Global inequities in population exposure to urban greenspaces increased amidst tree and nontree vegetation cover expansion随着树木和非树木植被覆盖的扩大，全球人口暴露于城市绿地的不平等加剧
https://doi.org/10.1038/s43247-023-01141-5
1、植被是城市自然的重要组成部分，在减缓气候变化、改善空气和水质、培育城市生物多样性和促进人类福祉方面发挥着不可或缺的作用。但是最近的研究发现，南半球和北半球城市之间的绿色空间暴露程度存在相当大的差异，前者的不平等程度几乎是后者的两倍，广泛的城市绿化能否有助于缓解城市居民接触植被的不平等仍然是个悬而未决的问题。
2、在以往评估人类对城市自然的暴露时，通常将城市绿地视为一个整体，但城市绿色基础设施包括两个不同类别：树木和非树木，每个类别都有其独特的生态特征。树木提供了大量的冷却效果，在夏季可将最高表面温度降低高达5.7°C，且城市树木还有改善空气质量的能力，与非树木植被相比，城市森林在保水和固碳方面表现同样出色，这使得他们在提高宜居性和应对气候变化能力方面具有重要价值。而另一方面，城市草地也为各种动植物提供了栖息地，并为当地居民和环境提供了各种社会和审美收益。尽管城市树木和无树绿地存在差异，倒在城市绿化背景下，城市树木和非树木植被如何变化，以及人类对这两种绿地类型的暴露是否存在差异目前尚不清楚。
3、为解决以上两项主要的文献空白，文章进行了过去二十年来城市绿地（树木和非树木植被）的变异性和潜在驱动因素，以及人类暴露于绿地两大主要组成部分的相关变化。利用多个卫星植被和气候数据集以及各种社会经济数据集，分析了全球城市绿地的时空变化、与城市绿化的关系以及城市植被动态变化的潜在驱动因素。此外，还研究了在城市绿化盛行的背景下，由于城市植被变化，人类暴露于绿色空间的变化。该研究为全球视角下的城市绿地动态变化提供了视角，并强调了在气候变化背景下解决不平等问题和促进城市可持续发展的意义。
4、植被覆盖度和绿化率研究方法：（1）MODIS的植被连续场VCF产品的分辨率为250m，提供了地表覆盖的年度连续定量的表征，具体包含三个部分：树木覆盖度TC、非树木覆盖度NTC和非植被区域占比。其中，TC指每个像元内水平地面上被高度超过5m的木本植被所覆盖的百分比。文章利用GEE获取并处理了2000年至2021年的VCF数据集，他们利用基于MODIS地表反射率质量保证值定义的VCF数据层，对低质量像元进行了处理（这些低质量像元包括受云层遮挡、气溶胶浓度过高、处于云影之下或观测天顶角大于45°的像元），该8位压缩比特质量层对应于用于构建模型并预测植被覆盖百分比的8个输入地表反射率合成文件中的某一个，在该研究中仅保留了在8个时间段中至少7个属于晴朗状态的像元；（2）Landsat VCF数据集的空间分辨率为30m，提供了2000年、2005年、2010年和2015年全球树木冠层覆盖度的估算结果。城市树木冠层UTC被定义为全球各城市建成区范围内的平均树木覆盖度。数据集中排除了那些具有较高不确定性的像元。（3）增强植被指数EVI是一种经过调整的植被指数，常被用作衡量植被冠层绿色度的替代指标，他有效降低了土壤背景信号的影响。
5、城市相关数据集：（1）城市范围数据基于简化的城市范围算法，该算法将全球城市土地数据库与橡树岭国家实验室的LandScan人口数据库相结合，为了生成城市范围，这些全球城市数据与LandScan人口衍生的泰森多边形重叠。该研究选择地理面积超过100平方公里的城市，最终选择了3567个城市群，其中1464个城市的城市树木覆盖呈显著趋势，957个城市的城市非树木植被呈显著趋势。（2）利用UN的粮食及农业组织提供的全球行政单位层（Global Administrative Unit Layers, GAULs）进行全球尺度的绿地暴露空间分析。这些行政层包括国家、州、县的划分，在该研究中充当了分级单元，使其能够评估2015年不同行政层级下的绿地暴露分布格局。（3）为了量化城市发展水平，使用了全球不透水面数据集（global impervious surface area dataset），该数据集提供1985年至2018年间建成区的信息，分辨率为30m，利用该数据集，计算了城市发展指数UDI，即建成区面积占总面积的比值。
6、气候数据集：研究利用两个气候数据集分析了影响城市绿地动态的气候因子。（1）TerraClimate数据集提供了全球陆地表面的逐月气候及气候水分平衡信息。该研究选用了其中的实际蒸散量、气候水分亏缺、土壤湿度（利用一维土壤水分平衡模型推算得出）、累积降水量、地表向下短波辐射以及水汽压亏缺等数据。（2）他们还纳入了来自ERA5的数据，这是欧洲中期天气预报中心（ECMWF）发布的第五代大气再分析数据集。其整合了模式数据与全球各地的观测数据，从而构建了一个全面且一致的数据集，该逐月数据集提供了七项气候再分析参数的汇总数值，具体包括：气温（2m高度处的最高、平均以及最低气温）、总降水量、平均海平面气压、地表气压、以及风速（10m高度处的水平和垂直分量）。
7、社会经济数据：研究利用了两个数据集，将人口和社会经济因素纳入了本项研究。（1）“世界网格化人口数据集”第四版（GPW v4）第11次修订版提供了全球人口多个年份（包括2000年、2005年、2010年、2015年和2020年）的分布情况。该数据集采用30弧秒（约1km）的网格分辨率，并运用比例分配法，依据人口普查数据和行政区划单元将人口分配至相应的网格单元中。（2）文章还使用了分辨率为30弧秒的2015年“全球网格化国内生产总值GDP与人类发展指数HDI”数据集。HDI是由联合国开发计划署编制，是一项综合性指标，旨在衡量人类发展的关键维度，包括预期寿命、受教育程度和生活水平。通过将GDP和HDI纳入分析，能够深入探究城市绿地动态所蕴含的社会经济特征及其与人类发展之间的关联。
8、统计分析：为了分析数据并确定趋势和关系，文章采用了几种统计方法。（1）利用单调趋势的非参数检验方法Mann-Kendall方法，分析了近21年来全球范围内城市绿地、数目覆盖和非树木植被的变化趋势。采用Theil-Sen方法计算趋势梯度，并且对趋势分析的显著性水平进行检验，只有显著性水平p＜0.05的像素点才被考虑进一步分析。（2）为了了解不同气候、地理和社会经济变量在解释全球城市树木变化中的贡献，进行了相对重要性分析。该方法基于既定的方法论构建，并遵循最佳实践准则，以确保所得结果的可靠性。相对重要性分析的原理是，它将一组自变量转化为转化为一组相互间不存在相关性的正交变量。结果表明，利用这些正交变量进行线性回归时所得到的回归系数平方值，能够准确反映各变量在解释城市树木及非树木植被变异性方面所产生的影响。此外，文章还运用偏相关分析方法，在控制其他变量影响的前提下，测度了城市绿地与气候或社会经济因素之间相关性的强弱。（3）最后，采用基于最小二乘法的线性和非线性回归模型，对绿地两大组成部分与城市绿度指标之间的相关性进行了评估。
9、为了更好的理解全球城市绿地与一系列代表气候变异性和人为影响的预测变量之间的关系，文章采用了广义加性模型GAMs来对城市绿地覆盖度与各类驱动因素之间的错综复杂的关系进行建模，通过驱动因素分析和贡献度分析，识别出了4类气候驱动因素和3类社会经济驱动因素，这些因素对全球城市绿地产生了显著影响。为了评估GAMs的稳健性，进行了交叉验证来评估预测性能，并仔细验证了模型，以确保其在解决该研究中提出的研究问题时的有效性。
10、基于Chen等人（Chen, B. et al. Contrasting inequality in human exposure to greenspace between cities of Global North and Global South.Nat. Commun.13, 4636 (2022).）提出的人口加权暴露模型评估人类对城市绿地的暴露。
11、基尼系数是最常用的衡量不平等的指标，通常用来衡量收入不平等，但它也可以用来衡量任何分配的不平等，研究采用基尼系数对2000-2020年城市、国家、区域和大陆等不同尺度的绿地暴露不平等程度进行了评价，基尼系数根据洛伦兹曲线推导而来，取值范围为0-1，基尼系数为0表示完全平等，这意味着绿地在人口中分布均匀，相反，基尼系数为1代表绝对不平等，表明绿色空间暴露集中在一小部分人口中，而大多数人很少或根本没有获得绿色空间。
