EN中文

自然资源遥感 >

2025 , Vol. 37 >Issue 4: 204 - 211

DOI: https://doi.org/10.6046/zrzyyg.2024165

技术应用

丝路沿线重要湿地保护区湿地恢复潜力遥感评估

  • 王馨爽 , 1 ,
  • 赵野鹤 , 2 ,
  • 刘建歌 1 ,
  • 孙鑫 1 ,
  • 张永振 1 ,
  • 毛德华 3
展开
  • 1.自然资源部陕西基础地理信息中心,西安 710054
  • 2.自然资源部第一地形测量队,西安 710054
  • 3.中国科学院东北地理与农业生态研究所, 长春 130012
赵野鹤(1989-),男,工程师,现从事地理信息工程、遥感监测、国土资源调查等工作。Email: 。

王馨爽(1988-),女,高级工程师,现从事自然资源遥感监测、深度学习智能解译、生态系统评价等工作。Email: 。

Copy editor: 陈昊旻

收稿日期: 2024-05-06

  修回日期: 2024-08-28

  网络出版日期: 2026-06-03

基金资助

陕西省重点研发计划项目“陕西省秦岭地区水源涵养功能监测评估及时空变化研究”(2022ZDLSF06-01)

收起

Remote sensing-based assessment of wetland restoration potential in important wetland reserves along the Silk Road

  • WANG Xinshuang , 1 ,
  • ZHAO Yehe , 2 ,
  • LIU Jiange 1 ,
  • SUN Xin 1 ,
  • ZHANG Yongzhen 1 ,
  • MAO Dehua 3
Expand
  • 1. Shaanxi Geomatics Center of Ministry of Natural Resources, Xi’an 710054, China
  • 2. The First Topographic Surveying Brigade of Ministry of Natural Resources, Xi’an 710054, China
  • 3. Northeast Institute of Geography and Agroecology, Chinese Academy of Sciences, Changchun 130102, China

Received date: 2024-05-06

  Revised date: 2024-08-28

  Online published: 2026-06-03

Fold

摘要

湿地被誉为“地球之肾”,对于维护生态系统稳定具有重要价值。该文针对丝绸之路沿线(简称“丝路沿线”)10个重要湿地保护区,基于ZY-3卫星遥感数据,采用面向对象与人工解译交互的方法,提取2015年和2020年2期的湿地类型,形成保护区内湿地分布及动态变化数据集,并在此基础上结合地形、水文条件、生态重要性以及湿地类型转移情况,提出了一种退耕还湿潜力空间评估方法。湿地信息提取结果表明,2015—2020年,受自然和人为因素双重影响,丝路沿线重要湿地保护区内湿地面积净增加238.04 km2,新增类型以湖泊湿地为主,湿地率总体提升0.58%,生态保护区的设立对于区域湿地保护总体上取得良好成效,但部分区域湿地仍然呈现出退化趋势,退化面积为77.00 km2; 退耕还湿潜力分析结果表明,共有325.13 km2的耕地区域需要逐层级开展退耕还湿,其中,高优先级恢复区面积为10.63 km2,中优先级恢复区和低优先级恢复区面积分别为167.02 km2和147.48 km2。该研究提出因地制宜的湿地生态恢复方案,可为丝路沿线地区湿地保护与管理提供决策支持。

关键词： 丝绸之路; 湿地保护; 遥感分类; 生态恢复

本文引用格式

王馨爽 , 赵野鹤 , 刘建歌 , 孙鑫 , 张永振 , 毛德华 . 丝路沿线重要湿地保护区湿地恢复潜力遥感评估[J]. 自然资源遥感, 2025 , 37(4) : 204 -211 . DOI: 10.6046/zrzyyg.2024165

Abstract

Wetlands, hailed as the "kidneys of the Earth", hold great significance for maintaining the stability of ecosystems. This study investigated 10 important wetland reserves along the Silk Road. Based on remote sensing data from the ZY3 satellite, it extracted the wetland types in 2015 and 2020 through interactions between object-oriented analysis and manual interpretation. As a result, a dataset of wetland distribution and its dynamic changes in the reserves was established. By combining topography, hydrological conditions, ecological importance, and wetland type transition, this study proposed a method for assessing the spatial potential of returning farmlands to wetlands. The results of wetland information extraction show that from 2015 to 2020, the wetland area in the 10 reserves exhibited a net increase of 238.04 km2 thanks to both natural and anthropogenic factors. Such an increase was dominated by lacustrine wetlands, with the wetland rate rising by 0.58% generally. This demonstrates that the establishment of ecological reserves posed a positive impact on regional wetland protection. However, in local regions, wetlands still showed a trend of degradation, covering an area of 77.00 km2. The potential analysis results of returning farmlands to wetlands indicate that a total of 325.13 km2 of farmlands should be returned to wetlands, consisting of 10.63 km2 requiring high-priority restoration, 167.02 km2 subjected to medium-priority restoration, and 147.48 km2 requiring low-priority restoration. The proposed region-specific scheme for ecological restoration in wetlands can provide decision-making support for wetland protection and management along the Silk Road.

Key words： Silk Road; wetland conservation; remote sensing image classification; ecological restoration

0 引言

湿地是指位于水陆系统交错地带,水位处于或接近地表面,或有浅层积水的区域[1],与森林、海洋并称为全球三大生态系统,在全球生态平衡中扮演着极其重要的角色[2]。随着全球环境问题的日渐突出,湿地保护已提升至国家战略层面,第三次全国国土调查中将湿地调整为一级地类,进一步凸显了湿地生态系统的重要性[3]。受气候变化和人类活动双重因素影响,丝绸之路沿线(简称“丝路沿线”)地区自然环境发生显著变化,对湿地调节功能产生重大影响。因此,摸清该区湿地资源分布及动态变化,逐步开展湿地恢复,遏制湿地生态系统功能与服务的退化,已成为丝路沿线地区生态高质量发展的必要途径。
遥感技术具有速度快、周期短、大区域、多角度监测等优势,被广泛应用于湿地类型识别[4-6]及生态恢复评价[7-9]中。基于遥感技术进行湿地研究,有助于理解不同尺度下湿地的损失和退化过程,更加宏观、直观地把握湿地资源的现状、动态及健康状况,并能够与其他辅助数据进行空间叠加分析,从而获取更多有价值的信息[10]。国内外学者采用面向对象[11]、卷积神经网络(convolutional neural network, CNN)[12]、最大似然分类(maximum likelihood classification,MLC)[13]、支持向量机(support vector machine, SVM)[14]、决策树分类(decision tree,DT)[15]以及随机森林(random forest,RF)[16]等方法相继开展了湿地分类研究,在众多遥感分类方法中,面向对象分类不仅顾及光谱特征,还考虑到了纹理、几何、形态等基于对象的特征[17],使分类结果的生态学意义尤为明显[18]。此外,该方法还易与辅助分类数据协同,无需复杂的融合过程便可进行分类[18],在湿地分类中得到广泛的应用[19-21]。湿地生态恢复主要采用生态技术或生态工程,针对正在退化或消失的湿地,恢复其干扰前应有的属性和功能[22],包括生境修复、生物修复及生态功能修复等 [23]。因此,可利用遥感技术的大尺度、空间化特征,对区域内的湿地类型进行精细化提取,充分挖掘潜在遥感信息,将湿地生态恢复的适宜性问题映射到空间尺度,因地制宜地开展生态恢复工作。
已有学者在单个保护区内,针对生态干扰度、湿地演变趋势和生态服务价值等问题开展研究。张月等 [24]基于Landsat卫星数据,采用GIS空间分析方法,结合生态干扰度、景观格局等指数探讨了艾比湖湿地生态干扰度时空动态及景观响应机制,客观系统地评价了艾比湖湿地的生态环境,为协调土地利用与环境保护的可持续关系提供参考; 杨俊仓等 [25]同样采用Landsat影像,监测了1990—2010年间敦煌西湖湿地的时空演化趋势,并对退化原因进行深入研究,提出针对性的保护策略; 孔东升等 [26]通过野外调查和实验分析,对张掖黑河湿地自然保护区的各项生态服务功能进行了价值估算,研究结果凸显了保护区湿地对区域经济发展的重要性。上述研究均从具体的湿地环境进行分析,缺少从宏观尺度对丝路沿线湿地保护区的湿地细分、变化态势分析以及生态恢复适宜性协同等方面的研究。
基于此,本文利用遥感对地观测技术和地理国情监测相关成果,充分参考湿地属性、孕育湿地的生态系统状况和政策保障等因素,针对不同区域恢复情况不同的科学问题,开展3个方面的研究工作: ①基于湿地类型与关键特征的遥感探测机理,采用面向对象+人机交互的湿地精细化分类方法,对2015年和2020年丝路沿线重要湿地保护区内的湿地资源分类型提取; ②分析重要湿地保护区内的湿地类型分布现状及变化态势,结合保护区地形地貌、人类活动等多源数据,构建退耕还湿潜力空间评估方法; ③综合考虑保护区内湿地分布情况,形成湿地恢复潜在区域空间分布,因地制宜地提出湿地恢复建议。研究成果将为区域湿地保护及精准恢复、自然生态空间用途管制等提供数据基础和科学决策依据。

1 研究区概况及数据源

1.1 研究区概况

本文研究区选取国内丝路区域,参照古丝路沿线的城市,自东向西横跨陕西省、宁夏回族自治区、甘肃省、青海省和新疆维吾尔自治区(73°~111°E,31°~48°N),包括关中平原、河西走廊和塔里木盆地等重要生态区。区域内地形地貌多样,关中平原以温带大陆性气候为主,植被覆盖率相对较高; 河西走廊、塔里木盆地多为荒漠区域,气候干旱,绿洲面积较少,植被覆盖率较低,生态环境相对较脆弱。参考国家级自然保护区及国际重要湿地名录,选取丝路沿线以保护湿地生态系统为主的重要湿地保护区共计10个,分别为陕西黄河、敦煌西湖、敦煌阳关、张掖黑河、盐池湾、青海湖、三江源、哈巴湖、艾比湖和巴音布鲁克(图1)。保护区的设立可一定程度上减少人类活动对原真性生态系统的干扰,也可通过生态调控等方式促进退化湿地的恢复。
图1 丝路沿线重要湿地保护区空间分布

Fig.1 Spatial distribution of important wetland reserves along the Silk Road

1.2 数据源及预处理

本文采用资源三号(ZY-3)卫星数据,由自然资源部陕西基础地理信息中心提供,ZY-3全色影像地面分辨率为2.1 m,多光谱影像地面分辨率为5.8 m。对获取的遥感影像进行几何纠正、大气校正、影像融合和镶嵌等预处理,重采样至2 m空间分辨率。为有效提取湿地水体及湿生植被信息,同时兼顾光谱、纹理、景观特征等综合信息,开展湿地精细化分类和监测分析工作。因此,本研究所选取影像时段为2015年和2020年的6—8月生长季。
专题数据主要包括湿地保护区范围、基本农田范围、数字高程模型(digital elevation model,DEM)和地理国情监测数据。湿地保护区范围为自然保护地整合之前的属性和界线,分为核心区、实验区和缓冲区; DEM格网分辨率重采样为10 m,作为坡度提取的数据源,结合基本农田范围,开展湿地恢复适宜性空间分析; 地理国情监测数据包括地表覆盖和地理国情要素(水系、道路)2大部分,时相为2015年和2020年2期,数据经过大范围、高密度的外业验证,成果精细且可靠。本文采用地表覆盖数据提取保护区内的耕地范围,开展湿地变化原因分析,并采用水系要素层(HYDA)数据提取最大水面范围。

2 研究方法

2.1 分类系统建立

为分析湿地分布现状,本研究结合《湿地公约》 [27]中湿地的定义和分类与《全国湿地资源调查技术规程》[28]的湿地类型划分系统,将丝路沿线区域湿地保护区内湿地分为2个一级类和6个二级类。一级类为自然湿地和人工湿地,自然湿地细分为河流湿地、湖泊湿地、沼泽湿地和滩地4个二级类,人工湿地细分为库塘和河渠2个二级类。

2.2 面向对象湿地信息提取

采用面向对象的分类方法提取湿地类型,包括多尺度分割、分类规则构建、湿地类型提取、分类结果优化和精度验证等步骤[29]。首先,进行多尺度分割和最优尺度选择,针对研究区湿地的实际分布,采用多次研究测试,最终选取尺度参数为300,光谱特征权重值为0.8或0.9,形状因子权重值为0.2或0.1,其中,光滑度为0.7,紧致度为0.3; 其次,基于湿地参考对象构建分类规则,包含像元的光谱、多边形的形状、纹理、位置等信息以及多边形之间的拓扑关系; 最后,根据研究区湿地特点,进行信息组合和优化,构建分类树,遵循由易到难的原则,逐层提取对象信息。
分类树通过6个节点划分出10个类型组,对湿地信息进行提取,流程图如图2所示。针对不同区域特性,以归一化水体指数(normalized difference water index, NDWI)为参数区分水体和非水体。对于水体,将其细分为线性水体和非线性水体(湖库),进而依据地表场景特征(是否有明显的堤坝)将湖泊与库塘分离,同样方法区分河流与河渠。对于非水体,基于反射率值,参考地理国情监测数据中的耕地、园地、林地、草地、建设用地和沙漠等去除冗余信息,进而应用归一化植被指数(normalized difference vegetation index, NDVI)和纹理信息区分植被与非植被,提取出沼泽湿地和滩地,并依据区域特征进一步设计和优化分类树,通过对象的解译标志和样本训练,建立分类决策树的指标与结构,通过决策树的分级,进行类型的不断提纯,实现单个类别划分。其中NDWI和NDVI的计算公式为:
N D W I = ρ g r e e n - ρ n i r ρ g r e e n + ρ n i r
N D V I = ρ n i r - ρ r e d ρ n i r + ρ r e d
图2 面向对象湿地信息提取

Fig.2 Wetland information extraction based on object-oriented classification

式中: ρ n i r为近红外波段反射率; ρ r e d为红光波段反射率; ρ g r e e n为绿光波段反射率。
此外,为了确保湿地及其类型的分类精度,在基于规则集的分类基础上,结合地理国情监测外业实测的解译样本数据,采用人工目视判读的方法进行分类结果修正,确保湿地分类精度总体准确率90%以上。

2.3 退耕还湿潜力空间评估方法

对研究区地理国情地表覆盖分类数据统计分析可知,除敦煌西湖外,其余9个湿地保护区内均存在大量耕地,总面积为325.13 km2,占保护区人为用地类型的89.14%。因此,科学开展退耕还湿潜力评估、逐步进行退耕还湿是湿地生态保护的重要目标。
已有研究表明,水文条件对于湿地的恢复极其重要[30],区域湿地恢复应充分考虑水资源禀赋条件和承载能力,保障湿地基本生态用水需求。丝路沿线重要湿地保护区的建立涉及到土地所有权等历史遗留问题,保护区管理、生态补偿机制等方面存在较多困难,应协调好人地关系,分区逐步开展退耕还湿活动。地形条件也是影响湿地发育或存在的主要影响因素,在坡度大的区域,水文条件对于湿地的孕育存在较多壁垒。此外,若耕垦时间较长,会导致湿地植被的萌芽率大幅下降,难以实现湿地植被的自然恢复[31],因此,还应考虑恢复湿地后是否适合湿生植物生长。综上所述,本文基于研究区内湿地类型、湿地变化和湿地受损程度等情况,综合选取了保护等级、耕垦时间、地形条件和水文连通性4个指标,开展退耕还湿适宜性评估,差异性地进行湿地生态恢复,使湿地生态系统的内部结构、基本功能及生态学过程达到最佳状态。将满足水文条件的区域优先恢复为湿地,由于HYDA数据表征区域最大水面范围,因此,水文连通区域定义为水体信息提取范围(2020年河流湿地和湖泊湿地)与HYDA的空间并集,而较难满足水文条件的耕地可恢复为其他自然生态系统类型。从保护区生态重要性角度考量,将满足水文连通条件的核心区和缓冲区的耕地优先恢复为湿地,将实验区的耕地列为中优先级。将遥感监测到的2015—2020年间湿地转变为耕地的区域设定为退耕还湿高优先级,恢复湿地后可达到较好的生态系统服务能力。将坡度15°作为退耕还湿的地形限制条件,如坡度超过15°,不再恢复为湿地; 将坡度5°以内的耕地设置为退耕还湿高优先级,5°~10°的耕地为中优先级,10°~15°的耕地为低优先级。
基于上述建立的退耕还湿潜力评估方法,利用GIS空间分析功能,将4个指标所确定的耕地区域叠加分析,确定其退耕还湿适宜性,并划定优先等级,指导区域湿地生态系统的保护与管理。

3 结果与分析

3.1 湿地空间分布及其动态变化

丝路沿线重要湿地保护区内的湿地空间分布及其变化情况见表1,不同湿地类型面积占比统计见图3。2020年,10个保护区内湿地总面积6 656.94 km2,总体湿地率16.18%,其中,湿地率超过50%的湿地保护区有3个,依次为青海湖、陕西黄河和巴音布鲁克,分别为78.39%,74.09%和64.03%; 哈巴湖、敦煌西湖、三江源以及敦煌阳关湿地率均小于1%,其中敦煌阳关最低,为0.57%。保护区内以自然湿地为主,人工湿地较少,面积分别为6 633.84 km2和23.10 km2,人工湿地主要分布在张掖黑河保护区。各类型湿地所占百分比大小依次为湖泊湿地、沼泽湿地、滩地、河流湿地、库塘和河渠,其中,湖泊湿地面积为5 032.06 km2,占湿地总面积的75.58%。
表1 重要湿地保护区内湿地分类结果空间分布图

Tab.1 Spatial distribution of wetland classification result in important wetland reserves

图3 重要湿地保护区内湿地类型面积占比

Fig.3 Area proportion of wetland type in important wetland reserves

2015—2020年湿地转移情况见表2,湿地流入面积为315.04 km2,另有77.00 km2湿地流出为其他土地覆盖类型,湿地面积净增加238.04 km2,湿地率总体提升0.58%,保护区内湿地总面积呈现上升趋势。其中,总体增加趋势最显著的为青海湖,扩张面积为157.12 km2,包括湖泊湿地和沼泽湿地,主要分布在湖岸线周边; 另外,研究表明,敦煌西湖核心区内新增1处湖泊,面积为5.43 km2,东段与河道、湿地相连,西段深入戈壁滩,遥感影像显示,湖面周边的植被也有一定程度的恢复,而中北部的沼泽地有所退化,退化面积为2.34 km2。总体减少趋势最明显的为黑河湿地保护区,缩减面积为3.58 km2。敦煌阳关湿地退化也相对较严重,湖泊湿地面积缩减5.05 km2,滩地和沼泽湿地面积略有增加,该保护区内湿地主要分布在东北侧,湿地分布相对不均衡,湖泊湿地退化减少变为滩地、沼泽或非湿地,从东南向西北逐步退化。不同湿地类型中,湖泊湿地增加最多,面积173.13 km2; 其次为滩地、河流湿地和沼泽湿地,增加面积分别为25.84 km2、25.66 km2和14.71 km2; 库塘面积有所减少,面积为1.47 km2。
表2 保护区内湿地类型转移矩阵

Tab.2 Transition matrix of wetland classification in protection zone(km2)

2020年 2015年 转入 总计
河流 湖泊 沼泽 滩地 库塘 河渠 非湿地
河流 96.32 0.09 7.15 31.15 0.03 0.00 19.02 57.44 153.76
湖泊 1.65 4 826.95 34.46 23.78 0.09 0.00 145.12 205.10 5 032.05
沼泽 16.56 3.64 1 061.70 8.37 1.44 0.01 60.34 90.38 1 152.08
滩地 11.49 10.16 1.14 183.80 0.40 0.00 88.94 112.15 295.95
库塘 0.39 0.00 0.51 0.64 19.55 0.00 1.58 3.12 22.67
河渠 0.11 0.00 0.00 0.01 0.02 0.22 0.04 0.18 0.40
非湿地 12.52 18.08 21.44 22.33 2.61 0.02 0.00 77.00 77.00
转出 42.72 31.97 64.70 86.30 4.59 0.03 315.04 0.00 0.00
总计 139.04 4 858.92 1 126.40 270.10 24.14 0.25 315.04 0.00 67 33.91
对地理国情监测数据中覆盖本文研究区的2期(2015年和2020年)地表覆盖分类成果进行统计分析,将自然地表(林地、草地、裸露地)与湿地的转入、转出看作自然因素导致的湿地变化。结果表明,自然因素导致湿地面积增加234.48 km2,减少15.39 km2,湿地净增加188.31 km2,占净增加总面积的79.11%,主要分布在青海湖和艾比湖。将与人类活动相关的地表类型(耕地、园地、房屋建筑区、露天采掘场、其他人工地物)与湿地的转入、转出看作人为因素导致的湿地变化,主要表现在人为占用和人为恢复2个方面。分析结果表明,重要湿地范围内,共有6.62 km2的湿地被人为占用,包括5.51 km2耕地和0.52 km2其他人工地物; 人为恢复湿地面积10.33 km2,其中退耕还湿面积为10.01 km2,占人为恢复湿地面积的96.90%,主要分布在陕西黄河湿地。

3.2 退耕还湿潜力空间分析

将2020年湿地保护区内的耕地分3个等级逐步开展退耕还湿工作,分别为高优先级、中优先级和低优先级。高优先级主要包括15°坡以下、2015—2020年耕地转为湿地的区域以及2020年最大水面范围内且分布在核心区和缓冲区内的耕地; 低优先级的区域不适合恢复湿地,主要包括15°坡以上、位于永久基本农田范围内的耕地; 中优先级区域为除去高优先级和低优先级的耕地区域。各个优先级分布情况见图4。
图4-1 退耕还湿潜力空间分布图

Fig.4-1 Spatial distribution of potential for returning farmlands to wetlands

图4-2 退耕还湿潜力空间分布图

Fig.4-2 Spatial distribution of potential for returning farmlands to wetlands

退耕还湿适宜性分析结果如表3所示。高优先级恢复区面积为10.63 km2,其中,陕西黄河保护区内需要恢复的耕地面积最大,为9.43 km2,占比88.71%,张掖黑河次之,面积为1.20km2,占比11.29%,其余湿地保护区内耕地无高优先级恢复区; 中优先级恢复区面积为167.02 km2,应该逐步开展退耕还湿工作; 低优先级恢复区面积为147.48 km2,以自然恢复为主。
表3 退耕还湿分级面积统计表

Tab.3 Statistical table of area classification for returning farmlands to wetlands(km2)

保护区名称 低优先级 中优先级 高优先级
艾比湖 0.00 4.69 0.00
敦煌阳关 0.00 0.05 0.00
盐池湾 1.02 2.35 0.00
哈巴湖 0.00 49.67 0.00
青海湖 45.23 44.45 0.00
三江源 53.00 46.70 0.00
陕西黄河 0.26 3.41 9.43
巴音布鲁克 0.00 0.05 0.00
张掖黑河 47.97 15.65 1.20

4 讨论与结论

4.1 区域湿地恢复建议

研究区位于气候变化敏感性较强的干旱与半干旱区,湿地对于区域气候调节和生物多样性保护尤为重要。结合本文湿地相关数据分析结果,还应从以下几个方面开展湿地保护和恢复:
1)对保护区地表覆盖数据综合分析发现,张掖黑河、青海湖、陕西黄河、哈巴湖和三江源等保护区周边也有大面积耕地,与湿地存在生态争水问题,且农业点面源污染会对湿地生物多样性产生极大危害,因此,协调好区域湿地恢复与耕地保护的关系,是当前湿地可持续恢复的重要方向。
2)2015—2020年遥感监测结果表明,水体面积呈现增加趋势,但沼泽湿地损失明显,除去人为直接导致的沼泽湿地损失,湿地水文条件退化也是重要因素。这导致沼泽湿地向滩地转化,进而向草地、裸地或沙地转化。因此,依托区域湖泊面积增加的优势,因地制宜地采取水文调控措施,开展对退化湿地的生态补水。
3)湿地提取结果表明,区域内河流湿地有明显断流现象。除气候变化导致的季节性断流外,如何借助于水库、河流拦截坝等人为工程对河流水文情势进行调控,最大化保护湿地,也需要进一步评估和探索。
4)针对个别保护区历史遗留问题,在相关政策背景下,加强现有湿地保护区管理成效,依法清除干扰大的人类活动,对保护区原有居民开展生态移民,进行经济补偿和发展替代产业,杜绝非法人为占用或开发湿地,均是当前湿地保护区需要开展的工作。

4.2 结论

针对丝路沿线10个重要湿地保护区,采用面向对象方法提取湿地类型,分析各保护区湿地变化特征,采用退耕还湿潜力评估方法,开展湿地恢复适宜性分析,主要结论如下:
1)丝路沿线重要湿地保护区内主要为自然湿地,人工湿地占比较少,湿地率最高的为青海湖(78.39%),最低的为敦煌阳关(0.57%); 湿地类型分布多样,总体以湖泊湿地类型为主。
2)2015—2020年,保护区内湿地面积共增加238.04 km2,湿地率提升0.58%,湿地保护取得了一定成效。自然因素对湿地面积变化的影响占主导地位,自然因素导致湿地面积增加主要来源于草地和裸露地,人为因素导致湿地面积增加主要来源于耕地。
3)退耕还湿潜力空间分析方法可有效评估区域退耕还湿潜力,按照高优先级、中优先级和低优先级3个层级,科学、逐步开展湿地恢复工作,能有效地改善该区域湿地生态环境。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
Mitsch W J, Gosselink J G. Wetlands[M]. 2nd ed. New York: Van Nostrand Reinhold, 1993.

[2]
Wang Z M, Wu J G, Madden M, et al. China’s wetlands:Conservation plans and policy impacts[J]. Ambio, 2012, 41(7):782-786.

[3]
自然资源部. TD/T 1055—2019第三次全国国土调查技术规程[S]. 北京: 自然资源部, 2017.

Minstry of Natural Resources of the People’s Republic of China. TD/T 1055—2019 Technical regulation of the third nationwide land survey[S]. Beijing: Minstry of Natural Resources of the People’s Republic of China, 2017.

[4]
Luo J H, Ma R H, Duan H T, et al. A new method for modifying thresholds in the classification of tree models for mapping aquatic vegetation in Taihu Lake with satellite images[J]. Remote Sensing, 2014, 6(8):7442-7462.

[5]
于欢, 张树清, 赵军, 等. 基于ALOS遥感影像的湿地地表覆被信息提取研究[J]. 地球科学与环境学报, 2010, 32(3):324-330.

Yu H, Zhang S Q, Zhao J, et al. Study on wetland cover information extraction based on ALOS remote sensing image[J]. Journal of Earth Sciences and Environment, 2010, 32(3):324-330.

[6]
明義森, 刘启航, 柏荷, 等. 利用光学和SAR遥感数据的若尔盖湿地植被分类与变化监测[J]. 遥感学报, 2023, 27(6):1414-1425.

Ming Y S, Liu Q H, Bai H, et al. Classification and change detection of vegetation in the Ruoergai Wetland using optical and SAR remote sensing data[J]. National Remote Sensing Bulletin, 2023, 27(6):1414-1425.

[7]
何兴元, 贾明明, 王宗明, 等. 基于遥感的三江平原湿地保护工程成效初步评估[J]. 中国科学院院刊, 2017, 32(1):3-10.

He X Y, Jia M M, Wang Z M, et al. Remote sensing based evaluation of effectiveness of wetland protection project in Sanjiang Plain,China[J]. Bulletin of Chinese Academy of Sciences, 2017, 32(1):3-10.

[8]
黄翀, 刘高焕, 傅新, 等. 黄河三角洲刁口河流路湿地恢复遥感监测与评价[J]. 地理科学进展, 2012, 31(5):570-576.

Huang C, Liu G H, Fu X, et al. Monitoring and evaluation of wetland restoration in the abandoned Diaokou Estuary of Yellow River Delta based on HJ-1 remote sensing data[J]. Progress in Geography, 2012, 31(5):570-576.

DOI

[9]
Xiang H X, Wang Z M, Mao D H, et al. What did China’s National Wetland Conservation Program achieve? Observations of changes in land cover and ecosystem services in the Sanjiang Plain[J]. Journal of Environmental Management, 2020, 267:110623.

[10]
Ozesmi S L, Bauer M E. Satellite remote sensing of wetlands[J]. Wetlands Ecology and Management, 2002, 10(5):381-402.

[11]
王娅, 郭继发, 林雨. 基于面向对象方法的天津市滨海新区湿地信息提取[J]. 山东理工大学学报(自然科学版), 2023, 37(6):25-31.

Wang Y, Guo J F, Lin Y. Wetland information extraction from Tianjin Binhai New Area based on object-oriented method[J]. Journal of Shandong University of Technology (Natural Science Edition), 2023, 37(6):25-31.

[12]
Liu C, Tao R, Li W, et al. Joint classification of hyperspectral and multispectral images for mapping coastal wetlands[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2020, 14:982-996.

[13]
Gosselin G, Touzi R, Cavayas F. Polarimetric Radarsat-2 wetland classification using the Touzi decomposition:Case of the Lac Saint-Pierre Ramsar wetland[J]. Canadian Journal of Remote Sensing, 2014, 39(6):491-506.

[14]
王文柳, 韩震, 李静, 等. SVM核函数对南汇潮滩湿地高分二号卫星数据分类精度的影响分析[J]. 海洋湖沼通报, 2020, 42(2):78-89.

Wang W L, Han Z, Li J, et al. Influence of different SVM kernel functions on the classification accuracy of GF-2 image in Nanhui tidal flat[J]. Transactions of Oceanology and Limnology, 2020, 42(2):78-89.

[15]
Qian Y G, Zhou W Q, Yan J L, et al. Comparing machine learning classifiers for object-based land cover classification using very high resolution imagery[J]. Remote Sensing, 2015, 7(1):153-168.

[16]
Franklin S, Ahmed O. Object-based wetland characterization using Radarsat-2 Quad-polarimetric SAR data,Landsat8 OLI imagery,and airborne LiDAR-derived geomorphometric variables[J]. Photogrammetric Engineering and Remote Sensing, 2017, 83(1):27-36.

[17]
Reif M, Frohn R C, Lane C R, et al. Mapping isolated wetlands in a Karst landscape:GIS and remote sensing methods[J]. GIScience and Remote Sensing, 2009, 46(2):187-211.

[18]
Dronova I. Object-based image analysis in wetland research:A review[J]. Remote Sensing, 2015, 7(5):6380-6413.

[19]
Powers R P, Hay G J, Chen G. How wetland type and area differ through scale:A GEOBIA case study in Alberta’s Boreal Plains[J]. Remote Sensing of Environment, 2012, 117:135-145.

[20]
Cordeiro C, Rossetti D. Mapping vegetation in a late Quaternary landform of the Amazonian wetlands using object-based image analysis and decision tree classification[J]. International Journal of Remote Sensing, 2015, 36(13):3397-3422.

[21]
白穆, 王馨爽, 孟小亮, 等. 陕西黄河湿地省级自然保护区保护成效遥感监测与分析[J]. 测绘地理信息, 2023, 48(5):85-91.

Bai M, Wang X S, Meng X L, et al. Remote sensing monitoring and analysis of conservation effectiveness in Shaanxi Yellow River wetland provincial nature reserve[J]. Journal of Geomatics, 2023, 48(5):85-91.

[22]
陈雪初, 高如峰, 黄晓琛, 等. 欧美国家盐沼湿地生态恢复的基本观点、技术手段与工程实践进展[J]. 海洋环境科学, 2016, 35(3):467-472.

Chen X C, Gao R F, Huang X C, et al. Basic views and technological methods of salt marsh restoration and its progresses in implementation[J]. Marine Environmental Science, 2016, 35(3):467-472.

[23]
于寒, 周茜冉, 邹元春, 等. 湿地生态恢复技术研究现状与展望[J]. 安徽农业科学, 2023, 51(22):20-25.

Yu H, Zhou X R, Zou Y C, et al. Research status and prospect of wetland ecological restoration techniques[J]. Journal of Anhui Agricultural Sciences, 2023, 51(22):20-25.

[24]
张月, 张飞, 王娟, 等. 近40年艾比湖湿地自然保护区生态干扰度时空动态及景观格局变化[J]. 生态学报, 2017, 37(21):7082-7097.

Zhang Y, Zhang F, Wang J, et al. Analysis of the temporal and spatial dynamics of landscape patterns and hemeroby index of the Ebinur Lake Wetland Nature Reserve,Xinjiang,over the last 40 years[J]. Acta Ecologica Sinica, 2017, 37(21):7082-7097.

[25]
杨俊仓, 施锦, 陈伟涛. 敦煌西湖湿地演化趋势及保护对策[J]. 兰州大学学报(自然科学版), 2014, 50(5):716-721.

Yang J C, Shi J, Chen W T. Evolution trend of and protection measures for Dunhuang west lake wetland[J]. Journal of Lanzhou University (Natural Sciences), 2014, 50(5):716-721.

[26]
孔东升, 张灏. 张掖黑河湿地自然保护区生态服务功能价值评估[J]. 生态学报, 2015, 35(4):972-983.

Kong D S, Zhang H. Economic value of wetland ecosystem services in the Heihe National Nature Reserve of Zhangye[J]. Acta Ecologica Sinica, 2015, 35(4):972-983.

[27]
符超, 金韬. 共同努力, 谱写全球湿地保护新篇章——《湿地公约》第十四届缔约方大会综述[J]. 绿色中国, 2022,(21):10-17.

Fu C, Jin T. Work together to write a new chapter in Global Wetlands Conservation[J]. Green China, 2022,(21):10-17.

[28]
刘平, 关蕾, 吕偲, 等. 中国第二次湿地资源调查的技术特点和成果应用前景[J]. 湿地科学, 2011, 9(3):284-289.

Liu P, Guan L, Lu C, et al. Technical characteristics and application prospects of achievements of the Second National Wetland Investigation[J]. Wetland Science, 2011, 9(3):284-289.

[29]
Mao D H, Wang Z M, Du B J, et al. National wetland mapping in China:A new product resulting from object-based and hierarchical classification of Landsat8 OLI images[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2020, 164:11-25.

[30]
Huang N, Wang Z M, Liu D W, et al. Selecting sites for converting farmlands to wetlands in the Sanjiang Plain,Northeast China,based on remote sensing and GIS[J]. Environmental Management, 2010, 46(5):790-800.

DOI PMID

[31]
Luo L, Mao D H, Wang Z M, et al. Remote sensing and GIS support to identify potential areas for wetland restoration from cropland:A case study in the West Songnen Plain,Northeast China[J]. Sustainability, 2018, 10(7):2375.

Options
文章导航

/

〈 〉