基于基于对象的多尺度分割和机器学习的泥炭地识别

《CATENA》：Peatlands identification based on object-based multi-scale segmentation and machine learning

泥炭地生态功能及东北中国分布特征研究采用对象基多尺度分割结合XGBoost-SHAP模型优化制图，结果显示该区域泥炭地面积为134,445 km2，集中分布于大兴安岭、小兴安岭及长白山间谷地及三江平原低洼区，驱动机制呈现西-中-东区域差异，气候与地形因素主导分别。

　　

王玉萌|于汉楠|李兰|王玉山|于杰|于展强|高新月

中国延边大学地理与海洋科学学院，延吉133002

摘要

泥炭地在碳储存、气候调节、水文循环维持和生物多样性保护方面发挥着关键作用，对区域生态平衡和全球气候稳定具有价值。目前，不同泥炭地数据集之间存在空间差异，例如Global Peatland Map 2.0和PEATMAP数据集。为了解决这一问题，本研究采用了一种基于对象的多尺度分割方法，构建了包含分割单元的特征集，使用XGBoost对泥炭地进行分类，并通过SHAP分析量化了特征贡献，以优化中国东北地区的泥炭地映射。研究结果表明，中国东北地区的泥炭地面积为134,445平方公里，主要分布在大兴安岭、小兴安岭和长白山的山间谷地以及三江平原的低洼地区，呈现出集中和分散的分布模式。在驱动机制方面，气候因素在中心地区起主导作用，而地形因素在西部和东部地区占主导地位。本研究为提高中国东北地区泥炭地保护的精度提供了科学依据。

引言

泥炭地的核心特征是在水淹和缺氧条件下，由死亡植物物质经过数百至数千年积累形成的泥炭层（Gorham, 1957; Moore, 1989）。不同国家对泥炭层厚度的定义各不相同。例如，印度尼西亚将泥炭地定义为有机土层厚度不低于50厘米的区域（Uda et al., 2017）。加拿大规定泥炭地的泥炭层厚度必须达到40厘米（Zoltai and Vitt, 1995），而大多数国家和国际泥炭保护组织认为泥炭层厚度为30厘米的区域也属于泥炭地（Joosten and Clarke, 2002）。由于缺乏统一定义，本研究将泥炭地定义为地表附近自然形成的任何厚度的泥炭层区域。这一定义与《湿地公约》（COP8决议VIII.17）（Ramsar Convention on Wetlands, 2018）中的定义一致。作为大规模的碳汇，泥炭地对全球气候调节和减缓气候变化具有深远影响（Gorham, 1991; Leifeld and Menichetti, 2018）。它们还为野生动物提供栖息地，是维持生物多样性、保护水源、调节水文循环和改善土壤质量的关键生态系统（Dean et al., 2023; Errington et al., 2024; Liu et al., 2022）。因此，泥炭地与地球的生态平衡密切相关。然而，泥炭地生态系统容易受到人类活动的干扰。根据联合国环境规划署2022年发布的《全球泥炭地评估：世界泥炭地状况》，全球约有12%的泥炭地已经退化到无法再形成新泥炭的状态（UNEP, 2022）。排水是导致这种退化的主要因素之一（Mander et al., 2025）。未来的气候变化可能会改变泥炭地的水文条件及其碳封存和排放过程（UNEP, 2024）。泥炭地的持续退化将进一步加剧全球变暖。

泥炭地主要分布在北半球的中高纬度地区，总碳储量为约500吉吨（Yu et al., 2021）。在中国，泥炭地主要分布在东北地区和青藏高原，其中东北地区的泥炭地面积最大（UNEP, 2022; Xing et al., 2015）。这些地区的泥炭地对确保流域水资源供应和维持生态平衡至关重要（Xu et al., 2018）。此外，它们位于重要的迁徙路线上，是候鸟的重要栖息地，也是值得保护的宝贵生态资源（Wang et al., 2022）。尽管以往的研究提供了泥炭地分布的数据集，但空间边界和面积估算存在很大差异。Global Peatland Map 2.0采用了一种核心的多源数据融合方法，整合了国家专题地图和实地采样，并结合光谱特征分析来辅助划定泥炭地边界（UNEP, 2022），估计中国东北地区的泥炭地面积为86,322平方公里。PEATMAP数据集基于全球范围内的文献 meta 分析，综合了1980年至2015年的区域调查数据，估计同一地区的泥炭地面积为58,409平方公里（Xu et al., 2018）。由于方法和参数的差异，这些面积估计值存在偏差，影响了人们对泥炭地资源的整体认识、后续的生态研究以及管理和保护策略的制定。因此，需要更有效的提取方法。

在早期阶段，遥感识别泥炭地主要依赖于传统的实地调查和简单的图像视觉解释。传统的实地调查包括在离散样地采集土壤剖面样本和植被群落调查，并根据实地观察到的土壤、植被和水文特征对泥炭地进行初步分类（Wüst et al., 2003）。简单的图像视觉解释是指基于卫星或航空图像手动识别泥炭地斑块（Lu et al., 2017）。尽管上述方法可以获得一些分布信息，但效率低下且主观性较强，难以满足大面积和高精度研究的需求。

随着遥感技术和地理信息系统的进步，基于像素的分类方法已被用于遥感泥炭地识别。例如，通过整合遥感数据和机器学习算法，爱尔兰实现了更详细的泥炭地制图（Habib and Connolly, 2023）。然而，这些方法容易受到“盐粒效应”的影响，导致边界识别不准确、空间分布碎片化以及与实际地理特征存在较大偏差（Dong et al., 2017）。

基于对象的分类方法处理具有相同属性的像素对象，并基于多个图像特征生成高精度的提取结果（Zhang et al., 2015）。这可以提高图像分割的精度，更准确地识别出与实际泥炭地分布模式一致的泥炭地资源（Wen et al., 2022）。无论规模大小，泥炭地都具有重要的生态功能。

近年来，越来越多的研究结合收集的数据和多源数据集，利用机器学习进行泥炭地制图（Dave et al., 2022; DeLancey et al., 2019）。支持向量机（SVM）、随机森林（RF）和极端梯度提升（XGBoost）等算法使得湿地快速制图成为可能，其中XGBoost显示出更好的拟合效果（Jackson et al., 2017）。然而，随着模型复杂性的增加，其内部决策逻辑变得难以直观解释，形成了“黑箱”问题（Li et al., 2023）。Shapley Additive Explanations（SHAP）方法可以通过解释特征贡献来解决这一问题，并已广泛应用于泥炭地遥感分类、土壤制图等相关研究（Lundberg et al., 2020; Pohjankukka et al., 2025; Dong et al., 2025）。因此，XGBoost–SHAP模型有助于研究泥炭地分布与特征因素之间的关系。

本研究采用基于对象的多尺度分割结合XGBoost–SHAP方法来提取和分析中国东北地区的泥炭地，并揭示它们与环境因素之间的关系。具体研究目标如下：（1）利用基于对象的多尺度分割方法整合多源环境因素，构建特征集，并使用XGBoost模型完成中国东北地区泥炭地的识别。（2）结合SHAP框架探索泥炭地分布与环境因素之间的相互关系。

方法

本研究将中国东北地区泥炭地提取的过程分为四个部分：选择泥炭地和非泥炭地样本、遥感图像的时空融合和基于对象的多尺度分割、多源地球科学特征的整合和矩阵构建，以及分区的机器学习建模和准确性验证（图1）。

结果

使用AUC、TSS和Kappa值全面评估了模型在三个主要地区的分类性能。结果显示，西部地区的模型AUC、TSS和Kappa值分别为0.98、0.88和0.88；中部地区分别为0.98、0.86和0.85；东部地区分别为0.98、0.87和0.87。总体而言，三个地区的模型AUC均为0.98。

泥炭地的分布模式和核心影响因素

本研究估计中国东北地区的泥炭地面积为134,445平方公里，主要分布在大兴安岭、小兴安岭和长白山的山间谷地以及三江平原的低洼地区，其分布模式与其他研究中记录的经典泥炭地分布区域一致（UNEP, 2022; Wu et al., 2025a）。研究结果表明，海拔、坡度、Bio1、Bio3和OC2等因素对泥炭地的分布有显著影响。

结论

本研究利用Landsat 8图像整合了包括气候、地形、水文和土壤在内的环境特征，并采用基于对象的多尺度分割结合XGBoost-SHAP模型来识别中国东北地区的泥炭地。此外，还分析了基于研究区域从西到中再到东的气候梯度模式的泥炭地分布驱动因素。结果表明，基于对象的方法有效地

作者贡献声明

王玉萌：撰写——初稿、调查、正式分析、数据管理。于汉楠：撰写——审稿与编辑、方法论、资金获取、概念构建。李兰：撰写——审稿与编辑、资金获取、概念构建。王玉山：验证、调查。于杰：数据管理。于展强：方法论。高新月：数据管理。

利益冲突声明

作者声明他们没有已知的可能影响本文工作的财务利益或个人关系。

致谢

本研究得到了吉林省自然科学基金（YDZJ202501ZYTS551）和中国国家自然科学基金（42461017）的支持。