結合多源專題數據和目視解譯的大區域密集濕地樣本數據生產

彭凱鋒，蔣衛國，侯鵬，凌子燕，4，牛振國，毛德華，黃卓

1.北京師范大學 地理科學學部 遙感科學國家重點實驗室,北京 100875;

2.天津師范大學 地理與環境科學學院,天津 300387;

3.生態環境部 衛星環境應用中心,北京 100094;

4.南寧師范大學 地理科學與規劃學院,南寧 530001;

5.中學院空天信息創新研究院,北京 100094;

6.中國科學國科院東北地理與農業生態研究所 濕地生態與環境重點實驗室,長春 130102

1 引言

基于遙感衛星的地表覆被制圖是開展陸表景觀變化和生態資源調查的重要技術手段，具有成本低、效率高、覆蓋范圍大等優勢（劉涵和宮鵬，2021）。目前，已有大量學者利用遙感衛星數據開展了水體制圖（Pekel等，2016；Deng等，2019；Pickens等，2020）、農田制圖（薛冰 等，2019；Zhang等，2020）、森林制圖（Hansen等，2013；顏偉 等，2019）、土地利用制圖（Li等，2017；Calderón-Loor等，2021）等研究。根據人工干預的程度，遙感制圖方法大致分為人工解譯法、監督分類法、自動分類法等，其中監督分類方法的分類精度好、制圖效率高，應用最為廣泛，但該方法需要一定數量的樣本數據訓練分類器。無論采用何種方法，均需要樣本數據對制圖結果進行驗證，以確保制圖成果能夠滿足生產應用和科學研究要求（Huang等，2020）。因此，精確、高質量的樣本數據生產是開展地表覆被制圖的基礎工作之一。

現階段，樣本數據生產方法大致包括野外實測、無人機調研、高分影像解譯和自動生產等方法。野外實測法是指利用野外測量設備（譬如GPS、手持PAD測量儀），到實地進行勘察，在一定大小的樣方內確定主導土地覆被類型，記錄該地類的地理坐標。該方法大多應用于區域尺度的中、高分影像制圖研究（陳勁松 等，2014；Jia 等，2020）。無人機調研法是指利用低空無人機設備對指定區域進行航空攝影，使用布設的地面控制點對獲取圖像進行幾何校正，通過對其進行目視判讀獲取樣本點。隨著無人機設備的技術進步和應用普及，越來越多的研究和生產部門使用無人機進行樣本數據生產（田富有 等，2019；Sun 等，2021）。高分影像解譯是指利用米級或亞米級的高空間分辨率遙感影像，譬如GF-2 影像（Wu 等，2021）、Google Earth 的高分影像（張磊 等，2019）等，通過目視解譯生產樣本點。該方法大多用于中等空間分辨率的遙感制圖研究（何昭欣 等，2019；Xu等，2019）。自動生產法是指基于已有的制圖數據集，使用一系列的約束條件篩選穩定、高質量的樣本點。譬如，Xie等（2019）使用MCD12Q1 的土地利用數據生產樣本點，開展全球30 m 的土地利用制圖。Gong等（2019）基于30 m的土地利用數據樣本點，對Sentinel-2 影像開展10 m分辨率的全球土地利用制圖。

濕地生態系統是位于水陸過渡區的生態系統，其豐富的生態系統服務功能和物質生產力對于人類福祉和生產生活具有重要作用（彭凱鋒 等，2019）。為此，基于遙感影像的濕地制圖成為了當前生態資源管理與保護以及科學研究的熱點之一，其中樣本數據生產是其制圖研究和精度驗證的必備基礎工作之一。濕地生態系統空間分布較為分散，且大都位于偏遠、泥濘的地區（Mahdavi等，2018），野外實測或無人機調研的樣本生產成本較高、效率較低，難以滿足大尺度的濕地遙感制圖研究需求。濕地的類型多樣，光譜特征復雜（王鵬 等，2017），基于高分影像解譯方法難以辨識具有相似光譜和紋理特征的濕地類型，譬如某些草本沼澤和木本沼澤、草本沼澤和洪泛濕地等類型。此外，由于濕地生態系統的復雜性，濕地的定義及其子類型的分類系統尚未形成統一的標準，且現階段大區域尺度、精細化類別的濕地產品數據較為缺乏（Hu 等，2017；Xu 等，2020），基于自動生產法的濕地樣本生產難以滿足濕地精細化制圖的需求。因此，耦合多種樣本生產方法，構建一種準確、高效的濕地樣本生產方法，對于開展大區域尺度、精細化類別的濕地遙感制圖研究具有重要意義。

目前，已有很多學者針對某一濕地類別生產了一系列濕地專題數據集，譬如水體數據集（Pekel等，2016；Han 和Niu，2020）、潮間帶數據（Murray等，2019）、紅樹林數據集（Giri等，2011）等，這些數據能夠輔助大區域濕地樣本生產，極大減少工作量。同時，隨著長時序遙感數據集的積累和Google Earth Engine 大數據云平臺的普及，為樣本數據生產提供了良好的數據基礎和工具平臺。在此背景下，考慮某些濕地類別的易混淆性和濕地專題數據的局限性，本研究基于多平臺和多源濕地類型數據，提出一種結合專題數據和目視解譯的大區域密集濕地樣本生產技術框架，以期為開展大尺度濕地遙感制圖提供樣本數據基礎。

2 研究區域與數據

2.1 研究區概況

本文將地理范圍為44.04°E—138.25°E、7.44°S—60.0°N 的區域定義為研究區，覆蓋亞洲的北部、中部和南部區域。根據GLWD（Global Lake and Wetland Database）濕地數據的初步統計（Lehner和D?ll，2004），研究區濕地資源豐富，包含湖泊、河流、水庫、沼澤地等多種濕地類型，總面積為149.24 萬km2。該地區經濟發展相對落后，當地政府和人們為了獲得更多的經濟利益，過度開發和使用濕地資源，加之內陸干旱區的濕地受氣候變化的影響明顯，研究區的濕地退化嚴重。因此，開展該區域的濕地研究對于全球自然資源保護和可持續發展目標的實現具有重要意義。

2.2 數據收集

為了直接生產和輔助生產濕地樣本數據，本研究收集了全濕地類型數據、單一濕地類型數據、土地利用數據及其其他輔助數據等，各數據名稱及其介紹如表1所示。JRC-GWS數據、GMW（Global Mangrove Watch）數據、Global Intertidal Change 數據為單一濕地類型數據，其中JRC-GWS 為全球水體數據，錯分誤差和漏分誤差分別小于1%和5%（Pekel 等，2016）。使用1984 年—2019 年的JRCGWS 積水頻率產品，能夠可靠的篩選水體樣本點和非水體濕地樣本點。GMW 為全球紅樹林數據集，總體精度為94%，本研究選擇2007年—2016年間共有5 個時相的GMW 產品數據（Bunting 等，2018），將多時相的GMW 數據進行空間相交，選擇穩定的紅樹林區域生產紅樹林樣點。Global Intertidal Change 為全球濱海灘涂數據，總體精度在82%以上（Murray 等，2019），用于生產濱海灘涂樣本點。由于濱海灘涂數據將內陸區的部分地物，錯分為了濱海灘涂，因此，本研究的灘涂樣本點生產僅限于濱海區。

表1 濕地數據及其他輔助數據的列表Table 1 List of wetland datasets and other corresponding auxiliary datasets

GLWD為全濕地類型數據（Lehner 和D?ll，2004），該數據的精度和空間分辨率較粗，主要用于輔助目視解譯。GlobeLand30 為土地利用數據，2020年的數據總體精度為85.72%（Jun等，2014）。該數據包含了濕地圖層，主要用于篩選有植被濕地和其他內陸濕地樣本點。HydroLAKES 是全球湖泊與水庫矢量數據，該數據是耦合多源專題數據和遙感解譯產品，生產了湖泊數據集，包含了10 ha以上的湖泊、水庫和其他湖泊類型等（Messager等，2016），可用于生產湖泊樣本和水庫樣本。GRWL（Global River Widths from Landsat Database）是基于Landsat 影像生產的河網數據集，記錄了河流中心線及其寬度（Allen 和Pavelsky，2018），可用于篩選河流樣本點。GSHHG-WVS 為全球海岸線數據集（Wessel和Smith，1996），可用于區分濱海濕地樣本和內陸濕地樣本。

3 研究方法與基礎

3.1 研究方法

本文探究國家或大洲尺度的全濕地類型樣本點生產技術方法，基于已有的濕地專題數據集、土地利用數據集等，并使用GEE（Google Earth Engine）、Google Earth 和Collect Earth 等平臺工具，提出一種結合多源數據和目視解譯的大尺度密集濕地樣本生產方法，總體思路如圖1 所示。首先，使用專題數據生產初始濕地樣本點，即使用全球JRC 水體數據生產水體樣本點和非水濕地體樣本點，使用全球灘涂數據和GMW 紅樹林數據分別生產濱海灘涂樣本點和紅樹林樣本點。其次，基于濕地專題數據和GEE 平臺統計的樣本點NDVI 序列，篩選潛在其他內陸濕地樣本和有植被濕地樣本。再次，基于HydroLAKES 和GRWL 河流數據等篩選水體樣本點，生產河流、湖泊、水庫、內陸水體和濱海水體。最后，基于Google Earth 和Collect Earth 平臺對未確認屬性的樣本點進行人工目視解譯。

圖1 濕地樣本數據生產的技術流程圖Fig.1 The flowchart of wetland samples production

考慮研究區范圍大，通常的濕地分類研究采用分塊迭代的方式開展。本研究按5°×5°格網將研究區分為102個單元，設計每個單元的樣本數約為1500 個，共需要生成約15 萬個濕地類型樣本點。對于水體樣本點，本研究使用80%積水頻率篩選1984 年—2019 年穩定水體樣點，這些水體樣點在2020 年大都保持屬性不變。對于非水體樣本點，大都使用Google Earth 平臺中2020 年附近的高分影像解譯。對于濱海灘涂樣點，使用2014年—2016年的數據集近似表征2020 年的濱海灘涂樣點。對于紅樹林樣本點，使用1996 年、2007 年、2008 年、2008 年、2010 年、2015 年、2016 年的數據集進行相交，選擇穩定的紅樹林區域作為樣點區，因此紅樹林樣本點時相也可以為2020 年。綜上所述，本研究生產的全濕地類型樣本點的時相為2020年，生成的樣本點為穩定、高質量的樣本點，可用于開展中等空間分辨率（10—30 m）的濕地制圖研究。

3.2 濕地分類體系

由于濕地群落的復雜性和季節變化特征，濕地分類系統及其類型定義尚未形成統一的規范。為了使得生產的濕地數據具有較高的一致性，相關學者積極開展標準濕地分類體系的研究，譬如CLC（CORINE Land Cover）分類系統、LCCS FAO（FAO Land Cover Classification System）、MAES（Mapping and Assessment of Ecosystem Service classification system）、基于LCCS的濕地分類系統等（Finlayson，2018；Weise 等，2020；Xu 等，2020）。本研究考慮濕地類型在遙感影像的可分性和濕地資源管理的需求，采用Mao等（2020）提出的濕地分類體系。同時，考慮其他內陸濕地（譬如河漫灘、蘚類濕地、河心洲等）的重要性以及與其他濕地類型的可分性，本研究將該類型加入濕地分類體系中。本研究的濕地分類體系如表2所示。

表2 濕地分類體系及其類型定義Table 2 Wetland classification system and its sub-type definition

3.3 工具平臺介紹

本研究使用GEE（Google Earth Engine）云平臺輔助濕地樣本數據生產。GEE 是由美國谷歌公司開發的遙感大數據平臺，不僅存儲了Landsat、MODIS、Sentinel 等遙感影像以及其他地理空間數據，同時也具有強大的數據分析和計算能力。本研究基于GEE 平臺，統計樣本點在MOD13Q1 的NDVI時間序列影像的像元值，時間范圍為2001年—2020 年，每個樣本點對應457 個NDVI 值。分析樣本點的NDVI 時間序列變化，可以可靠的篩選出有植被濕地和潛在其他內陸濕地。

本研究使用Google Earth和Collect Earth軟件開展樣本點目視解譯工作。Google Earth 軟件是開展樣本數據生產的常用工具平臺，可以為用戶提供高、中、低等多種分辨率影像，但該平臺樣本管理功能不夠友好。為此，聯合國糧農組織（FAO）開發了Collect Earth 軟件，可以方便的對樣本數據進行管理和分析，同時該軟件能夠輕松訪問Bing Maps、Google Earth Engine 的影像，獲取每個樣本點的空間信息和時間序列信息。結合Google Earth和Collect Earth 平臺的樣本采集，能夠提升樣本生產的精度與效率。生產過程示意圖如圖2所示。

圖2 結合Google Earth和Collect Earth平臺的樣本采集示意圖Fig.2 Sample collection diagram combining Google Earth and Collect Earth software

4 樣本生產過程與結果

4.1 水體類型的濕地樣本數據生產

分析濕地類型的定義發現，河流、湖泊、水庫、河口水域、潟湖、運河/水渠、人工養殖池等均屬于水體類型。本小節基于JRC水體數據、HydroLAKES數據、GRWL 數據和GSHHG-WVS 數據，通過規則篩選和目視解譯的方式生產水體類型樣本點。

首先，基于JRC 水體數據生產水體樣本點：將JRC 積水頻率大于80%的區域作為穩定水體區域，并在此區域內生成隨機點，樣本之間的最小采樣距離為300 m，共生成了124839 個水體樣本點，如圖3（a）所示。其次，基于HydroLAKES 數據生產湖泊、水庫樣本點，該數據包含了10 ha 以上湖泊、水庫和其他湖泊類型。將80%的積水頻率邊界與HydroLAKES 數據的湖泊和水庫圖層進行相交，從而篩選出湖泊和水庫的穩定水體邊界。由于湖泊圖層包含了自然湖泊和小面積的水庫/坑塘，本文將該圖層面積小于500 ha的斑塊刪除，僅保留大面積湖泊。使用該數據，能夠生成湖泊樣本點和水庫樣本點，共生產湖泊樣本點59090 個、水庫樣本點14854 個，如圖3（b）所示。然后，使用GRWL 河網數據生產河流樣本點。將GRWL的河流中線數據與80%積水頻率邊界進行相交，篩選河流邊界，同時參照水庫數據，剔除河流中的水庫邊界。使用該數據篩選水體樣本，共生成河流樣本25503個，如圖3（c）所示。再次，使用GSHHG-WVS 海岸線數據建立15 km 緩沖區，使用該矢量數據對剩余樣本點進行分類，生成內陸水體樣本點16230 個，濱海水體樣本點9192 個，如圖3（d）所示。最后，使用Google Earth 和Collect Earth 軟件，對濱海水體進行目視解譯，生產河口水域、潟湖、鹽田/養殖池的樣本；對內陸水體進行目視解譯，生產養殖池、運河/水渠樣本。河口水域是位于濱海區的河流水體，與淺海水域相連；潟湖是位于濱海區的湖泊，呈面狀分布，至少有一個出水口與濱海水體相連；鹽田/養殖池形狀規則，面積較小，大都位于河流和濱海區附近；運河/水渠呈線性分布，寬度較窄，大都有修筑的人工護岸設施。

圖3 水體類型的濕地樣本點空間圖Fig.3 Spatial maps of wetland samples of water types

4.2 其他內陸濕地的樣本數據生產

其他內陸濕地是指植被覆蓋度低于10%的區域，通常為河流和湖泊周圍漫灘、河流沖積扇、蘚類濕地等?？紤]其他內陸濕地的植被特征和地理特征，本小節使用JRC 水體數據、3.1 小節的河流與湖泊邊界數據、GlobeLand30 數據以及GEE 平臺統計的NDVI 時間序列，并結合目視解譯的方式，生產其他內陸濕地樣本點。首先，使用JRC數據生產種子樣本點：將積水頻率為5%—40%之間的區域作為潛在非水體濕地區，以最小間隔距離為300 m 生產種子樣本點。其次，基于NDVI 時間序列篩選潛在其他內陸濕地樣本點：考慮其他內陸濕地的低植被特征以及其NDVI 數值的異常波動，將滿足“NDVI＞0.12 的次數大于200 或NDVI＞0.2 的次數大于100”樣本點剔除，剩余點為潛在其他內陸濕地樣本點，共計13747個。再次，使用GlobeLand30 數據篩選其他潛在內陸濕地樣本點：該數據的濕地圖層包含了洪泛濕地、草本沼澤、木本沼澤等類型，使用該圖層與潛在其他內陸濕地樣本點相交，進一步篩選潛在其他內陸濕地樣本點。然后，使用河流和湖泊最大水體邊界對潛在其他潛在內陸濕地樣本點進行篩選，從而得到河流與湖泊周邊的潛在其他濕地樣本點。經過以上過程，并刪除濱海區的潛在其他內陸濕地點，生產了9884個潛在其他內陸濕地樣本點，如圖4（a）所示。最后，通過目視解譯的方式，對篩選的潛在其他內陸濕地進行解譯，確認為其他內陸濕地樣本點共8410 個。目視解譯過程中，對稀疏樣點區或典型區也進行樣本增選，共876個。最終的樣本點如圖4（b）所示。

圖4 潛在其他內陸濕地和其他濕地的樣本點空間圖Fig.4 Spatial maps of potential other inland wetland samples and potential other inland wetland samples

4.3 有植被濕地的樣本數據生產

分析濕地分類體系可知，有植被濕地包括內陸/濱海草本沼澤、內陸/濱海木本沼澤，這些濕地類型大多是由季節性水體淹沒的植被。本小結探究結合濕地專題數據和人工目視解譯的方式生產有植被濕地樣本。首先，基于JRC 數據生產潛在種子樣本點：在積水頻率為5%—40%的區域生成樣本點，樣本點的最小間隔為300 m。其次，基于NDVI 時間序列篩選潛在有植被濕地樣本點：將樣本點的NDVI＞0.2 次數超過200 次的樣本點，作為潛在濕地樣本點，共計34145個，如圖5（a）所示。再次，使用GlobeLand30 數據進一步篩選有植被濕地樣本點。根據GlobeLand30的濕地圖層定義，該圖層包含沼澤地、紅樹林、森林/灌叢濕地等。本研究使用該數據對潛在有植被濕地進行篩選，生成有植被濕地樣本點，共計8164個，如圖5（b）。

圖5 潛在有植被濕地和有植被濕地的樣本空間圖Fig.5 Spatial maps of potential vegetated wetland samples and vegetated wetland samples

將以上有植被濕地樣本點導入Collect Earth 平臺中，進行目視解譯判讀木本沼澤和草本沼澤。由于部分草本沼澤和木本沼澤具有相似光譜特征和NDVI 時間序列特征，本研究將有植被濕地樣點分兩部分進行解譯。首先，使用GLWD 的“淡水草本沼澤/洪泛濕地”圖層對有植被濕地進行篩選，選擇的樣本點大都為草本沼澤類型，導入到Collect Earth 平臺進行目視解譯。這種方式解譯，能夠對草本沼澤和木本沼澤提供先期認知。其次，將剩余有植被濕地樣點導入到Collect Earth 平臺，進行目視解譯。

通過有植被濕地的樣本解譯，總結了草本沼澤和木本沼澤的顏色、紋理和NDVI 時間序列特征。對于草本沼澤：（1）顏色：生長季為青綠色、淺青色；非生長季為灰色、紅褐色；（2）紋理：紋理較為勻質；（3）NDVI 時間序列特征：NDVI數值在0—0.5 間周期變化，但部分草本沼澤樣本點的NDVI 在0—0.8 間周期變化。草本沼澤的高分影像、NDVI 變化圖與實景照片如圖6（a）所示。對于木本沼澤：（1）顏色在生長季為綠色、青綠色；非生長季為褐色、紅褐色；（2）紋理：紋理粗糙，有顆粒狀；（3）NDVI時間序列特征：NDVI數值在0—0.8 之間震蕩。木本沼澤的高分影像、NDVI變化圖與實景照片如圖6（b）所示。

圖6 草本沼澤和木本沼澤的樣本示意圖Fig.6 The diagram of marsh sample and swamp sample

基于以上過程，完成對草本沼澤和木本沼澤的目視解譯。同時對稀疏樣點區或典型濕地區，在Google Earth 平臺經進行樣本增選，并使用海岸線緩沖區進行區分內陸和濱海的濕地類型。共生產內陸草本沼澤16747個，內陸木本沼澤10786個，濱海草本沼澤701 個，濱海木本沼澤378 個，如圖7（a）所示。此外，本研究使用GMW紅樹林數據生產紅樹林樣本點。為了保證樣本的準確性和穩定性，本研究使用2007年、2008年、2010年、2015年、2016 年的5 個時相數據生產樣本點。將這些數據進行空間相交，在公共相交區域內生成紅樹林樣本點，共生成紅樹林樣本點5000 個，如圖7（b）所示。將生產的紅樹林樣本點歸為濱海木本沼澤。

圖7 有植被濕地類型的樣本空間圖Fig.7 Spatial map of vegetated wetland samples

4.4 灘涂的樣本數據生產

灘涂是指潮間帶地區的植被覆蓋度低于10%的區域，包括沙灘、岸巖等。本研究使用Murray等（2019）生產的全球灘涂數據集生產本研究區的灘涂樣本點。該數據是基于長序密集的Landsat影像生產的，空間分辨率為30 m，數據的總體精度為82.3%。本研究使用2014 年—2016 年時期的數據產品生產樣本點，樣本點的最小間隔為300 m，共生產了2500個樣本點，如圖8所示。

圖8 濱海灘涂樣本點的空間圖Fig.8 Spatial map of coastal tidal flat samples

5 討論

現階段，濕地制圖研究大多側重于濕地遙感分類研究，而將濕地樣本點生產作為研究基礎之一。該研究范式適用于小尺度濕地遙感研究，但對于大尺度的濕地制圖研究，如何準確、高效地生產高質量的樣本點，是保證其研究結果準確性的核心工作之一。本研究系統梳理了國內外的濕地分類體系，選擇了適用于大區域尺度濕地遙感制圖的分類系統；然后基于國內外已有的濕地數據、土地利用數據以及其他數據，針對性的提出適用于大尺度的密集濕地樣本生產方法。該方法充分利用了已有的數據基礎，生產了河流、湖泊、水庫、濱海木本沼澤（紅樹林）、灘涂等多個濕地類型樣本，同時篩選了有植被濕地、其他水體類型和其他內陸濕地等樣本點，能夠在保證樣本精度和質量的前提下，極大減少人工目視解譯的工作量。本研究可為開展濕地遙感制圖的樣本生產提供一定的技術參考，對于開展大區域的濕地資源調查具有重要意義。

本研究生產了大洲尺度的全濕地類型樣本點，但仍存在有待改進的地方。首先，本研究將基于規則篩選和目視解譯的樣本點全部作為濕地類型樣本點，未考慮濕地類型樣本均衡性的問題。未來的濕地分類研究中，可根據算法要求和各濕地類型占比，選擇合適比例的濕地子類型樣本點。其次，缺少對生產濕地樣本的精度驗證。盡管本文生產了可靠、穩定的濕地類型樣本，但樣本生產過程中難免存在誤差。在未來的研究中，可選擇典型區的樣本點進行二次人工目視解譯，以驗證樣本的可靠性和精度。

此外，本研究的濕地樣本生產方法也存在一定的不確定性。首先，人工目視解譯難以判別某些草本沼澤和木本沼澤，某些草本沼澤表現為高植被特征，紋理和顏色特征與木本沼澤相似，從而導致樣本解譯中存在一些人工誤差。其次，本文僅使用JRC 水體數據來框定大多數濕地類型樣本點，未能在水體淹沒最大范圍以外采集樣本點。最后，由于濕地專題數據本身存在一定的數據誤差，基于專題數據生產的濕地樣本同樣存在一定的不確定性。然而，對于大尺度遙感分類研究，其樣本點不一定要全部覆蓋到所有濕地類別區，只要樣本滿足均勻分類、數量合理即可。同時，Gong等（2019）的研究表明，樣本數量減少至原樣本量的60%，其分類精度僅下降1%左右，一定程度的樣本生產誤差對分類研究的影響是可接受的。綜上來看，本文濕地樣本生產的技術框架，能夠滿足大尺度濕地遙感制圖的要求，是一種準確、高效的濕地樣本生產方法。

6 結論

本研究以多源濕地專題數據為基礎，以Google Earth Engine 大數據云平臺、Google Earth 和Collect Earth 軟件等為工具平臺，提出了一種準確、高效的大尺度密集濕地樣本生產方法。相比于傳統的目視解譯方法和自動樣本生產方法，本研究的樣本方案能夠充分利用已有的數據基礎，有效避免盲目目視解譯導致的工作量大、效率低的問題，能夠為大尺度精細化濕地制圖提供可靠密集的全濕地類型樣本數據。

本文開展了大洲尺度的全濕地類型樣本數據生產。研究結果表明：本研究共生產了150668 個濕地樣本點，其中內陸濕地樣本有121412個，濱海濕地樣本有11563 個，人工濕地樣本有17693 個。13 個濕地子類型中，湖泊樣本數量占比最大（39.22%），潟湖樣本數量占比最?。?.19%）。同時，河流、水庫、內陸草本沼澤和內陸木本沼澤的樣本占比也較大。本研究生產了精度可靠、數量充足的全濕地類型樣本點，能夠為大洲尺度的濕地制圖和精度驗證提供可靠的數據基礎。

此外，本文的樣本生產方法及其樣本生產結果仍存在有待改進的地方。首先，本文將規則篩選和目視解譯的濕地樣本全部作為樣本集，未充分考慮濕地類型的樣本均衡問題。未來的濕地分類研究中，應根據算法要求和濕地類型占比，選擇合適比例和數量的樣本點。其次，對于某些區域的草本沼澤和木本沼澤，其相似的顏色和紋理特征導致樣本解譯存在一些人工粗差。未來的濕地樣本解譯，可加強對解譯人員的訓練，以增強其對濕地類型的認知。最后，多源輔助數據本身存在一定的誤差，基于其生產的樣本點存在一定的不確定性。未來的樣本生產，可以通過多期數據疊加生產穩定樣本、二次人工目視解譯等方式，提高樣本點質量與精度。

志 謝感謝清華大學宮鵬教授領導全球濕地制圖研究，提供全球濕地制圖的科學思想。感謝中國科學院東北地理與農業生態研究所王宗明研究員，對本文的濕地分類體系的確定和濕地專題數據的收集提供的幫助和指導。感謝中國地圖出版集團左偉編審對地圖制圖提供的幫助和指導。