图1. 全球湿地动态结果概览图
湿地被誉为“地球之肾”，是全球可持续发展的关键生态资产。其短期脉动与长期退化不仅调控生物多样性和碳收支，也直接影响防洪减灾等核心生态服务。面对全球范围内的湿地流失与功能衰退，亟须借助科学规划、有效管理与适度修复来守护这一脆弱生态系统，从而对一致性强、全球覆盖、高时间频率、跨年度连续性的湿地空间信息提出了迫切需求。然而，湿地内部特性复杂且受人类活动强烈扰动，加之遥感观测重访周期长、成像易受云影干扰、训练样本匮乏及计算成本高昂，现有大尺度研究仍多停留在静态制图层面，难以精准捕捉湿地时空动态，更无法持续生成最新的全球湿地分布数据，难以满足资源可持续管理与科学研究的迫切需要。
图2. 全球湿地精细样本分布图
针对有关问题，在鹏城实验室“遥感数据计算平台”iEarth的支持下，由鹏城实验室、香港大学、中国科学院等多家单位联合组成的全球湿地动态制图研究组基于此前发布的全球30米无缝数据立方体SDC30，研发了集成深度学习、机器学习和逐级知识引导分类算法的大尺度湿地分类框架方法。该研究利用多源参考数据，以及全球训练样本采集，完成了全球首套30米空间分辨率、4天时间频率、多类型（3个大类、13个小类）的精细湿地动态制图数据集GWD30（2013年-2024年）。
图3. 整体技术流程图
研究组首先使用动态样本生成方法，利用时-谱双维嵌入和分层变分自编码器，自动识别并校正静态标签时滞，生成完整的全球湿地动态样本；其次基于机器学习分类器以及逐级知识引导分类算法，结合形态、地理位置等信息，完成湿地动态的精细制图。通过全球分布的118328个独立样本验证，总体准确率达82.59%。
图4. 可视化结果
图5. 可视化结果
图6. 可视化结果
研究发现，全球湿地面积呈现逐步下降的趋势，2013年到2017年下降趋势明显，2017年后下降趋势减缓。平均年变化率为-0.025%，逐年的变化率分别为-0.122%，0.007%，-0.060%，-0.054%，0.001%，-0.003%，0.011%，-0.007%，-0.001%。不同的湿地类型的面积均呈现明显的季节性波动。其中，自然湖泊与河流变化相对稳定，内陆草本沼泽有逐年下降的趋势。
图7. 全球湿地变化趋势
该研究使得对湿地动态的前所未有的精确监测成为可能，可以支撑甲烷排放、碳收支估算等相关的动态科学研究和湿地保护的动态决策。
数据地址：https://data-starcloud.pcl.ac.cn/iearthdata/60
全球湿地动态制图研究组人员名单：
袁帅，陈爽，张鸿生，宫鹏（香港大学）
王杰，徐晓晴，林添武（鹏城实验室）
毛德华，王宗明（中国科学院东北地理与农业生态研究所）
牛振国，李青宇（中国科学院空天信息创新研究院）
蒋卫国（北京师范大学）
侯西勇，李东（中国科学院烟台海岸带研究所）
柯樱海，宫兆宁（首都师范大学）
张怀清，刘洋（中国林业科学研究院资源信息研究所）
孙伟伟，杨刚（宁波大学）
黄华兵（中山大学）
张国庆，赵孟杰（中国科学院青藏高原研究所）
王铭（安徽农业大学）
彭凯锋（天津师范大学）
[1] Ming Wang, Dehua Mao, Yeqiao Wang, Xiangming Xiao, Hengxing Xiang, Kaidong Feng, Ling Luo, Mingming Jia, Kaishan Song, Zongming Wang. Wetland mapping in East Asia by two-stage object-based Random Forest and hierarchical decision tree algorithms on Sentinel-1/2 images. Remote Sensing of Environment, 2023, 297, 113793.
[2] Dehua Mao, Ming Wang, Yeqiao Wang, Ming Jiang, Wenping Yuan, Ling Luo, Kaidong Feng, Duanrui Wang, Hengxing Xiang, Yongxing Ren, Jianing Zhen, Mingming Jia, Chunying Ren, Zongming Wang. The trajectory of wetland change in China between 1980 and 2020: hidden losses and restoration effects. Science Bulletin, 2025, 70(4): 587-596.
[3] Kaifeng Peng, Weiguo Jiang, Peng Hou, Zhifeng Wu, Ziyan Ling, Xiaoya Wang, Zhenguo Niu, Dehua Mao. Continental-scale wetland mapping: A novel algorithm for detailed wetland types classification based on time series Sentinel-1/2 images. Ecological Indicators, 2023, 148, 110113.
[4] Weiwei Sun, Gang Yang, Yuling Huang, Dehua Mao, Ke Huang, Lin Zhu, Xiangchao Meng, Tian Feng, Chao Chen, Yong Ge. First wetland mapping at 10-m spatial resolution in South America using multi-source and multi-feature remote sensing data. Science China Earth Sciences, 2024, 67: 3252-3269.
[5] Xuanlin Huo, Zhenguo Niu, Linsong Liu, Yuhang Jing. Integration of ecological knowledge with Google Earth Engine for diverse wetland sampling in global mapping. International Journal of Applied Earth Observation and Geoinformation, 2024, 134, 104249.
[6] Xin Yan, Zhenguo Niu. Classification feature optimization for global wetlands mapping. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2024， 17, 8058-8072.
[7] Yang Liu, Huaiqing Zhang, Meng Zhang, Zeyu Cui, Kexin Lei, Jing Zhang, Tingdong Yang, Ping Ji. Vietnam wetland cover map: using hydro-periods Sentinel-2 images and Google Earth Engine to explore the mapping method of tropical wetland. International Journal of Applied Earth Observation and Geoinformation, 2022. 115: 103122.
[8] Mengjie Zhao, Guoqing Zhang, Xiaoran Han, Tao Zhou, Fenglin Xu, Chenqian Tang. Spatial and Temporal Changes of Wetlands on the Tibetan Plateau Between 1990 and 2020. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2024, 18: 769-784.
[9] Chao Fan, He Xu, Xiyong Hou. Spatial efficiency of protected mangrove areas in Madagascar. Journal of Environmental Management, 2023, 325, 116568.
[10] Chong Liu, Xiaoqing Xu, Xuejie Feng, Xiao Cheng, Caixia Liu, Huabing Huang. CALC-2020: a new baseline land cover map at 10 m resolution for the circumpolar Arctic. Earth System Science Data, 2023, 15, 133–153
[11] Shuang Chen, Jie Wang, and Peng Gong. ROBOT: A spatiotemporal fusion model toward seamless data cube for global remote sensing applications. Remote Sensing of Environment 2023, 293, 113616.
[12] Shuang Chen, Jie Wang, Qiang Liu, Xiangan Liang, Rui Liu, Peng Qin, Jincheng Yuan, Junbo Wei, Shuai Yuan, Huabing Huang , Peng Gong. Global 30 m seamless data cube (2000–2022) of land surface reflectance generated from Landsat 5, 7, 8, and 9 and MODIS Terra constellations, Earth System Science Data, 2024, 16, 5449–5475.
[13] Shuai Yuan, Shuang Chen, Tianwu Lin, Jie Wang, Peng Gong. Dynamic mapping from static labels: remote sensing dynamic sample generation with temporal-spectral embedding. arXiv preprint, 2025, arXiv:2506.02574.
