中文标题: 不同尺度下城市土地估算的巨大分歧及其影响
研究目的
比较多种中到高分辨率全球数据集的城市土地覆盖估算。 探讨这些估算的差异如何在国家和区域范围内影响不同应用，如城市气候风险评估、天气和气候建模，以及预测城市化对天气和气候的影响。 强调对选择适合特定应用的数据集的重要性，确保结果在政策和决策制定中的可用性和准确性。
研究方法
数据来源：研究中使用的数据集主要基于高分辨率卫星图像，如Landsat和Sentinel-2。共使用了从100米到10米分辨率的多种全球城市土地数据集，包括Esri土地覆盖、Dynamic World和WSF 2019等。
数据收集与处理：使用云计算平台（例如Google Earth Engine）处理这些数据，标准化了各个数据集的空间分析和城市土地面积计算。
分析方法：通过对国家、区域和网格尺度的分析来估算城市土地覆盖，并计算产品间的标准差和变异系数来揭示数据集间的差异。同时，研究还对比了数据集中定义的“城市”不同的影响，这包括了是否包括道路、绿地等。
对比对象：除了全球范围的估算，还分析了特定区域（如长江流域和印度-恒河平原）的城市土地覆盖情况，观察它们在不同数据集中的表现差异。
研究结果
全球估算差异：研究表明，全球范围内的城市土地覆盖估算存在巨大差异。以2019或2020年的数据为例，全球城市土地面积的估算在不同数据集之间差距可高达四倍（0.52%至2.07%）。
国家与区域级别的差异：中国、美国和印度等国家在不同数据集中的城市土地估算也存在显著差异。不同的定义和方法在非洲、南亚和东欧等地区产生了更大的估算差异。
城市增长分析：在1985到2015年间，城市土地面积的增长在不同数据集中的表现也有所不同。例如，GAIA数据集显示了最高的城市扩张率，而MODIS数据显示的增幅要小得多。
数据集选择对应用的影响：研究发现，不同的数据集对气候模型、城市热岛效应评估等应用的结果有显著影响。某些数据集因定义“城市”的方式不同，可能夸大或低估了城市化对气候和环境的影响。
讨论
数据集选择的重要性：研究指出，不同数据集在定义城市土地方面的差异会对城市气候、环境风险评估和政策建议的结果产生重大影响。例如，某些数据集将道路排除在外，而另一些数据集可能包含城市绿地，这对研究城市热岛效应和洪水风险评估等应用至关重要。
模型与数据集的适配：在将这些数据集应用于过程模型时，模型使用的数据集应与其物理假设相一致。例如，如果模型将城市区域视为完全不透水的表面，那么使用包含绿地的Dynamic World数据集可能导致结果不准确。
未来应用与建议：建议在研究中尽可能使用多个数据集，以提高预测和估算的稳健性，并为制定更有效的政策提供支持。研究还强调了数据生产者在公开其数据时应更明确其假设，以帮助用户理解其适用性。
总结
本研究全面分析了当前多种全球城市土地数据集之间的差异，并探讨了这些差异对气候和环境科学研究及应用的影响。研究指出，定义和方法的不同使得这些数据集在估算上出现显著分歧，这对城市规划、环境风险评估和政策制定具有重要意义。研究建议决策者在进行相关研究和制定政策时，应考虑多种数据来源，以确保结论的可靠性和应用的适宜性。同时，数据生产者应清楚地阐明其数据集的假设和限制，以便更好地支持其在科学研究和政策制定中的使用。
