Estimaciones de población, uso del suelo y exposición económica para Europa con una resolución de 100 m desde 1870 hasta 2020

Scientific Data volumen 10, Número de artículo: 372 (2023) Citar este artículo

Detalles de métricas

Comprender la influencia del cambio climático en los impactos de los fenómenos meteorológicos extremos en el pasado es una tarea vital de investigación. Sin embargo, los efectos del cambio climático quedan oscurecidos en la serie de datos de impacto observados debido a la rápida evolución de las circunstancias sociales y económicas en las que ocurrieron los eventos. El conjunto de datos HANZE v2.0 (Análisis histórico de los peligros naturales en Europa) presentado en este estudio cuantifica la evolución de los factores socioeconómicos clave en Europa desde 1870, a saber, el uso del suelo, la población, la actividad económica y los activos. Consiste en algoritmos para reasignar el uso de la tierra y la población de línea de base (2011) para un año determinado en función de una gran colección de estadísticas históricas a nivel subnacional y nacional, y luego desagregar datos sobre producción y activos tangibles por sector económico en un archivo de alta resolución. red. Los conjuntos de datos ráster generados por el modelo permiten reconstruir la exposición dentro de la huella de cualquier evento extremo tanto en el momento de ocurrencia como en cualquier momento entre 1870 y 2020. Esto permite separar los efectos del cambio climático de los efectos del cambio de exposición.

La temperatura media global ha superado el calentamiento de 1 °C en comparación con la época preindustrial. Cada vez hay más investigaciones que cuantifican los efectos del cambio climático en los sistemas humanos, gestionados y naturales del mundo1,2. Sin embargo, hay menos cuantificación disponible para sistemas con fuertes impulsores de cambio no climáticos3. Los estudios de casos han indicado una fuerte influencia de factores adicionales, especialmente para las inundaciones, donde la incertidumbre del riesgo actual ya es alta. Por ejemplo, se descubrió que el riesgo de inundaciones en la cuenca del Rin es menos sensible a los cambios en el forzamiento atmosférico, pero más a los cambios en la capacidad del embalse, la altura de los diques, el uso de la tierra, el valor de los activos o las medidas de precaución privadas4. Vousdoukas et al.5 ha demostrado que la protección contra inundaciones fue la mayor fuente de incertidumbre en las evaluaciones de riesgo de inundaciones costeras en los sitios de prueba en la Península Ibérica. Las estimaciones sobre el valor de los activos en un lugar determinado (exposición) y las funciones de vulnerabilidad a inundaciones, que indican la proporción de activos que se pierden en una determinada intensidad de inundación, varían drásticamente entre países6,7,8,9. Se demostró que los daños causados ​​por tormentas de viento en Europa no aumentaron después de corregir el aumento de la exposición10, y la atribución se complicó debido a las tendencias contrastantes en el peligro11 y la incertidumbre muy alta sobre las funciones de vulnerabilidad12. Finalmente, solo una pequeña fracción de los incendios forestales en Europa son causados ​​por fuentes naturales, lo que hace que los factores humanos sean fundamentales para comprender la frecuencia de esos desastres13.

Muchos estudios no indicaron una tendencia al alza en las pérdidas económicas directas por peligros naturales en Europa, EE. UU. o Australia cuando se corrigieron por el crecimiento de la exposición14,15,16,17,18. La cuantificación de los cambios en la exposición, como el tipo de uso del suelo, la población, la producción económica, el valor de los activos y la incertidumbre de la misma es vital no solo debido a su gran influencia directa en los impactos observados, sino también a los efectos indirectos. En caso de inundaciones, las áreas de alta exposición tienden a estar mejor protegidas19 y son menos vulnerables20, mientras que el uso de la tierra puede modular localmente la descarga del río más fuerte que el cambio climático21.

Las reconstrucciones históricas disponibles de la exposición tienen una utilidad limitada para la atribución del cambio climático en una perspectiva larga, ya sea debido a la baja resolución, la cobertura espacial limitada o al cubrir solo un componente particular de la exposición. Por ejemplo, HILDA22,23,24 incluye solo cobertura terrestre altamente agregada para los países de la Unión Europea, aunque con una resolución alta de 1 km que cubre los años 1900 a 2010. El conjunto de datos global HYDE25 abarca desde los años 10 000 a. C. hasta 2017 d. y población, pero tiene una resolución de solo 5 minutos de arco (9 km en el ecuador). HYDE se aplica ampliamente tanto en el clima global como en la modelización del impacto climático, incluido ISIMIP26. Basado en HYDE, también se creó un desglose del PIB27 y se utilizó, por ejemplo, en el estudio de atribución global de inundaciones realizado por Sauer et al.28. El análisis del riesgo de inundaciones e incendios forestales en particular requiere una resolución muy alta de los datos de exposición porque son fenómenos altamente locales. Sin embargo, los datos de población de alta resolución están disponibles en el mejor de los casos para algunos períodos de tiempo por conjunto de datos, que no se remontan más allá de 197529. El desglose de datos económicos se limita principalmente a un único predictor de actividad económica, como la densidad de población30 o las luces nocturnas31.

El conjunto de datos HANZE (Análisis histórico de los peligros naturales en Europa), publicado en 201732, fue el primer conjunto de datos de exposición completo con una resolución que coincidía con los mapas paneuropeos de peligro de inundaciones, a saber, 100 m33,34, que cubría los años 1870 a 2015 con una proyección a corto plazo. hasta 2020. Fue diseñado específicamente para permitir el análisis de la exposición y el cambio de uso del suelo dentro de las huellas de inundación de inundaciones históricas conocidas y se utilizó en tal función en varios estudios de seguimiento16,35,36. Aquí, presentamos un conjunto de datos de exposición revisado y ampliado HANZE v2.0, que incorpora muchas mejoras (Tabla 1). El núcleo del conjunto de datos es un conjunto de cuadrículas de alta resolución de uso de la tierra, población, producto interno bruto (PIB), valor de activos fijos y grado de sellado del suelo para 42 países entre 1870 y 2020. Se complementa con una gran base de datos de entrada de estadísticas históricas subnacionales. Además, el conjunto de datos es el resultado de una caja de herramientas de Python que permite reproducir los datos en su totalidad, visualizarlos y realizar análisis adicionales (ver 'Notas de uso').

El conjunto de datos de exposición se creó con una combinación de métodos estadísticos y basados ​​en reglas. En partes del modelo, incluimos métodos probabilísticos para cuantificar la incertidumbre, utilizando cópulas para modelar cambios de población subregionales y una red bayesiana para transiciones de tierras agrícolas. El conjunto de datos se centra en áreas de alta exposición que son más relevantes para la investigación sobre los impactos sociales y económicos de los desastres. Por lo tanto, no se modelaron los cambios en algunas de las clases de uso de la tierra menos importantes, en particular las áreas naturales. Además, las grandes variaciones en la disponibilidad y resolución de datos históricos para diferentes países influyen directamente en la precisión de la reconstrucción cuadriculada de la exposición pasada. La alta resolución del conjunto de datos se proporciona para permitir una aplicación rápida a peligros como inundaciones que requieren información tan detallada. Debido a la falta general de datos comparables con la misma resolución, solo se puede realizar una validación parcial.

HANZE v2.0 es un conjunto de datos de exposición histórica generado a través de operaciones en una gran cantidad de datos ráster de entrada. En la Fig. 1 se presenta un resumen del flujo de trabajo para calcular el conjunto de datos. El punto de partida es un conjunto de rásteres de alta resolución con datos sobre población y cobertura/uso de la tierra para un año de referencia específico. Esos conjuntos de datos de "línea de base" se crearon a partir de datos de resolución de 100 m, excepto la población, que se desagregó a partir de una resolución de 1 km (consulte la subsección 'Conjuntos de datos de línea de base'). El modelo modifica los conjuntos de datos ráster de referencia al redistribuir la cobertura/uso de la tierra y la población hasta que coincidan con la población total y el área de las diferentes clases de uso de la tierra definidas por unidad administrativa subnacional para cada paso de tiempo. Para cada una de estas unidades, recopilamos estadísticas socioeconómicas agregadas ("Input socioeconomic data"). Se modelan varios tipos de uso del suelo (urbano, industrial, agrícola, etc.) utilizando diferentes métodos y varios conjuntos de datos ráster estáticos auxiliares ("Modelo de población y uso del suelo"). En función de los cambios en el uso de la tierra, se modifica el conjunto de datos de sellado del suelo. Finalmente, el modelo desagrega los datos estadísticos sobre el producto interno bruto (PIB) y el stock de activos fijos en una cuadrícula de 100 m, en función de la distribución de la población y los diferentes tipos de uso de la tierra ("desagregación de datos económicos"). El modelo se aplica utilizando datos que cubren 42 países y territorios durante el período 1870-2020 (consulte la figura complementaria S1).

Flujo de trabajo de HANZE v2.0. Todos los datos de entrada y el código de Python necesarios para reproducir este flujo de trabajo están disponibles públicamente.

Cuatro conjuntos de datos de referencia son un conjunto de capas ráster que cubren el área de estudio, estrechamente alineadas en la dimensión temporal, convertidas de sus resoluciones nativas a una cuadrícula de 100 m y ajustadas a una única máscara terrestre basada en Corine Land Cover (Tabla 2).

La cobertura/uso del suelo de referencia se toma de Corine Land Cover (CLC) 2012, versión 20u1 (https://land.copernicus.eu/pan-european/corine-land-cover/clc-2012), con mar abierto y algunos aguas de transición eliminadas. El conjunto de datos CLC 2012 se creó, en general, mediante la clasificación manual de parches de cobertura terrestre a partir de imágenes satelitales recopiladas durante 2011–2012. El inventario consta de 44 clases y el tamaño mínimo de los fenómenos areales capturados es de 25 hectáreas. Para elementos lineales (carreteras, vías férreas, ríos, etc.), se utiliza un ancho mínimo de 100 m. El conjunto de datos de CLC no cubre Andorra, por lo tanto, se transfirió una compilación de datos de uso del suelo de otras fuentes de HANZE v1.0 para Andorra (consulte la sección 2.1 en Paprotny et al.32).

En muchos lugares, la cubierta terrestre natural fue reemplazada por superficies impermeables artificiales. Esta cubierta impermeable tiene un impacto significativo en las propiedades hidrológicas de un área determinada y, en consecuencia, en la frecuencia e intensidad de las inundaciones. También es un predictor importante de la distribución de activos. El conjunto de datos de referencia del sellado del suelo en nuestro modelo es el conjunto de datos de Densidad de Impermeabilidad 2012 del Servicio de Monitoreo de Tierras de Copernicus (https://land.copernicus.eu/pan-european/high-solution-layers/imperviousness/status-maps/2012). Fue creado por clasificación algorítmica de imágenes satelitales de alta resolución con un índice de vegetación de diferencia normalizada (NDVI) calibrado. La resolución nativa del conjunto de datos es de 20 m, pero la agregamos a 100 m para mantener la coherencia con el conjunto de datos de cobertura terrestre.

El conjunto de datos de población de referencia se basa en la cuadrícula de población de GEOSTAT para el año 2011, versión 2.0.1 (https://ec.europa.eu/eurostat/web/gisco/geodata/reference-data/population-distribution-demography/geostat ). Este conjunto de datos tiene una resolución de 1 km y se basa en los resultados de la ronda de censos de población europeos de 2011. El 95 % de la población en el conjunto de datos es la población real enumerada y georreferenciada durante el censo, y la población restante se desglosó a partir de las declaraciones detalladas del censo subnacional del Centro Común de Investigación de la Comisión Europea. Al igual que en HANZE v1.0, desagregamos este conjunto de datos en una cuadrícula de 100 m combinando los métodos "M1" y "M3" descritos en Batista e Silva et al.37. "M1" denota el 'método de variable límite' utilizado en cartografía para crear mapas dasimétricos de densidad de población. Brevemente, clasifica las clases de uso de la tierra de acuerdo con su densidad de población promedio, luego redistribuye la población por encima de un umbral específico de uso de la tierra de clases menos densas a clases más densas. El procedimiento es un algoritmo iterativo que se aplica por separado para cada celda de cuadrícula de 1 km. Este procedimiento es el siguiente:

En primer lugar, se asigna una densidad de población uniforme para cada clase de uso del suelo en una celda de cuadrícula de 1 km:

donde \({Y}_{LG}^{0}\) es la densidad de población para el uso de la tierra \(L\in \{1,\ldots,n\}\) en la celda de cuadrícula G en el paso 0, YG es la densidad de población en la celda de la cuadrícula, es decir, el número de población XG dividido por el área SG.

Se define un umbral de densidad de población TL para cada una de las n clases de uso del suelo.

Las clases de uso del suelo se clasifican y el subíndice L se vuelve a numerar de menor a mayor densidad de población, es decir, L = 1 denota la clase de uso del suelo menos densamente poblada en la celda de la cuadrícula.

Procediendo en orden comenzando por L = 1, en el paso L se modifica la densidad atribuida a la clase L en el paso anterior si está por encima del umbral, es decir, si \({Y}_{LG}^{L-1} > { T}_{L}\). Eso crea una población excedente \({U}_{LG}^{L}\):

Luego, el excedente se redistribuye entre las restantes clases de uso de la tierra M, por lo tanto:

Si después de completar todas las iteraciones todavía hay excedente de población, es decir, si \({X}_{G} > \sum {T}_{L}{S}_{LG}\), se redistribuye proporcionalmente al umbral:

El aspecto crucial de este método es definir los umbrales TL. Aquí, usamos los umbrales sugeridos por Eicher y Brewer38, es decir, el percentil 70 de la densidad de población de las celdas de la cuadrícula para las cuales solo se informó una clase de uso del suelo en nuestro conjunto de datos de uso del suelo de referencia. Tales celdas "puras" constituían alrededor del 5% de todas las celdas de cuadrícula de población. Gallego et al.39 han demostrado que una definición diferente de los umbrales funciona un poco mejor para Europa; sin embargo, los autores utilizaron datos de población por comunas, que no se utilizan aquí, y que su método requeriría en combinación con datos cuadriculados. Los umbrales finales TL se muestran en la Tabla 3. Para las superficies artificiales que no sean tejido urbano, las clases de CLC se fusionaron para el cálculo del umbral, ya que se pudieron encontrar muy pocas celdas "puras", si es que hubo alguna, para cada una de esas clases. Asimismo, para todas las áreas cubiertas por humedales, agua, arena, glaciares, rocas desnudas o vegetación quemada el umbral se fijó en 0, ya que esos terrenos son en principio inhabitables.

Como limitación adicional, solo se usaron las clases de uso de la tierra en una celda dada, que contenían estructuras hechas por el hombre de un tipo particular. Aquí se utilizaron tres conjuntos de datos cuadriculados de detección remota (resolución de 100 m); si ninguna clase de uso del suelo en una celda poseía ninguna estructura del primer conjunto de datos, se usaba el segundo, luego el tercero si era necesario, de la siguiente manera:

edificios;

Superficies impermeables;

Carreteras y calles.

Los edificios y las calles se obtuvieron de European Settlement Map 2012 Release 2017 (https://land.copernicus.eu/pan-european/GHSL/european-settlement-map/esm-2012-release-2017-urban-green) y superficies impermeables de Densidad de impermeabilidad 2012. Si no había estructuras presentes en la celda de 1 km (ya que no se detectaron en las imágenes de satélite), se utilizaron todas las clases de uso del suelo.

Sin embargo, el resultado del cálculo es solo la población por uso de la tierra L en cada celda G de la cuadrícula de 1 km. Por lo tanto, la población tuvo que desagregarse aún más, y para eso usamos un enfoque similar al método M3. Este método redistribuye la población proporcionalmente a la densidad de las estructuras hechas por el hombre. Esta variable tiene un rango de 0%, que indica superficie completamente natural, y 100%, que indica terreno completamente sellado por una superficie artificial. Se usaron los tres conjuntos de datos, principalmente edificios del Mapa de asentamientos europeos (ESM) 2012. Si no se indicaron edificios en una celda de 1 km, se usó la impermeabilidad en su lugar. En caso de que no se detecte sellado del suelo, se utilizan caminos y calles del ESM 2012. Esto puede suceder principalmente porque ESM 2012 combinó datos de teledetección con muchas otras fuentes (por ejemplo, OpenStreetMap, Urban Atlas de la Unión Europea y Tom Tom's Tele Atlas), mientras que Imperviousness Density 2012 es un producto completamente basado en teledetección.

Los conjuntos de datos ESM e Impermeabilidad tienen resoluciones nativas muy altas (2,5 y 20 m, respectivamente). La versión agregada a una resolución de 100 metros se usó para la desagregación, mientras que para calcular la dependencia entre la densidad de la superficie y la población se determinó utilizando datos remuestreados en una cuadrícula de 1 km. En el proceso, se podría calcular la densidad de población promedio en las celdas de la cuadrícula con una densidad de superficie artificial determinada. Las dependencias resultantes se pueden aproximar como funciones de potencia (Figura complementaria S2). Muy pocas celdas tenían un porcentaje promedio muy alto de superficie cubierta por estructuras, por lo que las funciones se calcularon a partir de valores que oscilaban entre el 1 % y el 16 % (carreteras y calles), el 64 % (edificios) y el 84 % (superficies impermeables). Por lo tanto, la población Xg en la celda g de la cuadrícula de 100 metros es igual a:

donde Zg es la población de la celda de cuadrícula g obtenida de la función de potencia dividida por la población máxima:

donde Vg es la impermeabilidad en la celda de rejilla g. La población máxima se definió como 8000 ya que los tres conjuntos de datos alcanzaron la densidad de población máxima alrededor de este valor. Los parámetros A y B se indican en la Tabla 4.

La población Xg se redondea, ya que los números de población deben ser números enteros. En consecuencia, la población se sumó o restó mediante la reducción iterativa de los números de población en celdas de 100 metros, comenzando con celdas en las que el cambio más pequeño en el valor sin redondear cambiaría el valor redondeado. En algunos casos, más de una celda de 100 metros tenían valores iguales y la población de 1 km no podía coincidir. Luego, la población se sumó o se restó mediante la reducción iterativa de los números de población en 1 a la vez, comenzando con celdas de 100 metros con la población más alta. Si nuevamente había casos de celdas múltiples de valores iguales, se utilizaron celdas de 100 metros con un mayor % de área cubierta por estructuras. Si no había datos disponibles o los valores porcentuales eran los mismos, la población se suma o resta al azar dentro de las celdas iguales.

En la Fig. 2 se presentan ejemplos de resultados de la desagregación de la población para una sola celda de cuadrícula de GEOSTAT.

Resultados de desagregación y datos de origen (población en la cuadrícula = 5230), contrastados con el mapa base de OpenStreetMap solo como ilustración. Fragmento del centro de la ciudad de Szczecin, Polonia (región NUTS PL424). Mapa base © OpenStreetMap contribuidors40. Distribuido bajo la licencia Open Data Commons Open Database (ODbL) v1.0. Área cubierta por edificios del European Settlement Map 2012.

El modelo HANZE v2.0 redistribuye la población, la cobertura/uso del suelo y las variables económicas por separado para cada unidad administrativa subnacional (en adelante, "regiones"). Los límites administrativos cambian con frecuencia dentro de los países a lo largo del tiempo. En lugar de cambiar las definiciones de regiones en cada etapa del modelo, ajustamos los datos estadísticos históricos a una única clasificación de referencia. La clasificación de unidades subnacionales de la Unión Europea, la Nomenclatura de Unidades Territoriales para Estadísticas (NUTS), versión 2010, se utiliza en HANZE v2.0. Se aplica el nivel más detallado de la clasificación, el nivel NUTS 3. Para este estudio, preparamos un nuevo conjunto de datos vectoriales de alta resolución de las regiones NUTS debido a la baja precisión y la licencia no permisiva del mapa NUTS semioficial disponible a través de Eurostat (https://ec.europa.eu/eurostat/web /gisco/geodata/reference-data/administrative-units-statistical-units). Compilamos el nuevo conjunto de datos usando solo datos disponibles abiertamente de agencias geoespaciales nacionales y OpenStreetMap40 (Tabla 5), ​​con correcciones manuales de límites interregionales cuando fue necesario para alinearse con la clasificación NUTS 2010. la delineación de la costa en los conjuntos de datos originales se ajustó para alinearla con el conjunto de datos CLC de referencia. Además, dado que Kosovo y Bosnia y Herzegovina actualmente no están cubiertos por NUTS, codificamos artificialmente sus divisiones administrativas de manera coherente con el sistema NUTS. Finalmente, el conjunto de datos vectoriales se convirtió en una cuadrícula ráster de 100 m. El dominio de nuestro estudio contiene 1422 regiones en total. Como se señaló, las estadísticas históricas de entrada que impulsan el modelo se volvieron a calcular cuando fue necesario para que coincidieran con nuestro mapa de alta resolución de las regiones NUTS.

La base de datos de entrada de datos estadísticos socioeconómicos históricos se creó revisando los datos de HANZE v1.0. Contiene datos sobre los principales impulsores socioeconómicos de la exposición a nivel regional. Las variables de la base de datos se enumeran en la Tabla 6. Además, contiene el stock de activos fijos en relación con el PIB en seis sectores, definidos a nivel de país. La base de datos se compiló a partir de 375 fuentes diferentes (en comparación con 271 en HANZE v1.0): sitios web y publicaciones de institutos nacionales de estadística y agencias internacionales, documentos de trabajo de bancos nacionales e institutos de investigación económica y trabajos de investigación académica, que datan desde 1872 hasta el presente. . La información detallada sobre el origen de cada punto de datos en la base de datos y las transformaciones realizadas para ajustar los datos a la versión NUTS 2010 se describen en los conjuntos de datos de Excel (consulte 'Registros de datos'). Los datos se compilaron cada década desde 1870 hasta 1950, cada 5 años hasta 2000 y anualmente hasta 2020. En comparación con HANZE v1.0, los principales cambios son: mejora en la calidad de los datos mediante la inclusión de más fuentes de datos (Figura complementaria S3 ); adición de nuevos países (Albania, Bosnia y Herzegovina, Kosovo, Montenegro, Macedonia del Norte y Serbia); adición de bienes de consumo duraderos (bienes utilizados por los hogares durante varios años) como una categoría de activos fijos a través de la integración de datos y métodos de Paprotny et al.41,42; adición de datos de cobertura forestal para toda el área de estudio.

El enfoque general, como se señaló en la introducción, es modificar el conjunto de datos ráster de población y uso/cobertura terrestre de referencia para cada paso de tiempo. Esto se hace secuencialmente para diferentes clases de CLC y grupos de población (regional, urbano, rural), de manera que una clase que se modifica en un paso dado no altera las que se modelaron previamente. Los pasos del modelado son los siguientes:

Casos especiales (pólderes holandeses)

Redistribución subregional de la población

Tejido urbano y redistribución de la población urbana

Aeropuertos y embalses

Redistribución de la población rural

Unidades industriales o comerciales

Sitios de carretera/ferrocarril

Sitios de construcción

Otros terrenos artificiales

Tierras de cultivo y pastos

Áreas quemadas

Áreas naturales

Ajuste del grado de sellado del suelo

Se explica un resumen del enfoque de modelado y la justificación, por clase de uso/cobertura del suelo del conjunto de datos CLC, en la Tabla complementaria 1. También destaca que el uso artificial del suelo, aunque constituye el 5 % del área total del suelo, contiene alrededor del 90 % de la población y el valor de los activos fijos, por lo que la reconstrucción de la exposición pasada se limita en gran medida a esas áreas. Se proporciona información detallada en las siguientes subsecciones, como se menciona en la lista numerada anterior. Cabe señalar que la metodología es un refinamiento de los métodos ya utilizados en gran medida en Paprotny et al.32.

El modelo incluye un caso especial, debido a su influencia en la distribución de la exposición en los Países Bajos. El Zuiderzeewerken fue un proyecto a gran escala de recuperación de tierras y protección contra inundaciones, que resultó en la construcción de grandes diques y pólderes en el Zuiderzee entre las décadas de 1920 y 1970 (Figura complementaria S4). Zuiderzee se cerró en 1932 por un gran dique, se convirtió en un lago y se dividió en 1975 en IJsselmeer y Markermeer. En las tierras recuperadas se crearon ciudades, infraestructuras y tierras de cultivo, principalmente en la provincia de Flevoland. Tiene una población de más de 400.000 habitantes en la actualidad, pero antes de 1942 consistía únicamente en la pequeña ciudad isleña de Urk y la isla deshabitada de Schokland (la provincia en sí se estableció en 1986). Por lo tanto, toda la tierra creada artificialmente se elimina del ráster de cobertura/uso de la tierra y se convierte en agua continental (CLC 512) durante años antes del año de finalización de los pólderes holandeses individuales. La población también se elimina y no se considera en la redistribución de la población y el uso de la tierra para esos años, por lo tanto, este paso de modelado se realiza antes que todos los demás.

En los tiempos modernos se produjo una redistribución sustancial de la población dentro de los países europeos. Aquí, modelamos el cambio de población subregional (es decir, por debajo del nivel NUTS3) para 1870-2020 en base a observaciones empíricas de un conjunto de datos de cambio de población entre 1961 y 2011 a nivel de unidades administrativas locales (LAU). Creamos el conjunto de datos para este estudio fusionando datos tabulares y espaciales producidos en varios años que están disponibles a través de Eurostat43 y los institutos nacionales de estadística (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) . Los detalles sobre cómo se crearon los datos y su visualización se proporcionan en el Texto complementario S1. Las tendencias de población de alrededor de 109 000 LAU indican:

Disminución de la población en los núcleos urbanos que son las partes más céntricas y densamente pobladas de las ciudades

Rápido crecimiento de las zonas suburbanas alrededor de los núcleos urbanos

Disminución de la población de las zonas rurales

Los dos primeros cambios se deben en gran medida al cambio en el número de personas por hogar. Incluso cuando la población de una ciudad está estancada, las familias más pequeñas en cada vivienda dan como resultado una mayor demanda de vivienda. Esas viviendas adicionales tuvieron que construirse en su mayoría fuera de los núcleos urbanos, donde la oferta de viviendas es mayoritariamente fija. Se ha demostrado44,45,46 que esta tendencia está presente en las principales ciudades europeas desde principios del siglo XIX, aplanando la curva de densidad de población en relación con la distancia a los centros de las ciudades. Al mismo tiempo, la migración de las zonas rurales a las urbanas ha reducido la población en las zonas rurales y ha exacerbado el crecimiento de los suburbios.

Aquí, modelamos la tasa de cambio de la población dentro de cada región NUTS3, donde la población total se define mediante estadísticas históricas, usando la relación empírica entre la densidad de población y las tasas históricas de cambio. Para capturar la incertidumbre de la correlación, usamos cópulas que correlacionan la densidad de población de los datos de LAU con el crecimiento de la población (Fig. 3). Una cópula es, vagamente, una distribución conjunta en el hipercubo unitario con márgenes uniformes (0,1). Hay muchos tipos de cópulas47, y elegimos las cópulas paramétricas óptimas para este análisis comparando diferentes cópulas usando la "Prueba de la manta" basada en la estadística de Cramèr-von Mises discutida por Genest et al.48. Debido a los patrones muy diferentes de cambio de población y las LAU de alta y baja densidad, utilizamos dos cópulas:

una cópula gaussiana que utiliza datos de LAU con una densidad de población inferior a 1500 personas por km2 que correlaciona la densidad de población de los datos de LAU con el crecimiento de la población (r de Spearman = 0,69)

una cópula de Frank que utiliza datos de LAU con una densidad de población superior a 1500 personas por km2 que correlaciona la "densidad de aglomeración" con el crecimiento de la población (r de Spearman = −0,36).

Cópulas empíricas de la dependencia entre el crecimiento de la población (1961-2011) en relación con el crecimiento nacional y la densidad de población (2011) en dos formas diferentes (a - densidad local, b - densidad de aglomeración). La cópula izquierda (a) es aplicable a densidades de población por debajo y la derecha (b) por encima de 1500 personas por km2. Los márgenes se han transformado en distribuciones normales estándar.

La "densidad de aglomeración" por LAU es el promedio de la densidad del kernel calculada con la cuadrícula de población GEOSTAT de 1 km y un radio de 10 km. Por lo tanto, indica el tamaño de la aglomeración de la que forma parte una LAU de alta densidad. Esta "densidad de aglomeración" es un mejor indicador del cambio de población que la densidad de población de las LAU individuales. Solo se incluyeron LAU de regiones NUTS3 con al menos 10 LAU para cuantificar las cópulas y evitar el uso de LAU grandes y heterogéneas. El umbral de 1500 personas por km2 para la selección de cópulas dio los mejores resultados en la validación. Coincidentemente, pero como era de esperar, también es el umbral utilizado por Eurostat49 para definir los conglomerados de población de alta densidad y, a su vez, para clasificar las LAU como urbanas.

Los LAU del conjunto de datos de Eurostat aplicado aquí no tienen una cobertura completa, tienen una precisión geométrica más baja que nuestro conjunto de datos vectoriales NUTS3 y el tamaño de los LAU varía sustancialmente entre países. Por lo tanto, se construyó un conjunto de LAU "virtuales" (en adelante, "VLAU"). Cada VLAU consta de un parche urbano de Corine Land Cover 2012 y su vecindario más cercano (Figura complementaria S5). Luego se asignó población desagregada en una resolución de 100 m a cada VLAU para calcular la densidad de población. Para cada paso de tiempo en el modelo, las cópulas se muestrean 10 000 veces para obtener una estimación del crecimiento anual de la población (promedio geométrico de la tasa de crecimiento de 50 años). La población de una VLAU en el año t y 2011 es entonces:

donde A es la tasa de crecimiento anual (en %) del modelo de cópula. Para evitar cambios poco realistas, principalmente para áreas con muy baja densidad de población, se limita el crecimiento de la población: −2,257 %

La población redistribuida a nivel subregional se ajusta aún más espacialmente, por separado para las zonas urbanas y rurales. Suponiendo una oferta fija de viviendas en áreas ya construidas, el cambio de población en áreas urbanas y la expansión de esas áreas (es decir, tejido urbano o clases CLC 111 y 112) está impulsado por el cambio en el número total de hogares urbanos. Dado que la población ha crecido pero el número medio de personas por hogar ha disminuido en toda Europa desde el siglo XIX, la demanda de vivienda aumentó sustancialmente. El movimiento de población hacia los bordes de las ciudades (suburbanización) va acompañado de la reducción de la densidad de población en los "núcleos" urbanos donde un número similar de hogares contiene un stock de población decreciente. Este proceso de aplanamiento de la distribución de la población como una función logarítmica de la distancia a los núcleos urbanos fue cuantificado por Clark44 y muchos estudios posteriores45,46.

Al tomar la población urbana total U y el número promedio de personas por hogar H (tamaño del hogar) de nuestras estadísticas históricas, podemos calcular el número total de hogares urbanos Nt = Ht/Ut en el año t para cada región. Simulamos cómo el aumento de Nt ha provocado la expansión del tejido urbano a través de la construcción de nuevas viviendas e infraestructura relacionada en áreas previamente no desarrolladas. En casos raros, en los últimos años, ha habido una disminución en los hogares urbanos a lo largo del tiempo. Hasta ahora, esto ha llevado a que las viviendas se desocuparan en lugar de a una contracción del área del tejido urbano.

El modelado opera modificando, para un paso de tiempo dado t, la población por celda de cuadrícula de tejido urbano P2011 definida en la cuadrícula de población de referencia. Esto se hace de forma separada e independiente para cada VLAU, donde la población urbana de referencia total es \({U}_{2011}=\sum {P}_{2011}\). El objetivo de este paso de modelado es generar una nueva cuadrícula de población, donde \(\sum {P}_{2011}\) coincide con Ut, que a su vez es la población urbana total de una VLAU en el paso de tiempo t. Ut se define de antemano para cada VLAU, ya que es un ajuste proporcional de la población total de todas las VLAU en una determinada región NUTS3, calculado ya en la sección S2.2, a la población urbana total de una región NUTS3 definida en las estadísticas históricas. Por lo tanto, conocemos la población urbana esperada en una VLAU y tenemos que modificar la cuadrícula de población para reproducir los cambios históricos en el tamaño de la población urbana y el cambio de su distribución dentro de las ciudades. Los cambios en el tamaño del hogar se toman de las estadísticas históricas en el nivel NUTS3. El procedimiento se realiza por pasos:

En cada celda de cuadrícula de tejido urbano en una VLAU, la población de celda de cuadrícula P en el año t se modifica en relación con la línea de base de 2011 para tener en cuenta el cambio en el tamaño del hogar:

donde H es el tamaño medio del hogar, determinado para cada región NUTS3;

Todas las celdas de la cuadrícula en una región se clasifican por distancia a los centros urbanos (se explica más adelante en el texto), donde las celdas mejor clasificadas son las más cercanas a cualquier centro urbano.

El excedente de población St se calcula:

donde \({U}_{t}=\sum {P}_{t}\) es la población urbana total en la VLAU. El modelado termina aquí si St = 0, pero ese casi nunca es el caso. St suele ser positivo o negativo e indica cuántas personas, después de ajustar la cuadrícula de población al tamaño del hogar del nivel histórico Ht, deben eliminarse o agregarse a la cuadrícula para que coincida con la población total histórica Ut. Dependiendo de si se modela un año antes o después de la línea de base, se pueden discernir cuatro combinaciones de St y t, como se indica en la Tabla 7.

En los dos casos A y B, es decir, St > 0, t < 2011 y St < 0, t > 2011, el número de hogares y, por lo tanto, la extensión de las áreas urbanas, se expandió con el tiempo. Para períodos de tiempo anteriores a 2011, esto significa que parte del tejido urbano debe eliminarse del conjunto de datos ráster de cobertura/uso del suelo de referencia (caso A), mientras que para períodos de tiempo posteriores a 2011 se debe agregar más tejido urbano (caso B). Los cambios en la población de celdas de cuadrícula P dependerán de la distancia a los centros urbanos d. La distancia desde los centros urbanos utilizada aquí es un promedio ponderado de diferentes medidas de los centros de población ("distancia combinada") para capturar los múltiples niveles de jerarquía existentes en las redes urbanas. Se probaron cinco conjuntos de datos diferentes y, según un proceso de calibración explicado en el Texto complementario S2 (el mismo que en Paprotny et al.32), se seleccionaron cuatro de esos conjuntos de datos para la distancia combinada desde los centros urbanos. Los conjuntos de datos y sus pesos son los siguientes:

Centros arbitrarios de grandes aglomeraciones (más de 300.000 personas en 2018) y ciudades capitales de la Revisión de 2018 de las perspectivas de urbanización mundial de las Naciones Unidas (https://population.un.org/wup/), con un peso de 1,0

Centroides de conglomerados de población de alta densidad44, con un peso de 1,5

Centroides de ciudades incluidas en el Atlas Urbano 201844, con un peso de 2,0

Centroides de los parches urbanos Corine Land Cover 2012, con un peso de 0.5.

La distancia combinada se calcula para cada celda de la cuadrícula. Luego, el modelado continúa dependiendo del caso:

Caso A: las celdas de la cuadrícula urbana se eliminan de manera iterativa retrocediendo desde el año base 2011, comenzando con la de menor rango (i = 1), y su población se reduce en la proporción D:

La proporción D se basa en el logaritmo de la distancia a los centros urbanos d en hectómetros:

En cada iteración, el excedente se reduce por la cantidad de población redistribuida:

El cálculo continúa hasta que St,i = 0. Sin embargo, si en cualquier iteración hay más población en la(s) celda(s) de la cuadrícula que excedente restante, es decir:

la población se reduce por la cantidad disponible, se divide proporcionalmente a la población de celdas de la cuadrícula si hay más celdas con el mismo rango:

Caso B: las celdas en las que es más probable que haya tenido lugar una expansión urbana se identifican utilizando el modelo de transición del uso del suelo descrito en el paso 10, comenzando con las celdas con la mayor probabilidad de transición. Si a más celdas se les daba la misma probabilidad de transición al tejido urbano que la necesaria para asignar la población adicional, las celdas dentro de ese grupo se clasificaban según la distancia desde el centro urbano. La población en las celdas con la clasificación más alta, es decir, la iteración i = 1, se establece en la población máxima por celda de cuadrícula en la VLAU, reducida en la proporción D de la ecuación. 12:

En cada iteración, el excedente se incrementa por la cantidad de población redistribuida:

El cálculo continúa hasta St,i = 0. Sin embargo, si en cualquier iteración hay más población para redistribuir que el excedente disponible, es decir:

el excedente se distribuye por igual entre todas las celdas que se modificaron hasta esta iteración (denotado n):

Si no hay celdas de cuadrícula vacías disponibles en la VLAU, la población de todas las celdas de cuadrícula urbana aumenta proporcionalmente de la misma manera que en la ecuación. 19

Caso C y D: en esos casos, el número de hogares disminuyó con el tiempo, ya que algunas viviendas quedaron desocupadas. El casco urbano se mantuvo invariable, ya que el tejido urbano no se sustrae salvo en casos muy extremos. Antes de 2011, la población en todas las celdas de la cuadrícula urbana se agregó a la cuadrícula (caso C), mientras que después de 2011 se eliminó (caso D). La población aumentó/disminuyó proporcionalmente a la población en una celda de cuadrícula determinada en 2011 (como en la ecuación 19).

Modelar la redistribución de la población en áreas urbanas está entrelazado con el cambio en el área del tejido urbano. En los casos A y B, el área urbana cambia como resultado del crecimiento del número de hogares urbanos, en contraste con los casos C y D, donde el tejido urbano se mantiene sin cambios. Dado que el tejido urbano está estrechamente relacionado con una alta densidad de población, las celdas de la cuadrícula del tejido urbano solo se eliminan (caso A) o se agregan (caso B) al conjunto de datos de referencia si los cambios en la densidad de población son lo suficientemente grandes. En consecuencia, el tejido urbano se elimina en intervalos de tiempo antes del año de referencia 2011 solo si la población en una celda de la cuadrícula se redujo a menos de 9 personas. Para períodos posteriores a 2011, solo un aumento de la población a más de 81 por celda de cuadrícula de 100 m dio como resultado la transición a una clase de tejido urbano. Ambos umbrales se obtuvieron calibrando el modelo para que coincidiera con la magnitud del cambio observado en los inventarios de CLC (2000-2018). Entre 2000 y 2012, el tejido urbano se expandió en casi 1,88 millones de ha, mientras que entre 2012 y 2018 solo en 98.676 ha, según datos de la CLC. Al establecer los umbrales de población a través de la calibración, el modelo representa correctamente el efecto del cambio de población urbana en el tipo de uso del suelo. Como se muestra en los resultados, la calibración era efectivamente aplicable al año 1900.

Los aeropuertos y los embalses son grandes elementos de infraestructura que aparecieron por primera vez dentro del marco de tiempo de este estudio. Como el período de construcción de estos suele ser bien conocido y su número es relativamente pequeño, se eliminan o se agregan al conjunto de datos ráster de línea de base según el año de construcción. Identificamos 1598 aeropuertos y 1121 embalses grandes (Fig. 4) en el área de estudio mediante la combinación de conjuntos de datos CLC (CLC clases 124 y 512) con bases de datos globales de esos objetos (https://www.globaldamwatch.org/grand y https:/ /ourairports.com/data/) y complementado con una investigación basada en la web de su historia. Aunque HANZE v1.0 también incluía dichos datos, debido a la adición de nuevos países, el uso de un conjunto de datos CLC revisado y actualizaciones de las bases de datos globales de aeropuertos y embalses, recopilamos los datos sobre aeropuertos y embalses desde cero. Un aeropuerto o embalses que se eliminan del conjunto de datos de referencia permiten que otros tipos de uso del suelo llenen el espacio vacío resultante. Una adición de tal objeto después de 2011 elimina cualquier población que estuviera presente allí en 2011.

Número de (a) aeropuertos y (b) embalses construidos en el área de estudio entre 1870 y 2020 (períodos de 5 años que terminan en el año indicado).

La población rural se vuelve a calcular por separado para cada VLAU, ajustando la población de referencia de la celda de cuadrícula proporcionalmente a su valor, de modo que sea igual a la población esperada en esa área. Durante los años anteriores a la línea de base, las áreas de las que se eliminó el tejido urbano todavía se consideraban urbanas a los efectos de este cálculo. Durante los años posteriores a la línea de base, la población rural en áreas que hicieron la transición al tejido urbano ya no se considera rural, por lo tanto, el ajuste se realiza solo a las celdas rurales restantes en la VLAU.

Como la población siempre se registra como números enteros, podría surgir una discrepancia al ajustar la población en las celdas de la cuadrícula y luego redondearla. Por lo tanto, la población ajustada en las celdas de la cuadrícula se redondea primero usando la función "piso", y luego las celdas de la cuadrícula con los restos más altos de dividir los valores no redondeados por 1 se redondean usando la función "techo". El número de restos más altos está determinado por la diferencia entre la población esperada en la VLAU y la población total de celdas ajustada y redondeada usando la función "piso".

Se supuso que el área cubierta por grandes instalaciones industriales/comerciales (CLC clase 121) cambiaba proporcionalmente al PIB generado en una región NUTS3 por la industria y los servicios. Las celdas de cuadrícula industrial ubicadas más alejadas de los centroides de los parches de uso de suelo industrial se eliminan primero cuando se retrocede en el tiempo. Para los intervalos de tiempo posteriores al año de referencia, primero se agregan las celdas de cuadrícula industrial más cercanas a los centroides. Solo se permite que el uso industrial del suelo se extienda a celdas deshabitadas de algunas clases de CLC: sitios de construcción (133), agrícolas (211–244) y ciertas áreas naturales (311–324 y 333). Sin embargo, el crecimiento del PIB de la industria y los servicios solo está parcialmente impulsado por la expansión de las instalaciones, ya que la productividad del capital y la mano de obra tiende a aumentar. De hecho, la clase CLC 121 ha crecido entre 2000 y 2018 (basado en CLC 2012 y CLC-Changes) en un 16 % en el área de estudio, pero el PIB de la industria y los servicios aumentó en un 32 %. Por lo tanto, el cambio en el PIB de la industria/servicios está escalado por una elasticidad de 0,45, por lo que los cambios modelados entre 2000 y 2018 en el área de estudio tienen la misma magnitud que se observa en el inventario CLC. El área industrial A en la región r y año t es la siguiente:

donde ε es la elasticidad y Gr es el PIB regional de industria/servicios según las estadísticas históricas a nivel NUTS3.

Se supuso que el área cubierta por carreteras y vías férreas (CLC clase 122) antes de 2000 cambiaría proporcionalmente a la longitud de las autopistas y vías férreas. Los datos históricos sobre la longitud de este tipo de infraestructura se incluyeron en la base de datos de entrada. Dado que la infraestructura se construyó primero en grandes zonas urbanas e industriales, las celdas de cuadrícula de infraestructura (CLC clase 122) ubicadas más lejos de los centros urbanos se eliminan primero cuando se retrocede en el tiempo hasta que el área total por región coincida con el valor de la base de datos. Por el contrario, las celdas de cuadrícula más cercanas a los centros urbanos se llenan con infraestructura para intervalos de tiempo posteriores al año de referencia. Se permite que la infraestructura se extienda solo a clases particulares de CLC: sitios de construcción (133), agrícolas (211–244) y ciertos naturales (311–324 y 333). Sin embargo, los sitios de construcción fueron priorizados sobre otras clases de CLC; todas las celdas de la cuadrícula de 'construcción' deben agotarse antes de que se puedan considerar otras clases de CLC. El motivo es que, además del tejido urbano o los polígonos industriales ya considerados en pasos anteriores, los solares viales y ferroviarios son los resultados más frecuentes de la actividad constructora. Encontramos este patrón en las transiciones de uso del suelo en inventarios CLC posteriores (2000–2018): casi la mitad del área de sitios de construcción en el inventario CLC que hizo la transición a la clase de otro tejido urbano o sitios industriales (considerados en pasos anteriores) hizo la transición a la infraestructura para el momento del próximo inventario de 6 años.

Los sitios de construcción (clase 131 de CLC) son, por definición, un uso temporal de la tierra, por lo general solo por unos pocos años. El inventario de CLC muestra que entre el 76 y el 81 % de los sitios de construcción hacen la transición a otro uso del suelo durante los períodos de 6 años entre los conjuntos de datos de CLC (2000–2006, 2006–2012, 2012–2018). Por lo tanto, para los años 2005–2011, se supuso que su área era constante, mientras que para los años 1870–2004 todos los sitios de construcción se eliminaron del conjunto de datos. Después de 2011, se les permitió hacer la transición a tejido urbano, sitios industriales, carreteras, vías férreas y aeropuertos (CLC 111–122 y 124), pero por lo demás se mantuvieron sin cambios.

Las zonas verdes urbanas, las instalaciones deportivas y de ocio (CLC clases 141 y 142) están íntimamente relacionadas con otras superficies artificiales. Casi dos tercios de esos parches de CLC limitan con tejido urbano, sitios industriales, sitios de carreteras/ferrocarriles o aeropuertos en el inventario de CLC 2012. Por lo tanto, los parches de las clases 141 y 142 de CLC que limitaban con las clases 111–122 y 124 de CLC en el conjunto de datos de referencia se eliminan si, en un período de tiempo determinado, ya no bordean las clases 111–122 y 124 de CLC debido a la aplicación de modelos anteriores. pasos. Los puertos, la extracción de minerales y los vertederos (CLC clases 123, 131 y 132) son grandes elementos de infraestructura como aeropuertos y embalses, pero son demasiado numerosos (casi 15.000 objetos) y su historia es menos rastreable para aplicar el mismo enfoque que para los aeropuertos. . Por lo tanto, se mantuvieron constantes en cada paso de tiempo y no interactuaron con otras clases de uso del suelo, excepto en relación con la construcción de pólderes (paso 1) o embalses (paso 4).

El concepto general de modelar los cambios de la tierra agrícola se tomó del conjunto de datos HYDE50, es decir, la idoneidad local para la agricultura determina dónde se expande esta clase de uso de la tierra (primero la tierra disponible más adecuada) y dónde se contrae (primero la menos adecuada cae en desuso). La evolución de las áreas agrícolas y el aumento del tejido urbano después del año de referencia se calculó utilizando un modelo que utiliza una red bayesiana (BN) que combina la teoría de la probabilidad y la teoría de grafos para construir y operar una distribución conjunta. La BN está entrenada con el conjunto de datos CLC-Changes, que registra 1,2 millones de transiciones que involucran parches de tierra de más de 5 ha, y CLC 2012 que identifica los tipos de uso de la tierra que no hicieron la transición entre 2000 y 2018. CLC-Changes y CLC 2012 Se tomaron muestras del inventario para obtener 513 915 casos de transición y un número igual de parches de uso del suelo estables entre 2000 y 2018. Para cada ubicación, se extrajo información de diferentes conjuntos de datos ráster como predictores de cambios en el uso del suelo: elevación y pendiente de EU- Conjunto de datos DEM51 (https://ec.europa.eu/eurostat/web/gisco/geodata/reference-data/elevation/eu-dem/eu-dem-laea, idoneidad agrícola de Global Agro-Ecological Zoning (GAEZ) versión 4 base de datos (https://gaez-data-portal-hqfao.hub.arcgis.com/) y conjunto de datos de población de los pasos 2 y 3. El procedimiento de muestreo y una lista de todos los predictores probados se describen en el Texto complementario S3.

Como la información de uso de suelo es categórica, se utilizó un BN discreto. Las clases de uso del suelo se recopilaron en 5 contenedores (tejido urbano, otro artificial, tierras de cultivo, pastos, natural). El contenedor con tierra natural excluye los tipos de cobertura de tierra no utilizables (CLC 331–332, 334–335, 421–523), que no pueden interactuar con el uso de la tierra artificial o agrícola. El modelo BN se construyó iterativamente, comenzando con una red simple de tres nodos, donde la clase de uso de la tierra "antigua" es el padre de la clase de uso de la tierra "nueva", y una sola variable predictora es el padre de ambas clases de uso de la tierra. usar nodos. Los BN más complejos con más predictores se validaron respectivamente contra un subconjunto separado de muestras de transiciones y no transiciones no utilizadas para el entrenamiento (consulte el Texto complementario S3 para conocer el procedimiento de muestreo y la "Validación técnica" para obtener los resultados finales de la validación). De manera iterativa, se seleccionaron los mejores predictores, el número de predictores y el número de contenedores (en los que se discretizaron las variables continuas). Se eligieron tres predictores, todos los cuales son padres de los dos nodos de uso del suelo (Fig. 5):

Densidad de población por VLAU: 9 contenedores;

Índice de idoneidad para el trigo: densidad de producción (producción potencial dividida por el área total de la celda de la cuadrícula) para el trigo en condiciones de secano y alto nivel de insumos: 5 contenedores;

Índice de idoneidad para pasto: rendimiento agroclimático potencial para pasto con un contenido de agua disponible de 200 mm/m (en condiciones de riego) y alto nivel de entrada: 10 contenedores.

Red Bayesiana para transiciones de uso del suelo con 5 nodos y 7 arcos. Los nodos indican el número de contenedores de las distribuciones discretas y los intervalos de los contenedores.

Los dos índices de idoneidad agrícola provienen de la base de datos GAEZ, basados ​​en el clima de 1971–2000. Como el BN se cuantifica con una tabla de probabilidad condicional (CPT), esta configuración da como resultado que el CPT tenga 11.250 celdas. Por lo tanto, no se agregaron más variables para evitar muy pocos puntos de datos que cuantificaran las celdas del CPT.

La Figura 6 muestra un ejemplo de aplicación de la Red Bayesiana. En este caso, conocemos el uso actual de la tierra (tierras de cultivo) y que, en algún período anterior, la superficie total de tierras de cultivo en una región NUTS3 era inferior a la actual. Por lo tanto, queremos saber la probabilidad de que el uso de la tierra fuera diferente al de las tierras de cultivo en las celdas de la cuadrícula ubicadas en la región. La Figura 6a muestra un área que probablemente también fue una tierra de cultivo antes, debido a la densidad de población relativamente alta y la buena idoneidad para la agricultura. El área de la Fig. 6b tiene una idoneidad más baja, lo que indica una probabilidad mucho mayor de que el área se haya utilizado para otros fines que no sean tierras de cultivo. En consecuencia, el área de la Fig. 6b se clasificará más alto que el área de la Fig. 6a al seleccionar qué celdas de cuadrícula de tierras de cultivo se eliminarán del conjunto de datos ráster para hacer coincidir el área total de tierras de cultivo con datos estadísticos históricos.

Ejemplo de una red bayesiana condicionada para transiciones de uso del suelo. El panel (a) muestra un área altamente apta para tierras de cultivo y (b) una no apta. El gráfico indica la probabilidad anterior (situación en la Fig. 5) y posterior (los nodos en gris están condicionados con los valores indicados) del tipo de uso de la tierra anterior (60.8% en (a) y 43.4% en (b) por ser tierras de cultivo).

El BN entrenado se utiliza para generar probabilidades de transiciones de uso de suelo en nueve casos, como sigue:

de no urbano a urbano después del año de referencia;

de tierras no cultivables a tierras cultivables después del año de referencia;

de no pasto a pasto después del año de referencia;

de tierras de cultivo a tierras de no cultivo después del año de referencia;

de pasto a no pasto después del año de referencia;

de tierras no cultivables a tierras cultivables antes del año de referencia;

de no pasto a pasto antes del año de referencia;

de tierras de cultivo a tierras no agrícolas antes del año de referencia;

de pasto a no pasto antes del año de referencia.

Como se señaló en la sección 2.4.3, la BN maneja el caso de transición de no urbano a urbano después de 2011. Cuando las necesidades de vivienda de la población resultan en la expansión de las ciudades, las áreas con mayor probabilidad de transición de suelo no urbano a urbano -El uso se acumula primero. El BN se usa de la misma manera para los ocho casos restantes relacionados con la agricultura, es decir, determinan en qué áreas agrícolas agregar o eliminar para que el área total de tierras de cultivo y pastos en el conjunto de datos ráster de cobertura/uso de la tierra para un paso de tiempo determinado coincide con los valores obtenidos de las estadísticas históricas por región NUTS3. Esto se hace de manera iterativa comenzando con parches de tierra con la mayor probabilidad de transición entre clases dadas (por ejemplo, no pastizales a pastizales). Primero se modela la redistribución de tierras de cultivo, luego se redistribuye el pasto en el segundo paso. La tierra todavía ocupada por tierras de cultivo después del primer paso no puede pasar a pastizales. Sin embargo, la tierra vaciada por la redistribución de tierras de cultivo en el primer paso puede convertirse en pasto en el segundo paso.

Necesitamos modelar las transiciones hacia atrás en el tiempo para períodos anteriores a 2011. Eliminamos parcialmente el tejido urbano o los sitios de carreteras/ferrocarriles en caso de que ocuparan menos tierra en el pasado y creamos un espacio vacío que las tierras de cultivo pueden ocupar. Más adelante en el tiempo, se trata de una transición de tierra cultivable a tierra no cultivable. La probabilidad de transición que se usa para determinar qué celdas llenar con tierras de cultivo es la probabilidad de que una celda que no es de tierras de cultivo haya sido antes una tierra de cultivo. Lo mismo se aplica a los pastos, con la condición de que no puedan ocupar celdas ya asignadas a tierras de cultivo. No se permite la transición de las superficies artificiales que quedan en este paso del modelo al uso de la tierra agrícola.

En el proceso iterativo de redistribución del uso de la tierra, la cantidad de celdas de la cuadrícula con la misma probabilidad de transición podría exceder la cantidad de celdas que deben convertirse para que coincida con el área total en las estadísticas históricas. Esto sucede a menudo porque los predictores (conjunto de datos GAEZ y densidad de población por VLAU) tienen una resolución relativamente baja junto con una pequeña cantidad de contenedores en los que se dividen los datos. Para derivar celdas de cuadrícula exactas de 100 m a partir de parches de tierra de igual probabilidad, se agregó otro predictor de idoneidad agrícola. La pendiente del terreno es un predictor importante, también utilizado en los dos índices de aptitud agrícola de la FAO. Está disponible en la resolución objetivo (100 m) como una cantidad continua del conjunto de datos de elevación EU-DEM. La pendiente más baja indica una mejor idoneidad para la actividad agrícola, por lo tanto, las celdas de 100 m de igual probabilidad de transición se clasifican de acuerdo con la pendiente de menor a mayor. Se agrega/elimina el número apropiado de celdas con la clasificación más alta para que el área total de tierras de cultivo o pastos coincida exactamente con el área total en las estadísticas históricas.

Las áreas naturales contienen menos del 1% de la población y los activos fijos, por lo tanto, se realiza un modelo limitado para esas clases. Las áreas donde la vegetación se ha quemado (típicamente bosques) son por definición un uso temporal de la tierra. Las áreas quemadas tienen una vida muy corta: casi ninguno de los parches de cobertura terrestre en esta clase (CLC 334) en 2012 estaba presente en los inventarios CLC de 2006 o 2018. Para los años 2007–2017, se supuso que el área quemada era constante, mientras que para los años 1870–2006 y 2018–2020 todas las áreas quemadas se eliminaron del conjunto de datos. Como casi todas las áreas quemadas son anteriormente o posteriormente clases CLC 311–324, este paso de modelado se realiza después de redistribuir las áreas agrícolas. Aún así, no hay exposición en las áreas quemadas y muy poca exposición en el uso anterior de la tierra, excepto en casos raros.

Las áreas naturales son lo que queda después de modelar áreas artificiales, agrícolas y quemadas, así como embalses y casos especiales. Las áreas naturales cubrirían todo el continente sin actividad humana. Por lo tanto, si la tierra queda desocupada como resultado del modelado, se le asigna la misma cobertura de tierra natural que es típica en su vecindario más cercano. La cubierta vegetal natural típica (clases CLC 311–324 y 411–422) se define como la que ocurre con mayor frecuencia dentro de la VLAU. El cálculo se realiza por separado para los bosques (CLC 311–313) y otras tierras naturales (CLC 321–324 y 411–422), y se utiliza el más frecuente de los dos grupos. Si no hay cobertura natural en la VLAU, se utiliza la cobertura vegetal dominante de la región NUTS3 aplicable. Si no se localizaba ninguna cubierta vegetal en la región NUTS3, se suponía que la tierra desocupada estaba cubierta por arbustos-bosques de transición (CLC 324), ya que es la tierra natural no forestal más común en el área de estudio.

Después de la primera asignación, la superficie total de bosques se compara con los datos históricos de la base de datos NUTS3. Si hay demasiada superficie forestal en una región NUTS3 dada, la tierra que se asignó a bosque en este paso se convierte iterativamente en la clase no forestal más frecuente, comenzando con la VLAU más densamente poblada. Por el contrario, si no hay suficiente terreno forestal, las celdas que se asignaron a la vegetación no forestal en este paso se convierten iterativamente en la clase de bosque más frecuente, comenzando con la VLAU menos densamente poblada.

Todas las demás tierras naturales, sin vegetación y generalmente prohibitivas para la construcción o la agricultura, es decir, playas, dunas, arenas (CLC 331), rocas desnudas (CLC 332), glaciares y nieves perpetuas (CLC 335), planicies intermareales (CLC 423) y agua (CLC 511-523), se mantuvieron constantes en todo momento. Los parches de esos tipos de cobertura terrestre se eliminan del conjunto de datos solo en conexión con el embalse (paso 4) o la construcción de pólderes (paso 1).

Los cambios en el sellado del suelo se basan completamente en las transiciones del uso de la tierra, por lo tanto, este paso se lleva a cabo después del modelado del uso de la tierra, pero antes del desglose de los datos económicos. El sellado del suelo en el conjunto de datos ráster de referencia aumenta al valor promedio para una clase de CLC dada (Tabla 8) cuando la tierra no artificial pasa a ser artificial, a menos que ya sea más alto que ese valor. Para el cálculo hacia atrás en el tiempo para períodos de tiempo anteriores a 2011, siempre que la tierra que actualmente es artificial se cambia a agrícola, el grado de sellado del suelo se reduce al 1 %. Asimismo, se reduce al 0% en los casos de cambio de suelo agrícola o artificial a suelo natural.

La desagregación de datos económicos sigue métodos de mapeo dasimétrico, similares a los aplicados en estudios europeos52 o globales53, incluido HANZE v1.0. Se introdujeron varias revisiones a este último (Cuadro 9). El PIB regional se divide en parte proporcionalmente a la población y en parte según el uso de la tierra (con sellado del suelo cuando corresponda). De esta manera, se representa tanto la mano de obra (parte de la población total) como el capital (relacionado con el uso de la tierra) como aporte al PIB. La participación del trabajo en el PIB de los países avanzados es de alrededor del 60 % y se ha mantenido relativamente estable a lo largo del tiempo54. Así, el 60% del PIB se desagrega por población y el 40% restante por uso del suelo. Los activos fijos en términos absolutos por región se calculan multiplicando el PIB regional, o un sector de la misma, por la respectiva relación riqueza/PIB de cada sector, según lo definido por las variables "Activos fijos" (Cuadro 6). La vivienda y los bienes de consumo duraderos se distribuyen según la población total, ya que están más estrechamente relacionados con la distribución de la población. Otros activos, relacionados con las actividades económicas, se distribuyen a las clases de uso de la tierra apropiadas, en proporción al grado de sellado del suelo. Finalmente, la infraestructura se distribuye a suelo urbano e industrial (CLC clases 111-121) proporcionalmente al área cubierta por carreteras y calles, y a carreteras/ferrocarriles, puertos y aeropuertos (CLC clases 122-124) proporcionalmente al grado de suelo sellando.

También hay supuestos adicionales sobre la desagregación del PIB y la riqueza para dos sectores. El sector agrícola abarca la agricultura, la pesca y la silvicultura, mientras que el sector industrial incluye la minería, la manufactura y los servicios públicos. No se dispone de un desglose detallado de esos subsectores a nivel regional para el PIB, o en absoluto para los activos fijos, excepto para un pequeño número de países. Por lo tanto, el PIB regional y la riqueza de la silvicultura y la minería se estimaron calculando "índices de eficiencia" a nivel nacional. El índice forestal se compiló calculando el PIB de la agricultura (sin silvicultura) a nivel nacional por hectárea de tierra agrícola de CLC y el PIB de la silvicultura por hectárea de tierra forestal. Esos valores fueron computados para el año 2000 para todos los países y presentados como eficiencia de la economía forestal relativa a otra agricultura en %. Esta relación se utilizó para calcular la participación relativa de la silvicultura en el PIB regional en un año determinado en función de la cobertura/uso de la tierra modelada para ese año:

donde G es el PIB, A es el área cubierta por la cobertura/uso de la tierra en un sector particular, Ec es el índice de eficiencia para el país c. El sector forestal se denota por f, el sector agrícola (sin silvicultura) por a, la región NUTS3 por ry el paso de tiempo por t. Por lo tanto, el PIB agrícola sin silvicultura es:

La relación riqueza/PIB para la agricultura se utiliza tanto para la silvicultura como para otras actividades agrícolas. La explotación de minas y canteras se separa del resto de actividades industriales (manufacturas y servicios públicos) utilizando un índice de eficiencia minera, calculado como el índice forestal. Del mismo modo, utiliza la proporción de áreas mineras (CLC 131) en relación con las áreas industriales (CLC 121) en cada región NUTS3 y paso de tiempo para desagregar los dos sectores. Las ecuaciones 21 y 22 son aplicables con sustitución de los diferentes sectores y tipos de uso de suelo. La relación riqueza/PIB para la industria se utiliza tanto para la minería como para otras industrias.

El conjunto de datos disponible en Zenodo55 consta de tres componentes (Tabla 10). El primero es un conjunto de rásteres GeoTIFF que cubren todo el dominio de 42 países. Cada ráster tiene una resolución de 100 m y la referencia espacial europea estándar ETRS89/LAEA (EPSG:3035). Hay un total de 195 conjuntos de datos ráster, uno de cada una de las cinco variables (cobertura/uso del suelo, población, PIB, activos fijos y sellado del suelo) y 39 intervalos de tiempo (decenal 1870–1950, quinquenal 1950–2000 y anual 2000– 2020). Las variables económicas se valoran en euros (EUR) utilizando un nivel de precios constante y tipos de cambio de otras monedas en el año 2020. Para una visualización más rápida de las cuadrículas de cobertura/uso del suelo, también se incluyen en el repositorio archivos de leyenda para ArcGIS y QGIS.

La segunda parte son estimaciones de incertidumbre de la exposición pasada a inundaciones. Se creó utilizando la capacidad del modelo para calcular resultados probabilísticos basados ​​en la incertidumbre de reconstruir la distribución de la población y las transiciones del uso de la tierra en el pasado (pasos 2 y 10 del modelado). Sin embargo, las distribuciones de incertidumbre de las celdas de cuadrículas individuales no son independientes, sino que están altamente correlacionadas, por lo que no fue posible presentar los límites de incertidumbre en el mismo formato que los conjuntos de datos ráster de "mejor estimación". En consecuencia, deben calcularse muestreando el modelo y agregando cada iteración para las zonas de peligro definidas. Las estimaciones de incertidumbre en el repositorio se crearon utilizando mapas de amenaza de inundaciones para eventos con períodos de retorno de 100 años, tomados de Paprotny et al.56 para amenazas costeras y Alfieri et al.57 para amenazas fluviales. Los percentiles 5, 20, 50, 80 y 95 de la población, el PIB y el valor de los activos fijos para los 39 intervalos de tiempo se encuentran en archivos separados para cada región NUTS 3, variable y tipo de peligro.

Los datos de entrada del modelo HANZE v2.0 que se utilizaron para generar este conjunto de datos se enumeran en las tablas complementarias S3–S6. De particular interés para los investigadores son las bases de datos de entrada de uso histórico de la tierra, población, PIB, activos fijos y otras variables demográficas y económicas. Las estadísticas están en su mayoría en el nivel NUTS 3 (algunas variables a nivel de país), compiladas en este estudio y en el anterior (HANZE v1.0)32 mediante la armonización de casi 400 fuentes de datos separadas, por lo que también se incluyen como la tercera parte de los datos de salida. (Cuadros 11, 12).

La validación de datos de exposición de alta resolución es un desafío importante debido a la disponibilidad limitada de conjuntos de datos de observación comparables29. Aquí, utilizamos los datos de población y uso de la tierra disponibles para la validación y comparamos más los resultados con otros conjuntos de datos modelados publicados. Actualmente no es posible validar el desglose de los datos económicos debido a la falta total de datos de observación.

Hay una falta general de datos de referencia de población de muy alta resolución, en parte debido a razones de confidencialidad29. La cuadrícula de 1 km de GEOSTAT, nuestra entrada para el desglose de la población, ya está distorsionada artificialmente en algunas celdas de la cuadrícula debido al "tratamiento de la confidencialidad". Proporciona la resolución más alta disponible para un producto de observación. Por lo tanto, preparamos un desglose alternativo de 1 km de población a 100 m utilizando la superficie útil de los edificios residenciales como predictor, en lugar de datos agregados de uso del suelo y sellado del suelo. Utilizamos datos vectoriales de construcción de alta resolución (https://www.geoportal.gov.pl/dane/baza-danych-obiektow-topograficznych-bdot) para municipios amenazados por el aumento del nivel del mar en Polonia aplicados anteriormente por Paprotny y Terefenko58, como los datos que usaron eran precisos a partir de 2012/13, que está cerca de nuestro año de referencia. Dentro de cada celda de cuadrícula de 1 km completamente dentro del área de validación, calculamos el espacio de piso residencial en m² usando el área de edificios residenciales, multiplicado por el número de pisos, por celda de cuadrícula de 100 m de nuestra cuadrícula de población de alta resolución. La población se distribuyó proporcionalmente al espacio de piso en cada celda de 100 m. Para el cálculo excluimos los establecimientos de vivienda colectiva en los que las personas normalmente no registran domicilios, casas de veraneo o edificios abandonados.

Comparamos nuestros resultados modelados con la desagregación alternativa y una desagregación de 100 m de GEOSTAT previamente publicada llamada GHS59. A continuación, esas cuadrículas se cruzaron con mapas paneuropeos de riesgo de inundaciones para las costas56 y los ríos57. Descubrimos que las cuadrículas de HANZE y GHS suavizan demasiado la distribución espacial de la población, como lo indican las proporciones de falsos positivos (Tabla 13). Casi el 40% de las celdas pobladas en HANZE no tienen población indicada en el conjunto de datos de referencia, aunque en la mitad de esos casos la población indicada es solo una o dos personas. La proporción de falsos positivos es mayor en GHS que en HANZE y superior al 40%. Por el contrario, HANZE rara vez indica incorrectamente que no hay población: solo el 3,5 % de las celdas que no se completan en HANZE se completan en el conjunto de datos de referencia. Esto es menos que el 4,7% en GHS (proporción de falsos negativos en la Tabla 13). La exposición dentro de las zonas de inundaciones costeras y fluviales de los municipios de la zona costera polaca (con al menos 30 personas expuestas) estuvo bien representada en su mayoría, con un error medio superior al 10 % en HANZE. HANZE logró mejores resultados que GHS para las zonas de riesgo de inundaciones fluviales, aunque GHS modeló mejor la exposición a inundaciones costeras. Se llevó a cabo una verificación final de los conjuntos de datos agrupando la población por celdas de cuadrícula de 100 m en intervalos de aumento por factor de 2: [0,1], [1,2], [2,4], [4,8] , [8,16] etc. Encontramos que la población por celda en HANZE estaba dentro de +/− 1 intervalo del conjunto de datos de validación en el 53 % de los casos, que es mejor que el 44 % calculado para el conjunto de datos GHS.

El nivel más detallado en el que es posible la validación de los cambios de población modelados es el nivel municipal. Obtuvimos dos conjuntos de datos de referencia para este propósito. En primer lugar, usamos el conjunto de datos paneuropeo (1960-2010) con datos de población por unidad administrativa local para cuantificar nuestro modelo (consulte el Texto complementario S1). En segundo lugar, reunimos un conjunto de datos con un período de tiempo más largo para Austria basado en datos de censos históricos recalculados para los municipios actuales por Statistik Austria (https://www.statistik.at/datenbanken/statcube-statistische-datenbank) y combinados con un vector conjunto de datos de sus límites (https://www.data.gv.at/katalog/dataset/verwaltungsgrenzen-vgd-stichtagsdaten-grundstucksgenau). El conjunto de datos de población de referencia resultante cubre todo el período de tiempo de este estudio (1870–2020) y 2117 unidades: todos los municipios más los distritos de Viena (Figura complementaria S9). Para una mayor comparación, utilizamos el conjunto de datos HYDE 3.225, recalculado a partir de una resolución de 5′ para municipios. Tanto HANZE como HYDE utilizan datos de población subnacional que se desglosan tanto en el espacio como en el tiempo, lo que los convierte en los productos de exposición comparables más cercanos.

La precisión del cambio de población a nivel de unidades administrativas locales (LAU) se analizó utilizando la diferencia absoluta promedio en la población modelada y observada por LAU en relación con la población observada en un año determinado. Como indica la figura 7a, el error crece a medida que transcurre más tiempo desde el año de referencia, alcanzando un promedio de alrededor del 20 % en 1960 (en ambas áreas de validación) y del 40 % en 1870 (en Austria). Sin embargo, la mayoría de las LAU son pequeñas comunidades rurales, con más de la mitad de las LAU en Europa con una población de menos de 1000 en 1960, y un tercio en Austria en 1870 (Tabla complementaria S7). Tanto las LAU europeas como las austriacas han cambiado la población en más de un factor de dos desde 1960 y 1870, respectivamente. Por lo tanto, los errores absolutos son en su mayoría pequeños (menos de 200 personas en la mitad de las LAU en Europa). En las LAU más grandes, los errores relativos son más pequeños, aunque en Austria en 1870 los errores en particular los distritos de Viena dominaron la agrupación más grande de LAU. El error varía según el país (Fig. 7b) y está parcialmente relacionado con el tamaño de las LAU (relativamente pequeñas en Francia o el Reino Unido, grandes en Polonia y Grecia) o el número de LAU por región NUTS3 (en promedio 381 en Francia, pero sólo 28 en Alemania). Los países con grandes LAU o pequeñas regiones NUTS3 muestran errores menos significativos. En general, HANZE muestra menos errores que HYDE, con pequeñas excepciones, por ejemplo en Austria después de 1980, aunque los cambios de población en ese período fueron bastante pequeños en comparación con décadas anteriores. De todos los países principales, Francia y Bélgica muestran mayores errores en HANZE que en HYDE al estimar la población en 1960, mientras que entre los países pequeños esto solo ocurre en Luxemburgo y Eslovenia.

Precisión de la estimación del cambio de población en comparación con el conjunto de datos HYDE. La métrica de error (en %) indica la diferencia absoluta promedio en la población modelada y observada por LAU en relación con la población observada en un año determinado (a) y entre países en 1960 (b).

La validación del cambio de uso/cobertura de la tierra se basa en muestras de CLC y CLC-Cambios de 2000 a 2018. Usamos dicha muestra para cuantificar el modelo de transición de uso de la tierra en el paso 10, pero para la validación hemos extraído una muestra adicional que no se superpone. muestra aleatoria de transiciones (CLC-Cambios) y no transiciones (la misma clase en diferentes inventarios de CLC). Se utilizó un total de 97 790 muestras para transiciones y no transiciones (consulte el Texto complementario S3 para obtener detalles sobre el procedimiento de muestreo). La cantidad neta de tierra que hizo la transición se conoce a partir de estadísticas históricas, por lo tanto, se selecciona un número definido de celdas con la mayor probabilidad de transición de acuerdo con el modelo de red bayesiana. Por lo tanto, una métrica de validación puede ser el porcentaje de las celdas mejor clasificadas, hasta la cantidad que se sabe que ha pasado entre clases definidas de uso de la tierra, que el modelo identificó correctamente. Como varía el número de celdas en las diferentes clases de uso del suelo, la tasa de éxito debe contrastarse con un resultado aleatorio, es decir, la tasa de éxito de elegir al azar celdas de uso del suelo como en transición. Los resultados se presentan en la Tabla 14. En todos los casos considerados de transiciones de uso del suelo, la tasa de éxito del modelo para identificar correctamente las celdas en transición en el conjunto de datos de validación es mucho mayor que si las celdas se eligieran al azar.

Los resultados generales del modelo de cobertura/uso de la tierra en HANZE se comparan con HILDA22,23,24. Tiene una resolución de 1 km y contiene cambios en la cobertura/uso del suelo para seis clases (agregados a partir de la clasificación CLC) desde 1900 hasta 2010 en un dominio de 29 países y territorios. HILDA es principalmente un modelo que reasigna el uso de la tierra en función de estadísticas históricas agregadas y mapas de probabilidad, de manera similar a HANZE y HYDE. No obstante, también integra, en la medida de lo posible, mapas históricos digitalizados. Por otro lado, HILDA se centra principalmente en las tierras agrícolas y su interacción con la vegetación natural, que es de menor interés en este estudio debido a la exposición relativamente baja relacionada con esas categorías de cobertura terrestre.

HILDA indica algunas similitudes importantes con HANZE. El área de superficies artificiales tiene una tendencia muy similar en los dos conjuntos de datos entre 1900 y 1990 (Fig. 8a), aunque HANZE se calibró solo para los años 2000–2018. Esto indica que los procesos subyacentes no cambian mucho con el tiempo y el modelo también es aplicable a momentos anteriores al período de calibración. HILDA indica casi ningún crecimiento en el área de superficie artificial después de 1990, en contraste con HANZE. Sin embargo, CLC y otros conjuntos de datos indican un fuerte crecimiento. Por ejemplo, los datos de la encuesta de uso de la tierra de LUCAS (https://ec.europa.eu/eurostat/statistics-explained/index.php?title=LUCAS_-_Land_use_and_land_cover_survey) para 23 países muestran que la expansión artificial de la superficie del 11 % en solo nueve años (2009-2018). El cambio en las tierras de cultivo es similar en ambos conjuntos de datos (Fig. 8b), ya que se utilizaron fuentes de datos en gran medida similares después de 1950. Antes de esa fecha, HANZE utilizó varios datos estadísticos nacionales, mientras que HILDA interpoló estadísticas históricas o mapas desde 1950 hasta 1900. Los conjuntos de datos difieren significativamente para pastos y bosques. HILDA indica una fuerte disminución en el área cubierta por pastizales, los cuales son reemplazados en su mayoría por bosques. Por el contrario, las estadísticas históricas recopiladas para HANZE no indican un patrón similar al de HILDA. Sin embargo, también podría deberse en parte a que no existe un modelo detallado para las transiciones entre la cubierta forestal y otras tierras naturales en HANZE. Por lo tanto, nuestro modelo no captura la reforestación de varios tipos de tierras naturales que caen dentro de la categoría de "pastos" en HILDA. Debido a la exposición muy baja y al cambio insignificante en esa exposición debido a dichas transiciones, no las abordamos con un modelo más detallado. Finalmente, HILDA sorprendentemente indica una disminución en el área cubierta por agua, lo que es opuesto a HANZE, donde la construcción de embalses conduce a la expansión general de las masas de agua en Europa.

Superficies artificiales en miles de km2 (a) y otras clases principales de uso del suelo en relación con el año 2010 (b) en HANZE (este estudio) e HILDA, para los 29 países y seis clases de uso/cobertura del suelo CLC agregadas disponibles en HILDA.

Ningún conjunto de datos cubre el sellado del suelo de ninguna fuente durante un período de tiempo más largo. Se podría hacer alguna comparación utilizando un conjunto de datos recientemente publicado de huellas de edificios en España (HISDAC60), que cubre los años 1900-2020. El conjunto de datos se basa en datos catastrales que registran el año de construcción de los edificios. Aunque los edificios forman solo una parte de las superficies selladas, comparamos la cobertura media de edificios y superficies selladas para 8109 municipios de la España europea (es decir, sin Ceuta, Melilla y las Islas Canarias) entre 1900 y 2020 de HANZE e HISDAC. Como comparación adicional, calculamos la superficie acumulada promedio entre 1975 y 2020 a partir de la Capa de asentamientos humanos globales (GHSL61), que obtiene esta información de las imágenes satelitales. En este dominio, la cobertura media en 2010 (más cercana al año de referencia) es del 1,17 % para HANZE (sellado de suelo), del 0,64 % para GHSL (superficies construidas) y del 0,50 % para HISDAC (huella de edificio). A pesar de la diferencia en la definición, HANZE está más correlacionado con ambos conjuntos de datos que HISDAC con GHSL (Fig. 9a), que debería estar más estrechamente relacionado. Avanzando más hacia el pasado, las correlaciones disminuyen, pero para 1975–2020 la correlación entre HISDAC y HANZE sigue siendo más alta que entre HISDAC y GHSL. Para los cambios a corto plazo (Fig. 9b), los tres conjuntos de datos muestran una correlación muy baja, con aumentos con el período de tiempo durante el cual se analizan los cambios. Para 1975, los cambios en HISDAC están más correlacionados con HANZE que con GHSL. Las tendencias en las huellas de los edificios en HISDAC muestran una correlación estable con las tendencias en el sellado del suelo HANZE para el período 1900-1960. Teniendo en cuenta que HANZE explícitamente no modela (parcial o totalmente) cambios en superficies artificiales con una exposición relativamente baja (por ejemplo, carreteras y vías férreas menores, vertederos, espacios recreativos urbanos, etc.), los resultados indican que el modelo puede capturar cambios a largo plazo. , variación intra-país del sellado del suelo.

Comparación de la correlación entre tres conjuntos de datos de cobertura artificial del suelo (% del área total) agregados a los municipios de España, (a) en un período de tiempo determinado o (b) diferencias entre un período de tiempo determinado y 2020.

El objetivo principal en la creación del conjunto de datos de exposición de HANZE fue calcular la exposición a desastres naturales pasados ​​y luego ajustar las pérdidas reportadas para varios eventos a un año de referencia común (comúnmente conocido como "normalización" de datos de pérdidas17). Paprotny et al.16 utilizaron HANZE para normalizar las pérdidas de 1564 eventos de inundación entre 1870 y 2016. En esta nueva versión de HANZE, el código está disponible públicamente para análisis posteriores. Todos los conjuntos de datos de entrada (Tablas complementarias S3–S6) están disponibles en un repositorio62, por lo tanto, el usuario solo necesita descargarlos y cambiar la ruta definida a la carpeta con datos. Luego, el código 63 se puede ejecutar usando las opciones básicas incrustadas en el código, que son:

generando cinco rasters de exposición (cobertura/uso del suelo, población, PIB, activos fijos, sellado del suelo) en formato GeoTIFF y resolución de 100 m. Se podría ejecutar un solo año o varios años de los incluidos en la base de datos (10 años 1870–1950, 5 años 1950–2000, anualmente 2000–2020). Además, se podrían incluir todas las regiones NUTS3, o solo una única región NUTS3, o varias regiones. Los conjuntos de datos de exposición de salida también están disponibles en el repositorio, ya que incluso si el modelo es bastante eficiente dada su resolución (alrededor de una hora para un paso de tiempo para todas las regiones NUTS3), calcular los 39 pasos de tiempo del estudio requeriría grandes recursos o tiempo.

cálculo de la exposición (población, PIB, activos fijos) por zona de riesgo. Para esto, se necesita un archivo ráster con la misma extensión espacial que los otros archivos ráster de entrada. Se proporcionan archivos de ejemplo en el repositorio, que permiten reproducir el análisis presentado en esta sección. Usando esta opción, un archivo de texto con datos (por años definidos por el usuario) se guarda por separado para cada región NUTS3.

cálculo de la exposición con límites de incertidumbre por zona de peligro. Esta es una extensión de la opción anterior, que guarda un archivo de texto por región y variable (población, PIB, activos fijos) con el percentil 5, 20, 50, 80 y 95.

El código también permite, por motivos de reproducibilidad, calcular algunos de los datos de entrada. Muchos de los conjuntos de datos de entrada requirieron extensas preparaciones únicas, por lo tanto, solo se pudieron incluir ciertos pasos de preprocesamiento. Es importante destacar que la rutina de desagregación de la población descrita y validada en este estudio se puede volver a ejecutar. Los umbrales de población para el mapeo dasimétrico también se pueden volver a calcular, así como los mapas de probabilidad utilizados en el modelado del uso de la tierra (paso 10). También se incluye código para reproducir la validación de cambio de población y cambio de uso de suelo. Finalmente, el código permite visualizar información de exposición seleccionada por evento de inundación (de la base de datos de inundaciones pasadas de HANZE v1.0) en forma de gráficos y mapas. Para cualquier región NUTS3 definida por el usuario, el código puede generar un mapa de exposición similar a la figura 10.

Un ejemplo de crecimiento de exposición modelado en las cercanías de Munich (región NUTS DE212), sur de Alemania, entre 1870 y 2020, contrastado con un mapa de inundaciones de ríos de 100 años (sombreado gris). Zona de riesgo de inundación de Alfieri et al.57.

En la Tabla 15 se muestran cinco ejemplos ilustrativos de inundaciones pasadas para resaltar cuán variados y, a veces, inciertos, pueden ser los cambios de exposición. Dependen no solo de qué tan lejos en el pasado ocurrió el evento (la incertidumbre aumenta con el tiempo), sino también si ocurrió en las zonas de expansión de las ciudades (donde la incertidumbre es mayor) en comparación con un área mayoritariamente rural, o qué parte de un La región NUTS 3 está en riesgo (dado que la población o los activos por región están definidos por estadísticas históricas, no habría incertidumbre si toda la región fuera una zona de peligro). Los mapas de las áreas afectadas, generados utilizando el código del modelo, se presentan en la figura complementaria S10. En el futuro, esperamos utilizar el modelo para atribuir los impactos de las inundaciones a factores ambientales y económicos al vincular HANZE más directamente con los modelos climático e hidrológico64,65.

Los usuarios deben ser conscientes de las limitaciones (p. ej., no todas las clases de uso de la tierra están cubiertas por el modelo, solo las más importantes) y las incertidumbres (relacionadas tanto con el enfoque del modelo como con la calidad de los datos de entrada). Se discutieron extensamente en relación con HANZE v1.0, por lo que remitimos al lector a Paprotny et al.32. En el futuro, esperamos utilizar el modelo para atribuir los impactos históricos de las inundaciones a los impulsores ambientales y económicos.

El código fuente de HANZE v2.0 (implementado en Python 3.9) presentado en el documento está archivado en https://doi.org/10.5281/zenodo.755695363. Todos los datos de entrada necesarios se archivan en https://doi.org/10.5281/zenodo.678302362. Los datos de impacto de inundación que se muestran en las Notas de uso, con una descripción de las fuentes de los datos, están disponibles en el repositorio HANZE v1.066, https://doi.org/10.4121/collection:HANZE.

Subvención, L. et al. Atribución del cambio en los sistemas lacustres globales al forzamiento antropogénico. Nat. Geosci. 14, 849–854 (2021).

Artículo ADS CAS Google Académico

Gudmundsson, L. et al. Tendencias observadas a nivel mundial en el caudal medio y extremo de los ríos atribuidas al cambio climático. Ciencia 371, 1159–1162 (2021).

Artículo ADS CAS PubMed Google Scholar

IPCC. Cambio Climático 2022: Impactos, Adaptación y Vulnerabilidad. Contribución del Grupo de Trabajo II al Sexto Informe de Evaluación del Panel Intergubernamental sobre Cambio Climático (Cambridge University Press, 2022).

Metin, AD et al. ¿Cómo afectan los cambios a lo largo de la cadena de riesgo al riesgo de inundaciones? Nat. Peligros Earth Syst. ciencia 18, 3089–3108 (2018).

Artículo ANUNCIOS Google Académico

Vousdoukas, MI y col. Comprender la incertidumbre epistémica en la evaluación del riesgo de inundaciones costeras a gran escala para climas presentes y futuros. Nat. Peligros Earth Syst. ciencia 18, 2127–2142 (2018).

Artículo ANUNCIOS Google Académico

Carisi, F., Schröter, K., Domeneghetti, A., Kreibich, H. & Castellarin, A. Desarrollo y evaluación de modelos de pérdidas por inundaciones uni y multivariables para Emilia-Romaña (Italia). Nat. Peligros Earth Syst. ciencia 18, 2057-2079 (2018).

Artículo ANUNCIOS Google Académico

Huizinga, J., de Moel, H. & Szewczyk, W. Funciones de daños por profundidad de inundaciones globales. Metodología y base de datos con lineamientos. Informe EUR 28552 EN (Oficina de Publicaciones de la Unión Europea, 2017).

Jongman, B. et al. Evaluación comparativa del modelo de daños por inundaciones: hacia un enfoque europeo. Nat. Peligros Earth Syst. ciencia 12, 3733–3752 (2012).

Artículo ANUNCIOS Google Académico

Paprotny, D. et al. Un enfoque probabilístico para estimar las pérdidas residenciales de diferentes tipos de inundaciones. Nat. Peligros 105, 2569–2601 (2021).

Artículo Google Académico

Barredo, JI Sin tendencia al alza en las pérdidas normalizadas por tormentas de viento en Europa: 1970–2008. Nat. Peligros Earth Syst. ciencia 10, 97–104 (2010).

Artículo ANUNCIOS Google Académico

Dawkins, LC, Stephenson, DB, Lockwood, JF y Maisey, PE El declive del siglo XXI en las tormentas de viento europeas dañinas. Nat. Peligros Earth Syst. ciencia 16, 1999–2007 (2016).

Artículo ANUNCIOS Google Académico

Welker, C., Röösli, T. & Bresch, DN Comparación de la perspectiva de una aseguradora sobre daños a edificios con daños modelados de conjuntos paneuropeos de eventos de tormentas de invierno: un estudio de caso de Zúrich, Suiza. Nat. Peligros Earth Syst. ciencia 21, 279–299 (2021).

Artículo ANUNCIOS Google Académico

Ganteaume, A. et al. Una revisión de los principales factores impulsores de la ignición de incendios forestales en Europa. Reinar. Administrar. 51, 651–662 (2013).

Artículo ADS PubMed Google Scholar

Barredo, JI Pérdidas por inundaciones normalizadas en Europa: 1970–2006. Nat. Peligros Earth Syst. ciencia 9, 97–104 (2009).

Artículo ANUNCIOS Google Académico

McAneney, J. et al. Pérdidas de seguros normalizadas por desastres naturales australianos: 1966–2017. Reinar. Peligros 18, 414–433 (2019).

Artículo Google Académico

Paprotny, D., Sebastian, A., Morales Nápoles, O. & Jonkman, SN Tendencias en las pérdidas por inundaciones en Europa durante los últimos 150 años. Nat. común 9, 1985 (2018).

Artículo ADS PubMed PubMed Central Google Scholar

Pielke, R. "Normalización" económica de las pérdidas por desastres 1998-2020: revisión y evaluación de la literatura. Reinar. Peligros 20, 93–111 (2021).

Artículo Google Académico

Simmons, KM, Sutter, D. y Pielke, R. Daños normalizados por tornados en los Estados Unidos: 1950–2011. Reinar. Peligros 12, 132–147 (2013).

Artículo Google Académico

Scussolini, P. et al. FLOPROS: una base de datos global en evolución de estándares de protección contra inundaciones. Nat. Peligros Earth Syst. ciencia 16, 1049–1061 (2016).

Artículo ANUNCIOS Google Académico

Formetta, G. & Feyen, L. Evidencia empírica de la disminución de la vulnerabilidad global a los peligros relacionados con el clima. Medio Ambiente Mundial. Chang. 57, 101920 (2019).

Artículo Google Académico

Sebastian, A., Gori, A., Blessing, RB, van der Wiel, K. & Bass, B. Desenredar los impactos del cambio humano y ambiental en la respuesta de la cuenca durante el huracán Harvey. Reinar. Res. Letón. 14, 124023 (2019).

Artículo ANUNCIOS Google Académico

Fuchs, R., Herold, M., Verburg, PH & Clevers, JGPW Un enfoque de modelo armonizado y de alta resolución para reconstruir y analizar cambios históricos en la tierra en Europa. Biogeociencias 10, 1543–1559 (2013).

Artículo ANUNCIOS Google Académico

Fuchs, R., Herold, M., Verburg, PH, Clevers, JGPW y Eberle, J. Cambios bruscos en las reconstrucciones de la cobertura/uso histórico de la tierra en Europa entre 1900 y 2010. globo Cambio Biol. 21, 299–313 (2014).

Artículo ANUNCIOS Google Académico

Fuchs, R., Verburg, PH, Clevers, JGPW y Herold, M. El potencial de los mapas antiguos y las enciclopedias para reconstruir el cambio histórico en la cobertura y el uso de la tierra continental. aplicación Geogr. 59, 43–55 (2015).

Artículo Google Académico

Klein Goldewijk, K., Beusen, A., Doelman, J. & Stehfest, E. Estimaciones antropogénicas del uso de la tierra para el Holoceno – HYDE 3.2. Sistema Tierra ciencia Datos 9, 927–953 (2017).

Artículo ANUNCIOS Google Académico

Frieler, K. et al. Evaluación de los impactos del calentamiento global de 1,5 °C: protocolo de simulación del Proyecto de Intercomparación de Modelos de Impacto Intersectorial (ISIMIP2b). Geosci. Desarrollo del modelo 10, 4321–4345 (2017).

Artículo ANUNCIOS Google Académico

Geiger, T. Serie temporal continua del producto interno bruto (PIB) nacional para 195 países: observaciones pasadas (1850–2005) armonizadas con proyecciones futuras de acuerdo con las Vías Socioeconómicas Compartidas (2006–2100). Sistema Tierra ciencia Datos 10, 847–856 (2018).

Artículo ANUNCIOS Google Académico

Sauer, I. et al. Las señales climáticas en los daños por inundaciones fluviales emergen bajo una sólida desagregación regional. Nat. común 12, 2128 (2021).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Leyk, S. et al. La asignación espacial de la población: una revisión de productos de datos de población reticulares a gran escala y su idoneidad para su uso. Sistema Tierra ciencia Datos 11, 1385–1409 (2019).

Artículo ANUNCIOS Google Académico

Kummu, M., Taka, M. & Guillaume, JHA Conjuntos de datos globales cuadriculados para el Producto Interno Bruto y el Índice de Desarrollo Humano entre 1990 y 2015. ciencia Datos 5, 180004 (2018).

Artículo PubMed PubMed Central Google Académico

Eberenz, S., Stocker, D., Röösli, T. & Bresch, DN Datos de exposición de activos para la evaluación de riesgos físicos globales. Sistema Tierra ciencia Datos 12, 817–833 (2020).

Artículo ANUNCIOS Google Académico

Paprotny, D., Morales-Nápoles, O. & Jonkman, SN HANZE: una base de datos paneuropea de exposición a peligros naturales e inundaciones históricas dañinas desde 1870. Earth Syst. ciencia Datos 10, 565–581 (2018).

Artículo ANUNCIOS Google Académico

Paprotny, D., Morales-Nápoles, O. & Jonkman, SN Modelado eficiente de peligros de inundación de ríos paneuropeos a través de una combinación de modelos estadísticos y físicos. Nat. Peligros Earth Syst. ciencia 17, 1267–1283 (2017).

Artículo ANUNCIOS Google Académico

Vousdoukas, MI y col. Desarrollos en el mapeo de peligros de inundaciones costeras a gran escala. Nat. Peligros Earth Syst. ciencia 16, 1841-1853 (2016).

Artículo ANUNCIOS Google Académico

Barendrecht, MH et al. El valor de los datos empíricos para estimar los parámetros de un modelo sociohidrológico de riesgo de inundaciones. Recurso de agua. Res. 55, 1312–1336 (2019).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Zanardo, S., Nicotina, L., Hilberts, AGJ & Jewishon, SP Modulación de las pérdidas económicas de las inundaciones europeas por la Oscilación del Atlántico Norte. Geofísico. Res. Letón. 46, 2563–2572 (2019).

Artículo ANUNCIOS Google Académico

Batista y Silva, F., Gallego, J. & Lavalle, C. Un mapa de cuadrícula de población de alta resolución para Europa. J. Mapas 9, 16–28 (2013).

Artículo Google Académico

Eicher, CL & Brewer, CA Mapeo dasimétrico e interpolación areal: Implementación y evaluación. Cartogr. Geogr. información Carolina del Sur. 28, 125–138 (2001).

Artículo Google Académico

Gallego, FJ Una tabla de densidad de población de la Unión Europea. Población Reinar. 31, 460–473 (2010).

Artículo Google Académico

Colaboradores de OpenStreetMap. OpenStreetMap https://www.openstreetmap.org/ (2022).

Paprotny, D., Kreibich, H., Morales-Nápoles, O., Terefenko, P. & Schröter, K. Estimación de la exposición de activos residenciales a amenazas naturales en Europa utilizando datos abiertos. Nat. Peligros Earth Syst. ciencia 20, 323–343 (2020).

Artículo ANUNCIOS Google Académico

Paprotny, D. Exposición residencial a peligros naturales en Europa, 2000–2020. Zenodo https://doi.org/10.5281/zenodo.6573503 (2022).

Gløersen, E. & Lüer, C. Recopilación de datos de población para unidades administrativas locales europeas desde 1960 en adelante - informe final (Spatial Foresight GmbH, 2013).

Clark, C. Densidades de población urbana. Estado JR. Soc. A 114, 490–496 (1951).

Artículo Google Académico

Clark, C. Crecimiento demográfico y uso de la tierra (Macmillan, 1967).

Hourihan, K. Patrones de densidad de población urbana y cambios en Irlanda, 1901–1979. economía Soc. Rev. 13, 125–147 (1982).

Google Académico

Joe, H. Modelado de dependencia con cópulas (Chapman & Hall/CRC, 2014).

Genest, C., Rémillard, B. & Beaudoin, D. Pruebas de bondad de ajuste para cópulas: una revisión y un estudio de potencia. seguro Matemáticas. economía 44, 199–213 (2009).

Artículo MathSciNet MATEMÁTICAS Google Académico

Eurostat. Manual metodológico sobre tipologías territoriales, edición 2018 (Oficina de Publicaciones de la Unión Europea, 2019).

Klein Goldewijk, K., Beusen, A., de Vos, M. & van Drecht, G. La base de datos espacialmente explícita HYDE 3.1 del cambio de uso de la tierra inducido por el hombre en los últimos 12 000 años. Ecología Global. Biogeogr. 20, 73–86 (2011).

Artículo Google Académico

DHIGRAS. Validación estadística EU-DEM (Agencia Europea de Medio Ambiente, 2014).

Murakami, D. & Yamagata, Y. Estimación de escenarios de población y PIB reticulados con reducción de escala estadística espacialmente explícita. Sostenibilidad 11, 2106 (2019).

Artículo Google Académico

Batista e Silva, F. et al. HARCI-EU, un conjunto de datos cuadriculados armonizados de infraestructuras críticas en Europa para evaluaciones de riesgos a gran escala. ciencia Datos 6, 126 (2019).

Artículo PubMed PubMed Central Google Académico

OIT y OCDE. La participación laboral en las economías del G20. Informe preparado para el Grupo de Trabajo de Empleo del G20 (cumbre del G20 en Antalya, 2015).

Paprotny, D. Mapas de exposición paneuropeos y estimaciones de incertidumbre del modelo HANZE v2.0, 1870–2020. Zenodo https://doi.org/10.5281/zenodo.7885990 (2022).

Paprotny, D., Morales Nápoles, O., Vousdoukas, MI, Jonkman, SN & Nikulin, G. Precisión del mapeo paneuropeo de inundaciones costeras. J. Gestión del Riesgo de Inundaciones. 12, e12459 (2019).

Artículo Google Académico

Alfieri, L. et al. Avances en la cartografía paneuropea de amenazas de inundaciones. Hidrol. Proceso. 28, 4067–4077 (2014).

Artículo ANUNCIOS Google Académico

Paprotny, D. & Terefenko, P. Nuevas estimaciones de los impactos potenciales del aumento del nivel del mar y las inundaciones costeras en Polonia. Nat. Peligros 85, 1249–1277 (2017).

Artículo Google Académico

Freire, S., Halkia, M. & Pesaresi, M. Cuadrícula de población GHS, derivada de datos del censo de EUROSTAT (2011) y ESM R2016. Catálogo de datos del Centro Común de Investigación http://data.europa.eu/89h/jrc-ghsl-ghs_pop_eurostat_europe_r2016a (2016).

Uhl, JH et al. HISDAC-ES: Recopilación de Datos Históricos de Asentamientos en España (1900–2020), Earth Syst. ciencia Datos Discutir. [preprint], https://doi.org/10.5194/essd-2023-53, en revisión, (2023).

Schiavina, M. et al. Paquete de datos GHSL 2022 (Oficina de Publicaciones de la Unión Europea, 2022).

Paprotny, datos de entrada del modelo de exposición D. HANZE v2.0. Zenodo https://doi.org/10.5281/zenodo.6583023 (2022).

Paprotny, modelo de exposición D. HANZE v2.0. Zenodo https://doi.org/10.5281/zenodo.7556953 (2022).

Mengel, M., Treu, S., Lange, S. & Frieler, K. ATTRICI v1.1 – clima contrafactual para la atribución de impacto. Geosci. Desarrollo del modelo 14, 5269–5284 (2021).

Artículo ANUNCIOS Google Académico

Steinhausen, M. et al. Impulsores del futuro cambio en el riesgo de inundaciones fluviales para edificios residenciales en Europa. Medio Ambiente Mundial. Chang. 76, 102559 (2022).

Artículo Google Académico

Paprotny, D. HANZE: Análisis histórico de los peligros naturales en Europa. 4TU.ReseachData https://doi.org/10.4121/collection:HANZE (2017).

Descargar referencias

Esta investigación ha sido apoyada por la Fundación Alemana de Investigación (DFG) a través del proyecto "Descomposición de pérdidas por inundaciones por factores ambientales y económicos" (FloodDrivers), subvención no. 449175973. Agradecemos a Diego Rybski, Yunfei Li y Manon Glockmann por las discusiones técnicas sobre la metodología del conjunto de datos.

Financiamiento de acceso abierto habilitado y organizado por Projekt DEAL.

Instituto de Potsdam para la Investigación del Impacto Climático (PIK), miembro de la Asociación Leibniz, PO Box 60 12 03, 14412, Potsdam, Alemania

Dominik Paprotny y Matthias Mengel

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

DP desarrolló el concepto, implementó los métodos, escribió el código, produjo los datos y adquirió la financiación. MM supervisó el trabajo. Todos los autores escribieron el artículo.

Correspondencia a Dominik Paprotny.

Los autores declaran no tener conflictos de intereses.

Nota del editor Springer Nature se mantiene neutral con respecto a los reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso abierto Este artículo tiene una licencia internacional Creative Commons Attribution 4.0, que permite el uso, el intercambio, la adaptación, la distribución y la reproducción en cualquier medio o formato, siempre que se otorgue el crédito correspondiente al autor o autores originales y a la fuente. proporcionar un enlace a la licencia Creative Commons e indicar si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la regulación legal o excede el uso permitido, deberá obtener el permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Paprotny, D., Mengel, M. Estimaciones de población, uso del suelo y exposición económica para Europa con una resolución de 100 m desde 1870 hasta 2020. Sci Data 10, 372 (2023). https://doi.org/10.1038/s41597-023-02282-0

Descargar cita

Recibido: 24 enero 2023

Aceptado: 31 de mayo de 2023

Publicado: 08 junio 2023

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

Cualquier persona con la que compartas el siguiente enlace podrá leer este contenido:

Lo sentimos, un enlace para compartir no está disponible actualmente para este artículo.

Proporcionado por la iniciativa de intercambio de contenido Springer Nature SharedIt