湿地保护的重要性
湿地是一种重要的生态系统,为许多动植物物种提供栖息地,改善水质,补充地下水,缓解洪涝干旱严重程度。然而,湿地的质量和存在受到农业或开发再利用、污染物径流和气候变化的威胁。鉴于湿地所提供的生态价值,以及对湿地健康的持续威胁,湿地管理和保护工作势在必行。快速可靠地创建湿地分布图有助于这些努力。湿地识别模型(WIM)是创建这些数据的建议框架。
WIM如何支持湿地保护工作
虽然湿地有许多类型,但所有的湿地都可以通过共同的特征来识别,包括存在淹没该地区的水文条件,在饱和土壤条件下适应生命的植被,以及水化土壤。光探测和测距(LiDAR)数据为在不同尺度上观察这些特征提供了新的机会,并提供比其他遥感选项更高的分辨率和更广泛的可用性。激光雷达数据可以内插以创建高分辨率数字高程模型(dem),然后可用于推导描述水流收敛和近地表土壤湿度的地形指标,以指示湿地。此外,与粗糙的dem(即> 2 m)相比,从LiDAR dem中获得地形指标已被证明可以提高饱和度映射的准确性。
WIM使用激光雷达dem来推导描述湿地形成的水文驱动因素的地形指标,并通过随机森林算法将这些指标用作湿地面积的预测指标(Breiman, 2001)。WIM主要包括预处理、预测变量计算、分类和精度评估三个部分。所需的输入数据为高分辨率数字高程模型(DEM)和经过验证的湿地/非湿地覆盖范围(即地面真相数据),均为TIFF格式。目前的实现还需要一个地表水输入栅格,尽管未来的实现将直接从输入DEM派生这个栅格。最终的模型输出是湿地预测和准确性报告。
- 输入的DEM使用特定于从高分辨率DEM推导水文参数的方法进行预处理。
- 预处理DEM用于计算预测变量:地形湿润指数(TWI)、曲率和地图深度-水指数(DTW)。
- 训练数据来源于地面真实数据。
- 训练数据与合并的预测变量相结合来训练随机森林算法(Breiman, 2001)。
- 未用于训练模型的地面真相数据用于评估预测的准确性。选择生成的精度度量来减少由于目标类别不平衡而对模型性能的不具代表性的评估。
WIM以前的性能和潜在的应用
WIM是通过弗吉尼亚大学的原创研究创建的。它最初是为环境规划应用而开发和评估的,特别是通过提供精确的湿地清单来简化湿地许可流程,将人工测量限制在可能的湿地区域。在对弗吉尼亚州的四个地理区域进行校准后,WIM使用了司法确认的湿地和非湿地的丰富地面真实数据集,能够识别出整个站点中80% - 90%的真实湿地。湿地预测的正确率从22%到69%不等。总的来说,这些结果表明WIM具有很强的支持湿地圈定的潜力。然而,在其他景观中的成功将取决于DEM的质量和可用的地面真实数据。这些数据允许对特定景观的WIM参数进行必要的校准。这种迭代过程可能会揭示独特的DEM预处理参数,从而改善该地区特定湿地的陆地表面表示。此外,可靠和丰富的地面真实数据将使模型能够了解一系列湿地特征,并提供具有代表性的准确性评估。
WIM入门
WIM已在Arc Hydro Pro 2.5及更高版本中实现。有关WIM作为Arc Hydro工具集的进一步文档,请参见弧水湿地识别模型.注意,WIM工具的实现需要将Scikit-Learn python包安装到Pro python环境中。
进一步的阅读
有关WIM的发展和评估的进一步阅读,请参阅以下出版物:
奥尼尔,G. L.,古道尔,J. L.,贝尔,M.,萨比,L.(2020)。利用物理输入数据进行湿地识别的深度学习。环境模型及软件.104665.https://doi.org/10.1016/j.envsoft.2020.104665.
奥尼尔,G. L.,萨比,L.,班德,L. E.,古道尔,J. L.(2019)。激光雷达DEM平滑和调节的效果
基于地形的湿地识别模型技术。水资源研究, 55岁。https://doi.org/10.1029/2019WR024784.
奥尼尔,G. L.,古道尔,J. L.,沃森,L. T.(2018)。评估LiDAR DEM衍生品的特定地点修改的潜力,以改进使用随机森林分类的环境规划尺度湿地识别。水文杂志, 559, 192-208。
https://doi.org/10.1016/j.jhydrol.2018.02.009.
引用
Breiman, L.(2001)。随机森林。机器学习,45(1) 5-32。