1960–2100年全球1公里分辨率土地利用动态模拟：融合景观格局的未来情景数据集构建

《One Earth》：High-resolution land-use maps from 1960 to 2100

本研究针对现有土地利用与土地覆盖（LULC）数据时空分辨率不足、缺乏景观格局预测的局限，开发了1960–2100年全球1公里分辨率、逐年更新的LULC数据集。通过LandScaleR算法降尺度LandSyMM模型输出，并基于HILDA+历史数据校准景观格局参数（f值），首次实现多情景下景观破碎度的空间显式模拟。该数据集支持气候、生物多样性等环境模型的高精度集成，为可持续发展政策提供关键工具。

　　

随着人类活动对地球系统的影响日益加剧，土地利用与土地覆盖变化（LULC）已成为气候变化和生物多样性丧失的主要驱动因素之一。然而，现有全球LULC数据集（如LUH2）存在空间分辨率粗糙（约28公里）、时间跨度不连续、未来情景忽略景观空间格局等问题，限制了其在精细尺度环境过程模拟中的应用。例如，森林破碎化如何影响物种迁移、碳边缘排放等生态过程，亟需高分辨率且兼顾格局演变的LULC数据支撑。

为解决上述问题，Tamsin L. Woodman等人在《One Earth》发表研究，构建了1960–2100年全球1公里分辨率、逐年更新的LULC数据集。该研究通过降尺度LandSyMM模型输出的未来情景数据，结合HILDA+历史重建数据，利用LandScaleR算法校准景观格局参数，首次实现多情景下景观空间模式的动态模拟。

研究主要技术方法包括：（1）基于HILDA+ v.2b历史数据（1960–2020年）提取LULC变化轨迹；（2）采用LandScaleR算法（内核密度半径设为1）对LandSyMM模型输出的0.5°分辨率未来情景（SSP1-RCP2.6、SSP2-RCP4.5、SSP3-RCP7.0、SSP4-RCP6.0、SSP5-RCP8.5）进行降尺度；（3）通过f值（0.5–3.5）校准景观格局参数，以景观指标（斑块平均面积AREA_MN、斑块数量NP等）和FoM（Figure of Merit）评估精度；（4）生成国家与全球尺度的最优f值参数集，支持多版本数据输出。

方法总结

LandScaleR算法通过邻域规则和随机性参数f值控制LULC变化的分布，f值越低斑块聚集度越高。研究基于2010–2020年HILDA+数据校准f值，发现国家间最优f值差异显著（0.5–3.0），如巴西最优值为2.5，而全球平均最优值为1.75。降尺度过程确保未来LULC变化面积与LandSyMM投影一致，同时保留景观格局的空间异质性。

资源描述

数据集提供2021–2100年五种SSP-RCP情景下的全球LULC地图，空间分辨率0.01°（约1公里），包含9类LULC（如耕地、牧草地、管理/非管理森林等）。Urban类在投影中保持静态，非管理森林在SSP3-RCP7.0情景下损失最显著（主要位于热带地区），而SSP1-RCP2.6情景下 boreal 区域森林面积略有增加。

技术验证

国家尺度校准显示，使用国家特定f值（如巴布亚新几内亚f=2.5）相较于全球f值（1.75）能更准确还原历史景观格局，斑块数量增加且平均面积减小。全球尺度下，不同f值参数化对整体景观模式影响较小，但区域差异显著，例如在SSP4-RCP6.0情景下，采用国家f值使斑块面积增加1.64%。

局限性

数据集未动态模拟Urban类变化（仅占2020年全球陆地的0.76%），且f值的时空变异性未完全量化，长期情景下景观驱动因子变化仍需进一步研究。

讨论与意义

本研究首次在全局LULC数据中集成景观格局投影，解决了环境模型（如物种扩散模型RangeShifter、水文模型SWAT+）对高分辨率空间数据的需求。国家间f值差异反映了LULC变化驱动因子（如地形、土地政策）的局部特异性，强调未来政策需因地制宜。数据集支持联合国可持续发展目标（SDGs）评估，尤其对生物多样性保护（如“30×30”倡议）和碳循环模拟具有重要应用价值。