Swamp-AI：用于监测全球湿地变化的深度学习模型

为什么关注地球潮湿边缘很重要

湿地——包括沼泽、沼泽地、三角洲和泛滥平原——在静默中保护我们的海岸、储存碳、净化水体并为野生动植物提供庇护。然而，它们在全球范围内不断缩减，常常位于偏远或难以抵达的地区，难以被注意到。本研究推出了“Swamp-AI”，一种通过计算机视觉扫描卫星影像以识别湿地并追踪其随时间变化的系统，为监测这些受威胁的景观提供了一种更快速、更廉价的手段。

从太空观察隐藏的水体

传统的湿地调查依赖专家实地踏勘，测量植物、土壤和水位。此类野外工作耗时且昂贵，且许多湿地位于无路可达的苔原、热带泛滥平原或政治不稳定的地区。相比之下，卫星每隔几天环绕地球一周，重复捕获地表影像。挑战在于如何将这些原始影像转化为可靠的湿地图，而不需要大量人工判读。早期的制图方法需要专家精心调整阈值或手工描绘边界，得到的模型往往仅在单一国家或单一湿地类型上有效。Swamp-AI旨在打破这一瓶颈，通过学习普遍适用的湿地“视觉特征”，使其在从路易斯安那到湄公河三角洲等不同地区都能适用。

构建全球训练图集

为了教会算法湿地的外观，团队首先必须组建一个带标注的训练图集。他们使用欧洲Sentinel-2卫星2019年的影像创建了全球沼泽注释数据库（Global Swamp Annotated Database，GSADB），Sentinel-2每五天提供一次中分辨率的彩色和红外影像。来自全球34个地点、涵盖21个内陆和13个沿海区域的影像中，他们绘制了102个详细的掩模，标注湿地位置。团队并非逐一实地勘察，而是结合了若干全球数据产品：现有的30米分辨率湿地图、提示低洼易淹地形的数字高程模型，以及突出绿色植被的植被指数。四名标注者相互校对，无法达成一致的影像被弃用，并且为了在北极沼泽到热带沼泽间保持标签一致性，他们将湿地定义为单一的广义类别“湿地”。

教机器识别潮湿地面

有了这个图集后，研究人员训练了15种不同的深度学习模型来执行“语义分割”——将图像中的每个像素划分为湿地或非湿地。他们测试了三种在医疗影像和其他环境影像上表现良好的流行网络架构，并为每种架构配备了五种衡量训练误差的方法（即损失函数）。鉴于湿地在每个场景中通常占少数，他们还尝试了针对不平衡数据设计的损失函数。训练图像按地理位置而非随机分割，以确保模型在从未见过的地区进行测试时能减少对局部特殊性的过拟合风险。

选出优胜者并进行现实世界检验

训练完成后，表现最好的模型接受了更严格的测试。团队使用更清晰的3米分辨率影像构建了一个独立测试集，选自美国的三个野生动物保护区，然后将手工绘制的湿地轮廓下采样到与Sentinel-2较低分辨率相匹配。最终优胜的是一种名为ResUNet34的网络，配合一种混合的“focal-dice”损失函数。该版本的Swamp-AI总体上大约正确标注了94%的像素，且其交并比（intersection-over-union）——评估预测与真实湿地区域重叠程度的严格指标——约为75%。视觉检查显示，它在测试区域之外仍能识别沼泽和湿地。作者随后将Swamp-AI应用于全球知名湿地，发现稍微调整内部置信度阈值后，它从寒冷北方的湿地到热带泛滥平原都保持了较高的准确度。

追踪纽约海岸线的收缩

为了演示Swamp-AI在实践中的应用，团队追踪了2019年至2024年间纽约牙买加湾的盐沼岛屿。通过对年度影像合成运行模型，他们估计该湾岛屿群每年总体损失约18公顷湿地，有些岛屿相对稳定，而另一些则显现出明显退缩迹象。比较2024年高潮与低潮时的影像还揭示了另一个细节：当水位较低、沼泽表面暴露时，Swamp-AI发现的湿地面积比高潮影像多近30%，这凸显出基于卫星的制图对时间点和水位高度的敏感性。

面向湿地损失的新型预警系统

对非专业人士而言，关键结论是Swamp-AI像一位自动化的湿地巡检员，扫描全球卫星数据流并标记出植被覆盖、积水区域是保持稳定还是正在消失。它尚不能区分植物物种或湿地的细分类别，并且继承了用作训练参考图的一些局限性。尽管如此，通过提供快速且全球一致的湿地图，其准确性可与许多局部研究相媲美，Swamp-AI为保护工作者和规划者提供了一个早期预警工具。它可以帮助将昂贵的实地调查定向到最危险的地点，并支持更明智的生态修复、海岸防护和气候韧性决策。

引用: Andros, C.S., Conery, I.W., Alvarado, T.R. et al. Swamp-AI: a deep learning model for monitoring wetlands change across the globe. Sci Rep 16, 8830 (2026). https://doi.org/10.1038/s41598-026-39257-1

关键词: 湿地, 遥感, 深度学习, 环境监测, 卫星影像