历史、把握湿地遥感研究国际前沿、进行国内湿地遥感研究布局提供借鉴。

    Abstract

    Sustainable ecosystem management requires considerable wetland spatial information given the evident climate change impacts and human disturbances on wetlands. Remote sensing of wetlands, as an important interdiscipline, has increasing publications. Here, we searched for published papers in the past 50 years from the “Web of Science Core Collection” database. We summarized the changes in the number of publications and citations and the development process and trend in remote sensing of wetlands. We divided the development history into three research periods including potential exploration phase, framework emerging phase, and rapid growth phase. Based on the development history over the past 50 years and facing the background of wetland ecosystem protection demand in the era of big data, studies on remote sensing of wetlands have developed in the direction of fast, multisource, and fine, such as wetland intelligent classification, remote sensing inversion of large-scale wetland vegetation ecological parameters, and wetland ecosystem health assessment. However, the spectral and backscattering characteristics of wetlands are complex due to the interaction of water, vegetation, and soil, and their annual/inter-annual variation characteristics are notable, aggravating the difficulty of remote sensing detection of wetlands. This condition is a key issue that requires resolution at present. Thus, the multimodal remote sensing experiments of wetlands should be strengthened. We also concluded the main research topics and data sources in different phases and analyzed the hotspots in remote sensing of wetlands by the extracted keywords from 500 latest and top-cited papers. Three outlook bullets were presented from the wetland classification and landscape dynamics in the era of big data, the fine remote sensing observations in wetland ecological variables, and the spatial decision support for sustainable wetland management. Based on cloud platforms (such as GEE), carrying out large-scale and long-term wetland mapping and landscape dynamic analysis by means of time series remotely sensed data (i.e., Landsat and Sentinel), investigating the application potential of diverse machine learning algorithms (i.e., random forest and deep learning) for wetland ecological parameter inversion at different geographic scales, establishing a scientific indicator system, and fully applying the multisource and multiplatform remote sensing observation technology to solve the actual ecological environment problems are important development trends and research hotspots of future wetland remote sensing studies. We hope that this review not only provides a glimpse, but also a framework understanding of wetland remote sensing research. With the improvement on the awareness of the importance of wetland ecosystem, the number of scholars engaged in research of remote sensing of wetlands increases. The review is expected to be beneficial for understanding the development history and international frontiers for studies in remote sensing of wetlands and to support their layout domestically and abroad.

    关键词

    全球尺度; 湿地遥感; 综述; 长时序; 大数据; 人工智能; 云平台; 可持续发展

    Keywords

    global scale; remote sensing of wetlands; review; long time series; big data; artificial intelligence; cloud platform; sustainable development

    1 引言

    湿地是“山水林田湖草”生命共同体的重要组成部分,可持续的湿地管理与保护是中国生态文明建设的重要内容。湿地生态系统具有极其丰富的生态系统功能和服务,与人类的福祉密切相关,但其对于气候变化叠加人类活动干扰的双重胁迫极具敏感性(

    Gong等,2010Millennium Ecosystem Assessment,2005Ramsar Convention on Wetlands,2018)。湿地的损失与退化已带来一系列的生态环境问题,如日趋加剧的洪/旱灾害频率、生物多样性损失、碳排放增加等(Mao等,2018;Wang等,2012Xu等,2019)。在此背景下,对于湿地的科学研究日趋深入和完善。遥感是重要的科学领域和监测技术手段,以湿地为视角的遥感研究不断增加,已成为湿地科学和遥感应用研究的重要内容和重点方向之一(张柏,1996Ozesmi和Bauer,2002)。

    湿地遥感的研究范畴涉及到格局—过程—功能与服务—可持续性等多领域,从湿地遥感分类到湿地水文、湿地碳氮循环、湿地对气候变化的响应及其反馈、湿地生物多样性、湿地保护管理空间决策支持等多方面(

    Finlayson等,1995Guo等,2017Klemas,2011)。随着湿地研究人员的不断增多和湿地遥感研究的不断扩展和深入,多源遥感技术已在湿地研究中得到广泛应用(Adam等,2010Henderson和Lewis,2008Klemas,2015)。与此同时,由于湿地生态系统本身的复杂性,遥感探测湿地的机理和技术方法仍存在诸多难点或不足。因此,对国际上已有的研究进行系统总结和梳理已成为当下湿地遥感研究领域的迫切需求。

    本文依托Web of Science数据库,对1975年以来湿地遥感研究的知识框架和研究进展进行了梳理和总结,主要从基本信息、研究主题和数据源、发展趋势3个维度进行阐述,以期为湿地遥感研究与湿地生态系统管理提供借鉴,并为湿地科学与遥感科学的发展贡献力量。

    2 数据库与分析方法

    国际上的湿地定义可以概括为广义和狭义两类。广义的湿地定义是《湿地公约》的湿地定义,即:湿地是指天然或人工的、永久或暂时的沼泽地、泥炭地或水域地带,具有静止或流动的淡水、半咸水或咸水体,包括低潮时水深不超过6 m的海域(

    Finlayson和Moser,1991)。狭义的湿地是指分布于陆地系统和水体系统之间、由陆地系统和水体系统相互作用形成的自然综合体,是常年或生长季内具备浅层积水或水分饱和、发育水成土壤、具有适应其环境的生物种群的土地(陈宜瑜和吕宪国,2003Keddy,2010National Research Council,1995)。广义的湿地定义适于湿地管理与经营者需要,狭义的湿地定义适于科学研究需求(刘兴土 等,2012)。本文的研究对象确定为狭义的湿地(即沼泽湿地),不包括湖泊、河流、水库等自然和人工水体。因此,本研究在检索时,检索对象为狭义湿地的相关主题词,未将湖泊(Lake)、河流(River)、内陆水体(Inland waterbody)等主题词列入检索对象。以Web of Science核心合集为数据库,通过主题词“wetland、swamp、marsh、bog、fen、peatland、mire、tidal flat、everglades、mangrove”和“remote sensing”,检索至2020年的论文成果,共检索到3503个结果(其中包括研究论文3378(Article)、会议论文130篇(Proceedings paper)、综述论文102篇(Review)篇)。通过对以上论文进行分析,总结国际上湿地遥感发文量和引文量的变化情况,同时统计发文量排在前10名的作者、国家、机构和期刊信息。在数据分析的基础上,总结不同时间段的研究主题、数据源,最后基于VOCviewer对湿地遥感研究热点关键词进行统计,进而对湿地遥感研究的发展趋势进行展望和讨论。

    3 结果与分析

    3.1 湿地遥感研究发文基本特征

    对检索到的所有湿地遥感研究论文进行统计分析发现:如图1所示,过去50年间,湿地遥感论文数基本呈现指数增长趋势。基于此变化趋势,本文将全球湿地遥感研究分为3个阶段:(1)以湿地为对象的遥感研究论文最早发表于1975年(

    Reimold和Linthurst,1975),至1991年共检索到28篇论文,此阶段论文发文量和引文量均相对较少,因此将这个阶段定义为潜力探索期;在此阶段相关学者以湿地为对象,开始探讨遥感应用的潜力(Butera,1983);(2)1992年—2009年这个时期内湿地遥感研究的论文数量和引文量呈现轻度增加趋势,从检索结果来看,该阶段后期论文发文量开始超过百篇,湿地研究的内容也不断丰富,因此将1992年—2009年这个时间段定义为框架成形期;(3)2010年以后湿地遥感研究发文量和引文量快速增加,发文量从2010年的121篇增长到2020年的475篇,湿地遥感研究不同内容的发文量和引文量都大大增加,因此将此阶段定义为快速增长期。

    fig

    图1  湿地遥感研究的发展进程及发文量和引文量年际变化

    Fig. 1  Development of the researches in remote sensing of wetland and annual changes in number of publications and number of citations

    icon 下载:  原图 | 高精图 | 低精图

    对检索结果进一步分析发现:全球湿地遥感研究总发文量最多的国家是美国,主要由美国内政部、地质调查局(USGS)、美国国家航空和宇宙航行局(NASA)等所属的多个湿地研究单位完成;中国的湿地遥感研究发文量居全球第二,最大的研究团体是中国科学院;美国和中国的湿地遥感研究发文数量均超过800篇(图2(a)图2(b))。针对独立的研究机构发文量进行统计,发现:如图2(b)所示,中国科学院东北地理与农业生态研究所(中科院东北地理所)和中国科学院地理科学与资源研究所(中科院地理资源所)发文量居世界前列,发文量超过70篇。如图2(c),发文量全球前十的作者主要来自中科院东北地理所的湿地遥感研究团队(WANG ZM,MAO DH,JIA MM)、比利时布鲁塞尔自由大学红树林研究团队(DAHDOUH-GUEBAS F,KOEDAM N)、加拿大自然资源部湿地遥感研究团队(BRISO B,SALEHI B)、美国特拉华大学和加州大学欧文分校的滨海湿地遥感研究团队(KLEMAS V,USTIN SL)、清华大学和中国科学院空天信息创新研究院的联合研究团队(GONG P,NIU ZG)。近年来MDPI旗下开源期刊Remote Sensing由于其较短的发表周期受到关注,湿地遥感研究发文量位居所有期刊的首位,发文量超过300篇;而作为遥感科学的旗帜期刊Remote Sensing of Environment,其湿地遥感研究的发文量排在第二位,湿地科学期刊Journal of Coastal Research和Wetlands分别排在第四和第五位(图2(d))。

    fig
    icon 下载:  | 高精图 | 低精图

    图2  湿地遥感研究发文量在前十位的基本信息统计:国家、机构、作者、期刊

    Fig. 2  The top ten most productive countries, institutions, authors and journals in publications of wetland remote sensing

    3.2 不同阶段湿地遥感研究主题、数据源及关键技术

    对不同阶段湿地遥感的发文主题进行总结,如图3所示:在潜力探索期(1975年—1991年),湿地遥感研究主题有限,主要以湿地分布信息提取为主,湿地分类以目视判读为主要方法;但在湿地分布制图的基础上逐步出现了生物量估算(

    Hardisky等,1984)、甲烷排放估算(Bartlett等,1989)、生境评估(Matthews,1991)等研究主题。这期间遥感数据源基本为航空相片和多光谱影像,如1972年美国开始发射的陆地资源卫星(Landsat)等;Gilmer等(1980)利用Landsat和航拍数据调查了北达科他州中东部湿地分布面积。1994年开始,多篇基于合成孔径雷达(SAR)数据的湿地遥感研究发表(Morrissey等,1994Pope等,1994),开启了湿地多源遥感的新篇章。

    fig

    图3  不同阶段湿地遥感研究主题及数据源

    Fig. 3  Research topics and data sources of the studies in remote sensing of wetlands during different periods

    icon 下载:  原图 | 高精图 | 低精图

    在框架成形期(1992年—2009年),湿地遥感研究的框架基本成型,研究主题多样化,基本涵盖了湿地水、土、气、植被、生态系统和景观各个内容(

    Rundquist等,2001)。但湿地分布信息精准提取方法、湿地景观动态的相关探讨仍是湿地遥感研究的核心主题(Hirano等,2003)。这个阶段中,随着计算机技术的快速发展,湿地制图方法由简单的目视判读、手动勾绘,向以机器学习算法为驱动的半自动和自动化的分类技术转变,如Baker等(2006)利用决策树分类开展了美国蒙大拿州西南部的加拉廷山谷湿地的分布情况。Keramitsoglou等(2006)发现支持向量机(SVM)模型在希腊北部马其顿湿地的提取中效果较好。湿地制图尺度也因此逐步扩展,中国学者完成了第一个国家尺度的湿地制图(Niu等,2009)。

    随着多源、多平台、多类型的遥感数据源不断丰富,遥感技术在湿地中的应用逐步深入。研究主题在水环境参量(如溶解有机质含量DOC)、植被参量(如生物量)、生境评估与生物多样性监测(如物种入侵)等方面发文量逐步增加(

    童庆禧 等,1997Hirtle和Rencz,2003;Maheu-Giroux和de Blois,2005),进一步拓展了湿地遥感研究的框架结构,然而多源遥感技术探测湿地不同参量的机理及其主要影响因素并未得到深入解析。

    在快速增长期(2010年—2020年),在湿地遥感研究主题框架形成的基础上,各研究主题的论文数量快速增加,且研究主题的视角也不断拓展,尤其是在生态系统研究方面,遥感技术支撑区域乃至更大尺度上的生态系统结构与过程、功能与服务研究的能力凸显。如

    Poulin等(2010)利用多季相的SPOT-5影像评估了法国罗讷河三角洲芦苇湿地的生态变化;Kang等(2016)评估了中国若尔盖湿地的物候和总初级生产力的变化特征。中国学者利用卫星影像开展相关研究的数量逐步增加。如Niu等(2012)利用CBERS中巴资源卫星开展了国家尺度的湿地制图和变化分析;Mao等(2019)定量揭示了中国滨海湿地互花米草入侵进程的时空特征。在长时间序列区域及大尺度研究中,Landsat免费提供了1972年至今、覆盖全球的中等空间分辨率(80/30 m)遥感影像,被广泛应用于湿地遥感研究,如Murray等(2019)基于Landsat数据实现了全球尺度长时间序列滩涂变化特征提取。随着Sentinel数据的发布,其覆盖全球、具有较高时间分辨率(5/10 d)和空间分辨率(10/20 m)的特点再次为湿地遥感研究提供了较好的数据源,其应用范围和频次快速增加(Wang等,2019)。Mahdianpari等(2020)基于谷歌云平台和Sentinel数据完成了10 m空间分辨率的加拿大湿地遥感分类。随着生态系统研究的精细化,无人机平台因其机动灵活性,搭载的不同传感器能够有针对性地开展目标观测,其应用研究不断扩展(Klemas,2015)。

    3.3 湿地遥感的发展趋势

    图4所示,过去50年间湿地遥感研究的框架基本形成。然而相对于其他生态系统类型而言,湿地由于其本身在水、土、植被方面的复杂性,湿地遥感研究仍存在许多难题和科学问题亟待解决(

    Gallant,2015)。例如,湿地遥感研究仍受遥感数据源和信息处理能力的限制,在湿地的精细分类、群落/功能群识别、全球尺度的湿地制图、湿地生态系统功能与服务定量评估等方面均需进一步深化研究。随着遥感数据源的不断扩展和丰富,以及大数据处理能力的不断提升,湿地遥感向多源化、快速化、精细化方向快速发展,湿地遥感研究作为重要的交叉学科方向也将趋于成熟。

    fig

    图4  面向生态系统精细管理的湿地遥感研究框架

    Fig. 4  Research framework of the studies in remote sensing of wetlands for fine ecosystem management

    icon 下载:  原图 | 高精图 | 低精图

    (1)大数据时代背景下的湿地遥感分类及景观动态。湿地遥感分类及景观动态分析一直是湿地遥感研究的基础。如图5图6所示,在全球引用数TOP 500篇论文和最新发表的500篇论文中,湿地分类(classification)与制图(mapping)均是核心内容。面向全球和区域可持续发展与生态系统可持续管理,对于湿地地理空间信息数据的需求仍在加大(

    Mao等,2020)。随着遥感技术的发展,遥感数据空间分辨率、时间分辨率、光谱分辨率和辐射分辨率越来越高,数据类型越来越丰富,免费开放的数据量也越来越大,遥感数据已经具有了明显的大数据特征,即:体量巨大、种类繁多、动态多变、冗余模糊和高价值(张兵,2017Zhang等,2019),我们已进入一个前所未有的遥感大数据时代(董金玮 等,2018)。最近几年来,遥感大数据在大尺度湿地遥感制图方面得到广泛应用(Amani等,2019;Mahdianpari等,2020)。遥感大数据对数据存储和计算能力提出了更高的要求,随着网络和计算机技术的变革,面向遥感大数据的云存储和云计算技术在过去几年间得到了迅速发展(Chi等,2016Sun等,2019)。特别是GEE(Google Earth Engine)云平台已经集成了MODIS、Landsat、Sentinel等常用遥感数据集,极大促进了湿地遥感研究领域的发展(Alonso等,2020Amani等,2021)。例如,Bunting等(2018)实现了全球红树林的空间分布制图。但是,全球尺度上仍缺乏具有数据一致性的全球湿地数据集。因此,大数据时代背景下,依托云平台(如GEE)开展大尺度、长时间序列的湿地制图和景观动态分析,仍是湿地遥感研究的重要发展趋势之一(Amani等,2019)。

    fig

    图5  基于最近发表的500篇湿地遥感研究论文的关键词热点分析

    Fig. 5  Hotspot analysis in keywords extracted from the latest 500 papers in remote sensing of wetlands

    icon 下载:  原图 | 高精图 | 低精图
    fig

    图6  基于引用次数最高500篇湿地遥感研究论文的关键词热点分析

    Fig. 6  Hotspot analysis in keywords extracted from the top-cited 500 papers in remote sensing of wetlands

    icon 下载:  原图 | 高精图 | 低精图

    海量、多源、异构遥感数据的快速增长不仅对计算能力提出了更高的要求,而且对数据处理方法本身也提出了新要求,传统处理方法无法满足遥感大数据的处理精度和效率(

    Ma等,2015)。为满足日益增长的用户需求,智能化信息提取方法应运而生,面向遥感大数据的机器学习方法是遥感大数据的发展趋势(董金玮,2018)。遥感大数据时代的信息提取和知识发现是以数据模型为驱动,其本质是以大样本为基础,通过机器学习等智能方法自动学习地物对象的遥感化参数特征,进而实现对信息的智能化提取和知识挖掘(张兵,2017)。机器学习算法为湿地遥感制图和关键生态参量遥感反演提供了切实可行的技术手段(Mizuochi等,2018;O'Neil等,2020;Szantoi等,2015)。在这个研究过程中,需要充分挖掘海量遥感影像中的大数据信息,如充分挖掘Sentinel数据高时间和空间分辨率的特征信息、融合应用多光谱及雷达和高光谱数据、采用面向对象的分类方法加强纹理和几何信息的应用等(Dronova,2015Mahdavi等,2018)。

    (2)精细化的湿地生态参量遥感观测。由图5图6中显示的湿地遥感研究的关键词可知,湿地遥感研究的内容涉及到了水、土、气、植被、生态系统、景观各个方面,其中湿地生态参量遥感监测机理和技术作为重要的内容,在未来仍将得到更多的探讨,以支撑不同尺度上不同类型湿地生态系统管理、全球变化研究和生态系统建模等。已有研究较多地体现在湿地土壤有机质或不同元素含量的光谱响应特征与反演技术、湿地通量观测与建模方法、功能群或群落尺度上的植被结构调查、冠层叶片元素含量估算原理等相关领域。例如:

    Zhang等(2013)利用高光谱观测数据和不同的模型算法,开展了墨西哥退化红树林叶片氮素含量的空间反演;Byrd等(2018)基于随机森林算法构建了美国本土滨海盐沼植被的地上碳库空间预测模型,并解析了其地理空间分布特征;Mao等(2019)监测了互花米草入侵中国滨海湿地的时空进程。受研究尺度和对象的不同,相关参量的观测机理及不同遥感数据源和算法的应用潜力仍需要进一步的探索。

    湿地受复杂环境的影响,相关生态参量的反演往往受水体、土壤、植被等背景信息的影响较大。

    Taddeo等(2019)基于美国环保署国家湿地状况评估调查的1138个样本,首次在国家尺度上定量解析了6种湿地植被绿度指数对陆地表面特征、区域气候和土壤环境的响应。当前,一系列研究实现了森林和草地生态系统关键生态系统参量监测技术和产品的研发。但是,针对湿地生态系统的相关研究仍十分欠缺。例如,尽管湿地是固碳速率最高的陆地生态系统类型,但由于湿地独特的水热特征和丰富的生物多样性,湿地生态系统的生产力、覆盖度、碳储量等指标均未实现精确量化,在“碳中和”背景下,基于遥感数据开展湿地碳库相关参量的研究是当前湿地科学和全球变化研究中重要的课题。在野外调查的基础上,解析遥感探测不同湿地生态参量的方法和机理,基于谷歌云平台等计算不同波段特征和光谱指数对湿地关键生态参量的敏感性,对比传统线性回归和随机森林等机器学习算法对于湿地参量反演的精度,进而实现不同尺度湿地关键参量的时空动态反演,仍是湿地遥感研究的重要方向。

    (3)湿地可持续管理空间决策支持。近年来湿地损失与退化带来的生态环境问题日益显现,因此,联合国可持续发展目标(SDGs)的近200个指标中与湿地相关的有70多个,国际上对于湿地保护与可持续管理空间决策支持的需求不断提升(Mahdianpari等,2020)。2022年《中华人民共和国湿地保护法》正式施行,遥感技术支撑下的湿地监管将更加重要。与湿地景观动态、湿地生态参量观测研究相比,构建科学的指标体系,以问题为导向,将多源、多平台遥感观测技术充分应用到解决实际生态环境问题的过程中是新阶段生态系统可持续管理的必然趋势。例如,识别生态系统胁迫因子、评估湿地生态系统脆弱性和生态系统健康、确定湿地保护与恢复优先等级、分析退耕还湿适宜性、评估湿地恢复成效等,进而开展科学的自然资源优化配置和国土空间优化,为制定可持续的湿地生态系统管理决策提供支持(图4),仍是湿地遥感研究的重要方向。

    国内外学者已经在相关领域开展了一系列的研究探索。如

    Hester和Mendelssohn(2000)评估了美国路易斯安娜咸水沼泽植被群落受石油污染后的长期恢复情况;Seto和Fragkias(2007)定量解析了越南两个国际重要湿地的保护有效性,并揭示了红树林沼泽受到水产养殖业的重要影响;Mao等(2018a2018b)定量评估了中国国家尺度农业耕垦、城镇化对于湿地的损失的直接贡献,并解析了两种人为胁迫因子对湿地占用的时空异质性;Luo等(2018)以松嫩平原西部为例,构建了退耕还湿适宜性遥感评价指标体系和模型,实现了退耕还湿优先等级划分;Xiang等(2020)以三江平原为例,从湿地面积和生态系统服务角度定量评估了国家湿地保护工程的实施成效。受关键生态参量产品不足等限制,遥感技术支撑可持续湿地生态系统管理的空间决策支持潜力仍有待挖掘,需要进一步研发成熟的技术体系,实现国家乃至全球尺度更精细、指标更全面的数据产品,更好地支撑湿地生态系统的保护与管理,进而支撑联合国SDGs评价。

    4 结语

    湿地遥感作为一个交叉学科方向,既涵盖湿地遥感监测机理和方法的探讨,也涉及面向解决湿地相关的生态环境问题的遥感技术应用。自20世纪70年代至今,湿地遥感研究经历了潜力探索期、框架成形期、快速增长期3个阶段,在过去50年发展历程的基础上,面向湿地生态系统保护与管理与大数据时代背景,湿地遥感研究向快速化、多源化、精细化方向发展,如湿地智能分类,大尺度湿地植被生态参量遥感反演,湿地生态系统健康评估等。然而,受水、植被和土壤的交互影响,湿地的光谱和后向散射等特征复杂、且湿地年内/际变化特征明显,加剧了遥感探测湿地的难度,也是当前亟待解析的关键问题,湿地多模态遥感实验等需要加强。本文仅从Web of Science数据库中检索了过去50年来的3000余篇论文进行统计分析,相信湿地遥感研究的成果远不止于此。但本文的撰写希望不仅仅是管中窥豹,更希望能够为中国学者提供一个对于湿地遥感研究的框架性的认识。随着对湿地重要性的认知提升,中国从事湿地遥感研究的学者不断增加,中国的湿地遥感研究也在世界上走向前列。联合国大会已将每年的2月2日确定为世界湿地日,2022年,中国首次承办《湿地公约》缔约方大会(第十四届),湿地保护与恢复也已上升为中国国家战略,遥感技术支撑湿地保护与可持续的需求不断提升。自2019年开始,由国内主要湿地遥感研究单位共同发起和承办的“中国湿地遥感大会”已连续举办四届,为相关学者和管理人员提供了较好的交流平台,期待中国学者通过更多的成果来解决更多的湿地遥感科学问题并实现科学应用,服务于中国生态文明和美丽中国建设。

    参考文献(References)

    Adam E, Mutanga O and Rugege D. 2010. Multispectral and hyperspectral remote sensing for identification and mapping of wetland vegetation: a review. Wetlands Ecology and Management, 18(3): 281-296 [DOI: 10.1007/s11273-009-9169-z] [百度学术] 

    Alonso A, Muñoz-Carpena R and Kaplan D. 2020. Coupling high-resolution field monitoring and MODIS for reconstructing wetland historical hydroperiod at a high temporal frequency. Remote Sensing of Environment, 247: 111807 [DOI: 10.1016/j.rse.2020.111807] [百度学术] 

    Amani M, Brisco B, Mahdavi S, Ghorbanian A, Moghimi A, DeLancey E R, Merchant M, Jahncke R, Fedorchuk L, Mui A, Fisette T, Kakooei M, Ahmadi S A, Leblon B and LaRocque A. 2021. Evaluation of the Landsat-based Canadian wetland inventory map using multiple sources: challenges of large-scale wetland classification using remote sensing. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 14: 32-52 [DOI: 10.1109/JSTARS.2020.3036802] [百度学术] 

    Amani M, Mahdavi S, Afshar M, Brisco B, Huang W M, Mohammad Javad Mirzadeh S, White L, Banks S, Montgomery J and Hopkinson C. 2019. Canadian wetland inventory using Google Earth engine: the first map and preliminary results. Remote Sensing, 11(7): 842 [DOI: 10.3390/rs11070842] [百度学术] 

    Baker C, Lawrence R, Montagne C and Patten D. 2006. Mapping wetlands and riparian areas using Landsat ETM+ imagery and decision-tree-based models. Wetlands, 26(2): 465-474 [DOI: 10.1672/0277-5212(2006)26[465:MWARAU]2.0.CO;2] [百度学术] 

    Bartlett D S, Bartlett K B, Hartman J M, Harriss R C, Sebacher D I, Pelletier-Travis R, Dow D D and Brannon D P. 1989. Methane emissions from the Florida Everglades: patterns of variability in a regional wetland ecosystem. Global Biogeochemical Cycles, 3(4): 363-374 [DOI: 10.1029/GB003i004p00363] [百度学术] 

    Bunting P, Rosenqvist A, Lucas R M, Rebelo L M, Hilarides L, Thomas N, Hardy A, Itoh T, Shimada M and Finlayson C M. 2018. The global mangrove watch-A new 2010 global baseline of mangrove extent. Remote Sensing, 10(10): 1669 [DOI: 10.3390/rs10101669] [百度学术] 

    Butera M K. 1983. Remote sensing of wetlands. IEEE Transactions on Geoscience and Remote Sensing, GE-21(3): 383-392 [DOI: 10.1109/TGRS.1983.350471] [百度学术] 

    Byrd K B, Ballanti L, Thomas N, Nguyen D, Holmquist J R, Simard M and Windham-Myers L. 2018. A remote sensing-based model of tidal marsh aboveground carbon stocks for the conterminous United States. ISPRS Journal of Photogrammetry and Remote Sensing, 139: 255-271 [DOI: 10.1016/j.isprsjprs.2018.03.019] [百度学术] 

    Chen Y Y and Lü X G. 2003. The wetland function and research tendency of wetland science. Wetland Science, 1(1): 7-11 [百度学术] 

    陈宜瑜, 吕宪国. 2003. 湿地功能与湿地科学的研究方向. 湿地科学, 1(1): 7-11 [DOI: 10.3969/j.issn.1672-5948.2003.01.003] [百度学术] 

    Chi M M, Plaza A, Benediktsson J A, Sun Z Y, Shen J S and Zhu Y Y. 2016. Big data for remote sensing: challenges and opportunities. Proceedings of the IEEE, 104(11): 2207-2219 [DOI: 10.1109/JPROC.2016.2598228] [百度学术] 

    Dong J W, Kuang W H and Liu J Y. 2017. Continuous land cover change monitoring in the remote sensing big data era. Science China Earth Sciences, 60(12): 2223-2224 [百度学术] 

    董金玮, 匡文慧, 刘纪远. 2018. 遥感大数据支持下的全球土地覆盖连续动态监测. 中国科学: 地球科学, 48(2): 259-260 [DOI: 10.1360/N072017-00288] [百度学术] 

    Dronova I. 2015. Object-based image analysis in wetland research: a review. Remote Sensing, 7(5): 6380-6413 [DOI: 10.3390/rs70506380] [百度学术] 

    Finlayson C M and van der Valk A G. 1995. Wetland classification and inventory: a summary. Vegetatio, 118(1/2): 185-192 [DOI: 10.1007/BF00045199] [百度学术] 

    Finlayson M and Moser M. 1991. International Waterfowl and Wetlands Research Bureau and Facts on File. Wetlands [百度学术] 

    Gallant A L. 2015. The challenges of remote monitoring of wetlands. Remote Sensing, 7(8): 10938-10950 [DOI: 10.3390/rs70810938] [百度学术] 

    Gilmer D S, Work E A, Colwell J E and Rebel D L. 1980. Enumeration of prairie wetlands with Landsat and aircraft data. Photogrammetric Engineering and Remote Sensing, 46(5): 631-634 [百度学术] 

    Gong P, Niu Z G, Cheng X, Zhao K Y, Zhou D M, Guo J H, Liang L, Wang X F, Li D D, Huang H B, Wang Y, Wang K, Li W N, Wang X W, Ying Q, Yang Z Z, Ye Y F, Li Z, Zhuang D F, Chi Y B, Zhou H Z and Yan J. 2010. China’s wetland change (1990-2000) determined by remote sensing. Science China Earth Sciences, 53(7): 1036-1042 [DOI: 10.1007/s11430-010-4002-3] [百度学术] 

    Guo M, Li J, Sheng C L, Xu J W and Wu L. 2017. A review of wetland remote sensing. Sensors, 17(4): 777 [DOI: 10.3390/s17040777] [百度学术] 

    Hardisky M A, Daiber F C, Roman C T and Klemas V. 1984. Remote sensing of biomass and annual net aerial primary productivity of a salt marsh. Remote Sensing of Environment, 16(2): 91-106 [DOI: 10.1016/0034-4257(84)90055-5] [百度学术] 

    Henderson F M and Lewis A J. 2008. Radar detection of wetland ecosystems: a review. International Journal of Remote Sensing, 29(20): 5809-5835 [DOI: 10.1080/01431160801958405] [百度学术] 

    Hester M W and Mendelssohn I A. 2000. Long-term recovery of a Louisiana brackish marsh plant community from oil-spill impact: vegetation response and mitigating effects of marsh surface elevation. Marine Environmental Research, 49(3): 233-254 [DOI: 10.1016/S0141-1136(99)00071-9] [百度学术] 

    Hirano A, Madden M and Welch R. 2003. Hyperspectral image data for mapping wetland vegetation. Wetlands, 23(2): 436-448 [DOI: 10.1672/18-20] [百度学术] 

    Hirtle H and Rencz A. 2003. The relation between spectral reflectance and dissolved organic carbon in lake water: Kejimkujik National Park, Nova Scotia, Canada. International Journal of Remote Sensing, 24(5): 953-967 [DOI: 10.1080/01431160210154957] [百度学术] 

    Kang X M, Hao Y B, Cui X Y, Chen H, Huang S X, Du Y G, Li W, Kardol P, Xiao X M and Cui L J. 2016. Variability and changes in climate, phenology, and gross primary production of an alpine wetland ecosystem. Remote Sensing, 8(5): 391 [DOI: 10.3390/rs8050391] [百度学术] 

    Keddy P A. 2010. Wetland Ecology Principles and Conservation. 2nd ed. Cambridge: Cambridge University Press [百度学术] 

    Keramitsoglou L, Sarimveis H, Kiranoudis C T, Kontoes C, Sifakis N and Fitoka E. 2006. The performance of pixel window algorithms in the classification of habitats using VHSR imagery. ISPRS Journal of Photogrammetry and Remote Sensing, 60(4): 225-238 [DOI: 10.1016/j.isprsjprs.2006.01.002] [百度学术] 

    Klemas V. 2011. Remote sensing of wetlands: case studies comparing practical techniques. Journal of Coastal Research, 27(3): 418-427 [DOI: 10.2112/JCOASTRES-D-10-00174.1] [百度学术] 

    Klemas V V. 2015. Coastal and environmental remote sensing from unmanned aerial vehicles: an overview. Journal of Coastal Research, 31(5): 1260-1267 [DOI: 10.2112/JCOASTRES-D-15-00005.1] [百度学术] 

    Luo L, Mao D H, Wang Z M, Du B J, Yan H Q and Zhang B. 2018. Remote sensing and GIS support to identify potential areas for wetland restoration from cropland: a case study in the West Songnen Plain, Northeast China. Sustainability, 10(7): 2375 [DOI: 10.3390/su10072375] [百度学术] 

    Ma Y, Wu H P, Wang L Z, Huang B M, Ranjan R, Zomaya A and Jie W. 2015. Remote sensing big data computing: challenges and opportunities. Future Generation Computer Systems, 51: 47-60 [DOI: 10.1016/j.future.2014.10.029] [百度学术] 

    Mahdavi S, Salehi B, Granger J, Amani M, Brisco B and Huang W M. 2018. Remote sensing for wetland classification: a comprehensive review. GIScience and Remote Sensing, 55(5): 623-658 [DOI: 10.1080/15481603.2017.1419602] [百度学术] 

    Mahdianpari M, Granger J E, Mohammadimanesh F, Salehi B, Brisco B, Homayouni S, Gill E, Huberty B and Lang M G. 2020b. Meta-analysis of wetland classification using remote sensing: a systematic review of a 40-year trend in North America. Remote Sensing, 12(11): 1882 [DOI: 10.3390/rs12111882] [百度学术] 

    Mahdianpari M, Salehi B, Mohammadimanesh F, Brisco B, Homayouni S, Gill E, DeLancey E R and Bourgeau-Chavez L. 2020a. Big data for a big country: the first generation of Canadian wetland inventory map at a spatial resolution of 10-m using sentinel-1 and sentinel-2 data on the Google earth engine cloud computing platform. Canadian Journal of Remote Sensing, 46(1): 15-33 [DOI: 10.1080/07038992.2019.1711366] [百度学术] 

    Maheu-Giroux M and de Blois S. 2005. Mapping the invasive species Phragmites australis in linear wetland corridors. Aquatic Botany, 83(4): 310-320 [DOI: 10.1016/j.aquabot.2005.07.002] [百度学术] 

    Mao D H, Liu M Y, Wang Z M, Li L, Man W D, Jia M M and Zhang Y Z. 2019. Rapid invasion of Spartina alterniflora in the coastal zone of mainland China: spatiotemporal patterns and human prevention. Sensors, 19(10): 2308 [DOI: 10.3390/s19102308] [百度学术] 

    Mao D H, Luo L, Wang Z M, Wilson M C, Zeng Y, Wu B F and Wu J G. 2018b. Conversions between natural wetlands and farmland in China: a multiscale geospatial analysis. Science of the Total Environment, 634: 550-560 [DOI: 10.1016/j.scitotenv.2018.04.009] [百度学术] 

    Mao D H, Wang Z M, Du B J, Li L, Tian Y L, Jia M M, Zeng Y, Song K S, Jiang M and 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 [DOI: 10.1016/j.isprsjprs.2020.03.020] [百度学术] 

    Mao D H, Wang Z M, Wu J G, Wu B F, Zeng Y, Song K S, Yi K P and Luo L. 2018a. China's wetlands loss to urban expansion. Land Degradation and Development, 29(8): 2644-2657 [DOI: 10.1002/ldr.2939] [百度学术] 

    Matthews S B. 1991. An assessment of bison habitat in the Mills/Mink Lakes area, Northwest Territories, using LANDSAT thematic mapper data. Arctic, 44(5): 75-80 [DOI: 10.14430/arctic1573] [百度学术] 

    Millennium Ecosystem Assessment. 2005. Ecosystems and Human Well-Being: Wetlands and Water Synthesis. World Resources Institute [百度学术] 

    Mizuochi H, Nishiyama C, Ridwansyah I and Nasahara K N. 2018. Monitoring of an Indonesian tropical wetland by machine learning-based data fusion of passive and active microwave sensors. Remote Sensing, 10(8): 1235 [DOI: 10.3390/rs10081235] [百度学术] 

    Morrissey L A, Livingston G P and Durden S L. 1994. Use of SAR in regional methane exchange studies. International Journal of Remote Sensing, 15(6): 1337-1342 [DOI: 10.1080/01431169408954167] [百度学术] 

    Murray N J, Phinn S R, DeWitt M, Ferrari R, Johnston R, Lyons M B, Clinton N, Thau D and Fuller R A. 2019. The global distribution and trajectory of tidal flats. Nature, 565(7738): 222-225 [DOI: 10.1038/s41586-018-0805-8] [百度学术] 

    National Research Council. 1995. Wetlands: Characteristics and Boundaries. National Academy Press [百度学术] 

    Niu Z G, Gong P, Cheng X, Guo J H, Wang L, Huang H B, Shen S Q, Wu Y Z, Wang X F, Wang X W, Ying Q, Liang L, Zhang L N, Wang L, Yao Q, Yang Z Z, Guo Z Q and Dai Y J. 2009. Geographical characteristics of China’s wetlands derived from remotely sensed data. Science in China Series D: Earth Sciences, 52(6): 723-738 [DOI: 10.1007/s11430-009-0075-2] [百度学术] 

    Niu Z G, Zhang H Y, Wang X W, Yao W B, Zhou D M, Zhao K Y, Zhao H, Li N N, Huang H B, Li C C, Yang J, Liu C X, Liu S, Wang L, Li Z, Yang Z Z, Qiao F, Zheng Y M, Chen Y L, Sheng Y M, Gao X H, Zhu W H, Wang W Q, Wang H, Weng Y L, Zhuang D F, Liu J Y, Luo Z C, Cheng X, Guo Z Q and Gong P. 2012. Mapping wetland changes in China between 1978 and 2008. Chinese Science Bulletin, 57(22): 2813-2823 [DOI: 10.1007/s11434-012-5093-3] [百度学术] 

    O’Neil G L, Goodall J L, Behl M and Saby L. 2020. Deep learning using physically-informed input data for wetland identification. Environmental Modelling and Software, 126: 104665 [DOI: 10.1016/j.envsoft.2020.104665] [百度学术] 

    Ozesmi S L and Bauer M E. 2002. Satellite remote sensing of wetlands. Wetlands Ecology and Management, 10(5): 381-402 [DOI: 10.1023/A:1020908432489] [百度学术] 

    Pope K O, Rey-Benayas J M and Paris J F. 1994. Radar remote sensing of forest and wetland ecosystems in the Central American tropics. Remote Sensing of Environment, 48(2): 205-219 [DOI: 10.1016/0034-4257(94)90142-2] [百度学术] 

    Poulin B, Davranche A and Lefebvre G. 2010. Ecological assessment of Phragmites australis wetlands using multi-season SPOT-5 scenes. Remote Sensing of Environment, 114(7): 1602-1609 [DOI: 10.1016/j.rse.2010.02.014] [百度学术] 

    Ramsar Convention on Wetlands. 2018. Global Wetland Outlook: State of the World’s Wetlands and Their Services to People 2018. Ramsar Convention Secretariat [百度学术] 

    Reimold R J and Linthurst R A. 1975. Use of remote sensing for mapping wetlands. Transportation Engineering Journal of ASCE, 101(2): 189-198 [DOI: 10.1061/TPEJAN.0000497] [百度学术] 

    Rundquist D C, Narumalani S and Narayanan R M. 2001. A review of wetlands remote sensing and defining new considerations. Remote Sensing Reviews, 20(3): 207-226 [DOI: 10.1080/02757250109532435] [百度学术] 

    Seto K C and Fragkias M. 2007. Mangrove conversion and aquaculture development in Vietnam: a remote sensing-based approach for evaluating the Ramsar convention on wetlands. Global Environmental Change, 17(3/4): 486-500 [DOI: 10.1016/j.gloenvcha.2007.03.001] [百度学术] 

    Sun J, Zhang Y, Wu Z B, Zhu Y Q, Yin X L, Ding Z Z, Wei Z H, Plaza J and Plaza A. 2019. An efficient and scalable framework for processing remotely sensed big data in cloud computing environments. IEEE Transactions on Geoscience and Remote Sensing, 57(7): 4294-4308 [DOI: 10.1109/TGRS.2018.2890513] [百度学术] 

    Szantoi Z, Escobedo F J, Abd-Elrahman A, Pearlstine L, Dewitt B and Smith S. 2015. Classifying spatially heterogeneous wetland communities using machine learning algorithms and spectral and textural features. Environmental Monitoring and Assessment, 187(5): 262 [DOI: 10.1007/s10661-015-4426-5] [百度学术] 

    Taddeo S, Dronova I and Depsky N. 2019. Spectral vegetation indices of wetland greenness: responses to vegetation structure, composition, and spatial distribution. Remote Sensing of Environment, 234: 111467 [DOI: 10.1016/j.rse.2019.111467] [百度学术] 

    Tong Q X, Zheng L F, Wang J N, Wang X J, Dong W D, Hu Y M and Dang S X. 1997. Study on imaging spectrometer remote sensing information for wetland vegetation. Journal of Remote Sensing, 1(1): 50-57 [百度学术] 

    童庆禧, 郑兰芬, 王晋年, 王向军, 董卫东, 胡远满, 党顺行. 1997. 湿地植被成象光谱遥感研究. 遥感学报, 1(1): 50-57 [DOI: 10.11834/jrs.19970108] [百度学术] 

    Wang L, Jia M M, Yin D M and Tian J Y. 2019. A review of remote sensing for mangrove forests: 1956-2018. Remote Sensing of Environment, 231: 111223 [DOI: 10.1016/j.rse.2019.111223] [百度学术] 

    Wang Z M, Wu J G, Madden M and Mao D H. 2012. China’s wetlands: conservation plans and policy impacts. AMBIO, 41(7): 782-786 [DOI: 10.1007/s13280-012-0280-7] [百度学术] 

    Xiang H X, Wang Z M, Mao D H, Zhang J, Xi Y B, Du B J and Zhang B. 2020. What did China’s national wetland conservation program achieve? Observations of changes in land cover and ecosystem services in the Sanjiang Plain. Journal of Environmental Management, 267: 110623 [DOI: 10.1016/j.jenvman.2020.110623] [百度学术] 

    Xu W H, Fan X Y, Ma J G, Pimm S L, Kong L Q, Zeng Y, Li X S, Xiao Y, Zheng H, Liu J G, Wu B F, An L, Zhang L, Wang X K and Ouyang Z Y. 2019. Hidden loss of wetlands in China. Current Biology, 29(18): 3065-3071.e2 [DOI: 10.1016/j.cub.2019.07.053] [百度学术] 

    Zhang B. 1996. Application of remote sensing technology on research of the wetland in China. Remote Sensing Technology and Application, 11(1): 67-71 [百度学术] 

    张柏. 1996. 遥感技术在中国湿地研究中的应用. 遥感技术与应用, 11(1): 67-71 [DOI: 10.11873/j.issn.1004-0323.1996.1.67] [百度学术] 

    Zhang B. 2017. Current status and future prospects of remote sensing. Bulletin of Chinese Academy of Sciences, 32(7): 774-784 [百度学术] 

    张兵. 2017. 当代遥感科技发展的现状与未来展望. 中国科学院院刊, 32(7): 774-784 [DOI: 10.16418/j.issn.1000-3045.2017.07.012] [百度学术] 

    Zhang B, Chen, Z C, Peng D L, Benediktsson J A, Liu B, Zou L, Li J and Plaza A. 2019. Remotely sensed big data: evolution in model development for information extraction [point of view]. Proceedings of the IEEE, 107(12): 2294-2301 [DOI: 10.1109/JPROC.2019.2948454] [百度学术] 

    Zhang C H, Kovacs J M, Wachowiak M P and Flores-Verdugo F. 2013. Relationship between hyperspectral measurements and mangrove leaf nitrogen concentrations. Remote Sensing, 5(2): 891-908 [DOI: 10.3390/rs5020891] [百度学术] 

    文章被引用时,请邮件提醒。
    提交

    相关作者

    暂无数据

    相关机构

    中国矿业大学 环境与测绘学院
    国家测绘产品质量检验测试中心
    北京建筑大学 测绘与城市空间信息学院
    清华大学 地球系统科学系 教育部地球系统模拟重点实验室
    清华大学 中国城市研究院
    0