准确预测全球湿地动态目前受到传统基于过程的模型（如TOPMODEL）无法解决人为干扰的限制，导致人类改造景观中出现系统性偏差。在这里，我们提出了一个机器学习框架，将多模型CMIP6气候预测与十五个人为指标相结合，并以基于地形的TOPMODEL模拟为基准。使用随机森林算法，我们的框架以0.89（±0.01）的皮尔逊相关系数（r）再现了历史湿地分布（2000 - 2014年），比TOPMODEL（r = 0.62）提高了43.55%，在人类活动区（HAZs）内相关性提高了98.5%。特征重要性分析表明，生物物理特征和人为指标分别占模型预测能力的73.63%和26.37%，突出了在空间建模中纳入人为信息的必要性。在四种共享社会经济路径（SSPs）下，预计到本世纪末（2086 - 2100年），全球年度最大湿地范围将从历史基线的802万平方公里扩大到837万至912万平方公里，净增长4.35% - 13.67%。然而，这种总体增长掩盖了深刻的空间异质性：高北纬地区出现严重退化热点，特别是西西伯利亚，预计面积收缩超过14.3万平方公里，而热带流域以扩张为主，在SSP5 - 8.5情景下，非洲的净增益达到40.3537万平方公里。这些发现表明，纳入人为特征大大改进了湿地预测，为全球湿地保护战略和联合国可持续发展目标（SDGs）评估提供了有力的科学支持。图 1.七种 CMIP6 地球系统模式驱动下，TOPMODEL 过程模型与机器学习框架模拟全球湿地覆盖度的效果对比。(a~c) 模拟湿地占比与观测数据集 WAD2M 湿地占比之间的皮尔逊相关系数 r：(a) 基于过程机理的 TOPMODEL 模型；(b) 与 TOPMODEL 采用完全相同生物物理驱动因子的机器学习（ML）框架；(c) 额外引入 15 项人为活动特征优化后的机器学习框架。评估分为三个空间范围：全球全域（All）、自然管控区（NZs）、人类活动密集区（HAZs）。(d~f) 对应 (a~c) 三组方案模拟精度的统计分布与单因素方差分析结果。每组箱线图展示 7 套 CMIP6 驱动数据下多模式结果的离散程度，散点为单模式结果，小提琴图呈现核密度分布；p 值用于判定自然区与人类活动区之间模拟精度差异是否显著。可以明显看出：仅用 TOPMODEL 时人类活动区模拟效果显著下降（图 d）；加入人为活动指标后，该区域模拟精度得到明显提升（图 f）。
图 2.2000–2014 年 BCC-CSM2-MR 模式下全球湿地模拟结果精度基准校验与误差特征分析。(a~i) 散点密度图，分别在全球全域、自然区、人类活动区三个范围对比模拟湿地占比与真值数据集 WAD2M；(a~c) 机理模型 TOPMODEL；(d~f) 仅使用同源生物物理因子的机器学习模型；(g~i) 融合 15 项人为特征的机器学习模型。青色虚线为 1:1 理想拟合线；色彩渐变由蓝（点密度低）至黄（点密度高）；同时列出 15 年时段整体皮尔逊相关系数 r、均方根误差 RMSE 与样本量 n。(j~l) 三种建模方案年际模拟稳定性（相关系数 r）对比；箱线 + 小提琴图展示 2000–2014 逐年相关系数分布（共 15 年），散点标注单年份结果；单因素方差分析 p 值量化自然区与人类活动区精度差异显著性。图 3.
21 世纪末期（2086–2100）全球湿地占比时空演变预估与多模式不确定性。(a、c、e、g) 四种共享社会经济路径（SSP）情景下，湿地占比相对基准期（2000–2014）的多年平均空间变化量；预估由 7 组 CMIP6 气候驱动数据驱动机器学习框架生成。色带由红（湿地大幅退化）过渡至蓝（湿地显著扩张），高纬度为湿地退化核心热点区。(b、d、f、h) 多模式预估结果标准差 σ，表征 7 套 CMIP6 气候输入带来的空间预估不确定性。图 4.21 世纪末全球年度最大湿地面积精细化空间预估与分区域汇总结果。(a、c、e、g) 四种 SSP 情景下，0.25° 高分辨率网格尺度年度最大湿地面积相对基准期的平均变化量（单位：km²/ 网格），结果为 7 组 CMIP6 驱动下机器学习集合均值；红色代表面积净减少，蓝色代表面积净增加。(b、d、f、h) 按照 IPCC 第六次评估报告（AR6）陆地分区统计对应情景下各区域年度最大湿地面积总变化；六边形色块为各生物气候带湿地年最大面积变化总量（单位：10⁵ km²）。西西伯利亚（WSB）、俄罗斯北极（RAR）等高纬度区域普遍呈现明显退化（红色色块），热带、亚热带以湿地扩张为主（蓝色色块）。分区缩写遵循 IPCC AR6 标准分区命名（Iturbide 等人，2020）。图 5.2086–2100 年六大洲年度最大湿地面积新增、萎缩及净变化量。分组柱状图展示四种 SSP 情景下，相对 2000–2014 基准时段，六大洲湿地扩张面积（Gain）、退化萎缩面积（Loss）与最终净变化量（Net change）；所有数值均取自机器学习多模式集合平均结果。
图 6.不同人口密度阈值（10~200 人 /km²）划分方案下模型精度（相关系数 r）敏感性分析。(a) 三类建模方案平均皮尔逊相关系数整体对比：TOPMODEL（蓝色）、仅生物物理因子随机森林 RF（橙色）、嵌入 15 项人为特征的随机森林框架（绿色）。(b、c) 放大展示两组随机森林模型，区分自然管控区（方块标记）与人类活动区（三角标记）；阴影区域代表 7 组 CMIP6 模拟结果的标准差范围。图 7.21 世纪末全球湿地空间格局预估结果对比。(a、c、e、g) TOPMODEL 模型在四种 SSP 情景下模拟得到的年均湿地占比变化；(b、d、f、h) 对应情景下机器学习随机森林框架模拟的年度最大湿地面积变化。所有子图数值均为 2086–2100 末期时段相对 2000–2014 基准期的湿地占比差值△；发散色标区分变化方向与幅度，红色代表湿地萎缩退化，蓝色代表湿地扩张。图 8.自然驱动因子与人为干扰因子对全球湿地空间分布的相对重要性。(a~g) 分别接入 7 套 CMIP6 地球系统模式数据后机器学习模型的特征重要性排序：(a) ACCESS-ESM1-5；(b) BCC-CSM2-MR；(c) CanESM5；(d) CESM2-WACCM；(e) CMCC-ESM2；(f) CNRM-CM6-1；(g) GFDL-ESM4。(h) 多模式集合平均特征重要性；蓝色柱为自然类因子（地貌、水文气候变量等），橙色柱为基于 LUH2 数据集提取的人为活动因子；内嵌圆环图统计两大类因子对模型解释度的整体贡献占比。(h) 中误差线表示 7 个机器学习模型下单因子重要性得分的多模式标准差。图 9.多气候驱动数据下机器学习框架的时序可迁移性与推理稳定性。(a~g) 分别采用 7 个 CMIP6 地球系统模式驱动，全球尺度模拟湿地占比与观测值逐年皮尔逊相关系数 r。(h) 多模式集合整体精度，阴影区域为均值 ±1 倍标准差；竖直虚线划分模型构建阶段（2000–2009，含训练与内部验证）与独立外推检验阶段（2010–2014，灰色底色），用于检验模型在时序独立样本上的泛化预测能力；绿色、红色水平虚线分别标注建模期与外推期整体平均相关系数。以上内容来源于GEE遥感训练营，为学术分享，仅供科研交流，如有错误/侵权等，请联系修改或删除。联系方式：Novel_2020
