科学问题
基于以上问题，本文探究的目标包括：1提供几乎所有目前可用的中至精细分辨率全球城市数据集的综合比较；2检查数据集的选择对一些与研究城市气候变化及对其人类影响相关的常见用例的影响，包括生成衍生数据集、量化城市特有的环境危害和暴露风险、约束模型模拟和未来城市规划。具体研究方法如下。
选取全球城市土地覆盖数据集。首先，文章考虑了多个全球城市土地覆盖数据集，数据集选择的目标是用来代表不同分辨率、方法、城市定义和时间跨度下的主要变异性模式。研究主要关注的是100米或更精细分辨率的数据集，其中大部分来自Landsat或Sentinel-2卫星观测。另外还考虑了MODIS土地覆盖和ESA CCI土地覆盖数据集，它们分辨率分别为500米和300米，选取它们的原因是前者是为数不多的持续更新的全球城市土地物理估算，后者是为数不多的基于MERIS的土地覆盖产品，已被用于多种应用。
选取ROI。本研究中一共考虑了四组感兴趣区域，以分别计算其城市土地总量。它们分别是全球的所有国家、选取的四个地区或流域（图2）、柯本-吉格气候分区、以及0.9度*1.25度的格网分区。
研究结果
图4 通过0.9°× 1.25°网格估计的城市间的变异系数
研究还探讨了数据集的选择如何导致一些常见用例的偏差，包括生成衍生数据集、量化城市特有的环境危害和暴露风险、约束模型模拟和未来城市规划。将全球城市土地覆盖数据集作为其他衍生产品的输入时，MODIS土地表面温度产品会使用一个基于分类的发射率方法，从查找表中获取像元发射率，并根据MODIS土地覆盖产品对像元进行分类；MODIS蒸散发产品掩盖了MODIS土地覆盖数据中被分类为城市的任何像元；此外不同的全球城市土地覆盖数据集之间也存在一些相互依赖关系。
使用各种城市土地覆盖数据集作为输入，用于检查城市气候影响和城市级别的环境危害和暴露（图6）。对与全球不同产品的SUHI变异系数可以看出，中东、印度部分地区、非洲南部和东部以及美国西南部的城市群的绝对变异系数值较大。而且，数据集的选择对夏季干旱地区和冬季极地气候的影响较大，在当地SUHI信号很小时，不同数据集的SUHI正负号也会出现不一致。基于于GAIA、WSE和GISA数据集，研究了1985年至2015年洪泛区城市增长的比较，结果发现其中亚洲和大洋洲的差异特别大。这些较大的差异反映了GAIA数据集（与其他两个数据集相比）在这些大陆上更强劲的城市增长。
最后，现在和历史上对城市土地估计的差异也会影响未来的城市预测。研究通过四种产品来代表未来的城市化情景，可以看到这些未来估计之间存在很大差异（图8），这取决于方法（不同的增长模型）、输入数据（选择用于模型校准的历史城市化估计和未来人口预测约束）和假设的城市化情景的区别。
个人评价
Abstract：
Improvements in high-resolution satellite remote sensing and computational advancements have sped up the development of global datasets that delineate urban land, crucial for understanding climate risks in our increasingly urbanizing world. Here, we analyze urban land cover patterns across spatiotemporal scales from several such current-generation products. While all the datasets show a rapidly urbanizing world, with global urban land nearly tripling between 1985 and 2015, there are substantial discrepancies in urban land area estimates among the products influenced by scale, differing urban definitions, and methodologies. We discuss the implications of these discrepancies for several use cases, including for monitoring urban climate hazards and for modeling urbanization-induced impacts on weather and climate from regional to global scales. Our results demonstrate the importance of choosing fit-for-purpose datasets for examining specific aspects of historical, present, and future urbanization with implications for sustainable development, resource allocation, and quantification of climate impacts.
Citation：
阅读原文了解更多
