Áreas Úmidas Globais - Distribuição Potencial, Perda de Áreas Úmidas e Status - ScienceDirect

29/08/2019 Áreas úmidas globais: distribuição potencial, perda de áreas úmidas e status - ScienceDirect
Baixar Compartilhar Exportar

Revistas e Livros Criar conta Entrar
Ciência do Meio Ambiente Total

Volume 586 , 15 de maio de 2017, Páginas 319-32715 de maio de 2017 , páginas 319-
327
Áreas úmidas globais: distribuição potencial, perda de áreas

úmidas e status
Shengjie Hu a, Zhenguo Niu a , Yanfen Chen a, Lifeng Li b, Haiying Zhang a
Mostre mais
https://doi.org/10.1016/j.scitotenv.2017.02.001 Obter direitos e conteúdo
Destaques
• A potencial distribuição global de áreas úmidas foi simulada com base em
amostras de PTWI e RS.
• A perda global de áreas úmidas foi de pelo menos 33% em 2009, estimativa
menor do que antes.
• A maior perda de áreas úmidas ocorreu na Ásia, mas a situação mais grave da
Europa.
• Houve uma grande inconsistência entre os produtos de cobertura terrestre

relacionados a áreas úmidas.
Resumo
Mesmo que os pesquisadores tenham pago uma grande dose de atenção para zonas húmidas
perda e status, a extensão real da perda de zonas húmidas em uma escala global,
especialmente a perda causada diretamente pelas atividades humanas, e a extensão real das
zonas húmidas actualmente sobreviventes permanece incerto. Este artigo simulou a
distribuição potencial de áreas úmidas globais, empregando um novo Índice de umidade
https://www.sciencedirect.com/science/article/pii/S0048969717302425#f0010 1/26
topográfica por precipitação (PTWI) e amostras globais de treinamento em sensoriamento

remoto . Os Baixar
resultados Compartilhar teria aproximadamente 29,832 milhões de km 2
Exportar
mostram que a Terra
de áreas úmidas não aquáticas e 2,64 milhões de km 2 de águas abertas. A extensão da perda de
áreas úmidas foi maior na Ásia, mas a Europa sofreu as perdas mais graves. Os conjuntos de
dados relacionados às áreas úmidas sofrem grandes inconsistências, e as estimativas da
extensão regional das áreas úmidas globais restantes variaram de 1,53 a 14,86 milhões de km 2
. Portanto, embora seja desafiador, é necessário e urgentemente necessário o mapeamento
temático das áreas úmidas globais.das zonas húmidas, se os humanos não interferissem com
os ecossistemas das zonas húmidas . Ao combinar conjuntos de dados relacionados a áreas
úmidas globais, descobrimos que pelo menos 33% das áreas úmidas globais haviam sido
perdidas em 2009, incluindo 4,58
Resumo gráfico
Baixar imagem de alta resolução (168KB) Download da imagem em tamanho real
anterior Próximo
Palavras-chave
Áreas úmidas remanescentes globais; Perda global de áreas úmidas; Simulação
global de zonas úmidas; Distribuição do potencial das áreas úmidas
1 . Introdução
As zonas úmidas representam um dos tipos mais importantes de ecossistemas do mundo e
também são um dos mais ameaçados. As zonas úmidas desempenham um papel crítico nas
mudanças climáticas, biodiversidade, hidrologia e saúde humana ( Ramsar Convention
Bureau, 2001 ). Nas mudanças climáticas, as áreas úmidas exercem um efeito no clima global e
local / regional, fornecendo à atmosfera evapotranspiração potencial ou quase potencial e
absorvendo dióxido de carbono e emitindo metano ( Russi et al., 2013 ). Do ponto de vista da
Baixar
biodiversidade, emboraCompartilhar Exportar
as áreas úmidas de água doce cubram apenas 1% da superfície da
Terra, essas áreas úmidas abrigam mais de 40% das espécies do mundo ( Mitra et al., 2003)
Hidrologicamente, as zonas úmidas reabastecem as águas subterrâneas , regulam o
movimento da água e purificam a água, fornecendo essas partes importantes do ciclo
hidrológico ( MEA, 2005 ). Em apoio à saúde humana, as áreas úmidas fornecem
medicamentos tradicionais dos quais 80% da população mundial depende da atenção
primária à saúde ( Mitra et al., 2003 ). As zonas úmidas são reconhecidas internacionalmente
como um recurso indispensável para os seres humanos.
A perda e degradação das áreas úmidas é uma realidade indiscutível, e as atividades humanas
são as principais responsáveis. Muitos pesquisadores relataram frequentemente que 50% das
áreas úmidas do mundo foram perdidas, embora isso se baseie em evidências de apoio
inadequadas ( Finlayson, 2012 , Davidson, 2014 ). Este número se origina de dados muito
limitados coletados somente nos EUA e apenas em meados do século XX. No entanto, essa
taxa de perda extrapolou para uma escala global desde 1990 ( Davidson, 2014 ). Davidson
(2014)revisaram 189 relatórios relacionados a mudanças nas áreas úmidas e concluíram que, a
longo prazo, a conversão e perda das áreas úmidas excederam 50% e é de 87% desde o início
do século XVIII. A pesquisa de Davidson fornece a primeira avaliação de estudos publicados
relacionados à perda e mudanças de áreas úmidas em escala global e aprimorou bastante
nosso entendimento de como as áreas úmidas mudaram globalmente. No entanto, Davidson
(2014) reconhece a inconsistência de dados sobre mudanças nas áreas úmidas e escalas nesses
documentos e relatórios publicados, tornando os resultados um tanto incertos.
A extensão territorial e a distribuição espacial das áreas úmidas remanescentes do mundo é

outra questão não resolvida, que tem muitas causas possíveis, incluindo diferenças nas
definições de áreas úmidas, na dinâmica dos sistemas hidrológicos e nas características da
vegetação sazonal ( Loveland et al., 2000 , Herold et al., 2008 , Gong et al., 2012 ), características
espectrais nítidas ( Gong et al., 2012 ) e limitações na aquisição de imagens de satélite . Dugan
(1993) utilizou a definição de zonas úmidas (não-marinhas) de Ramsar e forneceu uma
estimativa global de 5,6 milhões de km 2 . Matthews e Fung (1987) eAselmann e Crutzen
(1989) calcularam a extensão global das áreas úmidas naturais de água doce em 5,3 e 5,7
milhões de km 2 , respectivamente. Avaliações globais de áreas úmidas tendem a concordar
que as medidas das áreas úmidas têm sido extremamente inconsistentes ( Nakaegawa, 2012 ).
Essas estimativas incluem as Características Globais de Cobertura da Terra (GLCC · I e GLCC
· S) concluídas para o Programa Internacional de Geosfera-Biosfera (IGBP; Loveland et al.,
2000 ), o Nível Global de Dados de Lago e Pantanal Nível 3 (GLWD-3; Lehner e Döll, 2004 ), o
Global Land Cover 2000 (GLC2000; Bartholomé e Belward, 2005 ) e o produto MOD12Q1 V004
Land Cover Data desenvolvido pela Universidade de Boston (BU-MODIS;Friedl et al., 2002 ) e
GLOBCOVER2009 ( Arino et al., 2012 ). A estimativa mínima do total de áreas úmidas globais é
de 0,29 milhões de km 2 ( Friedl et al., 2002 ), enquanto a máxima é de 9,78 milhões de km 2 (
Lehner e Döll, 2004) A crescente conscientização sobre o papel significativo que as áreas
úmidas desempenham no sistema climático global levou a uma proliferação de modelos de
superfície terrestre (LSM) projetados para dar conta das áreas úmidas em seus esquemas. No
entanto, como esses modelos adotam abordagens diferentes, existem extensas divergências
relacionadasBaixar
à extensãoCompartilhar
das áreas úmidasExportar
no espaço e no tempo. Entre os modelos, existe uma
diferença quase quatro vezes maior entre as estimativas inferiores e superiores da extensão
geográfica das áreas úmidas globalmente (8,6 a 269 milhões de km 2 ; Wania et al., 2012 ). Não
há dados comumente aceitos para a extensão geográfica das áreas úmidas globais atualmente
existentes.
A distribuição potencial de áreas úmidas globais é definida como a distribuição espacial de

áreas úmidas que existiria se não houvesse atividades humanas na Terra. Conhecer a potencial
distribuição de áreas úmidas globais pode facilitar nosso entendimento do desenvolvimento
das áreas úmidas, das mudanças nas áreas úmidas e da tomada de decisões para restauração e
proteção das áreas úmidas . Devido à sólida base física na formação de áreas úmidas, modelos
hidrológicos distribuídos são usados em simulações da distribuição potencial de áreas úmidas
globais. Por exemplo, Fan e Miguezmacho (2010) ; Fan et al. (2013) e Zhu e Gong (2014)
simularam áreas úmidas globais com resolução espacial de 1 kmcom base na relação entre a
profundidade do lençol freático e a distribuição das áreas úmidas. Os resultados sugerem que
esse tipo de método pode capturar as características mais importantes da distribuição e
extensão das áreas úmidas ( Fan e Miguezmacho, 2010 , Zhu e Gong, 2014 ). No entanto, esse
tipo de estimativa ainda possui utilidade limitada, particularmente em larga escala. Uma das
razões para isso é que os modelos hidrológicos distribuídos têm soluções complexas que
consomem tempo e que essas soluções numéricas têm um certo grau de incerteza ( Zhu e
Gong, 2014 ). A aquisição e a precisão dos parâmetros dos modelos também servem como
outro obstáculo para fazer estimativas precisas de áreas úmidas; isso é especialmente
verdadeiro para parâmetros do solo, como condutividade hidráulica, ponto de murcha
permanente do solo , porosidade do solo e teor relativo de água no solo, que influenciam
diretamente a precisão de qualquer simulação ( Beven, 1990 ). O índice topográfico de
umidade (TWI) é um parâmetro importante do modelo e tem sido amplamente utilizado na
simulação de áreas úmidas desde que foi proposto pela primeira vez em 1979 ( Beven e Kirkby,
1979 , Rodhe e Seibert, 1999 , Infascelli et al., 2013 , Murphy et al. ., 2007) A topografia e a
precipitação servem como parâmetros importantes do modelo, e os dados relacionados à
topografia e precipitação globais podem ser coletados facilmente e com maior precisão do que
no passado. No entanto, a aplicação de índices topográficos ainda ocorre em uma pequena
escala de bacia em muitos casos.
Para abordar essas questões, os objetivos deste artigo são: (1) propor um novo Índice de
Umidade Topográfica por Precipitação (PTWI) e simular a distribuição potencial de áreas
úmidas globais, independentemente das atividades humanas; (2) discutir a perda geral de
áreas úmidas globais causada diretamente por atividades humanas e estimar quanto das áreas
úmidas do mundo permanecem, com base no resultado da simulação e nos conjuntos de
dados relacionados a áreas úmidas globais.
2 . materiais e métodos
2.1 . Definições para wetland

A superfície terrestre da Terra pode ser dividida em duas categorias: zonas úmidas e terras
altas . A criação de uma definição clara de áreas úmidas se mostrou difícil, porque as áreas
úmidas por natureza são a área de transição entre os sistemas terrestre e aquático. A definição
de zonas úmidas de Ramsar foi aceita por muitas organizações, como a União Internacional
para a Conservação da Natureza (IUCN, World Conservation Union) em escala global ( Navid,
2014 ). Esta definição também é adotada aqui para definir zonas úmidas. O termo planalto
neste artigo refere-se a todos os tipos de cobertura do solo, além de áreas úmidas.
2.2 . Fontes de dados

No objetivo de nossa pesquisa, um modelo global de elevação digital, GTOPO30, dados de
limite da bacia de drenagem , juntamente com dados climáticos, são usados para simular a
distribuição potencial de áreas úmidas globais. Conjuntos de dados globais relacionados a
áreas úmidas são usados para avaliar a precisão do resultado da simulação e analisar a perda e
o restante das áreas úmidas globais. Os conjuntos de dados específicos empregados em nossa
pesquisa são os seguintes:
(1) Dados de topografia e precipitação foram coletados para calcular os índices topográficos de
umidade. O GTOPO30, desenvolvido pelo US Geological Survey, tem uma resolução de 1
km e cobre todo o planeta. Os dados médios mensais de precipitação de 1950 a 2000 com
uma resolução de 1 km foram baixados do WorldClim. Esses dados precisavam ser
transformados em precipitação média anual no cálculo dos índices topográficos de
umidade.
2) O limite da bacia de drenagem fornecido pelo banco de dados HYDRO1K é derivado do

GOTO30. Em consideração à eficiência computacional, o limite da bacia de drenagem de
Nível 1 foi escolhido como a unidade básica para simulação da distribuição global do
potencial das áreas úmidas.
(3) Os dados globais de distribuição da profundidade do lençol freático empregados aqui

vieram de um resultado de simulação para áreas úmidas globais com resolução de 1 km (
Fan e Miguezmacho, 2010 , Fan et al., 2013 ) e são comparados com o resultado da
simulação.
4) Três conjuntos de dados globais, GLCC.I, GLC2000 e BU-MODIS, foram desenvolvidos

antes do ano 2000 e têm uma resolução de 1 km; esses dados foram coletados para
estabelecer um conjunto de dados global de amostras de zonas úmidas.
(5) GlobCover2009 é um conjunto de dados global com uma resolução de 500 m que fornece a
extensão espacial das atividades humanas diretas. Cinco categorias de cobertura do solo,
incluindo áreas de cultivo pós-inundação e irrigadas (11), áreas de cultivo alimentadas pela
chuva (14), mosaicos de áreas de cultivo / vegetação (20), mosaicos de vegetação / áreas de
cultivo (30) e superfícies artificiais e áreas associadas (190) , foram considerados os
resultados de atividades humanas diretas no presente estudo e foram extraídos do
GlobCover2009.
Os conjuntos de dados de zonas úmidas observados são conjuntos de dados nacionais /

(6)
regionaisBaixar Compartilhar
de áreas úmidas Exportar espacial . Eles incluem um conjunto de
com alta resolução
dados de resolução de 240 m das zonas úmidas da China de 2008 ( Niu et al., 2012 ), um
conjunto de dados nacionais de cobertura da terra com resolução de 30 m conhecido como
NLCD2011 ( Homer et al., 2015 ), a Europa Corine de 100 m de resolução conjunto de
dados de cobertura da terra CLC2012 ( Soukup et al., 2016 ) e a resolução de 1 km GLWD-3.
Esses conjuntos de dados foram utilizados para avaliar o desempenho dos índices
topográficos de umidade e validar nosso resultado de simulação.
Para unificar esses conjuntos de dados com diferentes resoluções e sistemas de coordenadas,
todos os conjuntos de dados foram reamostrados para resolução de 1 km e projetados para
World_Goode_Homolosine_Land.
2.3 . Avaliando o índice de umidade topográfica da precipitação

Embora a água seja um fator importante na evolução das áreas úmidas, a topografia e o clima
determinam a distribuição espaço-temporal da água, controlando assim a ocorrência de áreas
úmidas. Merot et al. (2003) propuseram um Índice Clima-Topográfico (CLTI) que combina a
profundidade efetiva da precipitação igual à quantidade de precipitação menos a
evapotranspiração potencialcom índice topográfico de umidade para indicar a potencial
distribuição de áreas úmidas. Um índice maior indica uma possibilidade mais forte de
desenvolvimento de áreas úmidas. No entanto, devido à capacidade máxima de evaporação das
áreas úmidas, a precipitação efetiva do CLTI pode ser subestimada. Além disso, a precipitação
abundante sempre resulta na ocorrência de áreas úmidas, enquanto uma maior
evapotranspiração sempre resulta da existência de áreas úmidas. Seria mais razoável usar uma
precipitação em vez de uma quantidade efetiva de chuva para simular a distribuição de áreas
úmidas a partir de seu mecanismo de ocorrência. Portanto, o CLTI (1) foi aqui revisado para
desenvolver um Índice de Umidade Topográfica por Precipitação (PTWI) usando Eqs. (1) , (2) :
ß (1)
ß 2)
onde Vr se refere à área de drenagem multiplicada pela profundidade efetiva anual média da
precipitação; Pr refere-se à área de drenagem multiplicada pela precipitação média anual (se a
precipitação média anual = 0, então, Pr foi fixado em 10 - 8 ); e Tan ß é a inclinação
topográfica local.
Avaliamos o desempenho do PTWI com base em sua capacidade de prever a distribuição

espacial de áreas úmidas. O mapa do PTWI reclassificou primeiro em mapas binários (áreas
úmidas, não úmidas) pelo valor do limiar específico que foi selecionado para que a
porcentagem de área úmida simulada fosse igual à porcentagem de área úmida observada. Em
seguida, a precisão da previsão foi calculada usando a coincidência espacial direta (SC; Eq. (3) );
isto é, a porcentagem de pixels que são simulados corretamente em comparação com o total
de pixels observados nas áreas úmidas:
(3)
onde A se refere ao número de pixels corretamente previstos como zonas úmidas; B refere-se
ao número de pixels previstos como zonas úmidas. O valor de SC varia de 0 a 100 e um valor
mais alto indica uma melhor previsão.
O desempenho do PTWI foi validado nessas regiões , incluindo China, Estados Unidos e
Europa, onde estavam disponíveis conjuntos de dados de áreas úmidas de alta resolução.
Também validamos o índice na África, onde usamos o conjunto de dados GLWD-3, um banco
de dados projetado especificamente para áreas úmidas, como as áreas úmidas observadas,
porque os dados disponíveis das áreas úmidas nessa região eram muito limitados. Finalmente,
dez bacias nessas regiões foram selecionadas, representando uma grande variedade de
características climáticas e topográficas em todo o mundo ( Tabela 1 ). Essas bacias são
distribuídas das regiões tropical para a boreal e do clima úmido para o seco. O presente
estudo adotou as zonas climáticas da classificação climática de Koeppen (Köppen e Geiger,
1930 ). A área úmida observada nessas bacias variou de 9,8% a 58% da área total, e a
precipitação média anual foi de 266 mm a 1394 mm.
Tabela 1 . As zonas climáticas, quantidade de precipitação, porcentagem de área de áreas

úmidas (%) de dez bacias verificadas na África (3 bacias), China (2), Europa (3) e América do
Norte (2).
Regiões ID da bacia Zonas climáticas Precipitação (mm) Percentagem de zonas húmidas (%)
China CH1 Dwb; BSk 266 21
CH2 Cfa 1394 26
Estados Unidos US1 Dfb 780 58.
US2 BSk; Dfb; Cfa 406 9,8
Europa EU1 Dfb; Dfc 664 20
EU2 Dfc 971 26
EU3 Dfc 438 27
África AF1 AW 1067 17
AF2 BWk; BSh; AW 631 37.
AF3 BSh 430 12
AW, clima seco tropical; BSh, clima semiárido de baixa latitude; BSk, clima frio semiárido; BWk, clima frio
do deserto; Cfa: clima subtropical úmido; Dfb, clima continental úmido de verão quente ; Dfc, clima
subártico; Dwb, clima continental úmido.
2.4 . Conjunto de dados de amostras de zonas úmidas globais

Teoricamente, uma região com um PTWI relativamente grande terá uma chance maior de
desenvolvimento de áreas úmidas. Entre todas as categorias de áreas úmidas, a água terá o
maior valor de PTWI, seguido por áreas úmidas que não são de água (nw-áreas úmidas) e
terras altas, por sua vez. Portanto, dividimos as áreas úmidas em dois tipos: água e noroeste e
coletamos as amostras correspondentes de treinamento e validação, respectivamente.
(1) Conjunto de dados de amostra de treinamento
Para determinar os limites do PTWI que poderiam distinguir esses três tipos, foi
desenvolvido um conjunto de dados de amostra global de treinamento em áreas úmidas.
Esse conjunto de dados foi baseado em três produtos globais de cobertura do solo para os
quais os períodos de coleta de dados ocorreram antes de 2000 ( Tabela 2 ); além disso,
foram utilizadas imagens de alta resolução espacial do Google Earth e artigos relacionados
e métodos de amostra hierárquica ( Gong et al., 2012 , Zhao et al., 2014 , Zheng et al., 2015 ).
Tabela 2 . Conjuntos de dados usados para desenvolver amostras globais de áreas úmidas .
Amostra de treinamento Amostra de validação
GLCC · I BU-MODIS GLC2000 Pantanal da China NLCD CLC
Período 1992–1993 2000-2001 1999–2000 2008 2011 2012

de coleta
de data
Resolução 1 km 1 km 1 km 240 m 30 m 100 m
Número 17 17 22 14 16 48.
de tipos
de
cobertura
do solo
Nw- Pantanal Pantanal Cobertura Pântanos interiores / Pântanos Wetland

wetland permanente permanente arbórea, água pântanos; zona de maré lenhosos;
regularmente / praia rasa; delta Zonas
inundada / estuarino; outras zonas húmidas
água salina; úmidas herbáceas
Arbustos
regularmente
inundados e /
ou cobertura
herbácea
Amostra de treinamento Amostra de validação

agua agua agua Corpos d'água Rios; lagos; Águas Corpos
reservatórios / lagoas; abertas d'água
canal artificial; fazenda
de peixes de água do
mar / salinas; água
estuarina; lagoas
Nota: Nw-wetland indica as áreas úmidas que não são de água.
Amostras de água: foram selecionadas nas categorias de água dos conjuntos de dados GLCC ·
I, GLC2000 e BU-MODIS, respectivamente ( Tabela 2 ), considerando que esses conjuntos de
dados tinham um acordo relativamente próximo sobre a água, baseado em Nakaegawa (2012) .
A análise de interseção foi conduzida para produzir aleatoriamente 6000 amostras de água
usando as Ferramentas Hawths ( http://www.spatialecology.com/htools/download.php ) no
software ArcGIS 9.3. Aqui, 1024 amostras adicionais foram adicionadas para manter essas
amostras mais uniformemente distribuídas em cada bacia.
Amostras Nw-wetland: o conjunto de dados de validação global, construído em 2014 com base
na interpretação manual das imagens Landsat Thematic Mapper e Enhanced TM Plus, com o
nível de correção de controle de qualidade atingido 90% na classe Nível 1, foi usado e 1417
amostras de nw-wetland foram extraídos ( Zhao et al., 2014 ). Além disso, 330 amostras
adicionais de áreas úmidas nw foram suplementadas a partir de alguns conjuntos de dados
globais de cobertura da terra ( Tabela 2 ), nas quais as categorias de cobertura de árvores
regularmente inundadas e cobertura herbácea no conjunto de dados GLC2000 foram
consideradas como áreas úmidas.
Amostras de terras altas: As categorias de água e áreas úmidas do noroeste dos conjuntos de
dados GLCC, GLC200 e BU-MODIS foram combinadas e a área da união foi apagada dos
continentes globais. Em seguida, 10.752 amostras de terras altas foram produzidas
aleatoriamente na área restante dos continentes globais usando as Ferramentas Hawths.
2) Conjuntos de dados de amostra de validação
Um conjunto de dados de amostra de validação foi estabelecido para validar a precisão das
zonas úmidas simuladas. Como não existe um conjunto de dados de áreas úmidas globais
amplamente aceito, a validação foi realizada apenas nas regiões que possuem dados de
áreas úmidas de alta resolução disponíveis, conforme definido na Seção 2.3 acima.
Produzimos aleatoriamente 1000 amostras de terras altas, 500 amostras de água e 500
amostras de áreas úmidas nw em cada região, respectivamente, usando as Ferramentas
Hawths.
2.5 . Simulação da distribuição potencial de áreas úmidas globais
Os diferentes valores de PTWI foram testados repetidamente para simular a distribuição

espacial das Baixar Compartilhar
áreas úmidas. ConsiderandoExportar
a eficiência computacional da simulação global de
áreas úmidas, adotamos a bacia de drenagem do Nível 1 em escala global como a unidade
básica de simulação. Os limites foram determinados com base em amostras de treinamento
para evitar a subjetividade. Primeiro, o GLWD-3 foi reclassificado em água (lago, rio e
reservatório) e nw-wetland (outras categorias de wetland). Calculamos a distribuição
estatísticado valor do PTWI para cada tipo de GLWD-3 e obteve os modos do valor do PTWI
para a água do GLWD-3 e as áreas úmidas do noroeste. Em seguida, cada bacia foi dividida em
três categorias: água, nw-wetland e upland, definindo os modos de PTWI para água GLWD-3 e
nw-wetland como limites temporariamente. Segundo, os resultados classificados foram
avaliados usando o conjunto de dados de amostra global de treinamento em áreas úmidas
com base na avaliação geral da precisão, precisão do usuário e precisão do produtor ( Stehman,
1997 ). Terceiro, o valor D que era igual à precisão do usuário menos a precisão do produtor
foi calculado. Se o valor D era> 5%, os limiares eram ajustados até chegar a < 5%. A troca entre
as precisões do usuário e do produtor podem representar melhores resultados de classificação.
Finalmente, com base nos limites determinados de PTWI, simulamos a distribuição potencial
de áreas úmidas globalmente.
3 . Resultados e discussão
3.1 . A avaliação do PTWI

Embora tenha sido verificado que os índices topográficos de umidade são eficientes na
distinção de áreas úmidas e terras altas ( Rodhe e Seibert, 1999 , Infascelli et al., 2013 , Murphy
et al., 2007 , Merot et al., 2003 ), ainda existe uma necessidade de avaliar a capacidade do índice
proposto recentemente, PTWI, em prever a localização de áreas úmidas. Para avaliar o
desempenho do PTWI, os mapas de distribuição de áreas úmidas previstos e observados
foram comparados e a coincidência espacial direta para CLTI (SC-CLTI) e PTWI (SC-PTWI)
em cada bacia foi calculada. A comparação da área úmida prevista com a área úmida observada
( Fig. 1) mostra que, embora os detalhes da simulação de áreas úmidas não tenham sido
satisfeitos devido à atual resolução grosseira e à baixa qualidade do DEM ( Merot et al., 2003 ,
Grabs et al., 2009 ), ambos os índices, PTWI e CLTI, podem bem prever o padrão espacial geral
e a extensão da área úmida. Enquanto isso, descobrimos que o SC-PTWI era maior que o SC-
CLTI em quase todas as bacias de teste; isso foi especialmente verdadeiro no EU2 SC-PTWI,
em que a precisão da previsão havia melhorado 9% ( Tabela 3) Embora o CLTI tenha sido
proposto e testado na Europa, o desempenho do PTWI na Europa foi melhor que o CLTI. O
desempenho desses dois índices não foi satisfatório na África, como nas bacias AF2 e AF3. Isso
pode ter sido causado pelos dados de áreas úmidas observadas (GLWD), que foram compilados
a partir de mapas gerados principalmente antes de 1996; além disso, em algumas regiões
áridas ou semiáridas, esse conjunto de dados superestimou a extensão regional de algumas
áreas úmidas ( Lehner e Döll, 2004 ). No entanto, pode-se concluir que as previsões de PTWI
estavam em melhor concordância com as áreas úmidas observadas do que as do CLTI, e o
PTWI pode ser empregado para prever a distribuição espacial das áreas úmidas em escala
global. Baixar Compartilhar Exportar
Baixe imagem de alta resolução (276KB) Download da imagem em tamanho real
Fig. 1 . A comparação entre áreas úmidas previstas e observadas
Nota: bacias de teste na China (CH), Estados Unidos (EUA), Europa (UE) e África (AF); PTWI,
Índice de Umidade Topográfica por Precipitação; CLTI, Índice Clima-Topográfico.
Tabela 3 . Avaliação do índice de umidade topográfica por precipitação entre diferentes bacias.
Regiões ID da bacia SC-CLTI (%) SC-PTWI (%)
China CH1 61 62
CH2 43 46.
Estados Unidos US1 79 80
US2 60 60
Europa EU1 50. 51
Regiões ID da bacia SC-CLTI (%) SC-PTWI (%)

EU2 50. 59
EU3 46. 46.
África AF1 60 65
AF2 37. 38.
AF3 33 35
PTWI, Índice Topográfico de Precipitação; CLTI, Índice Clima-Topográfico.
3.2 . A distribuição potencial de áreas úmidas globais

Usando o novo índice, PTWI, e os limites determinados pelas amostras globais de áreas
úmidas que foram estabelecidas com base no conjunto de dados de treinamento global,
desenvolvemos um mapa de distribuição potencial de áreas úmidas globais com uma
resolução espacial de 1 km ( Fig. 2 , exceto para Antártica e Groenlândia glaciada porque não
há zonas úmidas distribuídas nessas regiões). Este mapa inclui áreas úmidas costeiras e
algumas costeiras , como manguezais , e exclui áreas úmidas marinhas, como recifes e capim
marinho . De acordo com este mapa, a área total de áreas úmidas global era de
aproximadamente 29,83 milhões de km 2 , incluindo água de 11,41 milhões de km2 e nw-
wetland de 18,42 milhões de km 2 . Entre eles, a Ásia possuía a maior área pantanosa, com
cerca de 9,72 milhões de km 2, seguida pela América do Sul e América do Norte com 7,95
milhões de km 2 e 5,65 milhões de km 2 , respectivamente. A área total de áreas úmidas
nesses três continentes inclui cerca de 78% da área total do mundo. A Oceania possuía a
menor área úmida com 1,56 milhão de km 2 , ou cerca de 5% da área global de áreas úmidas.
Download de imagem em alta resolução (318 KB) Download da imagem em tamanho real
Baixar potencial
Fig. 2 . Distribuição Compartilhar globais (unidade de área: milhões de km 2 ).
Exportar
de áreas úmidas
A validação da precisão foi realizada na China, nos Estados Unidos e na Europa. A precisão
geral da simulação foi de 64%, 69% e 69% com coeficientes Kappa de 0,4, 0,5 e 0,5,
respectivamente. Como todos os índices topográficos de umidade dependem da resolução e
qualidade do DEM do qual foram derivados, dados de entrada aprimorados afetariam o
desempenho de um PTWI para simulação de zonas úmidas. Além disso, as amostras de
validação foram derivadas dos mais recentes conjuntos de dados relacionados a áreas úmidas,
onde a perda de áreas úmidas causada por atividades humanas foi incluída, enquanto a perda
de áreas úmidas não foi considerada na simulação da distribuição potencial de áreas úmidas.
Essa discrepância pode, sem dúvida, ter efeitos na precisão da simulação de áreas úmidas.
3.3 . Comparação dos resultados da simulação com os conjuntos de dados globais

relacionados a áreas úmidas
Three satellite-based global land-cover products, GLCC.I, BU-MODIS, and GLC2000,
containing wetland categories and a simulation of global wetlands based on a distributed
hydrological model by Fan and Miguezmacho (2010); Fan et al. (2013) were selected for
comparison with our simulation. Overall, the results (Fig. 3) show 1) that these five datasets
have similar pattern of spatial wetland distribution and 2) that global wetlands were mainly
distributed in the tropics (10°S–10°N) and the middle-high latitudes of the northern
hemisphere (40°N–60°N). They also showed that the two wetland simulations produced visibly
larger figures than the three satellite-based global datasets. This probably occurred because
the latter mostly indicated the actual status of global wetlands, and the simulations indicated
the potential distribution of global wetlands. Moreover, the methods used in global satellite-
based land-cover datasets have been directed towards identifying vegetation (Gumbricht,
2012). The classification methods and systems they used were not also suitable for wetland
identification. As a result, they may cause an underestimation of wetland area (Loveland et al.,
2000). Only some types of wetland, such as permanent wetlands, were considered by these
global land-cover methods (GLCC.I and BU-MODIS), and the areas of forest wetland (regularly
flooded forest) in the tropics and high-latitude areas could have been underestimated because
of the limitations of multi-spectral remote sensing approaches (Hess et al., 2015).
Download high-res image (99KB) Download full-size image

Fig. 3. Latitudinal distribution of global wetland among various global datasets
Precipitation Topographic Wetness Index; Fan, Fan and Miguezmacho (2010); GLC2000, the
Global Land Cover 2000; CLCC.S, Global Land Cover Characteristics; BU-MODIS, MOD12Q1
V004 Land Cover Data from Boston University.
Fan's result was mostly similar to those of the present work, both in area and in spatial
distribution. They differ only within 10°S–30°S and 40°N–50°N, where Fan's result was smaller.
The following factors may have caused these differences. First, Fan's simulation was closely
related to the ground water table. However, at many sites the water table observations were
affected by pumping (Fan et al., 2013). For example in the high plains of the U.S. and in
Argentina where pumping has caused significant declines in the water table, this pumping
can cause an underestimation of wetland. Our result was influenced by the spatial resolution
of the DEM used here. GTOPO30 was derived from several raster and vector sources of
topographic information, and only has a relatively moderate horizontal resolution. However,
the degree of this kind of effect is difficult to quantify especially on larger scales because the
situation may be distinct in different regions. Second, the coarse spatial resolution in Fan's
model can contribute to the underestimation of wetland areas such as prairie potholes; many
smaller wetlands and isolated potholes were missed (Fan et al., 2013). In our simulation,
because the majority training samples in these areas were water samples and the topography
is quite flat, these regions tend to be simulated as water. Therefore, our result may have led to
an overestimation of water in this area. Similar natural condition exists in Argentina, where a
large difference was observed between the two methods. Third, Fan's simulation depends on
the accuracy of recharge estimates. The recharge estimations used in Fan's simulation were
probably biased and too high in the arid and internal-drainage basins; this would have led to a
shallow simulated water table in the arid valley floors (Fan and Miguezmacho, 2010).
3.4. How much wetland the world has lost as a result of direct human activities
Agriculture and urbanization, two main human activities, directly cause wetland loss (Gong et
al., 2012, Niu et al., 2012). Areas that are both placed in the wetland category in the global
wetland potential distribution map and are also directly affected by human activities were
extracted from GlobCover2009 and were counted as wetland loss due to human activity.
Overlapping those two data layers shows that, as of 2009, the world had lost 33% of its wetland
in area, including 4.58 million km2 of nw-wetland and 2.64 million km2 of water. Although
wetland loss takes place all over the world, the wetland loss situation that was indicated by the
ratio of wetland loss (equal to the lost area/potential area) varied greatly among continents
(Fig. 4). The largest wetland loss has occurred in Asia with about 2.65 million km2 and the least
happened in Oceania with about 0.18 million km2. However, the most serious situation was
observed in Europe, which has lost 45% of its wetland. This is followed by South America and
Asia with approximately 32% and 27% of wetland lost, respectively. This global wetland loss
Baixar
situation shows Compartilhar
a similar Exportardensity of 2009 among continents according
trend with population
to the Food and Agriculture Organization Corporate Statistical database (Fig. 4), which
confirmed that the disappearance of wetlands was principally attributable to human activities.
The vast populations, which are always accompanied by high levels of demand for food and
housing and then result in the acceleration of the development of agriculture and
urbanization, was one of the most important factors that contributed to the severe wetland
loss observed worldwide.
Download high-res image (123KB) Download full-size image
Fig. 4. The percentage of wetland loss and population density among different continents
(unit of area: 104 km2).
Davidson (2014) argued that the long-term global loss of wetland could be 54–57%, which is
larger than the estimate made here. The difference could come from any of the following: (1)
some types of wetland, such as intermittently flooded wetland (wet meadows, flooded forested
areas in the Amazon and Congo) were not well included in Davidson's research (Davidson,
2014), which can lead to a smaller base of global wetland areas. (2) Davidson's research was
based on published papers and reports which are few in number and affected by geographical
bias in the numbers of published reports among different regions and at different spatial
scales (Davidson, 2014). For example, the shortage of published reports for changes in total
wetland area in Africa, the neotropics, and Oceania would inevitably affect the total figure of
wetland loss worldwide (Davidson, 2014). (3) The accuracy of GlobCover2009 products could
also have an impact on the assessment of wetland loss. For example, urbanized surfaces and
associated areas (urban area < 50%) are not contained in the GlobCover2009 dataset (Arino et
al., 2012), which may have caused an underestimation of global wetland losses.
The 8% figure noted here for wetland loss in North America is surprising because it is much
lower than the 56% reported by Davidson (Table 4) and the 50% put forward by Shaw and
Fredine (1956) for the United States alone. However, the papers and reports upon which
Davidson's conclusion was based were principally concerned wetlands in the United States
and some specific parts of Canada, while omitting those of Central America (Davidson, 2014).
Whether these regional scale papers and reports represent the whole continent is debatable. A
Baixar
series of reports on theCompartilhar
status and trendsExportar
of wetlands in the conterminous United States from
the 1780s to 2009 show approximately 50% of the wetlands in the conterminous United States
have been lost. Among the vanished wetlands, 50–60% was lost to rural and urban
development and agriculture (Dahl, 1990, Dahl, 2000, Dahl, 2005, Dahl, 2011, Dahl and
Johnson, 1991). Consequently, it can be concluded that 25–30% of wetlands has been lost
because of rural and urban development as well as agriculture in the conterminous United
States, which is roughly equal to the current estimate of 24% for wetland loss in this area.
However, the small wetland loss ratio in Canada of 2% causes the low overall wetland loss
ratio for North America that was observed in the present paper.
Table 4. A comparison of wetland loss ratio of continents among various studies and reports.
Continent Current work OECD (1996) Davidson (2014)
Period Until 2009 Until 1985 Long-term average
World 33% 50% 54–57%
Asia 27% 27% 45%
Africa 16% 2% 4%
Europe 45% 56–65% 56%
North America 8% 56%
South America 32% 6% –
Oceania 18% – 44%
A Eurásia é o lar de 40% das áreas úmidas do mundo, enquanto a área de perdas representa
50% da área total de perdas das áreas úmidas globais. Entre todas as áreas do mundo, a Europa
mostra a situação mais séria em relação à perda de áreas úmidas, tanto no trabalho atual
quanto na pesquisa de Davidson ( Tabela 4). Of all the continents, Asia has the largest overall
area of wetland loss. According to the current estimation, nearly 29% of China's wetlands have
been lost due to direct human activity, which is close to the figure cited in a previous study by
Niu et al. (2012); that paper stated 33% of China's wetlands had been lost between 1978 and
2008.
Compared with the ratio of wetland loss caused by agriculture, provided by the OECD (1996),
the largest difference was observed among areas such as South America and Africa where the
estimate made in the current work is notably larger. However, in other areas, such as North
America and Asia, the current estimate is similar to that previous estimate (Table 4). It is not
possible to support or refute the value given by the OECD in Africa or South America using
existing information because the limited number of papers, reports, and inventories available
for these twoBaixar Compartilhar
areas leave Exportar
a dearth of a reliable data on wetland areas and this then leads to
uncertainty in assessing wetland loss. However, small-scale studies of these regions have
shown alarming ratios of wetland loss. For instance, Taylor et al. (1995) found that the Tugela
Basin and the Mfolozi catchment in South Africa lost approximated 90% and 58% of their
wetlands, respectively. In South America, Colombia's Cauca River Valley lost 88% of its
mapped wetlands between the 1950s and 1980 (Moser et al., 1996). Moreover, according to a
1999 global wetland inventory (Finlayson et al., 1999), wetlands in Africa and South America in
tropical and sub-tropical zones have been seeing increasing ratios of loss since the 1950s,
alongside their rapid economic development. In this way, the ratio of wetland loss on these
two continents may be greater than indicated by the OECD.
3.5. How much wetland remains worldwide?

Theoretically, the area of simulated wetlands minus the wetland loss occupied by human
activities, which is 22.61 million km2, should be equal to the remaining wetland area.
However, natural wetland degradation and the transformation of wetlands to grasslands or
woodlands, which can be classified into nw-wetland categories in the Globcover2009 dataset,
were not included in global wetland loss (Arino et al., 2012). This inevitably causes an
underestimation of global wetland loss and overestimated the amount of global wetland
remaining. In this way, the figure of 22.61 million km2 for remaining wetlands may be
exaggerated.
Remote sensing can be a useful tool for large-scale mapping of wetlands. However, extensive
discrepancies exist among the various satellite-based global wetland-related land-cover
datasets (Jung et al., 2006, Giri et al., 2005). Nakaegawa (2012) found that the inconsistency
among six 1-km resolution global wetland-related land-cover datasets (GLCC.S, GLCC.I,
GLC2000, BU-MOIDS, GLCNMO, and GLWD-3) was > 70%. This situation leads to variation
in figures for global wetland area, which ranges from 0.29 to 9.78 million km2 (Friedl et al.,
2002, Lehner and Döll, 2004). In this way, none of these global wetland-related datasets alone
can reflect the real situation of the world's remaining wetlands.
To understand the possible coverage of remaining global wetlands, the consistency of

estimates of the remaining wetlands globally was calculated by synergizing four global
wetland-related datasets, GLCC.I, GLC2000, BU-MODIS, and GLWD-3, for which satellite
imagery exist dating back to circa 2000. The consistency was defined as the conformity of the
same category among various datasets and was calculated pixel by pixel. If a pixel shows
identical categories among the four datasets simultaneously, the consistency is 100%; if three
datasets indicate the same category in the pixel, the consistency is 75%, and so on. The results
show that the possible areal extent of global wetlands could range from 1.53 to
14.86 million km2 (Table 5). In addition, the inconsistency of the spatial distribution of
wetlands among those various satellite-based global land-cover products is prominent. These
four datasets simultaneously identified an area as wetland for < 8% of the total area.
Table 5. The possible coverage of remaining wetland (unit of area: million km2).

Type Consistency Area
Nw-wetland 25% 11.85
50% 1.50
75% 0.14
100% 0.01
Total 13.05
Water 25% 3.01
50% 1.16
75% 0.73
100% 1.52
Total 6.42
Note: Nw-wetland indicates non-water wetlands.
At the same time, the estimation of global wetlands was between 5.9 and 9.7 million km2,
according to a 1999 global wetland inventory report (Finlayson et al., 1999). In contrast, a study
by Tuanmu and Jetz (2014) reported 1.12 million km2 were covered by regularly flooded
vegetation globally and 3.19 million km2 was water. In that report, the four global land cover
products (DISCover, GLC2000, BU-MODIS, and GlobCover2005) were integrated using a
generalized classification scheme and an accuracy-based integration approach. Prigent et al.
(2007) provided another important study of global inundation based on satellite data for
global wetlands, in which global inundated area ranged from 2.12 to 5.86 million km2.
At present, providing an accurate and acceptable figure related to the areal extent of wetlands
on a global scale is very difficult based on currently available information. However, those
previous efforts could help outline the sketch of a global wetland map. Given the important
role of wetlands in biodiversity and ecosystem modeling, global wetland thematic mapping is
urgently needed and necessary.
4. Summary and conclusions

A new topographic wetness index, PTWI, was proposed here based on CLTI. The evaluation
result of these two indices in wetland prediction shows that the PTWI was in better agreement
with the observed wetland and was better able to predict the general spatial pattern and extent
of wetlands at global scale. The potential distribution of global wetlands was simulated based
this new index and indicates approximately a total of 29.83 million km2 of wetlands exist
worldwide, including 11.41 million km2 of water and 18.42 × 106 km2 of nw-wetland. These

Baixar
wetlands were Compartilhar
mainly distributed in Asia,Exportar
North America, and South America. The accuracy
validation was reviewed in China, the conterminous United States and Europe. The overall
accuracy and kappa coefficient were 69% and 0.5, respectively.
A comparison against global wetland-related datasets indicated that our simulation result
could capture the most prominent features of global wetland distribution and that wetlands
were mainly distributed in the tropics and the middle-high latitude of the northern
hemisphere. The comparison against Fan's result suggests that these two simulation results
are similar both in spatial distribution and areal extent which are larger than wetland-related
datasets because human influences are not considered. Some discrepancies were observed in
South America (10°S–30°S) and North America (40°N–50°N). These might have occurred
because limited observations of ground water were available and because of the difficulty of
identifying wetland samples in those areas.
Unlike the previous estimates of global wetland loss, the global wetland loss estimated here
could be 33%, which could be an underestimation because natural factors were not taken into
consideration. However, analysis shows that, on most continents, this estimation process can
indicate the wetland loss that is directly a result of human activity. Europe, Asia, and South
America exhibited the most wetland loss. Among them, Europe showed the greatest
percentage of wetland loss, 45%, and Asia showed the largest wetland loss by area, about
2.65 million km2.
Integrating the existing global wetland-related products and reviewing previous studies
showed that providing an accurate and acceptable figure related to the areal extent of global
remaining wetlands based on current available datasets is difficult. The areal extent of global
wetlands could range from 1.53 to 14.86 million km2. And the inconsistence of the spatial
distribution of wetlands among various satellite-based global land-cover products (GLCC.I,
GLC2000, BU-MODIS, and GLWD-3) is prominent. In consideration of the importance of
wetlands in ecosystem modeling and in relation to climate change, global wetland thematic
mapping is urgently needed and necessary.
Acknowledgements
A Fundação Nacional de Ciências Naturais da China (Grant No. 41271423 ) apoiou esta
pesquisa. Agradecemos à LetPub ( www.letpub.com ) por sua assistência linguística durante a
preparação deste manuscrito.
Artigos recomendados Citing articles (47)
References
Arino et al., 2012 O. Arino, J.J. Ramos Perez, V. Kalogirou, et al.
Global Land Cover Map for 2009 (GlobCover 2009)
(2012)
Baixar
Google Scholar Compartilhar Exportar
Aselmann and Crutzen, 1989 I. Aselmann, P.J. Crutzen

Global distribution of natural freshwater wetlands and rice paddies, their net primary
productivity, seasonality and possible methane emissions
J. Atmos. Chem., 8 (1989), pp. 307-358
View Record in Scopus Google Scholar
Bartholomé and Belward, 2005 E. Bartholomé, A.S. Belward

GLC2000: a new approach to global land cover mapping from earth observation data
Int. J. Remote Sens., 26 (2005), pp. 1959-1977
CrossRef View Record in Scopus Google Scholar
Beven and Kirkby, 1979 K. Beven, M.J. Kirkby

A physically based, variable contributing area model of basin hydrology
Hydrolog. Sci. J., 24 (1979), pp. 43-69
Beven, 1990 K.J. Beven

A discussion of distributed hydrological modelling
K.J. Beven (Ed.), Distributed Hydrological Modelling, Springer, Berlin (1990), pp. 255-
278
CrossRef Google Scholar
Dahl, 1990 T.E. Dahl

Wetlands Losses in the United States, 1780's to 1980's
Report to the Congress, National Wetlands Inventory, St. Petersburg, FL (USA) (1990)
Google Scholar
Dahl and Johnson, 1991 T.E. Dahl, C.E. Johnson

Status and Trends of Wetlands in the Conterminous United States, Mid-1970's to Mid-
1980's
28, US Department of the Interior, Fish and Wildlife Service, Washington, DC (1991)
Google Scholar

Status and Trends of Wetlands in the Conterminous United States 1986 to 1997
US Department of the Interior, Fish and Wildlif Service, Washington, DC (2000)
Google Scholar

Status and Trends of Wetlands in the Conterminous United States 1998 to 2004
US Department of the Interior, Fish and Wildlif Service, Washington, DC (2005)
Google Scholar

StatusBaixar Compartilhar
and Trends of Wetlands in Exportar
the Conterminous United States 2004 to 2009
US Department of the Interior, US Fish and Wildlife Service, Fisheries and Habitat
Conservation (2011)
Google Scholar
Davidson, 2014 N.C. Davidson

How much wetland has the world lost? Long-term and recent trends in global wetland
area
Mar. Freshw. Res., 65 (2014), pp. 936-941
Dugan, 1993 P. Dugan

Wetland in Danger: A World Conservation Atlas
Oxford University, London, Oxford (1993)
Google Scholar
Fan et al., 2013 Y. Fan, H. Li, G. Miguezmacho

Global patterns of groundwater table depth
Science, 339 (2013), pp. 940-943
Fan and Miguezmacho, 2010 Y. Fan, G. Miguezmacho

A simple hydrologic framework for simulating wetlands in climate and earth system
models
Clim. Dynam., 37 (2010), pp. 253-278
Finlayson, 2012 C.M. Finlayson

Forty years of wetland conservation and wise use
Aquat. Conserv. Mar. Freshw. Ecosyst., 22 (2012), pp. 139-143
Google Scholar
Finlayson et al., 1999 C.M. Finlayson, N.C. Davidson, A.G. Spiers, et al.
Global wetland inventory — current status and future priorities
Mar. Freshw. Res., 50 (1999), pp. 717-727
Friedl et al., 2002 M.A. Friedl, D.K. McIver, J.C. Hodges, et al.
Global land cover mapping from MODIS: algorithms and early results
Remote Sens. Environ., 83 (2002), pp. 287-302
Artigo Download PDF View Record in Scopus Google Scholar
Giri et al., 2005 C. Giri, Z. Zhu, B. Reed

A comparative analysis of the Global Land Cover 2000 and MODIS land cover data sets

Gong et al., 2012 P. Gong, J. Wang, L. Yu, et al.
Finer resolution observation and monitoring of global land cover: first mapping
results with Landsat TM and ETM + data
Google Scholar
Grabs et al., 2009 T. Grabs, J. Seibert, K. Bishop, et al.

Modeling spatial patterns of saturated areas: a comparison of the topographic wetness
index and a dynamic distributed model
J. Hydrol., 373 (2009), pp. 15-23
Gumbricht, 2012 T. Gumbricht

Mapping global tropical wetlands from earth observing satellite imagery
Center for International Forestry Research (CIFOR), Indonesia, Bogor (2012)
Google Scholar
Herold et al., 2008 M. Herold, P. Mayaux, C.E. Woodcock, et al.

Some challenges in global land cover mapping: an assessment of agreement and
accuracy in existing 1 km datasets
Hess et al., 2015 L.L. Hess, J.M. Melack, A.G. Affonso, et al.
Wetlands of the lowland Amazon basin: extent, vegetative cover, and dual-season
inundated area as mapped with JERS-1 synthetic aperture radar
Wetlands, 35 (2015), pp. 745-756
Homer et al., 2015 C.G. Homer, J.A. Dewitz, L. Yang, et al.

Completion of the 2011 National Land Cover Database for the conterminous United
States-representing a decade of land cover change information
Photogramm. Eng. Remote. Sens., 81 (2015), pp. 345-354
Infascelli et al., 2013 R. Infascelli, S. Faugno, S. Pindozzi, et al.

Testing different topographic indexes to predict wetlands distribution
Procedia Environ. Sci., 19 (2013), pp. 733-746
Jung et al., 2006 M. Jung, K. Henkel, M. Herold, et al.

Exploiting synergies of global land cover products for carbon cycle modeling
W. Köppen, R. Geiger
Köppen and Geiger, 1930
Baixar Compartilhar
Handbuch derExportar
klimatologie
Gebrüder Borntraeger Berlin, Germany (1930)
Google Scholar
Lehner and Döll, 2004 B. Lehner, P. Döll

Development and validation of a global database of lakes, reservoirs and wetlands
J. Hydrol., 296 (2004), pp. 1-22
Loveland et al., 2000 T. Loveland, B. Reed, J. Brown, et al.

Development of a global land cover characteristics database and IGBP DISCover from
1 km AVHRR data
Matthews and Fung, 1987 E. Matthews, I. Fung

Methane emission from natural wetlands: global distribution, area, and environmental
characteristics of sources
Glob. Biogeochem. Cycles, 1 (1987), pp. 61-86
Millennium Ecosystem Assessment, M.E.A, 2005 Millennium Ecosystem Assessment, M.E.A

Ecosystems and Human Well Being: Wetlands and Water Synthesis
Washington, DC, USA, Water Resources Institute (2005)
Google Scholar
Merot et al., 2003 P. Merot, H. Squividant, P. Aurousseau, et al.

Testing a climato-topographic index for predicting wetlands distribution along an
European climate gradient
Ecol. Model., 163 (2003), pp. 51-71
Mitra et al., 2003 S. Mitra, R. Wassmann, P. Vlek

Global inventory of wetlands and their role in the carbon cycle
Discus. Pap., 18771 (2003)
Google Scholar
Moser et al., 1996 M. Moser, C. Prentice, S. Frazier

A global overview of wetland loss and degradation
Technical Session B of the 6th Ramsar COP, Brisbane, Wetlands International (1996)
Google Scholar
Murphy et al., 2007 P.N. Murphy, J. Ogilvie, K. Connor, et al.

Mapping wetlands: a comparison of two different approaches for New Brunswick,
Canada
Wetlands, 27 (2007), pp. 846-854

Baixar ViewCompartilhar
CrossRef Record in Scopus Exportar
Google Scholar
Nakaegawa, 2012 T. Nakaegawa

Comparison of water-related land cover types in six 1-km global land cover datasets
J. Hydrometeorol., 13 (2012), pp. 649-664
Navid, 2014 D. Navid

International law of migratory species: the Ramsar convention
Dokl. Earth Sci., 455 (2014), pp. 296-298
Niu et al., 2012 Z.G. Niu, H.Y. Zhang, X.W. Wang, et al.
Mapping wetland changes in China between 1978 and 2008
Chin. Sci. Bull., 57 (2012), pp. 2813-2823
OECD, 1996 OECD

Development Assistance Committee Organisation for Economic Co-Operation and
Development. Guidelines for aid agencies for improved conservation and sustainable
use of tropical and sub-tropical wetlands
(1996)
Google Scholar
Prigent et al., 2007 C. Prigent, F. Papa, F. Aires, et al.

Global inundation dynamics inferred from multiple satellite observation, 1993-2000
J. Geophys. Res. Atmos., 112 (2007), pp. 1103-1118
Google Scholar
Ramsar Convention Bureau, 2001 Ramsar Convention Bureau

Wetlands values and functions. Ramsar Convention Bureau. Gland, Switzerland
(2001)
Google Scholar
Rodhe and Seibert, 1999 A. Rodhe, J. Seibert

Wetland occurrence in relation to topography: a test of topographic indices as
moisture indicators
Agric. For. Meteorol., 98 (1999), pp. 325-340
Article Download PDF View Record in Scopus Google Scholar
Russi et al., 2013 D. Russi, P.T. Brink, T. Badura, et al.

The Economics of Ecosystems and Biodiversity for Water and Wetlands
IEEP, London and Brussels (2013)
Google Scholar
Shaw and Fredine, 1956 S.P. Shaw, C.G. Fredine

Baixarof the Compartilhar
Wetlands Exportar
United States: Their Extent and their Value to Waterfowl and Other
Wildlife
(1956)
Google Scholar
Soukup et al., 2016 T. Soukup, G. Büttner, J. Feranec, et al.

CORINE Land Cover 2012 (CLC2012). European Landscape Dynamics
CRC Press (2016), pp. 93-99
Stehman, 1997 S.V. Stehman

Selecting and interpreting measures of thematic classification accuracy
Article Download PDF View Record in Scopus Google Scholar
Taylor et al., 1995 A.R.D. Taylor, G.W. Howard, G.W. Begg

Developing wetland inventories in southern Africa: a review
Plant Ecol., 118 (1995), pp. 57-79
Tuanmu and Jetz, 2014 M.N. Tuanmu, W. Jetz

A global 1-km consensus land-cover product for biodiversity and ecosystem modelling
Glob. Ecol. Biogeogr., 23 (2014), pp. 1031-1045
Wania et al., 2012 R. Wania, J.R. Melton, E.L. Hodson, et al.

Present state of global wetland extent and wetland methane modelling: methodology
of a model intercomparison project (WETCHIMP)
Geosci. Model Dev. Discuss., 5 (2012), pp. 4071-4136
Zhao et al., 2014 Y. Zhao, P. Gong, L. Yu, et al.

Towards a common validation sample set for global land-cover mapping
Zheng et al., 2015 Y.M. Zheng, Z.G. Niu, P. Gong, et al.

A database of global wetland validation samples for wetland mapping
Chin. Sci. Bull., 60 (2015), pp. 428-434
Article Download PDF CrossRef View Record in Scopus Google Scholar
Zhu and Gong, 2014 P. Zhu, P. Gong

Suitability mapping of global wetland areas and validation with remotely sensed data
Sci. China Earth Sci., 57 (2014), pp. 2283-2292
© 2017 Elsevier BV Todos os direitos reservados.

Sobre o ScienceDirect Acesso remoto Carrinho de compras Anunciar Contato e suporte

Termos e Condições Política de Privacidade
uso de cookies .
Copyright © 2019 Elsevier BV ou seus licenciadores ou colaboradores. ScienceDirect ® é uma
marca registrada da Elsevier BV2019 Elsevier BV ou seus licenciadores ou contribuintes.
ScienceDirect ® é uma marca registrada da Elsevier BV

Áreas Úmidas Globais - Distribuição Potencial, Perda de Áreas Úmidas e Status - ScienceDirect

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Áreas Úmidas Globais - Distribuição Potencial, Perda de Áreas Úmidas e Status - ScienceDirect

Enviado por

Direitos autorais:

Formatos disponíveis

29/08/2019 Áreas úmidas globais: distribuição potencial, perda de áreas úmidas e status - ScienceDirect

Baixar Compartilhar Exportar

Ciência do Meio Ambiente Total

Áreas úmidas globais: distribuição potencial, perda de áreas

https://doi.org/10.1016/j.scitotenv.2017.02.001 Obter direitos e conteúdo

• Houve uma grande inconsistência entre os produtos de cobertura terrestre

topográﬁca por precipitação (PTWI) e amostras globais de treinamento em sensoriamento

Baixar imagem de alta resolução (168KB) Download da imagem em tamanho real

A extensão territorial e a distribuição espacial das áreas úmidas remanescentes do mundo é

A distribuição potencial de áreas úmidas globais é deﬁnida como a distribuição espacial de

2.1 . Deﬁnições para wetland

2.2 . Fontes de dados

2) O limite da bacia de drenagem fornecido pelo banco de dados HYDRO1K é derivado do

(3) Os dados globais de distribuição da profundidade do lençol freático empregados aqui

4) Três conjuntos de dados globais, GLCC.I, GLC2000 e BU-MODIS, foram desenvolvidos

Os conjuntos de dados de zonas úmidas observados são conjuntos de dados nacionais /

2.3 . Avaliando o índice de umidade topográﬁca da precipitação

Avaliamos o desempenho do PTWI com base em sua capacidade de prever a distribuição

Tabela 1 . As zonas climáticas, quantidade de precipitação, porcentagem de área de áreas

China CH1 Dwb; BSk 266 21

CH2 Cfa 1394 26

Estados Unidos US1 Dfb 780 58.

US2 BSk; Dfb; Cfa 406 9,8

Europa EU1 Dfb; Dfc 664 20

EU2 Dfc 971 26

EU3 Dfc 438 27

África AF1 AW 1067 17

AF2 BWk; BSh; AW 631 37.

AF3 BSh 430 12

2.4 . Conjunto de dados de amostras de zonas úmidas globais

Amostra de treinamento Amostra de validação

GLCC · I BU-MODIS GLC2000 Pantanal da China NLCD CLC

Período 1992–1993 2000-2001 1999–2000 2008 2011 2012

Resolução 1 km 1 km 1 km 240 m 30 m 100 m

Nw- Pantanal Pantanal Cobertura Pântanos interiores / Pântanos Wetland

Amostra de treinamento Amostra de validação

Nota: Nw-wetland indica as áreas úmidas que não são de água.

2.5 . Simulação da distribuição potencial de áreas úmidas globais

Os diferentes valores de PTWI foram testados repetidamente para simular a distribuição

3.1 . A avaliação do PTWI

Baixe imagem de alta resolução (276KB) Download da imagem em tamanho real

Fig. 1 . A comparação entre áreas úmidas previstas e observadas

Regiões ID da bacia SC-CLTI (%) SC-PTWI (%)

Estados Unidos US1 79 80

Europa EU1 50. 51

Regiões ID da bacia SC-CLTI (%) SC-PTWI (%)

EU3 46. 46.

AF2 37. 38.

PTWI, Índice Topográﬁco de Precipitação; CLTI, Índice Clima-Topográﬁco.

3.2 . A distribuição potencial de áreas úmidas globais

3.3 . Comparação dos resultados da simulação com os conjuntos de dados globais

Download high-res image (99KB) Download full-size image

Fig. 3. Latitudinal distribution of global wetland among various global datasets

Download high-res image (123KB) Download full-size image

Continent Current work OECD (1996) Davidson (2014)

Period Until 2009 Until 1985 Long-term average

World 33% 50% 54–57%

Asia 27% 27% 45%

Europe 45% 56–65% 56%

North America 8% 56%

South America 32% 6% –

Oceania 18% – 44%

3.5. How much wetland remains worldwide?