|
阅读：1929回复：0
数据下载 |清华大学发布多时相高分辨率全球城市边界数据集
2020年6月11日，清华大学地球系统科学系宫鹏教授研究组联合国内外多家研究机构在《环境研究快报》（Environmental Research Letter）上发表题为“基于全球人造不透水面GAIA的全球城市边界制图”（Mapping global urban boundaries from the global artificial impervious area (GAIA) data）的论文（见首图），对外发布了全球1990、1995、2000、2005、2010、2015和2018年的全球城市边界数据集。过去30年来，全球经历了空前的城市化进程。当前，全球城市人口已经超过了农村，且城市人口的比例预计在未来将会继续增加。这些新增的城市人口将主要集中在发展中国家和区域（例如东亚和非洲），对当地的生态环境和可持续发展提出了新挑战。评估城市建成区和周边生态环境依赖于空间显性的城市区域范围，对于城市发展和生态保护愈发重要。但目前这类数据特别是多时相数据的获取仍然以人工目视解译为主，缺乏在区域和全球尺度上较为一致的制图方法和相关的数据集。针对这一问题，宫鹏研究组发起基于已开发的全球高分辨率（30米）人造不透水面制图产品（Global Artificial Impervious Area-GAIA）提取多时相（1990、1995、2000、2005、2010、2015和2018年）的全球城市边界（Global Urban Boundary-GUB）数据集的研究。
 图1 本研究获取的城市边界与人工解译结果对比。左图(a)是两套数据在沈阳地区的多期结果对比图；右图(b)是在左图城乡交界处的放大结果。GUB数据集采用全球一致的边界定义和绘制方法，通过算法能自动地根据不透水面的分布进行划定。得到的边界数据是评价城市生态环境和建成区构成的重要基础数据和评价单元。同时，作为全球城市研究的重要基础数据，GUB数据能够支持联合国可持续发展目标的相关研究，为全球城市科学发展提供决策支持。GUB数据集以长时序的GAIA数据为基础，包括了全球所有面积超过1平方公里的城市及周边居民点的边界。其算法内涵是结合宏观尺度的核密度分析和微观尺度的邻域扩张算法，叠加上边界地区的形态学处理，实现自动地划定城市的空间范围和轮廓。该数据集主要借助谷歌地球引擎（Google Earth Engine）平台进行开发，绘制了全球多时相的城市边界数据。 通过对比人工解译的结果，GUB数据集能够很好地捕获到城乡边缘地区的轮廓特征，并且可以实现全球范围的快速制图和多时相结果更新，从而大大降低了人工解译城市边界的人力成本和定义的主观性。该算法具有较好的鲁棒性，能同时很好地刻画大城市和小城市的轮廓特征。在国家尺度上，基于GUB城市边界数据得到的城市大小与人工解译数据较为接近，证明了算法在推广到全球和多期制图的可行性。  图2 选取的8个全球代表性城市的边界结果（2018年）通过分析GUB多时相城市边界数据，研究人员可以获取城市的面积，包括了城市内部的不透水面及相关的附属类型（例如绿地和水体等）。研究人员进一步发现，目前全球超过1000平方公里的城市边界主要集中在北美、欧洲、以及中国和日本的沿海城市。从1990年到2018年，全球面积超过1000平方公里的城市从400个激增到1000多个，呈现出明显的城市化进程。同时，在全球尺度上，研究成果显示城市边界内的不透水面占城市面积的比例从1990年的53%增加到了2018年的60%，说明全球城市不透水面的增长变得更加集约。分析发现，美国的城市面积是中国的1.2倍，但是人均城市面积却是中国的近3倍。由于高密度的人口分布，日本是城市边界内部不透水面占比最高的区域（约为70%）。 图3 (a)全球城市边界面积超过100平方公里的城市分布（2018年）； (b)多期城市面积-大小排序曲线 ，小图代表着多期排名前10的城市面积-大小排序。 可以看到，1990年全球排名前10的城市群主要包括洛杉矶（美国），达拉斯（美国），东京（日本），芝加哥（美国），约翰内斯堡（南非），迈阿密（美国），底特律（美国），纽约（美国），旧金山湾区（美国），西雅图（美国）。 到2018年，全球排名前10的城市群主要包括珠三角区域（中国），洛杉矶（美国），除上海外的长三角地区（中国），芝加哥（美国），达拉斯（美国），休斯顿（美国），北京（中国），约翰内斯堡（南非），纽约（美国）和上海（中国）。 论文原文链接：https://doi.org/10.1088/1748-9326/ab9be3 数据网址： http://data.ess.tsinghua.edu.cn/ |
|
|
