ADEARTH

Advances in Earth Science >

2025 , Vol. 40 >Issue 6: 577 - 591

DOI: https://doi.org/10.11867/j.issn.1001-8166.2025.041

Global Urbanization Trends and Their Impact on Climate Change

  • Chunyang HE , 1, 2, 3 ,
  • Xiaoping LIU 4 ,
  • Wei WANG 5, 6 ,
  • Qingxu HUANG , 1, 7 ,
  • Zhifeng LIU 1, 7 ,
  • Weilin LIAO 4 ,
  • Guoliang ZHU 1, 7
Expand
  • 1. State Key Laboratory of Earth Surface Processes and Disaster Risk Reduction, Beijing Normal University, Beijing 100875, China
  • 2. Key Laboratory of Environmental Change and Natural Disaster, Beijing Normal University, Beijing 100875, China
  • 3. Academy of Disaster Reduction and Emergency Management, Ministry of Emergency Management & Ministry of Education, Beijing Normal University, Beijing 100875, China
  • 4. School of Geography and Planning, Sun Yat-sen University, Guangzhou 510006, China
  • 5. Yale-NUIST Center on Atmospheric Environment, State Key Laboratory of Climate System Prediction and Risk Management, Nanjing University of Information Science and Technology, Nanjing 210044, China
  • 6. Collaborative Innovation Center on Forecast and Evaluation of Meteorological Disasters (CIC-FEMD), Nanjing University of Information Science & Technology, Nanjing 210044, China
  • 7. College of Natural Resources, Faculty of Geographical Science, Beijing Normal University, Beijing 100875, China
HUANG Qingxu, research areas include urban landscape processes and urban sustainability. E-mail:

Received date: 2025-01-01

  Revised date: 2025-04-16

  Online published: 2025-05-17

Supported by

the National Key Research and Development Program of China(2019YFA0607203)

The Research Team Program from the Faculty of Geographical Science, Beijing Normal University(2024-KYTD-09)

Fold

Abstract

Projecting future global urbanization pathways and their impacts on climate change is essential for effectively addressing climate change and promoting sustainable regional and global development. To this end, the National Key Research and Development Program’s project, “Global Urbanization Trend and its Impact on Climate Change” simulates the spatial and temporal patterns of global urbanization patterns from 2020 to 2070 under Shared Socioeconomic Pathways (SSPs) framework and quantitatively evaluates the impact of urbanization on regional and global climate change. This provides crucial datasets for revealing the impact of urbanization on regional and global climate change at multiple scales. The findings are of great significance to the realization of the United Nations’ Sustainable Development Goals and the construction of a community with a shared future for mankind. They also provide a scientific foundation for the construction of green and healthy cities, as well as a scientific reference for optimizing urban morphology and mitigating the urban heat island effect.

Key words： Urbanization; Climate change; Climate effects of urbanization; Global change

Cite this article

Chunyang HE , Xiaoping LIU , Wei WANG , Qingxu HUANG , Zhifeng LIU , Weilin LIAO , Guoliang ZHU . Global Urbanization Trends and Their Impact on Climate Change[J]. Advances in Earth Science, 2025 , 40(6) : 577 -591 . DOI: 10.11867/j.issn.1001-8166.2025.041

1 引 言

城镇化是全球变化的重要驱动因素之一，也是影响中国和全球可持续发展的决定性因子。未来中国和全球城镇化进程将继续深入，这一点已成为共识。全球快速的城镇化进程深刻地改变了人类的生产和生活方式，极大地影响了气候系统，已经威胁到全球生态环境和社会经济的可持续发展［1-3］。明晰全球城镇化时空变化特征，揭示城镇化对区域及全球气候变化的影响机理，进而预估未来全球城镇化情景及其对气候变化的影响，将为有效应对气候变化、促进区域及全球可持续发展提供科学依据，具有重要的理论和实践意义［4］。
针对全球未来城镇化时空格局的模拟及其气候效应评估，国内外学者已经开展了一系列研究。耶鲁大学［5］、特拉华大学［6］、中山大学［7］和欧盟委员会［8］的研究团队已在未来全球城镇化趋势模拟方面取得了积极进展，构建了时间跨度为10~90年的未来全球城镇化时空格局数据。在这些模拟中，常利用城市用地和各地理要素间的关系计算城市扩展的适宜性。在综合考虑适宜性、限制性和继承性等因素的基础上构建城市扩展模拟模型，并利用1~2期城市土地数据来校正模型参数。城镇化对气候变化的影响模拟方面也取得了一些进展。例如Cao等［9］基于5 km的未来城镇化数据，选用一种再分析资料驱动WRF模型（Weather Research and Forecasting Model）模拟了约20 km分辨率下中国东部城市扩展对区域气候的影响。而在全球尺度上，美国国家大气研究中心发展了地球系统模式（Community Earth System Model，CESM）［10］，该模式虽然包含了城市模型，但在陆面模块中假设未来城镇面积保持不变。
上述研究为深入揭示全球城镇化的时空格局奠定了良好基础，但未来城镇化趋势模拟的准确性和城镇化对气候变化影响的模拟还存在明显不足。首先，已有的城镇化趋势模拟模型忽略了各国城镇化的历史动态过程信息，难以准确模拟城镇扩展的空间趋势。而且，已有模型在量化城镇土地适宜性时未充分考虑周边区域的影响，无法有效表述城镇扩展过程的复杂性，导致目前对未来全球尺度的城镇扩展模拟精度偏低。其次，目前针对城镇化对全球气候变化的影响模拟存在明显不足：在区域尺度的模拟中，由于受城镇化预测数据的限制其分辨率普遍较低。针对上述不足，本研究发展了全球未来城镇化趋势模拟模型，预估未来不同情景下的城镇化进程及其对全球气候变化的影响。这不仅为进一步完善城镇扩张的监测与模拟及其气候效应提供理论和技术支撑，也能为探寻优化城镇化进程、应对气候变化影响和促进区域及全球可持续发展的途径提供支持，为进一步完善城镇化的气候效应评估体系提供理论技术支撑，具有重要的科学和现实意义。
“全球城镇化趋势及其对气候变化的影响”是国家重点研发计划项目“城镇化对区域及全球尺度气候变化的影响研究”的下属课题。该课题在系统分析全球多尺度城镇扩展特征的基础上模拟了未来全球城镇化趋势及其对气候变化的影响。

2 主要研究内容

2.1　全球多尺度城镇扩展模型

全球多尺度城镇扩展模型的目标是在全球开展城镇扩展时空格局的情景模拟（图1）。首先，模型自上而下地模拟城镇土地的面积需求。根据联合国发布的全球城镇化历史数据，在国家尺度利用城镇化率诺瑟姆曲线和S型回归模型，模拟各个国家和典型地区的城镇化率趋势，并利用机器学习和统计回归方法，获得城镇土地面积需求。同时，自下而上地模拟城镇土地的空间配置。基于循环卷积神经网络综合计算城镇土地的适宜性、继承性和邻域效应，量化非城镇土地转为城镇土地的概率。然后利用元胞自动机和面向对象的空间分配技术模拟城镇土地的空间格局。最后，利用该模型和共享社会经济路径（Shared Socioeconomic Pathways， SSPs）框架下的社会经济发展设定，预测不同SSPs情景下全球2020—2070年的城镇扩展过程，为评估未来城镇化对全球和区域气候变化的影响提供基础。
图1 全球多尺度城镇扩展模型框架

Fig. 1 Framework of global multi-scale urban expansion model

2.2　未来城镇化对区域和全球气候的影响评估

在典型区域（中国、印度和尼日利亚），基于动力降尺度方案，采用3层嵌套，利用CESM和WRF单层城市冠层模型（Weather Research and Forecasting Model-Single-Layer Urban Canopy Model，WRF-SLUCM）进行数值试验，定量评估城镇扩展对区域气象要素（温度、湿度、风和降水等）、地表能量和水分平衡的影响。在全球尺度上，用3个SSPs气候情景驱动CESM，每个模拟重复5次，对比扰动实验（SSPs情景）和控制实验（2020年的城镇空间结构）结果，分析不同温室气体、气溶胶和城镇扩展情景对地表气象要素平均值和频率分布的影响。

3 主要成果

3.1　模拟未来全球城镇化趋势

3.1.1　改进全球城镇化模型，预估共享社会经济路径下的城市化率

城市化水平的模拟和预测是研究未来社会—经济—环境复杂系统变化的重要基础。城市化水平是未来城市人口和城市土地模拟的重要输入数据，也是未来全球社会经济模拟的重要参考因素，还是未来气候变化及其生态环境效应的重要输入数据。因此，在全球尺度准确模拟和预测未来的城市化动态及其不确定性可为大量研究提供广泛的研究基础。
本文主要采用Logistic回归模型拟合和预估城市化率（图2）。首先进行数据预处理；第二步，筛选出可用作参考对象的国家并为每个预测对象选择参考对象；第三步，利用Logistic回归模型模拟出预测对象的每个参考对象的城市化速度；最后，将城市化速度输入Logistic回归模型，同时施加饱和值，使用前一年的城市化水平计算出基准值，每5年选取1次新的参考对象进行预测［11］。
图2 预测全球城市化率技术路线图［11］

Fig. 2 Technical flowchart for estimating global urbanization dynamics［11］

本文预估了5种SSPs下的全球各国的城市化率，模拟结果精度较高（图2）。在186个模拟对象中，仅有18个国家1960—2009年的城市化率模拟数据与真实数据的误差超过10%（图3）。这186个国家1960—2009年城市化率的模拟数据与真实数据之间的RMSE在0.002~0.070的范围内波动，平均值为0.023［模拟结果已上传至国家青藏高原科学数据中心（https：//data.tpdc.ac.cn/en/data/1a12e052-d998-49a4-9afb-d483b06d4933）］。
图3 1960—2009年全球城市化率真实值与模拟值［11］

Fig. 3 Actual and simulated global urbanization levels from 1960 to 2009［11］

在预估过程中，本文考虑了城市化过程中的一些不确定因素，但是没有考虑自然灾害、政策和战争等突发事件的影响。首先，对所有国家进行了S型曲线拟合测试，排除了因突发事件使得历史城市化进程不符合S型曲线的国家。其次，考虑到在各国历史城市化进程中突发事件对人口规模小的国家影响更大，将人口小于1 000万的国家在SSP3情景（区域竞争发展路径）［12］下的城市化速度设置为停滞。尽管如此，由于未来城市化进程中突发事件的影响具有随机性，本文得到的城市化率预估结果仍存在一定的不确定性［13］。

3.1.2　改进城镇扩展空间模型，模拟全球未来不同情景下的城镇范围

本文针对现有城镇扩展模型未充分利用邻域信息和时间序列信息的不足，发展了一种结合深度学习卷积神经网络和循环神经网络的城镇扩展模拟技术，突破了难以精准模拟大范围城镇扩展的技术瓶颈，模拟出了全球未来不同情景下的城镇空间范围。
改进后的城镇扩展模型使用卷积神经网络中的U-Net，综合了多尺度邻域信息，使用循环神经网络中的长短期记忆网络（Long Short-Term Memory networks， LSTM）利用历史城镇扩展动态的时间序列信息，通过分区耦合2种模型，充分发挥2种神经网络的优势，基于多尺度邻域信息和时间序列信息对未来城镇扩展进行了有效模拟（图4）。在京津冀城市群的多模型精度对比分析结果表明，改进后的模型模拟结果总体精度达到了99.18%、Kappa系数为0.88，优度指标（Figure of Merit，FoM）为0.13，比已有模型模拟结果的FoM提升了28%~51%。此外，改进后的模型可以模拟蛙跃型城镇扩展，并且可以更准确地模拟城镇的扩展方向［14］。
图4 基于深度学习的城镇扩展模型框架［14］

Fig. 4 Framework of urban expansion model based on deep learning［14］

利用改进后的城镇扩展模型，本文模拟了全球未来不同情景下的城镇范围（图5）。精度评价表明，模拟出的城镇土地Kappa系数为0.67~0.71，说明利用构建的LUSD-urban模型可以准确模拟全球城镇土地的空间配置。最终，通过整合各国的模拟结果获取了空间分辨率为1 km的全球2020—2070年不同情景下的城镇范围空间分布数据［15］［模拟结果已上传至国家青藏高原科学数据中心（https：//data.tpdc.ac.cn/en/data/acb42108-f3f1-42e8-a16b-a86821e2d32f和https：//data.tpdc.ac.cn/en/data/33000334-df82-4e5b-9b4f-74f3b69cce98）］。
图5 SSP1情景下全球2020—2070年城镇扩展过程

Fig. 5 Global urban expansion process in 2020-2070 under SSP1 scenario

3.2　发展未来城镇三维模拟及应用技术

传统的城市土地利用变化模拟研究虽然取得了很好的效果，但模型都是基于二维平面格网和地块为基本对象进行建模，未涉及到城市垂直方向上的增长，忽视了城市建筑物高度及三维空间容量对城市立体空间扩张的影响。近些年来，相关学者开始对传统的城市二维模拟模型进行拓展，对城市三维扩张进行模拟。目前已有研究［16］对城市的三维扩张模拟进行了初步探索，但对城市水平扩张模拟和垂直高度预测也仅是简单组合。因此，如何将城市水平扩张和垂直增长协同模拟值得进一步研究。另外，驱动建筑物高度变化的空间因素也没有得到深入挖掘与分析。
本文对传统的城市二维模拟模型进行拓展，通过耦合水平方向上的城市扩张模拟和垂直方向上的高度增长预测，构建了一种城市三维空间扩张模拟模型（图6），可实现对城市水平扩张和垂直增长的协同模拟。模型的第一部分是基于FLUS（Future Land Use Simulation）模型的城市用地功能模拟，用于模拟水平方向上的不同城市用地功能变化；第二部分是基于随机森林回归的建筑物高度预测，用于预测垂直方向上的建筑物高度增长。对于如何协同模拟城市水平扩张和垂直增长，该模型根据轮盘选择后的土地利用类型，判断是否为新增的城市用地，进而预测城市用地的建筑物高度［17］。
图6 城市三维空间扩张模拟模型框架［17］

Fig. 6 Framework of urban three-dimensional space expansion simulation model［17］

本文使用深圳市2009年的城市土地利用数据，通过FLUS模型模拟得到2014年土地利用分布，与真实的2014年土地利用进行对比。结果显示，模型在水平和垂直方向上的拟合效果均较好。在此基础上，模拟和分析了2014—2034年深圳市的三维空间扩张变化（图7）。研究发现工业用地扩张范围广泛，在深圳市北部扩张明显，以新增低层建筑为主；公共管理服务用地在市中心（南山区、福田区和罗湖区）扩张明显，以新增中低层建筑为主；商业用地在南山区、宝安区和大鹏新区扩张显著，主要新增中低层建筑，少量新增高层建筑；居住用地在龙华区的深圳北站附近扩张十分明显，多为中低层建筑开发。此外，深圳市容积率在空间分布上差异明显，整体上表现为南高北低。越靠近南部市中心或区县中心，其容积率越高。深圳市在2014—2024年和2024—2034年的扩张强度分布较为一致，城市用地主要以低速扩张为主，高速扩张主要集中在南部市中心和经济发达的地区。不同城市用地的扩张范围、扩张强度分布和高速扩张热点区域差异十分明显。
图7 深圳市2014—2034年不同城市用地的三维扩张强度空间分布［17］

Fig. 7 Spatial distribution of three-dimensional expansion intensity of different urban land in Shenzhen from 2014 to 2034［17］

3.3　全球多尺度的城镇扩展时空特征

3.3.1　全球流域城市扩展的模式和分布

从流域尺度理解城市扩展非常重要。流域是城市发展的重要腹地，也是城市扩展造成生态环境影响的重要承载体。因此，从流域尺度深入理解城市扩展的时空动态和差异对于区域制定差异化的发展战略，寻求协同发展的策略至关重要。本文首先量化了1992—2016年城市扩展速度，之后分析了1992—2016年城市扩展模式，最后分析了流域城市扩展的驱动因素［18］。
研究发现，全球城市土地面积经历了大规模的增长。全球城市土地面积从1992年的2.75×105 km2增长到2016年的6.21×105 km2，增加了1.3倍。全球的城市扩展主要集中在亚洲、北美洲和欧洲。这3个洲洲际流域尺度的城市土地扩展了2.83×105 km2，占全球城市扩展的74.0%。此外，亚洲和北美洲的城市扩展速度最快，其城市扩展速度分别为21.99×10-5 km2/km2和20.62×10-5 km2/km2，是全球均值（11.31×10-5 km2/km2）的1.9倍和1.8倍。3级流域的城市土地扩展分布相当不均匀。在全球220个3级流域中，大部分流域城市扩展速度较慢（图8）。
图8 全球流域城市扩展数量和速度［18］

Fig. 8 Urban expansion amount and speed among global watersheds［18］

本文得到了流域尺度的历史城镇化时空趋势及城市扩展的驱动因素，为城镇扩展相关研究提供了新的视角。研究结果为城市扩展的监测和模拟提供了数据基础，为环境保护等政策的制定提供了依据。

3.3.2　典型区域建筑物高度时空演变特征

与传统基于二维平面的城市研究相比，城市建筑物高度数据可以表征城市三维形态，对于了解城市化进程和城市气候等具有重要意义。为了获取城市建筑物的高度，传统研究通常使用合成孔径雷达、激光雷达与高分辨率光学影像等遥感数据进行反演。然而，这些数据的采集处理需要较高的费用，导致研究在时空尺度上受到限制，无法构建长时序、大尺度的城市建筑物高度数据集。针对这一问题，本文通过参考已有真实建筑物的高度数据，结合多源遥感观测重建了1985—2015年粤港澳大湾区的建筑物高度，进而分析了区域内建筑物高度在时间和空间上的演变特征［19］。
研究发现，在空间分布上，2015年粤港澳大湾区的建筑物高度与区域经济发展水平具有较高的正相关性，澳门的建筑物平均高度最高，惠州最低。在时空演变上，1985—2015年粤港澳大湾区东翼相比西翼出现了更明显的建筑物高度增长（图9），香港、澳门、广州、珠海、江门和肇庆的建筑物高度基数较大且增长少，而深圳、佛山、东莞、中山和惠州的建筑物高度基数较小且增长多。最后，研究分析了每个城市建成区在水平面上向外扩张和在垂直高度上向上扩张的特征，将粤港澳大湾区建成区的结构演变归纳为城市向上扩张、向外扩张以及向上向外扩张3种类型。
图9 1985—2010年粤港澳大湾区建筑物高度空间分布［19］

Fig. 9 Spatial distribution of building height in Guangdong-Hong Kong-Macao Greater Bay areas from 1985 to 2010［19］

本文得到了1985—2015年粤港澳大湾区的长时间序列的建筑物高度数据。此外，研究创新了建筑物高度估算的方法，为更大尺度的建筑物高度研究提供了范例，可用于未来城镇三维模拟。

3.4　完成未来城镇化对气候的影响评估

3.4.1　未来城镇化对区域气候的影响

在区域尺度上，针对已有模拟空间分辨率低、结果不确定性大等问题，本文使用中尺度气象模型WRF-SLUCM，基于1 km分辨率的未来城镇化产品，利用未来情景下的多模式集合平均为驱动数据，在代表性浓度路径RCP8.5（Representative Concentration Pathway 8.5）情景下模拟生成3个区域气候模拟产品：①中国区域中尺度气象模型产品WRF_BNU_China，②印度区域中尺度气象模型产品WRF_BNU_India和③尼日利亚区域中尺度气象模型产品WRF_BNU_Nigeria（表1）。
表1 区域气候模型产品信息

Table 1 Information of regional climate model product

产品参数 中国区域中尺度气象模型产品（WRF_BNU_China） 印度区域中尺度气象模型产品（WRF_BNU_India） 尼日利亚区域中尺度气象模型产品（WRF_BNU_Nigeria）
土地利用数据 2020年和2070年BNU SSP5城镇化数据 2020年和2070年BNU SSP5城镇化数据 2020年和2070年BNU SSP5城镇化数据
大气驱动场 CMIP6 SSP585多模式集合误差订正数据 CMIP6 SSP585多模式集合误差订正数据 CMIP6 SSP585多模式集合误差订正数据
模拟时段

2020—2024年和2066—2070年

6月30日至8月1日

2020—2024年和2066—2070年

6月30日至8月1日

2020—2024年和2066—2070年

6月30日至8月1日

空间范围 京津冀、长三角和珠三角 印度全域 尼日利亚全域
空间分辨率 3 km 9 km 9 km
时间分辨率 逐时 逐时 逐时
产品要素 2 m气温（K）、2 m比湿（kg/kg）、10 m平均风速（m/s）、地面气压（Pa）、降水量（mm）、向下短波辐射（W/m2）、向上短波辐射（W/m2）、向下长波辐射（W/m2）和向上长波辐射（W/m2） 2 m气温（K）、2 m比湿（kg/kg）、10 m平均风速（m/s）、地面气压（Pa）、降水量（mm）、向下短波辐射（W/m2）、向上短波辐射（W/m2）、向下长波辐射（W/m2）和向上长波辐射（W/m2） 2 m气温（K）、2 m比湿（kg/kg）、10 m平均风速（m/s）、地面气压（Pa）、降水量（mm）、向下短波辐射（W/m2）、向上短波辐射（W/m2）、向下长波辐射（W/m2）和向上长波辐射（W/m2）
格式 NC NC NC
3个区域气候模型产品的下垫面数据均来自本研究在共享社会经济路径SSP5情景（基于化石燃料的快速发展路径）下模拟的2020年和2070年全球城镇化产品［15，20］，且已去除了逆城镇化信息。模拟时间跨度均为2020—2024年和2066—2070年的6月30日0时至8月1日0时，时间分辨率均为小时。为避免单一驱动数据带来的预估不确定性，在WRF_BNU_China中，模拟侧边界条件由经误差订正后的CMIP6（Coupled Model Intercomparison Project Phase 6）多模式提供［21］，选用3层嵌套（27~9~3 km）模拟技术，模拟区域为中国京津冀、长三角和珠三角三大城市群，空间分辨率为3 km。类似的，在WRF_BNU_India和WRF_BNU_Nigeria中，模拟侧边界条件由经误差订正后的CMIP6多模式提供［21］，选用2层嵌套（27~9 km）模拟技术，模拟区域分别为印度和尼日利亚全域，空间分辨率为9 km。数据集包含的变量有2 m气温（K）、2 m比湿（kg/kg）、10 m平均风速（m/s）、地面气压（Pa）、降水量（mm）、向下短波辐射（W/m2）、向上短波辐射（W/m2）、向下长波辐射（W /m2）和向上长波辐射（W/m2）。
本数据集共151.35 GB，已在国家青藏高原科学数据中心共享［22］（https：//data.tpdc.ac.cn/zh-hans/data/533ee3e6-02b1-4749-9079-922535d103c6），可用于未来城镇化对不同区域气候变化的影响研究。

3.4.2　城镇扩展对区域夏季气温的影响

在当前（2020—2024年）和未来（2066—2070年）气候条件下，2020—2070年城镇扩展引起的夏季气温变化空间格局类似，在此以2020—2024年的情况为例进行阐述。研究表明，2020—2070年城镇扩展导致中国3个城市群夏季气温升高，升温幅度随纬度升高而增加。珠三角、长三角和京津冀城市群区域平均升温幅度（平均值±标准差）分别为（0.04±0.11） K、（0.12±0.25） K和（0.38±0.24） K，京津冀升温最明显，珠三角升温最微弱，京津冀的升温幅度约为珠三角的10倍（图10）。城镇扩展造成印度绝大部分地区夏季气温升高，以中部地区最明显，可达2.5 K，全域平均升温幅度为（0.31±0.25） K，接近于京津冀升温幅度。城镇扩展对尼日利亚夏季气温影响不明显，绝大部分区域升温幅度在0.3 K以下，全域平均升温幅度为（0.02±0.10） K，与珠三角升温幅度接近。
图10 未来城镇化对中国3个城市群、印度和尼日利亚夏季气温的影响

Fig. 10 Impact of future urbanization on summer temperature in three urban agglomerations in China， India and Nigeria

3.4.3　未来城镇化对全球气候的影响

在全球尺度上，以往研究通常假设未来城镇保持不变，预估结果仅考虑了气候变化的影响，无法体现城镇化的贡献。针对这一问题，基于联合研发的通用地球系统模式CESM2.0的动态城市模块［22］，通过动态与静态模拟相结合的方式，在RCP8.5情景下模拟生成了全球陆表气候数据集（表2）。
表2 全球气候模型产品信息

Table 2 Information of global climate model product

产品参数 SSP585_UC_BNU SSP585_DU_BNU SSP585_DU_GAO
土地利用数据 2020年BNU SSP5城镇化数据 BNU SSP5动态城镇化数据 Gao和O’Neill SSP5动态城镇化数据
大气驱动场 CESM2 SSP585 CESM2 SSP585 CESM2 SSP585
模拟时段 2015—2100年 2015—2070年 2015—2100年
空间范围 全球 全球 全球
空间分辨率 0.9°×1.25° 0.9°×1.25° 0.9°×1.25°
时间分辨率 逐月、逐日和逐时（2019—2023年、2096—2100年） 逐月 逐月
产品要素 2 m气温（K）、水汽压（Pa）、日最高和日最低气温（K）、湿球温度（℃）、日最高和日最低湿球温度（℃）、潜热（W/m2）、感热（W/m2）、地表热通量（W/m2）、空调和空间供暖废热（W/m2）、空调逸散热（W/m2）、空间加热热量（W/m2）、向下和向上短波（W/m2）、向下和向上长波（W/m2）、降水［kg/（m2⋅s）］、10 m风速（m/s）、大气强迫高度处的气压（Pa）、大气强迫高度处的气温（K）、大气强迫高度处的比湿（kg/kg）、大气强迫高度处的位温（K）、总径流［kg/（m2⋅s）］以及地表总径流［kg/（m2⋅s）］等 2 m气温（K）、水汽压（Pa）、日最高和日最低气温（K）、湿球温度（℃）、日最高和日最低湿球温度（℃）、潜热（W/m2）、感热（W/m2）、地表热通量（W/m2）、空调和空间供暖废热（W/m2）、空调逸散热（W/m2）、空间加热热量（W/m2）、向下和向上短波（W/m2）、向下和向上长波（W/m2）、降水［kg/（m2⋅s）］、10 m风速（m/s）、大气强迫高度处的气压（Pa）、大气强迫高度处的气温（K）、大气强迫高度处的比湿（kg/kg）、大气强迫高度处的位温（K）以及总径流［kg/（m2⋅s）］等 2 m气温（K）、水汽压（Pa）、日最高和日最低气温（K）、湿球温度（℃）、日最高和日最低湿球温度（℃）、潜热（W/m2）、感热（W/m2）、地表热通量（W/m2）、空调和空间供暖废热（W/m2）、空调逸散热（W/m2）、空间加热热量（W/m2）、向下和向上短波（W/m2）、向下和向上长波（W/m2）、降水［kg/（m2⋅s）］、10 m风速（m/s）、大气强迫高度处的气压（Pa）、大气强迫高度处的气温（K）、大气强迫高度处的比湿（kg/kg）、大气强迫高度处的位温（K）以及总径流［kg/（m2⋅s）］等
格式 NC NC NC
为了量化未来城镇化对全球气候变化的影响，数据集使用了3种不同城镇化发展水平的未来情景数据，生成了3个子数据集：①SSP585_UC_BNU，②SSP585_DU_BNU和③SSP585_DU_GAO。在SSP585_UC_BNU中，城镇化水平保持在当前水平，采用了He等［15，20］在SSP5情景下模拟的2020年全球城镇化产品。在SSP585_DU_BNU中，城镇化水平逐年动态发展，利用了He等［15，20］在SSP5情景下模拟的2020—2070年动态全球城镇化产品。SSP585_DU_GAO采用了城镇化速率更快的Gao等［6］在SSP5情景下模拟的2020—2100年动态全球城镇化产品。SSP585_UC_BNU数据集的时间跨度为2015—2100年，时间分辨率包含月、日和小时，其中小时尺度数据时间跨度为2019—2023年和2096—2100年。SSP585_DU_BNU数据集的时间跨度为2015—2070年，时间分辨率为月。SSP585_DU_GAO数据集的时间跨度为2015—2100年，时间分辨率为月。3个子数据集的空间分辨率均为0.9°×1.25°。数据集包含了网格和次网格尺度的变量，包括基本气象要素、地表能量通量和径流等。其中，SSP585_UC_BNU包括8种次网格（城市、乡村、森林、草地、灌木、裸土、农田和湖泊）的信息，SSP585_DU_BNU和SSP585_DU_GAO包含3种次网格（城市、郊区和湖泊）的信息（模拟数据的详细说明见参考文献［24-25］）。
本数据集共620.88 GB，已在国家青藏高原科学数据中心共享［26］（https：//data.tpdc.ac.cn/zh-hans/data/aa679ab4-a2c9-4122-b826-874cc7afaee9），可用于未来情景下城镇化、森林砍伐和湖泊变化等下垫面变化所引起的气候效应研究。

3.4.4　城镇扩展对全球夏季气温和城市热岛的影响

无论是在当前（2020—2024年）还是未来（2066—2070年）气候情景下，城镇化都将导致全球约90%的城市气温上升，升温幅度在0.2~4.0 K，中国东部、美国东部、欧洲中部和印度北部是城市升温的热点区域，升温幅度超过2 K，部分区域接近4 K（图11）。在2020—2024年，慢速城镇化情景（SSP5_DU_BNU）下全球约有86%的城市夏季气温升高，全球城市平均升温幅度为（0.63±0.59） K，快速城镇化情景（SSP5_DU_GAO）下约有89%的城市夏季气温升高，平均升温幅度为（0.67±0.55） K。在2066—2070年，与慢速城镇化情景［94%，（0.75±0.46） K］相比，快速城镇化情景［96%，（0.99±0.63） K］下气温上升的城市增多2%，全球城市平均升温幅度增加0.24 K。
图11 未来城镇化对全球城市夏季气温的影响

Fig. 11 Impact of future urbanization on global urban summer temperature

城镇化将导致全球约70%的城市年平均冠层热岛强度增强，以中国华北和伊朗高原城市最为明显，增幅超过0.6 K，而低纬度部分城市热岛呈减弱趋势（图12），这与郊区升温速率快于城区有关。在2020—2024年，慢速城镇化情景（SSP5_DU_BNU）下全球约有70%的城市冠层热岛强度增强，平均增强（0.08±0.18） K，快速城镇化情景（SSP5_DU_GAO）下约有73%的城市冠层热岛强度增强，平均增强（0.09±0.19） K。在2066—2070年，与慢速城镇化情景［70%，（0.07±0.18） K］相比，快速城镇化情景［72%，（0.09±0.20） K］下城市冠层热岛强度增强的城市增多2%，冠层热岛强度增强的幅度增加0.02 K。
图12 未来城镇化对全球夏季城市热岛强度的影响

Fig. 12 Impact of future urbanization on global summer urban heat island intensity

4 成果与展望

本文预测不同SSPs下2020—2070年全球城镇化的时空格局，定量评估和预测城镇化对区域和全球气候变化的影响，为揭示城镇化对区域和全球多尺度气候变化的影响提供了方法和数据基础。方法上，“全球城镇化趋势及其对气候变化的影响”课题发展了一套局部—区域—全球的多尺度城镇化模拟方法。上述模型具有较强的创新性，具有较好的应用前景。数据上，生成了1 km分辨率SSPs情景下2020—2070年（每5年1期）城镇扩展空间格局数据集，揭示了全球未来50年城镇扩展趋势。生成了2015—2070/2100年全球气候模型产品，以及2020—2024年及2066—2070年中国3个城市群（京津冀、长三角和珠三角）、印度和尼日利亚公里级的未来多要素气候模型产品，定量揭示了未来城镇化将对区域和全球气候变化的影响。
研究成果对于实现全球可持续发展目标和人类命运共同体建设具有重要意义，为绿色城市和健康城市的建设提供了科学依据，也为优化城市形态和缓解城市热岛效应提供了科学参考。在进一步研究中，需要明确在未来城镇化模拟中是如何考虑突发事件、政策干预、人口转移和逆城市化等因素，以及如何拆解城镇扩张和气候变化的各自贡献。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
GE Quansheng， DAI Junhu， HE Fanneng， et al. Study on land use， land cover change and carbon cycle in China in the past 300 years［J］. Science in China （Series D）， 2008， 38（2）： 197-210.

葛全胜， 戴君虎， 何凡能， 等. 过去300年中国土地利用、土地覆被变化与碳循环研究［J］. 中国科学（D辑）， 2008， 38（2）： 197-210.

[2]
YE Duzheng， YAN Zhongwei， MA Zhuguo. Addressing climate change for sustainable development［J］. Bulletin of Chinese Academy of Sciences， 2012， 27（3）： 332-336.

叶笃正， 严中伟， 马柱国. 应对气候变化与可持续发展［J］. 中国科学院院刊， 2012， 27（3）： 332-336.

[3]
XU Guanhua， GE Quansheng， GONG Peng， et al. Global change and human sustainable development： challenges and countermeasures［J］. Chinese Science Bulletin， 2013， 58（21）： 2 100-2 106.

徐冠华， 葛全胜， 宫鹏， 等. 全球变化和人类可持续发展： 挑战与对策［J］. 科学通报， 2013， 58（21）： 2 100-2 106.

[4]
FU Congbin， DONG Wenjie， WEN Gang， et al. Regional response and adaptation to global change［J］. Acta Meteorologica Sinica， 2003， 61（2）： 245-250.

符淙斌， 董文杰， 温刚， 等. 全球变化的区域响应和适应［J］. 气象学报， 2003， 61（2）： 245-250.

[5]
SETO K C， GÜNERALP B， HUTYRA L R. Global forecasts of urban expansion to 2030 and direct impacts on biodiversity and carbon pools［J］. Proceedings of the National Academy of Sciences of the United States of America， 2012， 109（40）： 16 083-16 088.

[6]
GAO J， O’NEILL B C. Mapping global urban land for the 21st century with data-driven simulations and shared socioeconomic pathways［J］. Nature Communications， 2020， 11（1）. DOI： 10.1038/s41467-020-15788-7 .

[7]
CHEN G Z， LI X， LIU X P， et al. Global projections of future urban land expansion under shared socioeconomic pathways［J］. Nature Communications， 2020， 11（1）. DOI： 10.1038/s41467-020-14386-x .

[8]
PESARESI M. GHS-BUILT-S R2023A-GHS built-up surface grid， derived from Sentinel2 composite and Landsat， multitemporal （1975-2030）［DS］. European Commission， Joint Research Centre （JRC）， 2023.

[9]
CAO Q， YU D Y， GEORGESCU M， et al. Impacts of future urban expansion on summer climate and heat-related human health in Eastern China［J］. Environment International， 2018， 112： 134-146.

[10]
PACHAURI R K， MAYER L， Intergovernmental Panel on Climate Change. Climate change 2014： synthesis report［R］. Geneva， Switzerland： Intergovernmental Panel on Climate Change， 2015.

[11]
CHEN S Y， HUANG Q X， MUTTARAK R， et al. Updating global urbanization projections under the shared socioeconomic pathways［J］. Scientific Data， 2022， 9（1）. DOI： 10.1016/j.gloenvcha.2015.03.008 .

[12]
O’NEILL B C， KRIEGLER E， EBI K L， et al. The roads ahead： narratives for shared socioeconomic pathways describing world futures in the 21st century［J］. Global Environmental Change， 2017， 42： 169-180.

[13]
JIANG L W， O’NEILL B C. Global urbanization projections for the shared socioeconomic pathways［J］. Global Environmental Change， 2017， 42： 193-199.

[14]
PAN X H， LIU Z F， HE C Y， et al. Modeling urban expansion by integrating a convolutional neural network and a recurrent neural network［J］. International Journal of Applied Earth Observation and Geoinformation， 2022， 112. DOI： 10.1016/j.jag.2022.102977 .

[15]
HE C Y， LIU Z F， WU J G， et al. Future global urban water scarcity and potential solutions［J］. Nature Communications， 2021， 12（1）. DOI：10.1038/s41467-021-25026-3 .

[16]
HE Qingsong， LIU Yaolin， ZENG Chen， et al. Simultaneously simulate vertical and horizontal expansions of a future urban landscape： a case study in Wuhan， Central China［J］. International Journal of Geographical Information Science， 2017， 31（10）： 1 907-1 928.

[17]
ZHAO L F， LIU X P， XU X C， et al. Three-dimensional simulation model for synergistically simulating urban horizontal expansion and vertical growth［J］. Remote Sensing， 2022， 14（6）. DOI：10.3390/rs14061503 .

[18]
HUANG Q X， ZHANG H， van VLIET J， et al. Patterns and distributions of urban expansion in global watersheds［J］. Earth’s Future， 2021， 9（8）. DOI：10.1029/2021EF002062 .

[19]
WU Ziluan， LIU Xiaoping， LUO Ming. Analysis on characteristics of temporal and spatial evolution of building heights in the Guangdong-Hong Kong-Macao greater bay area based on GEE platform［J］. Geography and Geo-Information Science， 2022， 38（2）： 48-54.

吴梓銮， 刘小平， 罗明. 基于GEE平台的粤港澳大湾区建筑物高度时空演变特征分析［J］. 地理与地理信息科学， 2022， 38（2）： 48-54.

[20]
HE Chunyang， LIU Zhifeng， YANG Yanjie. Dataset of global future urban expansion （2020-2070） V1.0［DS］. National Tibetan Plateau/Third Pole Environment Data Center， 2022.

[21]
XU Z F， HAN Y， TAM C Y， et al. Bias-corrected CMIP6 global dataset for dynamical downscaling of the historical and future climate （1979-2100）［J］. Scientific Data， 2021， 8（1）. DOI： 10.1038/s41597-021-01079-3 .

[22]
PEI Lin， WANG Wei， Heng LÜ. A kilometer-scale regional dataset on future surface climate of China， India and Nigeria from 2020 to 2024 and from 2066 to 2070［DS］. National Tibetan Plateau / Third Pole Environment Data Center， 2024.

[23]
ZHANG Keer， FANG Bowen， OLESON K， et al. Urban land expansion amplifies surface warming more in dry climate than in wet climate： a global sensitivity study［J］. Journal of Geophysical Research： Atmospheres， 2025， 130（4）. DOI： 10.1029/2024JD041696 .

[24]
ZHANG K E， LEE X H， SCHULTZ N M， et al. A global dataset on subgrid land surface climate （2015-2100） from the Community Earth System Model［J］. Geoscience Data Journal， 2023， 10（2）： 208-219.

[25]
LYU H， WANG W， ZHANG K E， et al. Factors influencing the spatial variability of air temperature urban heat island intensity in Chinese cities［J］. Advances in Atmospheric Sciences， 2024， 41（5）： 817-829.

[26]
ZHANG Keer， WANG Wei， CAO Chang， et al. A global dataset on future surface climate from the Community Earth System Model 2.0 from 2015 to 2070 or 2100［DS］. National Tibetan Plateau / Third Pole Environment Data Center， 2024.

Options
Outlines

/

〈 〉

Address: No. 8, Tianshui Middle Road, Lanzhou, Gansu
QQ：114723517
Tel：0931-8762293　E-mail：adearth@lzb.ac.cn
陇ICP备2021001824号-5　 甘公网安备62010202000687