《Scientific Data》：A map of high-altitude wetlands in the world’s major mountain regions
编辑推荐：
本刊推荐一篇发表于《Scientific Data》的制图学研究，旨在解决全球主要山脉高海拔湿地分布与面积数据长期缺失的问题。研究人员通过整合Sentinel-1/2雷达光学影像、SRTM高程数据与随机森林(RF)机器学习模型，首次绘制了30 m空间分辨率的全球高海拔湿地分布图，识别总面积超过30,500 km2。此成果为理解高山地区生态系统功能与水文循环提供了关键数据基础。
在广袤而崎岖的世界主要山脉——安第斯山脉、落基山脉、阿尔卑斯山脉以及亚洲高山区——的深处，分布着一类独特而脆弱的生态系统：高海拔湿地。这些湿地不仅是生物多样性的热点，更是下游数百万人口至关重要的“水塔”，在调节区域水文循环、储存碳以及维持特有物种生存方面扮演着不可替代的角色。然而，由于地处偏远、地形复杂、难以开展大规模实地调查，全球范围内高海拔湿地的精确分布、范围及其变化一直笼罩在重重迷雾之中。数据的缺失严重制约了我们对这些敏感生态系统在气候变化背景下响应与功能的理解，也阻碍了有效的保护与管理策略的制定。为了解决这一科学认知与资源管理中的关键空白，一项开创性的研究应运而生，其成果以数据论文的形式发表在国际知名期刊《Scientific Data》上。
这项研究的核心目标，是为世界主要山脉区域绘制首幅高精度的高海拔湿地分布图。为了实现这一目标，研究团队巧妙地绕过了传统实地测绘的瓶颈，将目光投向了太空。他们设计并实施了一套基于多源遥感数据与先进机器学习算法的自动化制图流程。该研究的关键技术方法可以概括为以下几个核心步骤：首先，研究构建了一个多元化的特征预测因子集，这些因子源自免费开放的卫星数据，包括欧洲空间局的Sentinel-1合成孔径雷达(SAR)影像（用于获取地表湿度与纹理信息）、Sentinel-2多光谱光学影像（用于提取植被指数与光谱特征），以及航天飞机雷达地形测绘任务(SRTM)提供的高程数据（用于计算地形特征）。其次，研究引入了RESOLVE全球生态区划图作为辅助数据。最终，所有这些处理后的特征被输入到一个随机森林(Random Forest, RF)这一监督式机器学习分类模型中，通过训练，使模型能够从复杂的遥感信号中精准识别出高海拔湿地的“指纹”。
研究结果部分系统展示了制图工作的产出与验证。在“湿地分布与面积”部分，研究应用上述方法，成功生成了空间分辨率为30米 x 30米的全球首幅高海拔湿地专题图。定量分析表明，在全球四大目标山区（安第斯山脉、落基山脉、阿尔卑斯山脉、亚洲高山区）内，识别出的高海拔湿地总面积达到了超过30,500平方公里。这一数据首次从全球尺度量化了这些关键生态系统的规模。在“方法验证与精度评估”部分，研究通过构建独立的验证样本集，对制图结果进行了严格的精度检验。评估结果显示，该湿地分类图达到了较高的总体精度，证明了所采用的随机森林模型结合多源遥感特征的方法，在复杂山地环境下进行湿地识别的有效性与可靠性。
综合研究结果，可以得出明确结论：本研究利用Sentinel-1、Sentinel-2和SRTM等开放数据源，结合随机森林机器学习算法，成功实现了对全球主要山脉高海拔湿地的高精度、大范围制图。所生产的湿地分布图不仅填补了该领域基础地理数据的空白，其超过30,500平方公里的总面积估算也为相关研究提供了权威的基准数据。在讨论与意义层面，这项工作的价值远超一张地图本身。首先，它极大地增进了人们对偏远、难以抵达的山地湿地空间分布格局的认识。其次，这份高分辨率地图为后续一系列深入研究铺平了道路，使科学家能够更可靠地评估高海拔湿地在区域乃至全球生态系统功能（如生物多样性维持、碳循环）和水文循环（如水源涵养、径流调节）中所扮演的具体角色。最后，该研究所有数据与方法均基于开源资源，其可重复、可转移的技术框架为其他地区开展类似调查提供了范本，对推动高山生态系统监测、应对气候变化影响以及制定科学的保护政策具有重要的理论与实践意义。
