Accurate spatial maps of wetlands are critical for regional conservation and rehabilitation assessments, yet this often remains an elusive target. Such maps ideally provide information on wetland occurrence and extent, hydrogeomorphic (HGM) type, and ecological condition/level of degradation. All three elements are needed to provide ancillary layers to support mapping from remote imagery and ground-truthing. Knowledge of HGM types is particularly important, because different types show different levels of sensitivity to degradation, and modeling accuracy for occurrence. Here, we develop and test a simple approach for predicting the most likely HGM type for mapped yet unattributed wetland polygons. We used a dataset of some 11,500 wetland polygons attributed by HGM types (floodplain, depression, seep, channeled, and un-channeled valley-bottom) from the Western Cape Province in South Africa. Polygons were attributed and described in terms of nine landscape metrics, at a sub-catchment scale. Using a combination of box-and-whisker plots and PCA, we identified four variables (groundwater depth, relief ratio, slope, and elevation) as being the most important variables in differentiating HGM types. We divided the data into equal parts for training and testing of a simple Bayesian network model. Model validation included field assessments. HGM types were most sensitive to elevation. Model predication was good, with error rates of only 32%. We conclude that this is a useful technique that can be widely applied using readily available data, for rapid classification of HGM types at a regional scale.

中文翻译：

---

利用形态学和景观特征预测湿地水文地貌类型

准确的湿地空间地图对于区域保护和恢复评估至关重要，但这通常仍然是一个难以捉摸的目标。此类地图最好提供有关湿地发生和范围、水文地貌 (HGM) 类型和生态条件/退化程度的信息。需要所有三个元素来提供辅助层以支持来自远程图像和地面实况的映射。了解 HGM 类型尤为重要，因为不同类型对退化的敏感性和发生的建模准确性不同。在这里，我们开发并测试了一种简单的方法，用于预测映射但未归属的湿地多边形最可能的 HGM 类型。我们使用了由 HGM 类型（泛滥平原、洼地、渗流、沟渠、和未开沟的谷底）来自南非西开普省。在子流域尺度上，根据九个景观指标对多边形进行归因和描述。使用盒须图和 PCA 的组合，我们确定了四个变量（地下水深度、地势比、坡度和高程）是区分 HGM 类型的最重要变量。我们将数据分成相等的部分，用于训练和测试简单的贝叶斯网络模型。模型验证包括现场评估。HGM 类型对海拔最敏感。模型预测良好，错误率仅为 32%。我们得出结论，这是一种有用的技术，可以使用现成的数据广泛应用，用于在区域范围内快速分类 HGM 类型。在子流域尺度上，根据九个景观指标对多边形进行归因和描述。使用盒须图和 PCA 的组合，我们确定了四个变量（地下水深度、地势比、坡度和高程）是区分 HGM 类型的最重要变量。我们将数据分成相等的部分，用于训练和测试简单的贝叶斯网络模型。模型验证包括现场评估。HGM 类型对海拔最敏感。模型预测良好，错误率仅为 32%。我们得出结论，这是一种有用的技术，可以使用现成的数据广泛应用，用于在区域范围内快速分类 HGM 类型。在子流域尺度上，根据九个景观指标对多边形进行归因和描述。使用盒须图和 PCA 的组合，我们确定了四个变量（地下水深度、地势比、坡度和高程）是区分 HGM 类型的最重要变量。我们将数据分成相等的部分，用于训练和测试简单的贝叶斯网络模型。模型验证包括现场评估。HGM 类型对海拔最敏感。模型预测良好，错误率仅为 32%。我们得出结论，这是一种有用的技术，可以使用现成的数据广泛应用，用于在区域范围内快速分类 HGM 类型。我们确定了四个变量（地下水深度、地势比、坡度和高程）作为区分 HGM 类型的最重要变量。我们将数据分成相等的部分，用于训练和测试简单的贝叶斯网络模型。模型验证包括现场评估。HGM 类型对海拔最敏感。模型预测良好，错误率仅为 32%。我们得出结论，这是一种有用的技术，可以使用现成的数据广泛应用，用于在区域范围内快速分类 HGM 类型。我们确定了四个变量（地下水深度、地势比、坡度和高程）作为区分 HGM 类型的最重要变量。我们将数据分成相等的部分，用于训练和测试简单的贝叶斯网络模型。模型验证包括现场评估。HGM 类型对海拔最敏感。模型预测良好，错误率仅为 32%。我们得出结论，这是一种有用的技术，可以使用现成的数据广泛应用，用于在区域范围内快速分类 HGM 类型。HGM 类型对海拔最敏感。模型预测良好，错误率仅为 32%。我们得出结论，这是一种有用的技术，可以使用现成的数据广泛应用，用于在区域范围内快速分类 HGM 类型。HGM 类型对海拔最敏感。模型预测良好，错误率仅为 32%。我们得出结论，这是一种有用的技术，可以使用现成的数据广泛应用，用于在区域范围内快速分类 HGM 类型。