1870 年から 2020 年までの 100 メートルの解像度でのヨーロッパの人口、土地利用、経済的エクスポージャーの推定

Scientific Data volume 10、記事番号: 372 (2023) この記事を引用

メトリクスの詳細

過去の異常気象の影響に対する気候変動の影響を理解することは、重要な研究課題です。しかし、気候変動の影響は、現象が発生した社会的および経済的状況の急速な進化により、観測された影響データシリーズでは不明瞭になっています。この研究で提示された HANZE v2.0 (ヨーロッパの自然災害の歴史分析) データセットは、1870 年以降のヨーロッパの主要な社会経済的要因、つまり土地利用、人口、経済活動、資産の進化を定量化します。これは、過去の準国家レベルおよび国レベルの統計の大規模なコレクションに基づいて、任意の年のベースライン (2011 年) の土地利用と人口を再割り当てし、生産と有形資産に関するデータを経済部門ごとに高解像度に分解するアルゴリズムで構成されています。グリッド。モデルによって生成されたラスターデータセットを使用すると、極端な現象の発生時および 1870 年から 2020 年の間の任意の時点の両方で、そのフットプリント内での被ばく量を再構築できます。これにより、気候変動の影響を被ばく量の変化の影響から分離することができます。

世界の平均気温は、産業革命前と比較して 1 °C を超えています。気候変動が世界の自然システム、管理システム、人間システムに及ぼす影響を定量化する研究が増えています1,2。ただし、気候以外の強力な変化要因を持つシステムについては、定量化があまりできません3。ケーススタディでは、特に現在のリスクの不確実性がすでに高い洪水に関して、追加の要因の強い影響が示されています。例えば、ライン川流域の洪水リスクは、大気強制力の変化にはあまり影響を受けないが、貯水容量、堤防の高さ、土地利用、資産価値、民間の予防措置の変化にはより影響を受けることが判明した4。 Vousdoukas et al.5 は、イベリア半島の試験場における沿岸洪水リスク評価における最大の不確実性の原因は洪水防御であることを示しました。特定の場所の資産価値（エクスポージャ）と、特定の強度の洪水で失われる資産の割合を示す洪水脆弱性関数の推定値は、国によって大きく異なります6、7、8、9。ヨーロッパにおける暴風雨被害は、曝露増加を補正しても増加しないことが示されており10、ハザードの傾向が対照的であること11と脆弱性機能に関する非常に高い不確実性12により原因の特定が複雑になっている。最後に、ヨーロッパの山火事のうち自然発生源によって引き起こされるのはごく一部のみであるため、これらの災害の頻度を理解する上で人的要因が基本となります13。

多くの研究では、暴露の増加を補正した場合、ヨーロッパ、米国、またはオーストラリアにおける自然災害による直接的な経済損失は増加傾向にないことが示されています14、15、16、17、18。土地利用タイプ、人口、経済生産高、資産価値、その不確実性などのエクスポージャーの変化を定量化することは、観測された影響に対する直接的な影響が大きいだけでなく、間接的な影響も大きいため、極めて重要です。洪水の場合、高暴露地域はよりよく保護され 19 、脆弱性が低い傾向にある 20 が、土地利用は気候変動よりも局所的に河川流量を大きく調整する可能性がある 21。

利用可能な被ばくの歴史的再構成は、解像度が低い、空間範囲が限られている、または被ばくの特定の要素のみをカバーしているため、長期的な視点で気候変動の帰属を特定するための有用性が限られています。たとえば、HILDA22、23、24 には、欧州連合諸国の高度に集約された土地被覆のみが含まれていますが、1 km という高い解像度で 1900 年から 2010 年までをカバーしています。グローバルデータセット HYDE25 は、両方の土地利用について、紀元前 10,000 年から西暦 2017 年までの範囲に及びます。しかし、解像度はわずか 5 分角 (赤道上 9 km) です。 HYDE は、ISIMIP26 を含め、地球規模の気候と気候影響モデリングの両方に広く適用されています。 HYDE に基づいて、GDP の細分化も作成され 27、Sauer らによる世界規模の洪水帰属研究などで使用されました 28。特に洪水や山火事のリスクを分析するには、非常に局所的な現象であるため、非常に高い解像度の暴露データが必要です。しかし、高解像度の人口データは、データセットごとにせいぜい数タイムステップで利用でき、1975 年以降まで遡ることができません 29。経済データの細分化は、人口密度 30 や夜間の照明 31 など、経済活動の単一の予測因子にほとんど限定されています。

2017 年にリリースされた HANZE (ヨーロッパの自然災害の歴史分析) データセット 32 は、全ヨーロッパの洪水ハザードマップ (つまり 100 m33,34) に一致する解像度を備えた最初の包括的な暴露データセットであり、短期予測で 1870 年から 2015 年をカバーしています。これは、既知の歴史的洪水の洪水痕跡内での暴露と土地利用の変化の分析を可能にするために特別に設計されており、さまざまな追跡調査でそのような役割で使用されました16、35、36。ここでは、多くの改善が組み込まれ、改訂および拡張された曝露データセット HANZE v2.0 を紹介します (表 1)。データセットの中核は、1870 年から 2020 年までの 42 か国の土地利用、人口、国内総生産 (GDP)、固定資産価値、土壌密閉度の高解像度グリッドのセットです。これは、大規模な入力データベースによって補完されます。地方の歴史統計。さらに、データセットは、データを完全に再現し、視覚化し、さらなる分析を実行できる Python ツールボックスの出力です (「使用上の注意」を参照)。

暴露データセットは、統計的手法とルールベースの手法を組み合わせて作成されました。モデルの一部には、サブ地域の人口変化のモデル化にコピュラを利用し、農地の推移にベイジアンネットワークを利用して、不確実性を定量化する確率的手法を組み込みました。このデータセットは、災害の社会的および経済的影響に関する研究に最も関連する高曝露地域に焦点を当てています。したがって、重要性の低い土地利用クラスの一部、特に自然地域の変更はモデル化されませんでした。また、国ごとに履歴データの入手可能性と解像度が大きく異なるため、過去のエクスポージャーのグリッド再構成の精度に直接影響します。データセットの高解像度は、詳細な情報を必要とする洪水などの災害に迅速に適用できるように提供されています。一般に、同じ解像度で比較可能なデータが不足しているため、部分的な検証のみを実行できます。

HANZE v2.0 は、多数の入力ラスターデータに対する操作を通じて生成された履歴露出のデータセットです。データセットを計算するワークフローの概要を図 1 に示します。開始点は、特定の基準年の人口および土地被覆/利用に関するデータを含む高解像度ラスターのセットです。これらの「ベースライン」データセットは、1 km の解像度から細分化された人口を除き、100 m の解像度のデータから作成されました (サブセクション「ベースラインデータセット」を参照)。このモデルは、タイムステップごとに地方行政単位ごとに定義されたさまざまな土地利用クラスの総人口と面積と一致するまで、土地被覆/利用および人口を再配分することによって、ベースラインラスターデータセットを変更します。このような単位ごとに、集計された社会経済統計 (「入力社会経済データ」) を収集しました。さまざまな土地利用タイプ (都市、工業、農業など) が、さまざまな方法といくつかの補助的な静的ラスターデータセット (「人口および土地利用モデル」) を使用してモデル化されます。土地利用の変化に基づいて、土壌シーリングデータセットが変更されます。最後に、このモデルは、人口分布とさまざまな土地利用タイプに基づいて、国内総生産 (GDP) と固定資産ストックに関する統計データを 100 メートルのグリッドに分解します (「経済データの分解」)。このモデルは、1870 年から 2020 年の期間にわたる 42 の国と地域をカバーするデータを使用して適用されます (補足図 S1 を参照)。

HANZE v2.0 ワークフロー。このワークフローを再現するために必要なすべての入力データと Python コードは公開されています。

4 つのベースラインデータセットは、調査地域をカバーする一連のラスターレイヤーであり、時間次元で厳密に位置合わせされ、ネイティブ解像度から 100 m グリッドに変換され、Corine Land Cover に基づいて単一の土地マスクに調整されています (表 2)。

ベースラインの土地被覆/使用は、外海と一部の Corine Land Cover (CLC) 2012、バージョン 20u1 (https://land.copernicus.eu/pan-european/corine-land-cover/clc-2012) から取得されています。移行水は除去されました。 CLC 2012 データセットは、一般に、2011 年から 2012 年の間に収集された衛星画像から土地被覆パッチを手動で分類することによって作成されました。この目録は 44 のクラスで構成され、捕捉された実際の現象の最小サイズは 25 ヘクタールです。線形フィーチャ (道路、鉄道、河川など) の場合、最小幅 100 m が使用されます。 CLC データセットはアンドラをカバーしていないため、他のソースからの土地利用データの編集がアンドラの HANZE v1.0 から引き継がれました (Paprotny et al.32 のセクション 2.1 を参照)。

多くの場所で、自然の土地被覆は人工的な不浸透性表面に置き換えられました。この不浸透性のカバーは、特定の地域の水文特性に重大な影響を与え、その結果、洪水の頻度と強度に大きな影響を与えます。また、資産分布の重要な予測因子でもあります。私たちのモデルのベースライン土壌シールデータセットは、Copernicus Land Monitoring Service の Imperviousness Density 2012 データセット (https://land.copernicus.eu/pan-european/high-resolution-layers/imperviousness/status-maps/2012) です。これは、校正済みの正規化差異植生指数 (NDVI) を使用した高解像度衛星画像のアルゴリズム分類によって作成されました。データセットのネイティブ解像度は 20 m ですが、土地被覆データセットとの一貫性を保つために 100 m に集約しました。

ベースライン人口データセットは、2011 年の GEOSTAT 人口グリッドバージョン 2.0.1 (https://ec.europa.eu/eurostat/web/gisco/geodata/reference-data/population-distribution-demography/geostat) に基づいています。）。このデータセットの解像度は 1 km で、2011 年に行われたヨーロッパの国勢調査の結果に基づいています。データセット内の人口の 95% は、国勢調査中に実際に数えられ、地理参照されたものであり、残りの人口は、欧州委員会共同研究センターによる詳細な地方国勢調査の結果から分類されています。 HANZE v1.0 と同様に、Batista e Silva et al.37 で説明されている方法「M1」と「M3」を組み合わせることにより、このデータセットをさらに 100 m グリッドに分解します。「M1」は、地図作成で人口密度の測深線地図を作成するために使用される「制限変数法」を示します。簡単に説明すると、平均人口密度に従って土地利用クラスをランク付けし、土地利用固有のしきい値を超える人口を密度の低いクラスから密度の高いクラスに再分配します。この手順は、1 km のグリッドセルごとに個別に適用される反復アルゴリズムです。この手順は次のとおりです。

まず、1 km のグリッドセル内の各土地利用クラスに均一の人口密度が割り当てられます。

ここで \({Y}_{LG}^{0}\) はステップ 0 のグリッドセル G の土地利用 \(L\in \{1,\ldots ,n\}\) の人口密度です。YG は次のようになります。グリッドセル内の人口密度、つまり人口数 XG を面積 SG で割ったもの。

人口密度閾値 TL は、n 個の土地利用クラスのそれぞれに対して定義されます。

土地利用クラスがランク付けされ、サブインデックス L が人口密度の最低から最高まで再番号付けされます。つまり、L = 1 は、グリッドセル内の人口密度が最も低い土地利用クラスを示します。

L = 1 から順に進み、ステップ L では、前のステップでクラス L に起因する密度がしきい値を超えている場合、つまり \({Y}_{LG}^{L-1} > { の場合）に変更されます。 T}_{L}\)。これにより余剰人口 \({U}_{LG}^{L}\) が生まれます。

余剰は、残りの土地利用クラス M に再分配されます。したがって、次のようになります。

すべての反復を完了した後でも余剰人口が存在する場合、つまり \({X}_{G} > \sum {T}_{L}{S}_{LG}\) の場合、閾値に比例して再分配されます。

この方法の重要な点は、しきい値 TL を定義することです。ここでは、Eicher と Brewer38 によって提案されたしきい値、つまりベースライン土地利用データセットで 1 つの土地利用クラスのみが報告されたグリッドセルの人口密度の 70 パーセンタイルを使用します。このような「純粋な」セルは、全集団グリッドセルの約 5% を構成していました。 Gallego ら 39 は、しきい値の別の定義がヨーロッパではわずかにうまく機能することを示しました。ただし、著者らはコミューン別の人口データを使用しましたが、これはここでは使用されておらず、彼らの方法ではグリッドデータと組み合わせる必要があります。最終的なしきい値 TL を表 3 に示します。都市ファブリック以外の人工表面については、これらのクラスのそれぞれで「純粋な」セルが見つかったとしてもごくわずかであるため、CLC クラスがしきい値計算のためにマージされました。また、湿地、水、砂、氷河、裸の岩、焼けた植生で覆われたすべての地域については、これらの地形は原則として居住不可能であるため、しきい値は 0 に設定されました。

追加の制限として、特定の種類の人工構造物を含む、特定のセル内の土地利用クラスのみが使用されました。ここでは 3 つのリモートセンシンググリッドデータセット (解像度 100 m) が使用されています。セル内の土地利用クラスが最初のデータセットの構造を持っていない場合は、次のように 2 番目が使用され、必要に応じて 3 番目が使用されます。

建物;

不浸透性の表面。

道路と通り。

建物と道路は、European Settlement Map 2012 Release 2017 (https://land.copernicus.eu/pan-european/GHSL/european-settlement-map/esm-2012-release-2017-urban-green) および不浸透性の表面から取得しました。 Imperviousness Density 2012 より。1 km セル内に構造物が存在しない場合 (衛星画像で検出されなかったため)、すべての土地利用クラスが利用されました。

ただし、計算の結果は、各 1 km グリッドセル G の土地利用 L ごとの人口のみです。したがって、人口をさらに細分化する必要があり、そのために方法 M3 と同様のアプローチを使用しました。この方法では、人工構造物の密度に比例して人口を再分配します。この変数の範囲は、完全に自然な地表を示す 0% から、人工地表で完全に密閉された土地を示す 100% までです。 3 つのデータセット、主に欧州居住地地図 (ESM) 2012 の建物が使用されました。1 km のセル内に建物が示されていない場合は、代わりに不浸透性が使用されました。土壌シールが検出されなかった場合は、ESM 2012 の道路と街路が使用されます。これは主に、ESM 2012 がリモートセンシングデータを他の複数のソース (OpenStreetMap、欧州連合の Urban Atlas、Tom Tom's Tele Atlas など) と組み合わせているために発生しますが、Imperviousness Density 2012 は完全にリモートセンシングベースの製品です。

ESM および Imperviousness データセットは、非常に高いネイティブ解像度 (それぞれ 2.5 および 20 m) を持っています。分解には 100 メートルの解像度に集約されたバージョンが使用され、表面密度と人口の間の依存関係の計算には、さらに 1 km グリッドにリサンプリングされたデータが使用されました。その過程で、与えられた人工的な表面密度を持つグリッドセルの平均人口密度を計算することができました。結果として生じる依存関係は、べき乗関数として近似できます (補足図 S2)。構造物で覆われた表面の平均 % が非常に高いセルはほとんどなかったため、関数は 1% から 16% (道路および街路)、64% (建物)、および 84% (不浸透性表面) の範囲の値から計算されました。したがって、100 メートルのグリッドセル g 内の人口 Xg は次と等しくなります。

ここで、Zg は、べき関数から得られるグリッドセル g の母集団を最大母集団で割ったものです。

ここで、Vg はグリッドセル g の不浸透性です。 3 つのデータセットすべてがこの値付近でピーク人口密度に達したため、最大人口は 8000 と定義されました。パラメータ A および B を表 4 に示します。

母集団の数値は整数である必要があるため、母集団 Xg は四捨五入されます。その結果、四捨五入されていない値の最小の変化によって四捨五入された値が変化するセルから始めて、100 メートルのセル内の集団数を繰り返し減らすことによって、母集団が加算または減算されました。場合によっては、複数の 100 メートルのセルの値が同じであり、1 km の人口を照合できないことがありました。次に、人口が最も多い 100 メートルのセルから始めて、一度に 1 ずつ人口数を繰り返し減らすことによって、人口が追加または減算されました。同じ値の複数のセルが存在する場合も、構造物で覆われた面積の割合がより高い 100 メートルのセルが使用されました。利用可能なデータがない場合、または%値が同じ場合、母集団は等しいセル内でランダムに追加または減算されます。

単一の GEOSTAT グリッドセルの母集団を細分化した結果の例を図 2 に示します。

分解結果とソースデータ (グリッド内の人口 = 5230)。説明のためにのみ OpenStreetMap ベースマップと対比します。ポーランド、シュチェチンの市内中心部の断片 (NUTS 地域 PL424)。ベースマップ © OpenStreetMap contributors40. Open Data Commons Open Database License (ODbL) v1.0 に基づいて配布されます。 European Settlement Map 2012 の建物で覆われたエリア。

HANZE v2.0 モデルは、人口、土地被覆/利用、経済変数を地方行政単位 (以下、「地域」) ごとに個別に再配分します。行政境界は、時間の経過とともに国内で頻繁に変更されます。モデルの各タイムステップで領域の定義を変更するのではなく、過去の統計データを単一のベンチマーク分類に調整します。欧州連合の地方単位の分類、統計のための地域単位の命名法 (NUTS)、バージョン 2010 は、HANZE v2.0 で使用されます。分類の最も詳細なレベルである NUTS レベル 3 が適用されます。この研究では、ユーロスタット (https://ec.europa.eu/eurostat/web) を通じて入手可能な半公式 NUTS マップの精度が低く、非許可的なライセンスを使用しているため、NUTS 地域の新しい高解像度ベクトルデータセットを準備しました。 /gisco/geodata/reference-data/administrative-units-statistical-units)。私たちは、国家地理空間機関と OpenStreetMap40 からの公開データのみを使用して新しいデータセットを編集しました (表 5)。NUTS 2010 分類との整合のために必要に応じて地域間の境界を手動で修正しました。元のソースデータセットの海岸の描写は、ベースライン CLC データセットに合わせて調整されました。さらに、コソボとボスニア・ヘルツェゴビナは現在 NUTS の対象になっていないため、NUTS システムと一致する方法で行政区画を人為的にコード化しました。最後に、ベクターデータセットは 100 m のラスターグリッドに変換されました。私たちの研究のドメインには合計 1422 の領域が含まれています。前述したように、モデルを駆動する入力履歴統計は、NUTS 領域の高解像度マップと一致するために必要に応じて再計算されました。

過去の社会経済統計データの入力データベースは、HANZE v1.0のデータを改訂して作成しました。これには、地域レベルでの暴露の主な社会経済的要因に関するデータが含まれています。データベースの変数を表 6 に示します。さらに、国レベルで定義された 6 つのセクターの GDP に対する固定資産ストックも含まれています。このデータベースは、1872 年から現在までの 375 の異なるソース (HANZE v1.0 では 271 ソース) から編集されました。国家統計機関や国際機関の Web サイトや出版物、国立銀行や経済研究機関の研究文書、学術研究論文などです。。データベース内のすべての単一データポイントのソースに関する詳細情報、およびデータを NUTS バージョン 2010 に調整するために行われた変換は、Excel データセット内に記述されています (「データレコード」を参照)。データは、1870 年から 1950 年までは 10 年ごと、2000 年までは 5 年ごと、2020 年までは毎年編集されました。HANZE v1.0 と比較した主な変更点は次のとおりです。より多くのデータソースを含めることによるデータの品質の向上 (補足図 S3) ); 新しい国（アルバニア、ボスニア・ヘルツェゴビナ、コソボ、モンテネグロ、北マケドニア、セルビア）の追加。 Paprotnyらのデータと手法の統合を通じて、耐久消費財（家庭で数年間使用される商品）を固定資産のカテゴリーとして追加しました41,42。調査地域全体の森林土地被覆データの追加。

冒頭で述べたように、一般的なアプローチは、ベースライン人口と土地被覆を変更し、タイムステップごとにラスターデータセットを使用することです。これは、さまざまな CLC クラスおよび人口グループ (地域、都市、農村) に対して順次実行されるため、特定のステップで変更されたクラスによって、事前にモデル化されたクラスが変更されることはありません。モデリングの手順は次のとおりです。

特殊なケース（オランダの干拓地）

準地域的な人口再分配

都市構造と都市人口の再分配

空港と貯水池

農村部の人口再分配

産業用または商業用ユニット

道路・鉄道用地

建設現場

その他の人工土地

農地と牧草地

焼けた場所

自然地域

土の密閉度調整

モデル化アプローチの概要と理論的根拠は、CLC データセットの土地被覆/利用クラスごとに補足表 1 に説明されています。また、人工土地利用は総土地面積の 5% を構成しますが、その約 90% が含まれていることも強調しています。したがって、過去のエクスポージャーの再構築は主にそれらの地域に限定されます。上記の番号付きリストで参照されているように、詳細情報は次のサブセクションで提供されます。この方法論は、Paprotny et al.32 ですでに主に使用されている方法を改良したものであることに注意してください。

オランダにおけるエクスポージャ分布への影響を考慮して、このモデルには 1 つの特殊なケースが含まれています。ゾイデル海ヴェルケンは大規模な埋め立てと洪水防御プロジェクトであり、その結果、1920 年代から 1970 年代にかけてゾイデル海に大きな堤防と干拓地が建設されました (補足図 S4)。ゾイデル海は 1932 年に大きな堤防によって閉鎖され、湖になり、1975 年にさらにアイセル湖とマルケル湖に分かれました。都市、インフラ、農地は、主にフレヴォラント州の干拓地に造られました。現在では人口が 40 万人を超えていますが、1942 年以前は小さな島の町ウルクと無人島スノックランドだけで構成されていました (州自体は 1986 年に設立されたばかりです)。したがって、人工的に造成されたすべての土地は、土地被覆/利用ラスターから削除され、個々のオランダの干拓地が完成する年までの何年もの間、内水 (CLC 512) に変えられます。人口も削除され、その年の人口と土地利用の再配分では考慮されないため、このモデリング手順は他のすべての手順よりも前に実行されます。

ヨーロッパ諸国内での人口の大幅な再分配は近代になって起こりました。ここでは、地方行政単位（LAU）レベルでの 1961 年から 2011 年の人口変化のデータセットからの経験的観察に基づいて、1870 年から 2020 年のサブ地域（つまり NUTS3 レベル以下）の人口変化をモデル化します。 Eurostat43 および国家統計機関 (https://www.stat.gov.mk/OblastOpsto_en.aspx?id=2、https:/ /www.stat.gov.rs/en-us/oblasti/stanovnistvo/、https://ec.europa.eu/eurostat/web/gisco/geodata/reference-data/administrative-units-statistical-units/communes) 。データの作成方法とその視覚化の詳細については、補足テキスト S1 に記載されています。約 109,000 LAU の人口傾向は次のことを示しています。

都市の最も中心部に位置し、人口が密集している部分である都市中心部の人口減少

都市中心部の周囲の郊外ゾーンの急速な成長

地方の人口減少

最初の 2 つの変化は主に、世帯当たりの人数の変化によって引き起こされます。都市の人口が停滞しているときでも、各住居に住む家族が少なければ、住宅需要が増加します。これらの追加の住居は、住宅の供給がほぼ固定されている都市中心部の外側に主に建設されなければなりませんでした。この傾向は 19 世紀初頭以来ヨーロッパの主要都市に存在し、都市中心部からの距離に応じて人口密度曲線が平坦化していることが示されています 44,45,46。同時に、農村部から都市部への移住により、農村部の人口が減少し、郊外の成長が加速しました。

ここでは、人口密度と過去の変化率の間の経験的な関係を使用して、各 NUTS3 地域内の人口の変化率をモデル化します。ここで、総人口は過去の統計によって定義されます。相関の不確実性を捉えるために、LAU データからの人口密度と人口増加を相関させるコピュラを使用します (図 3)。コピュラは、大まかに言うと、均一な (0,1) マージンを持つ単位超立方体上の結合分布です。コピュラには多くの種類があります 47 が、Genest et al.48 によって議論されたクラマー・フォン・ミーゼス統計に基づく「ブランケットテスト」を使用してさまざまなコピュラを比較することにより、この分析に最適なパラメトリックコピュラを選択しました。人口変化と高密度 LAU と低密度 LAU のパターンが大きく異なるため、2 つのコピュラを使用します。

人口密度が 1500 人/km2 未満の LAU からのデータを使用したガウスコピュラ。LAU データからの人口密度と人口増加を相関させます (スピアマンの r = 0.69)。

人口密度が 1,500 人/km2 を超える LAU からのデータを使用したフランクコピュラ。「凝集密度」と人口増加を相関させます (スピアマンの r = −0.36)。

国の成長に対する人口増加 (1961 ～ 2011 年) と、2 つの異なる形式 (a – 局所密度、b – 集積密度) での人口密度 (2011 年) の間の依存関係を示す経験的コピュラ。左側のコピュラ (a) は、1 km2 あたり 1500 人を超える人口密度と右側 (b) を超える人口密度に適用されます。マージンは標準正規分布に変換されています。

LAU あたりの「凝集密度」は、1 km の GEOSTAT 人口グリッドと半径 10 km で計算されたカーネル密度の平均です。したがって、高密度 LAU が属する凝集のサイズを示します。この「凝集密度」は、個々の LAU の人口密度よりも人口変化のより良い予測因子です。大きくて異種の LAU の使用を避けるために、少なくとも 10 LAU を持つ NUTS3 領域の LAU のみをコピュラの定量化に含めました。コピュラ選択の 1 km2 あたり 1500 人のしきい値が検証で最良の結果をもたらしました。偶然ではありますが、当然のことながら、これはユーロスタット 49 が高密度人口クラスターを定義し、LAU を都市として分類するために使用される閾値でもあります。

ここで適用される Eurostat データセットの LAU は完全にはカバーされておらず、NUTS3 ベクトルデータセットよりも幾何学的精度が低く、LAU のサイズは国によって大きく異なります。したがって、「仮想」LAU (以下、「VLAU」) のセットが構築されました。すべての VLAU は、Corine Land Cover 2012 の都市パッチとその最も近い近隣地域で構成されています (補足図 S5)。次に、100 m 解像度で細分化された人口を各 VLAU に割り当てて、人口密度を計算しました。モデルのタイムステップごとにコピュラが 10,000 回サンプリングされ、年間人口増加の推定値 (50 年間の増加率の幾何平均) が取得されます。 t 年および 2011 年の VLAU の人口は次のようになります。

ここで、A はコピュラモデルからの年間成長率 (%) です。非現実的な変化を避けるため、主に人口密度が非常に低い地域では、人口増加に上限が設けられています: -2.257%

小地域レベルで再分配された人口は、都市部と農村部に分けて空間的にさらに調整されます。すでに市街地での住宅の供給が一定であると仮定すると、都市部の人口変化とそれらの地域（つまり都市構造、または CLC クラス 111 および 112）の拡大は、都市世帯の総数の変化によって引き起こされます。 19世紀以降、ヨーロッパ全土で人口は増加したが、世帯当たりの平均人数は減少したため、住宅需要が大幅に増加した。都市の端への人口の移動（郊外化）は、同様の世帯数を含む都市の「中心部」の人口密度の減少を伴い、人口ストックが減少します。都市中心部からの距離の対数関数として人口分布が平坦化するこのプロセスは、クラーク 44 とその後の多くの研究 45,46 によって定量化されました。

過去の統計から都市部の総人口 U と世帯あたりの平均人数 H (世帯規模) を取得することで、各地域の t 年の都市部の総世帯数 Nt = Ht/Ut を計算できます。私たちは、これまで未開発だった地域での新しい住宅や関連インフラの建設を通じて、NT の増加がどのように都市構造を拡大させたかをシミュレーションします。まれに、近年では都市部の世帯が時間の経過とともに減少していることがあります。これはこれまでのところ、都市構造の面積の縮小ではなく、住居の空き家化につながっている。

モデリングは、特定のタイムステップ t に対して、ベースライン人口グリッドで定義された都市ファブリックグリッドセル P2011 ごとの人口を変更することによって機能します。これは VLAU ごとに個別かつ独立して行われ、ベースライン都市人口の合計は \({U}_{2011}=\sum {P}_{2011}\) となります。このモデリングステップの目的は、\(\sum {P}_{2011}\) が Ut と一致する新しい人口グリッドを生成することです。Ut は、タイムステップ t における VLAU の都市人口の合計となります。 Ut は、セクション S2.2 ですでに計算されている、特定の NUTS3 地域内のすべての VLAU の総人口と、過去の統計で定義されている NUTS3 地域の都市総人口に対する比例調整であるため、VLAU ごとに事前に定義されます。したがって、VLAU 内の予想される都市人口がわかっているため、人口グリッドを変更して、都市人口のサイズの歴史的変化と都市内の分布の変化を再現する必要があります。世帯人数の変化は、NUTS3 レベルの過去の統計から取得されます。手順は段階的に行われます。

VLAU 内のすべての都市ファブリックグリッドセルでは、世帯規模の変化を考慮して、t 年のグリッドセル人口 P が 2011 年のベースラインと比較して修正されます。

ここで、H は NUTS3 地域ごとに決定された平均世帯人数です。

地域内のすべてのグリッドセルは、都市中心部からの距離によってランク付けされます (本文で詳しく説明します)。最高ランクのセルが都市中心部に最も近いことになります。

余剰人口 St は次のように計算されます。

ここで \({U}_{t}=\sum {P}_{t}\) は VLAU 内の都市人口の合計です。 St = 0 の場合、モデリングはここで終了しますが、実際にはそうでないことはほとんどありません。 St は通常、正または負で、人口グリッドを歴史的レベル Ht の世帯規模に調整した後、歴史的総人口 Ut と一致させるためにグリッドから削除または追加する必要がある人の数を示します。ベースラインがモデル化されるのが 1 年前か後かに応じて、表 7 に示すように、St と t の 4 つの組み合わせが識別できます。

2 つのケース A と B、つまり St > 0、t < 2011 と St < 0、t > 2011 では、世帯数、したがって都市部の範囲が時間の経過とともに拡大しました。 2011 年より前のタイムステップの場合、これは、ベースラインの土地被覆/使用ラスターデータセットから都市ファブリックの一部を削除する必要があることを意味します (ケース A)。2011 年以降のタイムステップの場合、さらに都市ファブリックを追加する必要があります (ケース B)。グリッドセル人口 P の変化は都市中心部からの距離に依存します。ここで使用される都市中心部からの距離は、都市ネットワークに存在する複数レベルの階層を把握するために、人口中心部のさまざまな尺度の加重平均 (「結合距離」) です。 5 つの異なるデータセットがテストされ、補足テキスト S2 (Paprotny et al.32 と同じ) で説明されている校正プロセスに基づいて、それらのデータセットのうち 4 つが都市中心部からの合計距離に対して選択されました。データセットとその重みは次のとおりです。

国連の 2018 年世界都市化見通し改訂版 (https://population.un.org/wup/) に基づく大規模集積の任意の中心地 (2018 年で人口 30 万人以上) および首都 (重み 1.0)

高密度人口クラスターの重心 44、重み 1.5

Urban Atlas 201844 に含まれる都市の重心 (重み 2.0)

重み 0.5 の、Corine Land Cover 2012 都市パッチの重心。

結合された距離は、各グリッドセルごとに計算されます。その後、場合に応じてモデリングが続行されます。

ケース A: 都市グリッドセルは、基準年 2011 から遡って最下位 (i = 1) から繰り返し削除され、その人口は比率 D で減少します。

比率 D は、都市中心部からの距離 d の対数 (ヘクトメートル単位) に基づいています。

各反復で、再分配される人口の量だけ余剰が減ります。

計算は St,i = 0 になるまで続行されます。ただし、いずれかの反復で、グリッドセル内の人口が残りの余剰よりも多い場合、つまり次の場合です。

同じランクのセルがさらにある場合、母集団は利用可能な量だけ減らされ、グリッドセルの母集団に比例して分割されます。

ケース B: ステップ 10 で説明した土地利用移行モデルを使用して、都市の拡大が発生した可能性が最も高いセルが、移行の可能性が最も高いセルから特定されます。追加の人口を割り当てるために必要なセルよりも多くのセルに都市構造への移行の同じ可能性が与えられた場合、そのグループ内のセルは都市中心部からの距離に従ってランク付けされました。最高ランクのセルの母集団、つまり反復 i = 1 は、VLAU のグリッドセルごとの最大母集団に設定され、式 (1) から比率 D だけ減らされます。 12:

各反復で、余剰は再分配される人口の量だけ増加します。

計算は St,i = 0 になるまで続きます。ただし、反復のいずれかで、再分配される人口が利用可能な余剰よりも多い場合、つまり次のような場合です。

剰余は、この反復までに変更されたすべてのセル (n で示される) に均等に分配されます。

VLAU 内に利用可能な空のグリッドセルがない場合、すべての都市グリッドセルの人口は式 1 と同じ方法で比例して増加します。 19.

ケース C と D: これらのケースでは、一部の住居が空き家になったため、時間の経過とともに世帯数が減少しました。都市構造は非常に極端な場合を除いて除去されないため、都市エリアは変化しませんでした。 2011 年以前は、すべての都市グリッドセルの人口がグリッドに追加されましたが (ケース C)、2011 年以降は削除されました (ケース D)。人口は、2011 年の特定のグリッドセルの人口に比例して増加/減少しました (式 19 と同様)。

都市部における人口の再分布のモデル化は、都市構造の面積の変化と絡み合っています。ケース A と B では、都市構造が変化しないケース C と D とは対照的に、都市部の世帯数の増加により都市エリアが変化します。都市ファブリックは高い人口密度と密接に関連しているため、都市ファブリックグリッドセルは、人口密度の変化が十分に大きい場合にのみ、ベースラインデータセットから削除されるか (ケース A)、ベースラインデータセットに追加されます (ケース B)。したがって、グリッドセル内の人口が 9 人未満に減少した場合にのみ、基準年 2011 年より前のタイムステップで都市構造が削除されます。 2011 年以降のタイムステップでは、人口が 100 m グリッドセルあたり 81 人を超えて増加した場合にのみ、都市ファブリッククラスへの移行が生じました。どちらの閾値も、CLC インベントリ (2000 ～ 2018 年) で観察された変化の大きさに一致するようにモデルを校正することによって取得されました。 CLCのデータによると、2000年から2012年の間に都市構造は約188万ヘクタール拡大したが、2012年から2018年の間には9万8676ヘクタールしか拡大しなかった。キャリブレーションを通じて人口のしきい値を設定することにより、モデルは都市人口の変化が土地利用タイプに及ぼす影響を正確に表します。結果が示すように、この校正は 1900 年まで遡って有効に適用できました。

空港と貯水池は、この研究の期間内に初めて登場したインフラストラクチャの大きな要素です。これらの建設期間は通常よく知られており、その数は比較的少ないため、建設年に基づいてベースラインラスターデータセットから削除または追加されます。 CLC データセット (CLC クラス 124 および 512) とそれらのオブジェクトのグローバルデータベース (https://www.globaldamwatch.org/grand および https:/) を組み合わせることにより、調査地域内の 1598 の空港と 1121 の大規模貯水池 (図 4) を特定しました。 /ourairports.com/data/)、その歴史に関する Web ベースの調査によって補足されています。 HANZE v1.0 にはそのようなデータも含まれていましたが、新しい国の追加、改訂された CLC データセットの使用、および世界の空港と貯水池のデータベースの更新のため、空港と貯水池のデータを最初から再編集しました。ベースラインデータセットから空港や貯水池を削除すると、結果として生じる空いたスペースを他の土地利用タイプで埋めることができます。 2011 年以降にそのようなオブジェクトを追加すると、2011 年にそこに存在していた人口はすべて削除されます。

1870 年から 2020 年までに調査地域内に建設された (a) 空港と (b) 貯水池の数 (示された年で終わる 5 年間)。

農村部の人口は、その地域で予想される人口と等しくなるように、グリッドセルのベースライン人口をその値に比例して調整することにより、VLAU ごとに個別に再計算されます。ベースラインより何年も前から、都市構造が除去されたエリアは、この計算の目的では依然として都市とみなされます。ベースラインから何年もの間、都市構造に移行した地域の農村人口は農村とみなされなくなり、そのため調整は VLAU 内の残りの農村セルに対してのみ行われます。

母集団は常に整数として記録されるため、グリッドセル内の母集団を調整して四捨五入すると、不一致が生じる可能性があります。したがって、グリッドセル内の調整された母集団は、最初に「floor」関数を使用して四捨五入され、次に、四捨五入されていない値を 1 で割った余りが最も大きいグリッドセルが、「ceiling」関数を使用して四捨五入されます。最大の剰余の数は、VLAU 内の予想される母集団と、「フロア」関数を使用して調整および四捨五入されたセルの総母集団との差によって決定されます。

大規模な工業/商業施設 (CLC クラス 121) がカバーする面積は、NUTS3 地域で産業とサービスによって生み出される GDP に比例して変化すると仮定されました。時間を遡ると、工業用地利用パッチの中心から最も遠くに位置する工業用グリッドセルが最初に削除されます。ベースライン年以降のタイムステップの場合、重心に最も近い産業グリッドセルが最初に追加されます。工業用地利用は、建設現場 (133)、農地 (211 ～ 244)、特定の自然地域 (311 ～ 324 および 333) など、一部の CLC クラスの無人区画にのみ拡大することが許可されています。しかし、資本と労働の生産性は向上する傾向にあるため、産業とサービスによる GDP の成長は設備の拡張によって部分的にしか推進されません。実際、調査対象地域では、CLC 121 クラスは 2000 年から 2018 年の間に (CLC 2012 および CLC-Changes に基づく) 16% 成長しましたが、産業とサービスによる GDP は 32% 増加しました。したがって、産業/サービスによる GDP の変化は 0.45 の弾性率でスケールされ、調査地域における 2000 年から 2018 年までのモデル化された変化は、CLC インベントリで観察されたものと同じ大きさになります。地域 r および年 t の工業地域 A は次のとおりです。

ここで、ε は弾力性、Gr は NUTS3 レベルの過去の統計に基づく産業/サービスからの地域 GDP です。

2000 年以前の道路と鉄道 (CLC クラス 122) でカバーされる面積は、高速道路と鉄道の長さに比例して変化すると想定されていました。このタイプのインフラの長さに関する履歴データは、入力データベースに含まれていました。インフラストラクチャは最初に大規模な都市および工業地帯に建設されたため、地域ごとの合計面積がデータベースの値と一致するまで、時間を遡ると都市中心部から最も離れたインフラストラクチャグリッドセル (CLC クラス 122) が最初に削除されます。逆に、都市中心部に最も近いグリッドセルは、基準年以降のタイムステップのインフラストラクチャで埋められます。インフラストラクチャーは特定の CLC クラス、つまり建設現場 (133)、農業 (211 ～ 244)、および特定の自然環境 (311 ～ 324 および 333) にのみ普及することが許可されています。ただし、建設現場は他の CLC クラスよりも優先されました。他の CLC クラスを考慮するには、すべての「構築」グリッドセルを使い切る必要があります。その理由は、前のステップですでに考慮された都市構造や工業用地とは別に、道路や鉄道用地が建設活動の結果として最も頻繁に発生するためです。私たちは、その後の CLC インベントリ (2000 年から 2018 年) における土地利用の推移でこのパターンを発見しました。(前のステップで考慮された) 他のクラスの都市構造または工業用地に移行した CLC インベントリ内の建設現場の面積のほぼ半分が移行しました。次の 6 年間のインベントリの時点までにインフラストラクチャに移行します。

建設現場 (CLC クラス 131) は、定義上、通常は数年間のみの一時的な土地利用です。 CLC インベントリでは、CLC データセット間の 6 年間 (2000 ～ 2006 年、2006 ～ 2012 年、2012 ～ 2018 年) に、建設現場の 76 ～ 81% が別の土地利用に移行していることが示されています。したがって、2005 年から 2011 年まではその面積が一定であると仮定され、1870 年から 2004 年まではすべての建設現場がデータセットから削除されました。 2011 年以降、都市構造、工業用地、道路、鉄道、空港への移行が許可されましたが (CLC 111 ～ 122 および 124)、それ以外は変更されませんでした。

緑豊かな都市エリア、スポーツおよびレジャー施設 (CLC クラス 141 および 142) は、他の人工表面と密接に関連しています。 CLC 2012 の目録では、これらの CLC パッチのほぼ 3 分の 2 が、都市構造、工業用地、道路/鉄道用地、空港のいずれかに隣接しています。したがって、ベースラインデータセットで CLC クラス 111 ～ 122 および 124 に隣接する CLC クラス 141 および 142 のパッチは、特定のタイムステップで、以前のモデリングの適用により CLC クラス 111 ～ 122 および 124 に隣接しなくなった場合には削除されます。ステップ。港湾、鉱物採掘、および廃棄場（CLC クラス 123、131、および 132）は、空港や貯水池と同様にインフラストラクチャの大きな要素ですが、その数が多すぎて（約 15,000 個）、その歴史を追跡することが困難であるため、空港と同じアプローチを適用できません。。したがって、それらはすべてのタイムステップで一定に保たれ、干拓地 (ステップ 1) または貯水池 (ステップ 4) の建設に関連する場合を除いて、他の土地利用クラスと相互作用しませんでした。

農地の変化をモデル化する一般的な概念は、HYDE50 データセットから取得されました。つまり、地域の農業適性によって、この土地利用クラスがどこで拡大するか (利用可能な土地のうち最も適した土地が最初に)、縮小するか (最も不適な土地が最初に使用されなくなる) が決まります。基準年以降の農業地域の進化と都市構造の増加は、確率論とグラフ理論を組み合わせたベイジアンネットワーク（BN）を利用したモデルを使用して計算され、共同分布を構築および運用しました。 BN は、5 ヘクタールを超える土地パッチを含む 120 万件の移行を記録する CLC-Changes データセットと、2000 年から 2018 年の間に移行しなかった土地利用タイプを特定する CLC 2012 を使用してトレーニングされています。 CLC-Changes と CLC 2012インベントリをサンプリングして、2000 年から 2018 年の間に 513,915 件の移行ケースと安定した同数の土地利用パッチを取得しました。場所ごとに、さまざまなラスターデータセットからの情報が、土地利用の変化の予測因子として抽出されました。EU からの標高と傾斜です。 DEM51 データセット (https://ec.europa.eu/eurostat/web/gisco/geodata/reference-data/elevation/eu-dem/eu-dem-laea、Global Agro-Ecological Zoning (GAEZ) バージョン 4 の農業適合性)データベース (https://gaez-data-portal-hqfao.hub.arcgis.com/) とステップ 2 および 3 の人口データセット。サンプリング手順とテストされたすべての予測子のリストは、補足テキスト S3 で説明されています。

土地利用情報はカテゴリー的なものであるため、個別の BN が使用されました。土地利用クラスは 5 つの区分 (都市構造、その他の人工、農地、牧草地、自然) に収集されました。自然の土地を含むビンには、人工または農地のいずれの土地利用とも相互作用することが許可されていない、利用不可能な土地被覆タイプ (CLC 331 ～ 332、334 ～ 335、421 ～ 523) が除外されます。 BN モデルは、単純な 3 ノードネットワークから始めて反復的に構築されました。ここでは、「古い」土地利用クラスが「新しい」土地利用クラスの親であり、単一の予測子変数が両方の土地利用クラスの親です。ノードを使用します。より多くの予測子を持つより複雑な BN は、トレーニングに使用されなかった遷移と非遷移のサンプルの分離サブセットに対してそれぞれ検証されました (サンプリング手順については補足テキスト S3 を、最終検証結果については「技術検証」を参照)。繰り返して、最良の予測子、予測子の数、およびビン (連続変数が離散化される) の数が選択されました。 3 つの予測変数が選択されました。これらはすべて 2 つの土地利用ノードの親です (図 5)。

VLAU あたりの人口密度 - 9 ビン。

小麦の適性指数：天水条件および高投入レベルにおける小麦の産出密度（潜在生産量をグリッドセルの総面積で割った値） – 5 ビン。

草の適合性指数: 利用可能な含水量 200 mm/m (灌漑条件下) および高投入レベルの草の農業気候潜在収量 – 10 ビン。

5 つのノードと 7 つのアークを備えた土地利用遷移用のベイジアンネットワーク。ノードは、離散分布のビンの数とビンの間隔を示します。

2 つの農業適性指数は GAEZ データベースからのもので、1971 ～ 2000 年の気候に基づいています。 BN は条件付き確率テーブル (CPT) で定量化されるため、この構成では CPT に 11,250 個のセルが含まれます。したがって、CPT のセルを定量化するデータポイントが少なすぎることを避けるために、これ以上変数は追加されませんでした。

図6にベイジアンネットワークの応用例を示します。この場合、現在の土地利用 (農地) がわかっており、以前のタイムステップでは NUTS3 地域の農地の総面積が現在よりも低かったことがわかります。したがって、地域内にあるグリッドセル全体で土地利用が農地とは異なっていた確率を知りたいと考えています。図 6a は、人口密度が比較的高く、農業に適しているため、以前は農地であった可能性が最も高い地域を示しています。図 6b のエリアは適合性が低く、このエリアが農地以外の目的に使用された可能性がはるかに高いことを示しています。したがって、耕作地の総面積を過去の統計データと一致させるために、ラスターデータセットから農地のどのグリッドセルを削除するかを選択するとき、図 6b の面積は図 6a の面積よりも上位にランクされます。

土地利用の移行のための条件付きベイジアンネットワークの例。パネル (a) は農地に非常に適した地域、(b) は不適当な地域を示しています。グラフは、以前の土地利用タイプの事前確率 (図 5 の状況) と事後確率 (灰色のノードは示された値で条件付けされている) を示しています ((a) では 60.8%、(b) では農地であるため 43.4%)。

トレーニングされた BN は、次の 9 つのケースでの土地利用遷移の確率を生成するために使用されます。

基準年以降、非都市部から都市部へ。

基準年の後に非農耕地から農耕地へ。

基準年後に非放牧地から放牧地へ。

基準年の後に農耕地から非農耕地へ。

基準年後に放牧地から非放牧地に移行する。

基準年より前に非農耕地から農耕地へ。

基準年より前に非放牧地から放牧地へ。

基準年より前に農耕地から非農耕地へ。

基準年より前に牧草地から非牧草地に移行した。

セクション 2.4.3 で述べたように、BN は 2011 年以降の非都市から都市への移行のケースを扱います。人口の住宅ニーズが都市の拡大をもたらした場合、非都市から都市への移行の可能性が最も高い地域が選ばれます。 -使用は最初にビルドアップです。 BN は、農業に関連する残りの 8 つのケースでも同様に使用されます。つまり、特定のタイムステップで土地被覆/使用ラスターデータセット内の農地と牧草地の総面積が増えるように、どの農業地域を追加または削除するかを決定します。 NUTS3 領域ごとの過去の統計から得られた値と一致します。これは、特定のクラス間（たとえば、非牧草地から牧草地へ）の移行の可能性が最も高い土地のパッチから開始して反復的に行われます。最初に農地の再分配がモデル化され、次に牧草地が 2 番目のステップで再分配されます。最初のステップの後でも耕作地が占有している土地は牧草地に移行できません。ただし、第 1 段階で農地の再分配によって空になった土地は、第 2 段階で牧草地に移行する可能性があります。

2011 年より前のタイムステップについては、過去に遡って移行をモデル化する必要があります。過去に占有されていた土地が少ない場合に備えて、都市構造や道路/鉄道用地を部分的に削除し、農地が占有できる空きスペースを作成します。時間の経過とともに、それは農耕地から非農耕地への移行です。どのセルを農地で埋めるかを決定するために使用される遷移確率は、非農地セルが以前は農地であった確率です。牧草地にも同様のことが当てはまりますが、すでに農地に割り当てられている区画を占有することはできないという条件があります。モデルのこの段階でまだ残っている人工表面を農地利用に移行することは許可されていません。

反復的な土地利用再配分プロセスでは、遷移確率が等しいグリッドセルの数が、過去の統計の合計面積と一致させるために変換する必要があるセルの数を超える可能性があります。これは、予測変数 (GAEZ データセットと VLAU による人口密度) の解像度が比較的粗く、データが分割されるビンの数が少ないためによく発生します。等しい確率で土地のパッチから正確な 100 m グリッドセルを導き出すために、農業適性の別の予測因子が追加されました。地形の傾斜は重要な予測因子であり、FAO の 2 つの農業適合性指数でも使用されます。 EU-DEM 標高データセットからの連続量としてターゲット (100 m) 解像度で利用できます。傾きが低いほど農業活動への適合性が高いことを示すため、遷移確率が等しい 100 m セルは、傾きに従って最低から最高までランク付けされます。農地または牧草地の総面積が過去の統計の総面積と正確に一致するように、最高ランクのセルの適切な数が追加または削除されます。

自然地域に含まれる人口と固定資産は 1% 未満であるため、これらのクラスに対しては限定的なモデリングが行われます。植生が焼け落ちた地域 (通常は森林) は、定義上、一時的な土地利用となります。焼けた地域は非常に短命です。2012 年のこのクラス (CLC 334) の土地被覆パッチは、2006 年または 2018 年の CLC 目録にほとんど存在しませんでした。 2007 年から 2017 年までは焼失面積が一定であると仮定されましたが、1870 年から 2006 年および 2018 年から 2020 年まではすべての焼失面積がデータセットから削除されました。ほぼすべての焼失地域は以前またはその後 CLC クラス 311 ～ 324 であるため、このモデリング手順は農業地域を再分配した後に行われます。それでも、まれな場合を除いて、焼けた地域では暴露はなく、以前の土地利用でも暴露はほとんどありません。

自然地域は、人工地域、農業地域、焼失地域、貯水池や特殊なケースをモデル化した後に残るものです。人間の活動がなければ、自然地域は大陸全体を覆うことになります。したがって、モデル化の結果、土地が空いてしまった場合、その土地には、最も近い近隣で典型的なのと同じ自然の土地被覆が割り当てられます。典型的な自然の植生土地被覆 (クラス CLC 311 ～ 324 および 411 ～ 422) は、VLAU 内で最も頻繁に発生するものとして定義されます。計算は森林 (CLC 311 ～ 313) とその他の自然土地 (CLC 321 ～ 324 および 411 ～ 422) に対して別々に行われ、2 つのグループのうち頻度の高い方が使用されます。 VLAU に自然被覆がない場合は、該当する NUTS3 地域の主要な植生土地被覆が使用されます。 NUTS3 地域に植生土地被覆が存在しない場合、その空き地は研究地域で最も一般的な非森林自然土地であるため、遷移森林低木 (CLC 324) で覆われていると仮定されました。

最初の割り当ての後、森林の総面積が NUTS3 データベース内の履歴データと比較されます。特定の NUTS3 地域に森林面積が多すぎる場合、このステップで森林に割り当てられた土地は、最も人口密度の高い VLAU から始めて、最も頻繁に使用される非森林クラスに繰り返し変換されます。逆に、十分な森林土地がない場合、このステップで非森林植生に割り当てられたセルは、人口密度が最も低い VLAU から始めて、最も頻度の高い森林クラスに繰り返し変換されます。

植生がなく、通常は建設や農業が禁止されているその他すべての自然土地、すなわち、ビーチ、砂丘、砂浜 (CLC 331)、裸岩 (CLC 332)、氷河と万年雪 (CLC 335)、干潟 (CLC 423)、および水 (CLC 511 ～ 523) は全体を通して一定に保たれました。これらのタイプの土地被覆のパッチは、貯水池 (ステップ 4) または干拓地の建設 (ステップ 1) に関連してのみデータセットから削除されます。

土壌シーリングの変化は完全に土地利用の移行に基づいているため、このステップは土地利用モデリングの後、経済データの細分化の前に実行されます。ベースラインラスターデータセットの土壌シールは、すでにその値を超えていない限り、非人工土地が人工土地に移行するときに、特定の CLC クラスの平均値 (表 8) まで増加します。 2011 年より前のタイムステップの時間を遡って計算すると、現在人工の土地が農地に変更される場合はどこでも、土壌の密閉度は 1% に減少します。農地や人工地を自然地に変更した場合も同様に0％となります。

経済データの細分化は、HANZE v1.0 を含む European52 または global53 の研究で適用されているのと同様の測距マッピング手法に従います。後者にはいくつかの改訂が導入されました (表 9)。地域の GDP は、部分的には人口に比例し、部分的には土地利用（必要に応じて土壌封鎖）に応じて分割されます。このようにして、GDP に投入される労働力 (総人口の一部) と資本 (土地利用に関連する) の両方が表されます。先進国の GDP に占める労働分配率は約 60% であり、長期にわたって比較的安定しています54。したがって、GDP の 60% は人口に基づいて分類され、残りの 40% は土地利用に基づいて分類されます。地域ごとの固定資産の絶対額は、地域の GDP またはそのセクターに、変数「固定資産」で定義される各セクターの資産対 GDP 比率を乗じることによって計算されます (表 6)。住宅と耐久消費財は人口分布と最も密接な関係があるため、総人口に応じて配分されます。経済活動に関連するその他の資産は、土壌密閉の程度に比例して、適切な土地利用クラスに分配されます。最後に、インフラストラクチャーは、道路や街路でカバーされる面積に比例して都市および工業用地 (CLC クラス 111 ～ 121) に配分され、土壌の程度に比例して道路/鉄道、港湾、空港 (CLC クラス 122 ～ 124) に配分されます。封印。

2 つのセクターの GDP と富の分解に関する追加の仮定もあります。農業部門には農業、漁業、林業が含まれ、工業部門には鉱業、製造、公益事業が含まれます。これらのサブセクターの詳細な内訳は、少数の国を除いて、GDP については地域レベルで入手できず、固定資産についてはまったく入手できません。したがって、地域のGDPと林業と鉱業による富は、国家レベルでの「効率指数」を計算することによって推定されました。林業指数は、CLC から農地 1 ヘクタール当たりの全国レベルの農業 (林業を除く) の GDP と森林 1 ヘクタール当たりの林業の GDP を計算して作成されました。これらの値は、すべての国について 2000 年に関して計算され、他の農業と比較した森林経済の効率 (%) として表示されます。この比率は、その年のモデル化された土地被覆/利用に基づいて、特定の年の地域 GDP における林業の相対的な割合を計算するために使用されました。

ここで、G は GDP、A は特定の部門の土地被覆/使用によってカバーされる面積、Ec は国の効率指数です。森林部門は f、農業部門 (林業を除く) は a、NUTS3 地域は r、タイムステップは t で表されます。したがって、林業を除いた農業 GDP は次のようになります。

農業の富と GDP の比率は、林業とその他の農業の両方に使用されます。採掘と採石業は、森林指数と同様に計算される採掘効率指数を使用して、残りの産業活動 (製造業と公益事業) から分割されます。同様に、各 NUTS3 地域およびタイムステップにおける工業地域 (CLC 121) に対する鉱業地域 (CLC 131) の割合を使用して、2 つのセクターを細分化します。式 21 と 22 は、さまざまなセクターと土地利用タイプを置き換えて適用できます。産業の富と GDP の比率は、鉱業とその他の産業の両方に使用されます。

Zenodo55 で利用可能なデータセットは 3 つのコンポーネントで構成されています (表 10)。 1 つ目は、42 か国の領域全体をカバーする一連の GeoTIFF ラスターです。各ラスターの解像度は 100 m で、ヨーロッパの標準空間参照 ETRS89/LAEA (EPSG:3035) を備えています。合計 195 のラスターデータセットがあり、5 つの変数 (土地被覆/利用、人口、GDP、固定資産、土壌密閉) と 39 のタイムステップ (10 年ごとの 1870 ～ 1950 年、5 年ごとの 1950 ～ 2000 年、年次 2000 ～ 2020年）。経済変数は、2020 年の一定の価格水準と他の通貨からの為替レートを使用してユーロ (EUR) で評価されます。土地被覆/利用グリッドをより迅速に視覚化するために、ArcGIS および QGIS の凡例ファイルもリポジトリに含まれています。

2 番目の部分は、過去の洪水被害の不確実性の推定です。これは、過去の人口分布と土地利用の推移の再構築の不確実性に基づいて確率的出力を計算するモデルの機能を使用して作成されました (モデリングステップ 2 および 10)。ただし、個々のグリッドセルの不確実性の分布は独立しているのではなく、高度に相関しているため、「最良推定」ラスターデータセットと同じ形式で不確実性の範囲を提示することはできませんでした。したがって、モデルをサンプリングし、定義された危険ゾーンの各反復を集計することによって計算する必要があります。リポジトリ内の不確実性の推定値は、沿岸ハザードについては Paprotny et al.56、河川ハザードについては Alfieri et al.57 から引用した、100 年確率事象の洪水ハザードマップを使用して作成されました。 39 のタイムステップすべての人口、GDP、固定資産価値の 5、20、50、80、95 パーセンタイルは、NUTS 3 地域、変数、ハザードの種類ごとに個別のファイルに含まれています。

このデータセットの生成に使用された HANZE v2.0 モデルの入力データは、補足表 S3 ～ S6 にリストされています。研究者にとって特に興味深いのは、歴史的な土地利用、人口、GDP、固定資産、その他の人口統計および経済変数の入力データベースです。統計はほとんどが NUTS 3 レベル (一部の変数は国レベル) であり、今回と前回 (HANZE v1.0) の研究 32 で約 400 の個別のデータソースを調和させることによって編集されているため、出力データの 3 番目の部分としても含まれています。 (表11、12)。

高解像度の曝露データを検証することは、比較可能な観測データセットの利用が限られているため、大きな課題です29。ここでは、利用可能な人口および土地利用データを検証に利用し、その結果を他の公開されているモデル化データセットとさらに比較します。観察データが完全に不足しているため、経済データの細分化を検証することは現在不可能です。

機密保持上の理由もあり、非常に高解像度の母集団参照データが一般的に不足しています29。 GEOSTAT 1 km グリッド (人口の細分化のための入力) は、「機密扱い」により、一部のグリッドセルですでに人為的に歪められています。観測用製品としては最高の解像度が得られます。したがって、土地利用と土壌密閉データを集約するのではなく、予測変数として住宅建物の床面積を使用して、人口 1 km から 100 m までの別の細分化を作成しました。私たちは、Paprotny と Terefenko によって以前に適用された、ポーランドの海面上昇の脅威にさらされている自治体の高解像度の建物ベクターデータ (https://www.geoportal.gov.pl/dane/baza-danych-obiektow-topograficznych-bdot) を使用します58。彼らが使用したデータは 2012/13 年の時点で正確であり、これは当社の基準年に近いものです。完全に検証エリア内にある各 1 km グリッドセル内で、高解像度人口グリッドの 100 m グリッドセルあたり、住宅の建物の面積に階数を掛けて、住宅の床面積を m² 単位で計算しました。人口は 100 m の各セルの床面積に比例して分布しました。計算では、普段住所を登録していない集団生活施設や別荘、廃墟などは除外した。

私たちのモデル化された結果を、別の分解法および以前に公開された GEOSTAT の GHS59 と呼ばれる 100 m 分解法と比較します。これらのグリッドは、海岸 56 と河川 57 に関する全ヨーロッパの洪水ハザードマップと交差しました。偽陽性率が示すように、HANZE グリッドと GHS グリッドの両方が人口の空間分布を平滑化しすぎていることがわかりました (表 13)。 HANZE の人口セルのほぼ 40% には、ベンチマークデータセットに人口が示されていませんが、それらのケースの半分では、示されている人口は 1 人か 2 人だけです。偽陽性率は HANZE よりも GHS の方が高く、40% 以上です。逆に、HANZE が誤って母集団がないことを示すことはほとんどありません。HANZE に母集団が存在しないセルのうち、ベンチマークデータセットに母集団が存在するのは 3.5% だけです。これは、GHS の 4.7% (表 13 の偽陰性率) よりも低いです。ポーランドの沿岸地域の自治体の河川および沿岸の洪水地帯内での曝露（少なくとも 30 人が曝露）は、HANZE での誤差の中央値が 10% 以上で、ほとんどが適切に表現されていました。沿岸洪水への曝露はGHSの方が適切にモデル化されていたが、河川洪水危険区域に関してはHANZEがGHSよりも優れた結果を達成した。データセットの最終チェックは、100 m グリッドセルごとに人口を 2 倍の間隔でビニングすることによって実行されました: [0,1]、[1,2]、[2,4]、[4,8] 、[8,16] など。HANZE のセルあたりの人口は、ケースの 53% で検証データセットの +/- 1 区間内にあることがわかりました。これは、GHS データセットで計算された 44% よりも優れています。

モデル化された人口変化の検証が可能な最も詳細なレベルは、自治体レベルです。この目的のために、2 つの参照データセットを取得しました。まず、モデルを定量化するために使用される地方行政単位ごとの人口データを含む汎ヨーロッパデータセット (1960 ～ 2010 年) を使用します (補足テキスト S1 を参照)。次に、オーストリア統計局 (https://www.statistik.at/datenbanken/statcube-statistische-datenbank) によって現在の自治体に再計算されたオーストリアに基づく歴史的国勢調査データのより長いタイムスパンのデータセットを構築し、ベクトルと組み合わせました。境界のデータセット (https://www.data.gv.at/katalog/dataset/verwaltungsgrenzen-vgd-stichtagsdaten-grundstucksgenau)。結果として得られる参照人口データセットは、この研究の全期間（1870年から2020年）と2117単位（すべての自治体とウィーンの地区）をカバーしています（補足図S9）。さらに比較するために、自治体までの 5 分の解像度から再計算された HYDE 3.2 データセット 25 を使用します。 HANZE と HYDE は両方とも、空間と時間の両方で細分化された地方の人口データを利用しており、最も近い比較可能な暴露製品となっています。

地方行政単位 (LAU) レベルでの人口変化の精度は、特定の年の観測人口に対する LAU あたりのモデル化人口と観測人口の平均絶対差を使用して分析されました。図 7a が示すように、基準年から時間が経過するにつれて誤差は増加し、1960 年までに平均約 20% (両方の検証地域)、1870 年までに平均 40% (オーストリア) に達します。しかし、LAU の大部分は小さな農村コミュニティであり、1960 年にはヨーロッパの LAU の半分以上が人口 1000 人未満であり、1870 年にはオーストリアで 3 分の 1 があった（補足表 S7）。ヨーロッパとオーストリアの両方の LAU は、それぞれ 1960 年と 1870 年以来、人口を 2 倍以上変化させました。したがって、絶対誤差はほとんど小さいです (ヨーロッパの LAU の半数では 200 人未満)。より大きな LAU では、相対誤差は小さくなりますが、1870 年のオーストリアでは、特にウィーン地区の誤差が最大の LAU グループを占めていました。この誤差は国によって異なり（図 7b）、LAU のサイズ（フランスまたは英国では比較的小さく、ポーランドとギリシャでは大きい）または NUTS3 地域ごとの LAU 数（フランスでは平均 381、フランスでは平均 381）に部分的に関係しています。ただしドイツでは 28 のみ）。 LAU が大きい国や NUTS3 地域が小さい国では、それほど重大なエラーは発生しません。一般に、HANZE は HYDE よりも低い誤差を示しますが、たとえば 1980 年以降のオーストリアなどの小さな例外はありますが、この期間の人口の変化は過去数十年に比べてかなり小さかったです。すべての主要国の中で、フランスとベルギーでは、1960 年の人口推計において HYDE よりも HANZE の方が高い誤差が示されていますが、小国の中でこれが発生するのはルクセンブルクとスロベニアだけです。

HYDE データセットと比較した人口変化推定の精度。誤差メトリクス (%) は、特定の年 (a) および 1960 年の国全体で観察された人口 (b) と比較した、LAU ごとのモデル化された人口と観察された人口の平均絶対差を示します。

土地被覆/利用変化の検証は、2000 年から 2018 年までの CLC および CLC-Changes のサンプルに基づいています。ステップ 10 で土地利用移行モデルを定量化するためにこのサンプルを使用しますが、検証のために重複しない追加のモデルを描画しました。遷移 (CLC 変更) と非遷移 (異なる CLC インベントリ内の同じクラス) のランダムサンプル。遷移および非遷移ごとに合計 97,790 個のサンプルが使用されました (サンプリング手順の詳細については、補足テキスト S3 を参照)。移行した土地の正味の量は過去の統計からわかっているため、ベイジアンネットワークモデルに従って移行の可能性が最も高い定義された数のセルが選択されます。したがって、検証メトリクスは、モデルによって正しく識別された、定義された土地利用クラス間で移行したことがわかっている量までの、上位にランクされたセルのパーセントとすることができます。異なる土地利用クラスのセルの数は異なるため、成功率をランダムな結果、つまり移行中の土地利用セルをランダムに選択する成功率と対比する必要があります。結果を表 14 に示します。土地利用の移行について考慮したすべてのケースにおいて、検証データセット内の移行セルを正しく特定するモデルの成功率は、セルがランダムに選択された場合よりもはるかに高くなります。

HANZE における全体的な土地被覆/利用モデリングの結果は、HILDA22、23、24 と比較されます。解像度は 1 km で、1900 年から 2010 年までの 29 の国と地域の領域にわたる 6 つのクラス (CLC 分類から集約) の土地被覆/利用の変化が含まれています。 HILDA は主に、HANZE や HYDE と同様に、集計された履歴統計と確率マップに基づいて土地利用を再割り当てするモデルです。ただし、可能であれば、デジタル化された歴史的地図も統合します。一方、HILDA は主に農地とその自然植生との相互作用に焦点を当てていますが、これらの土地被覆カテゴリーに関連する露出が比較的低いため、この研究ではあまり関心がありません。

HILDA は HANZE との重要な類似点をいくつか示しています。人工表面の面積は、HANZE が 2000 年から 2018 年までしか校正されていないにもかかわらず、1900 年から 1990 年までの 2 つのデータセットで非常に類似した傾向を示しています (図 8a)。これは、基礎となるプロセスが時間の経過とともに大きく変化しないこと、およびモデルがキャリブレーション期間以前の時間にも適用できることを示しています。 HILDA は HANZE とは対照的に、1990 年以降人工表面積の増加がほとんどないことを示しています。ただし、CLC およびその他のデータセットは力強い成長を示しています。たとえば、23 か国の LUCAS 土地利用調査データ (https://ec.europa.eu/eurostat/statistics-explained/index.php?title=LUCAS_-_Land_use_and_land_cover_survey) によると、人工地表の拡大は 23 か国のみで 11% でした。 9年間（2009年から2018年）。 1950 年以降、ほぼ同様のデータソースが使用されたため、農地の変化は両方のデータセットで類似しています (図 8b)。その日以前は、HANZE はさまざまな国家統計データを使用していましたが、HILDA は 1950 年から 1900 年まで遡って歴史的な統計または地図を補間しました。牧草地と森林。 HILDA は、牧草地で覆われた面積が大幅に減少し、そのほとんどが森林に置き換わっていることを示しています。対照的に、HANZE について収集された過去の統計は、HILDA で見られる同様のパターンを示していません。しかし、それは部分的には、HANZE における森林の土地被覆と他の自然地との間の移行に関する詳細なモデルがないことも原因である可能性があります。したがって、HILDA の「牧草地」カテゴリーに分類されるさまざまな自然土地タイプの再植林は、私たちのモデルでは捉えられません。エクスポージャが非常に低く、そのような遷移によるエクスポージャの変化は無視できるため、より詳細なモデルを使用してそれらに対処することはしません。最後に、HILDA は驚くべきことに、貯水池の建設がヨーロッパの水域全体の拡大につながるという HANZE とは逆に、水で覆われた面積の減少を示しています。

HANZE (この調査) と HILDA における 29 ヶ国および HILDA で利用可能な 6 つの集約された CLC 土地被覆/利用クラスを対象とした、千 km2 の人工表面 (a) および 2010 年と比較したその他の主な土地利用クラス (b)。

長期間にわたるいかなる発生源からの土壌シールをカバーするデータセットもありません。最近公開された、1900 年から 2020 年をカバーするスペインの建物の設置面積のデータセット (HISDAC60) を使用して、ある程度の比較を行うことができます。このデータセットは、建物の建設年を記録する地籍データに基づいています。建物は密閉面の一部にすぎませんが、HANZE と HISDAC から、1900 年から 2020 年までの欧州スペインの 8109 の自治体（つまり、セウタ、メリリャ、カナリア諸島を除く）の建物と密閉面の平均被覆率を比較しました。追加の比較として、衛星画像からこの情報を取得する地球人類居住層 (GHSL61) から 1975 年から 2020 年までの平均堆積面積を計算しました。この領域では、2010 年の平均適用率 (基準年に最も近い) は、HANZE (土壌シーリング) で 1.17%、GHSL (建築表面) で 0.64%、HISDAC (建物設置面積) で 0.50% です。定義の違いにもかかわらず、HANZE は HISDAC と GHSL よりも両方のデータセットとの相関が高く (図 9a)、より密接に関連しているはずです。さらに過去に進むと、相関関係は減少しますが、1975 年から 2020 年にかけて、HISDAC と HANZE の相関関係は、HISDAC と GHSL の相関関係よりも高いままです。短期的な変化 (図 9b) の場合、3 つのデータセットはすべて非常に低い相関関係を示し、変化が分析される期間に応じて相関関係が増加します。 1975 年までに、HISDAC の変化は GHSL よりも HANZE との相関が高くなりました。 HISDAC における建物のフットプリントの傾向は、1900 年から 1960 年の期間における HANZE の土壌シーリングの傾向と安定した相関関係を示しています。 HANZE が比較的露出の低い人工表面 (マイナーな道路や鉄道、ゴミ捨て場、都市のレクリエーションスペースなど) の変化を (部分的または全体的に) 明示的にモデル化していないことを考慮すると、この結果は、モデルが長期的な変化を捉えることができることを示しています。、土壌シーリングの国内変動。

スペインの地方自治体に集約された人工土地被覆率 (総面積に占める割合) の 3 つのデータセット間の相関関係の比較 (a) 特定のタイムステップ、または (b) 特定のタイムステップと 2020 年の差異。

HANZE エクスポージャーのデータセットを作成する主な目的は、過去の自然災害に対するエクスポージャーを計算し、さまざまなイベントについて報告された損失を共通のベンチマーク年に調整することでした (一般に損失データの「正規化」として知られています 17)。 Paprotny et al.16 は、HANZE を使用して、1870 年から 2016 年までの 1564 件の洪水イベントの損失を正規化しました。HANZE のこの新しい反復では、コードはさらなる分析のために公開されています。すべての入力データセット (補足テーブル S3 ～ S6) はリポジトリ 62 で利用できるため、ユーザーはそれらをダウンロードし、データが含まれるフォルダーへの定義されたパスを変更するだけで済みます。次に、コードに埋め込まれた次の基本オプションを使用して code63 を実行できます。

GeoTIFF 形式および解像度 100 m の 5 つの暴露ラスター (土地被覆/利用、人口、GDP、固定資産、土壌密閉) を生成します。データベースに含まれる年のうち 1 年または複数年 (10 年ごとの 1870 ～ 1950 年、5 年ごとの 1950 ～ 2000 年、毎年ごとの 2000 ～ 2020) を実行できます。また、すべての NUTS3 領域を含めることも、単一の NUTS3 領域のみを含めることも、複数の領域を含めることもできます。出力曝露データセットもリポジトリで利用できます。これは、モデルがその解像度 (すべての NUTS3 領域の 1 つのタイムステップで約 1 時間) を考慮するとかなり効率的であるとしても、スタディの 39 のタイムステップすべてを計算するには大量のリソースまたは時間が必要となるためです。

危険ゾーンごとのエクスポージャ（人口、GDP、固定資産）を計算します。これには、他の入力ラスターファイルと同じ空間範囲を持つラスターファイルが必要です。サンプルファイルがリポジトリに提供されており、このセクションで説明する分析を再現できます。このオプションを使用すると、データ (ユーザーが定義した年分) を含むテキストファイルが NUTS3 領域ごとに個別に保存されます。

危険ゾーンごとに不確実性限界を使用して暴露を計算します。これは、地域および変数 (人口、GDP、固定資産) ごとに 5、20、50、80、および 95 パーセンタイルのテキストファイルを保存する前のオプションの拡張です。

このコードでは、再現性を高めるために、入力データの一部を計算することもできます。入力データセットの多くは大規模な 1 回限りの準備を必要としたため、特定の前処理ステップのみを含めることができました。重要なのは、この研究で説明および検証された母集団分解ルーチンは再実行できることです。土地利用モデリングで使用される確率マップと同様に、測距マッピングの人口閾値も再計算できます (ステップ 10)。人口変化や土地利用変化の検証を再現するコードも含まれています。最後に、このコードにより、洪水イベントごとに選択された暴露情報 (過去の洪水の HANZE v1.0 データベースから) をグラフと地図の形式で視覚化できます。ユーザー定義の NUTS3 領域について、コードは図 10 のような露出マップを生成できます。

1870 年から 2020 年までのドイツ南部のミュンヘン付近 (NUTS 地域 DE212) でモデル化された曝露量の増加の例を、100 年間の河川洪水マップ (灰色の陰影) と対比させた。 Alfieri et al.57 による洪水危険区域。

過去の洪水事象の 5 つの具体例を表 15 に示し、曝露量の変化がいかに多様で、時には不確実であるかを強調しています。それらは、その出来事が過去にどの程度発生したか（時間の経過とともに不確実性が増大する）だけでなく、それが大部分が農村部と比較して都市の拡張地帯（不確実性が最も高い場所）で発生したか、または都市のどの部分で発生したかにも依存します。 NUTS 3 地域は危険にさらされています (地域ごとの人口または資産は過去の統計によって定義されるため、地域全体が危険地帯であるかどうかは不確実ではありません)。モデルのコードを使用して生成された影響を受けるエリアの地図を補足図S10に示します。将来的には、HANZE をより直接的に気候および水文モデルに結び付けることで、このモデルを使用して、洪水の影響が環境と経済の両方の要因によるものであると考えています64,65。

ユーザーは、制限 (すべての土地利用クラスがモデルでカバーされているわけではなく、より重要なもののみがカバーされているなど) と不確実性 (モデリングアプローチと入力データの品質の両方に関連する) を認識する必要があります。これらは HANZE v1.0 に関連して広く議論されているため、読者には Paprotny et al.32 を参照してください。将来的には、このモデルを使用して、過去の洪水の影響が環境要因と経済要因の両方に起因すると考えています。

論文で紹介されている HANZE v2.0 (Python 3.9 で実装) のソースコードは、https://doi.org/10.5281/zenodo.755695363 にアーカイブされています。必要な入力データはすべて https://doi.org/10.5281/zenodo.678302362 にアーカイブされています。使用上の注意に示されている洪水影響データは、データのソースの説明とともに、HANZE v1.0 リポジトリ66 (https://doi.org/10.4121/collection:HANZE) で入手できます。

グラント、L.ら。地球規模の湖システムの帰属は人為的強制力によって変化します。ナット。地理学。 14、849–854 (2021)。

記事 ADS CAS Google Scholar

Gudmundsson、L. et al. 気候変動に起因する平均および極端な河川流量の世界的に観察された傾向。サイエンス 371、1159–1162 (2021)。

論文 ADS CAS PubMed Google Scholar

IPCC。 2022 年の気候変動: 影響、適応、脆弱性。気候変動に関する政府間パネルの第 6 回評価報告書に対する作業部会 II の寄稿 (ケンブリッジ大学出版局、2022 年)。

メチン、AD et al. リスクチェーンに沿った変化は洪水リスクにどのような影響を与えるのでしょうか? ナット。ハザードアースシステム。科学。 18、3089–3108 (2018)。

記事 ADS Google Scholar

ミシガン州ヴドゥーカスほか現在および将来の気候に対する大規模な沿岸洪水リスク評価における認識論的不確実性を理解する。ナット。ハザードアースシステム。科学。 18、2127–2142 (2018)。

記事 ADS Google Scholar

Carisi, F.、Schröter, K.、Domeneghetti, A.、Kreibich, H. & Castellarin, A. エミリアロマーニャ州 (イタリア) の一変数および多変数洪水損失モデルの開発と評価。ナット。ハザードアースシステム。科学。 18、2057 ～ 2079 (2018)。

記事 ADS Google Scholar

Huizinga, J.、de Moel, H.、Szewczyk, W. 世界的な洪水の深さと被害の関数。方法論とガイドラインを備えたデータベース。レポート EUR 28552 EN (欧州連合出版局、2017)。

ジョンマン、B.ら。比較洪水被害モデル評価: ヨーロッパのアプローチに向けて。ナット。ハザードアースシステム。科学。 12、3733–3752 (2012)。

記事 ADS Google Scholar

Paprotny, D. et al. さまざまなタイプの洪水による住宅損失を推定するための確率論的アプローチ。ナット。ハザード 105、2569–2601 (2021)。

記事 Google Scholar

ジョージア州バレド 1970 年から 2008 年まで、ヨーロッパの正規化暴風損失には増加傾向はありません。ナット。ハザードアースシステム。科学。 10、97–104 (2010)。

記事 ADS Google Scholar

LC ドーキンス、DB スティーブンソン、JF ロックウッド、PE メイジー 21 世紀に入り、ヨーロッパに被害を与える暴風雨は減少。ナット。ハザードアースシステム。科学。 16、1999 ～ 2007 (2016)。

記事 ADS Google Scholar

Welker, C.、Röösli, T. & Bresch, DN 建物の損害に関する保険会社の視点と、全ヨーロッパの冬季暴風雨のセットからモデル化された損害の比較: スイスのチューリッヒでのケーススタディ。ナット。ハザードアースシステム。科学。 21、279–299 (2021)。

記事 ADS Google Scholar

ガントーム、A. et al. ヨーロッパにおける森林火災の発火の主な要因のレビュー。環境。管理。 51、651–662 (2013)。

論文 ADS PubMed Google Scholar

バレド、JI ヨーロッパにおける標準化された洪水被害: 1970 ～ 2006 年。ナット。ハザードアースシステム。科学。 9、97–104 (2009)。

記事 ADS Google Scholar

McAneney, J. et al. オーストラリアの自然災害による正規化された保険損失: 1966 ～ 2017 年。環境。ハザード 18、414–433 (2019)。

記事 Google Scholar

Paprotny, D.、Sebastian, A.、Morales Nápoles, O. & Jonkman, SN 過去 150 年間のヨーロッパにおける洪水被害の傾向。ナット。共通。 1985 年 9 日 (2018 年)。

論文 ADS PubMed PubMed Central Google Scholar

Pielke, R. 災害損失の経済的「正常化」1998 ～ 2020 年：文献レビューと評価。環境。ハザード 20、93–111 (2021)。

記事 Google Scholar

Simmons, KM、Sutter, D. & Pielke, R. 米国における正規化された竜巻被害: 1950 ～ 2011 年。環境。ハザード 12、132–147 (2013)。

記事 Google Scholar

Scussolini, P. et al. FLOPROS: 洪水防御基準の進化する世界的なデータベース。ナット。ハザードアースシステム。科学。 16、1049–1061 (2016)。

記事 ADS Google Scholar

Formetta, G. & Feyen, L. 気候関連の危険に対する世界的な脆弱性が減少しているという経験的証拠。地球環境。チャンさん。 57、101920 (2019)。

記事 Google Scholar

Sebastian, A.、Gori, A.、Blessing, RB、van der Wiel, K. & Bass, B. ハリケーンハービーの際の集水域の反応に対する人間と環境の変化の影響を解きほぐす。環境。解像度レット。 14、124023 (2019)。

記事 ADS Google Scholar

Fuchs, R.、Herold, M.、Verburg, PH、Clevers, JGPW ヨーロッパの歴史的な土地の変化を再構築および分析するための高解像度で調和のとれたモデルアプローチ。 Biogeosciences 10、1543–1559 (2013)。

記事 ADS Google Scholar

Fuchs, R.、Herold, M.、Verburg, PH、Clevers, JGPW & Eberle, J. 1900 年から 2010 年までのヨーロッパの歴史的土地被覆/利用の再構築における全体的な変化。グロブ。バイオルを変更します。 21、299–313 (2014)。

記事 ADS Google Scholar

Fuchs, R.、Verburg, PH、Clevers, JGPW & Herold, M. 歴史的な大陸の土地被覆/利用変化を再構築するための古い地図と百科事典の可能性。応用地理。 59、43–55 (2015)。

記事 Google Scholar

Klein Goldewijk, K.、Beusen, A.、Doelman, J. & Stehfest, E. 完新世の人為的土地利用推定 – HYDE 3.2。地球システム科学。データ 9、927–953 (2017)。

記事 ADS Google Scholar

フリーラー、Ｋ．ら。 1.5 °C の地球温暖化の影響の評価 – 部門間影響モデル相互比較プロジェクト (ISIMIP2b) のシミュレーションプロトコル。地理学。モデル開発 10、4321–4345 (2017)。

記事 ADS Google Scholar

Geiger, T. 195 か国の国内総生産 (GDP) の連続時系列: 過去の観察 (1850 ～ 2005 年) は、共有社会経済経路 (2006 ～ 2100 年) に基づく将来の予測と調和しています。地球システム科学。データ 10、847–856 (2018)。

記事 ADS Google Scholar

ザウアー、I.ら。河川の洪水被害における気候シグナルは、地域の健全な細分化の下で明らかになります。ナット。共通。 2128 年 12 月 (2021 年)。

論文 ADS CAS PubMed PubMed Central Google Scholar

Leyk, S. et al. 人口の空間割り当て: 大規模なグリッド化された人口データ製品とその使用に対する適合性のレビュー。地球システム科学。データ 11、1385 ～ 1409 (2019)。

記事 ADS Google Scholar

Kummu, M.、Taka, M. & Guillaume, JHA 1990 ～ 2015 年の国内総生産と人間開発指数のグリッド化されたグローバルデータセット。科学。データ 5、180004 (2018)。

記事 PubMed PubMed Central Google Scholar

Eberenz, S.、Stocker, D.、Röösli, T.、Bresch, DN 世界的な物理的リスク評価のための資産エクスポージャーデータ。地球システム科学。データ 12、817–833 (2020)。

記事 ADS Google Scholar

Paprotny, D.、Morales-Nápoles, O. & Jonkman, SN HANZE: 1870 年以降の自然災害への曝露と被害をもたらした歴史的洪水に関する汎ヨーロッパのデータベース。Earth Syst. 科学。データ 10、565–581 (2018)。

記事 ADS Google Scholar

Paprotny, D.、Morales-Nápoles, O. & Jonkman, SN 統計モデルと物理モデルの組み合わせによる効率的な汎ヨーロッパの河川洪水ハザードモデリング。ナット。ハザードアースシステム。科学。 17、1267–1283 (2017)。

記事 ADS Google Scholar

ミシガン州ヴドゥーカスほか大規模な沿岸洪水ハザードマップの開発。ナット。ハザードアースシステム。科学。 16、1841–1853 (2016)。

記事 ADS Google Scholar

Barendrecht、MH et al. 社会水文学的な洪水リスクモデルのパラメーターを推定するための経験的データの値。水資源。解像度 55、1312–1336 (2019)。

論文 ADS CAS PubMed PubMed Central Google Scholar

Zanardo, S.、Nicotina, L.、Hilberts、AGJ、Jewson, SP 北大西洋振動によるヨーロッパの洪水による経済損失の変調。地球物理学。解像度レット。 46、2563–2572 (2019)。

記事 ADS Google Scholar

Batista and Silva, F.、Gallego, J. & Lavalle, C. ヨーロッパの高解像度人口グリッドマップ。 J. マップ 9、16–28 (2013)。

記事 Google Scholar

アイヒャー、CL & ブリューワー、カリフォルニア州 Dasymetric マッピングと面積補間: 実装と評価。カルトグル。地理。情報 Sc. 28、125–138 (2001)。

記事 Google Scholar

Gallego、FJ 欧州連合の人口密度グリッド。ポピュラー。環境。 31、460–473 (2010)。

記事 Google Scholar

OpenStreetMap の貢献者。オープンストリートマップ https://www.openstreetmap.org/ (2022)。

Paprotny, D.、Kreibich, H.、Morales-Nápoles, O.、Terefenko, P.、Schröter, K. オープンデータを使用して、ヨーロッパにおける住宅資産の自然災害へのエクスポージャーを推定。ナット。ハザードアースシステム。科学。 20、323–343 (2020)。

記事 ADS Google Scholar

Paprotny, D. ヨーロッパにおける自然災害への住宅曝露、2000 ～ 2020 年。ゼノド https://doi.org/10.5281/zenodo.6573503 (2022)。

Gløersen, E. & Lüer, C. 1960 年以降のヨーロッパの地方行政単位の人口データ収集 - 最終報告書 (Spatial Foresight GmbH、2013)。

クラーク、C. 都市人口密度。 JR駅社会 A 114、490–496 (1951)。

記事 Google Scholar

クラーク、C. 人口増加と土地利用 (マクミラン、1967)。

Hourihan, K. アイルランドの都市人口密度パターンと変化、1901 ～ 1979 年。エコン。社会改訂 13、125–147 (1982)。

Google スカラー

Joe, H. Copulas による依存モデリング (Chapman & Hall/CRC、2014)。

Genest, C.、Rémillard, B. & Beaudoin, D. コピュラの適合度テスト: レビューと検出力の研究。保険をかけます。数学。エコン。 44、199–213 (2009)。

記事 MathSciNet MATH Google Scholar

ユーロスタット。領土類型論に関する方法論マニュアル、2018 年版 (欧州連合出版局、2019 年)。

Klein Goldewijk, K.、Beusen, A.、de Vos, M. & van Drecht, G. 過去 12,000 年間の人為的土地利用変化の HYDE 3.1 空間明示データベース。グローバルエコル。バイオジオグラ。 20、73–86 (2011)。

記事 Google Scholar

ディグラ。 EU-DEM 統計的検証 (欧州環境庁、2014)。

村上D.および山形Y.空間的に明示的な統計的ダウンスケーリングを使用したグリッド人口およびGDPシナリオの推定。サステナビリティ 11、2106 (2019)。

記事 Google Scholar

バティスタ・エ・シルバ、F. 他 HARCI-EU は、大規模なリスク評価のためのヨーロッパの重要インフラの調和されたグリッドデータセットです。科学。データ6、126（2019）。

記事 PubMed PubMed Central Google Scholar

ILO と OECD。 G20 経済における労働分配率。 G20雇用作業部会（G20アンタルヤサミット、2015年）のために作成された報告書。

Paprotny, D. 汎ヨーロッパの曝露マップと HANZE v2.0 モデルの不確実性推定値、1870 ～ 2020 年。ゼノド https://doi.org/10.5281/zenodo.7885990 (2022)。

Paprotny, D.、Morales Nápoles, O.、Vousdoukas, MI、Jonkman, SN & Nikulin, G. 汎ヨーロッパ沿岸洪水マッピングの精度。 J. 洪水リスク管理 12、e12459 (2019)。

記事 Google Scholar

アルフィエーリ、L.ら。全ヨーロッパの洪水ハザードマップの進歩。ハイドロール。プロセス。 28、4067–4077 (2014)。

記事 ADS Google Scholar

Paprotny, D. & Terefenko, P. ポーランドにおける海面上昇と沿岸洪水の潜在的影響に関する新たな推定。ナット。ハザード 85、1249–1277 (2017)。

記事 Google Scholar

Freire, S.、Halkia, M. および Pesaresi, M. GHS 人口グリッド。EUROSTAT 国勢調査データ (2011 年) と ESM R2016 に由来。共同研究センターデータカタログ http://data.europa.eu/89h/jrc-ghsl-ghs_pop_eurostat_europe_r2016a (2016)。

ウール、JHら。 HISDAC-ES: スペインの歴史的居住地データ編集 (1900 ～ 2020 年)、地球システム。科学。データについて議論します。 [プレプリント]、https://doi.org/10.5194/essd-2023-53、レビュー中、(2023)。

スキアヴィナ、M.ら。 GHSL データパッケージ 2022 (欧州連合出版局、2022)。

Paprotny, D. HANZE v2.0 露出モデル入力データ。ゼノド https://doi.org/10.5281/zenodo.6583023 (2022)。

Paprotny、D. HANZE v2.0 露出モデル。ゼノド https://doi.org/10.5281/zenodo.7556953 (2022)。

Mengel, M.、Treu, S.、Lange, S. & Frieler, K. ATTRICI v1.1 – 影響の帰属に関する反事実的な風潮。地理学。モデル開発 14、5269–5284 (2021)。

記事 ADS Google Scholar

スタインハウゼン、M. et al. ヨーロッパの住宅における将来の河川洪水リスクの要因は変化する。地球環境。チャンさん。 76、102559 (2022)。

記事 Google Scholar

Paprotny、D. HANZE: ヨーロッパにおける自然災害の歴史的分析。 4TU.ReseachData https://doi.org/10.4121/collection:HANZE (2017)。

リファレンスをダウンロードする

この研究は、ドイツ研究財団 (DFG) のプロジェクト「環境および経済要因による洪水損失の分解」 (FloodDrivers) を通じて支援を受けています。 449175973. データセットの方法論に関する技術的な議論をしていただいた Diego Rybski、Yunfei Li、Manon Glockmann に感謝します。

Projekt DEAL によって実現および組織されたオープンアクセスの資金調達。

ポツダム気候影響研究所 (PIK)、ライプニッツ協会会員、私書箱 60 12 03、14412、ポツダム、ドイツ

ドミニク・パプロトニー & マティアス・メンゲル

PubMed Google Scholar でこの著者を検索することもできます

DP はコンセプトを開発し、メソッドを実装し、コードを作成し、データを生成し、資金を獲得しました。 MM氏が監修を務めました。著者全員がその論文を書きました。

ドミニク・パプロトニーへの通信。

著者らは競合する利害関係を宣言していません。

発行者注記 Springer Nature は、発行された地図および所属機関の管轄権の主張に関して中立を保っています。

オープンアクセスこの記事はクリエイティブコモンズ表示 4.0 国際ライセンスに基づいてライセンスされており、元の著者と情報源に適切なクレジットを表示する限り、あらゆる媒体または形式での使用、共有、翻案、配布、複製が許可されます。クリエイティブコモンズライセンスへのリンクを提供し、変更が加えられたかどうかを示します。この記事内の画像またはその他のサードパーティ素材は、素材のクレジットラインに別段の記載がない限り、記事のクリエイティブコモンズライセンスに含まれています。素材が記事のクリエイティブコモンズライセンスに含まれておらず、意図した使用が法的規制で許可されていない場合、または許可されている使用を超えている場合は、著作権所有者から直接許可を得る必要があります。このライセンスのコピーを表示するには、http://creativecommons.org/licenses/by/4.0/ にアクセスしてください。

転載と許可

Paprotny, D.、Mengel, M. 1870 年から 2020 年までの 100 m 解像度でのヨーロッパの人口、土地利用、および経済的エクスポージャーの推定。Sci Data 10、372 (2023)。 https://doi.org/10.1038/s41597-023-02282-0

引用をダウンロード

受信日: 2023 年 1 月 24 日

受理日: 2023 年 5 月 31 日

公開日: 2023 年 6 月 8 日

DOI: https://doi.org/10.1038/s41597-023-02282-0

次のリンクを共有すると、誰でもこのコンテンツを読むことができます。

申し訳ございませんが、現在この記事の共有リンクは利用できません。

Springer Nature SharedIt コンテンツ共有イニシアチブによって提供

ブログ

1870 年から 2020 年までの 100 メートルの解像度でのヨーロッパの人口、土地利用、経済的エクスポージャーの推定