融合不透水面与人口数据的全球30米高分辨率城市边界动态监测数据集（2000-2022）的构建与验证

《Scientific Data》：A high-resolution global annual city and town boundaries dataset (2000–2022) derived from GLC_FCS30D product

本研究针对现有全球城市边界数据集难以有效区分低密度建成区与非城市空间、忽视城镇功能分类的问题，开发了一种结合不透水面密度（GISD30）与人口数据（LandScan）的双阈值方法，生成了首套30米分辨率、区分城市（City）与城镇（Town）的全球年度边界数据集GCTB（2000-2022）。该数据集通过核密度估计（KDE）与元胞自动机（CA）算法优化边界形态，并基于人口阈值（≥5万为城市，5千至5万为城镇）实现功能分类。验证表明，GCTB与高精度参考数据集AUE一致性高（R2> 0.88），城市/城镇分类准确率达75%，为全球城镇化研究与可持续发展规划提供了关键空间数据支撑。

　　

随着全球城镇化进程的加速，城市空间的扩张已成为影响土地利用、生态系统乃至可持续发展目标（SDGs）的关键因素。联合国预测，到2050年，全球68%的人口将居住在城市区域。然而，现有全球城市边界数据集多存在明显局限：基于中低分辨率影像（如MODIS）或夜间灯光（NTL）的数据难以捕捉破碎化的城市边缘，而不透水面数据往往将大型农村聚落误判为城市，忽视了城镇这一城市与乡村间重要过渡带的空间功能。尤其在小城镇快速扩张的背景下，缺乏能够区分城市与城镇的高分辨率、长时间序列全球数据集，严重制约了精准城镇化监测与规划。

针对这一空白，由Ming Bai、Xiao Zhang等研究人员在《Scientific Data》发表的研究，开发了一套全球30米年度城市与城镇边界数据集GCTB（Global City and Town Boundaries），覆盖2000至2022年。该研究创新性地融合了30米不透水面动态数据（GISD30）与1公里人口网格（LandScan），通过双阈值划分与形态学优化，首次实现了全球尺度上城市与城镇的精细区分。

为构建GCTB，作者首先将30米不透水面数据聚合至1公里网格，以抑制噪声并匹配联合国经合组织（OECD）的城镇化统计标准。随后采用5公里带宽的高斯核密度估计（Kernel Density Estimation, KDE）对不透水面密度进行平滑处理，提取密度≥20%的 urban cores（城市核心区）。为解决城市核心区外围破碎化斑块的连接问题，采用11×11像元的Moore邻域元胞自动机（Cellular Automata, CA）模型进行边界优化，扩张约1公里以融合功能相连的建成区。后续通过形态学闭运算、内部空洞填充及1公里范围内的斑块合并，进一步提升边界形态的连续性与可用性。最后，基于LandScan人口数据，按联合国城镇化定义将总人口≥5万的区域划为城市（City），5千至5万的区域划为城镇（Town），并采用“非降级规则”保持分类的时间一致性。

主要研究结果

全球城市与城镇空间分布特征

2022年全球城市与城镇空间分布如图2所示，GCTB清晰呈现出各大洲城市集聚与城镇分散的格局。在区域尺度上（以北京、洛杉矶、巴黎、雅加达为例），数据集能够准确识别核心城市与周边城镇的边界，并有效表征特大城市区域的内部结构差异与扩张模式。

时间序列一致性验证

以北京（快速扩张型）和芝加哥（稳定增长型）为例，通过叠加2000、2010、2020年高分影像（图3）显示，GCTB能准确捕捉北京城市边界向外扩张及内部填充的动态过程，城镇边界随城市扩张被逐步吸纳；而对芝加哥，数据集则持续稳定地刻画其核心城市与郊区城镇的边界，表明其具有良好的时间一致性与形态适应能力。

与现有数据集的交叉比较

通过1°×1°网格（图4）与200个样本城市（图5）的定量对比，GCTB与GURS（Global Urban-Rural Settlement Dataset）一致性最高（R²> 0.93），因二者均注重城市功能连续性；与GUB（Global Urban Boundaries）、MGUP（MODIS Global Urban Product）一致性较好（R²为0.85–0.91），但后两者易包含低密度建成区导致高估；NTL-UE（Nighttime Light-based Urban Extent）因分辨率粗、信号饱和等问题，一致性最低（R²< 0.80），系统性低估城市范围。

边界形态与时空变化分析

选取米兰、费城、悉尼、布宜诺斯艾利斯、约翰内斯堡、武汉六个典型城市，对比2015年边界及2000–2020年面积变化（图6、图7）。结果显示，GCTB在空间形态上最接近高分辨率参考数据（AUE与GISD30），能有效抑制NTL-UE因光溢效应导致的边界膨胀、GUB/MGUP对城市边缘的低密度区域过融合，以及GURS因保留内部空地导致的碎片化问题，呈现连续而紧凑的边界形态。

基于AUE的精度评估

以专家手工解译的AUE（Atlas of Urban Expansion）为基准，GCTB在1999与2014年均表现出最高的一致性（R²分别为0.889、0.914，斜率近1），均方根误差（RMSE）最低（图8）。GUB、MGUP、NTL-UE均存在明显高估，再次验证GCTB在边界精准刻画方面的优势。

OSM城市/城镇分类验证

利用OpenStreetMap（OSM）地点标签作为独立验证源，GCTB城市类别分类准确率（F1）达0.80以上，城镇类别为0.60–0.70，总体精度约75%（表2），表明其城市—城镇分类在全球尺度具有较好可靠性。

结论与展望

GCTB是首套兼具30米高空间分辨率、年度时间连续性及城市—城镇功能分类的全球城市边界数据集，通过融合不透水面与人口数据，有效克服了现有产品在低密度建成区识别、边界过拟合或碎片化等方面的不足。其与多源参考数据的高度一致性及OSM验证结果，证明了其在全球城镇化监测、土地可持续利用评估、城市形态演化研究中的重大价值。未来工作可进一步融入夜间灯光、POI（Point of Interest）等多源特征，提升分类稳健性，并发展区域自适应模型以更好地服务于全球城市治理与可持续发展目标（SDGs）的实现。

数据集已通过Zenodo平台开放获取（https://doi.org/10.5281/zenodo.16418717），相关处理代码公开于GitHub仓库。