Bevölkerungs-, Landnutzungs- und wirtschaftliche Expositionsschätzungen für Europa mit einer Auflösung von 100 m von 1870 bis 2020

Scientific Data Band 10, Artikelnummer: 372 (2023) Diesen Artikel zitieren

Details zu den Metriken

Den Einfluss des Klimawandels auf vergangene extreme Wetterauswirkungen zu verstehen, ist eine wichtige Forschungsaufgabe. Allerdings werden die Auswirkungen des Klimawandels in den Datenreihen zu den beobachteten Auswirkungen aufgrund der schnellen Entwicklung der sozialen und wirtschaftlichen Umstände, unter denen sich die Ereignisse ereigneten, verdeckt. Der in dieser Studie vorgestellte Datensatz HANZE v2.0 (Historische Analyse natürlicher Gefahren in Europa) quantifiziert die Entwicklung der wichtigsten sozioökonomischen Faktoren in Europa seit 1870, nämlich Landnutzung, Bevölkerung, Wirtschaftstätigkeit und Vermögenswerte. Es besteht aus Algorithmen zur Neuzuordnung der Basislandnutzung und -bevölkerung (2011) für ein bestimmtes Jahr auf der Grundlage einer großen Sammlung historischer Statistiken auf subnationaler und nationaler Ebene und zur anschließenden Aufschlüsselung der Daten zu Produktion und Sachanlagen nach Wirtschaftssektoren in eine hochauflösende Darstellung Netz. Durch das Modell generierte Rasterdatensätze ermöglichen die Rekonstruktion der Exposition innerhalb des Fußabdrucks jedes Extremereignisses sowohl zum Zeitpunkt des Auftretens als auch zu jedem Zeitpunkt zwischen 1870 und 2020. Dies ermöglicht die Trennung der Auswirkungen des Klimawandels von den Auswirkungen von Expositionsänderungen.

Die globale Durchschnittstemperatur hat im Vergleich zur vorindustriellen Zeit eine Erwärmung um mehr als 1 °C erreicht. Es gibt zunehmend Forschungsergebnisse, die die Auswirkungen des Klimawandels auf die natürlichen, verwalteten und menschlichen Systeme der Welt quantifizieren1,2. Für Systeme mit starken nichtklimatischen Veränderungstreibern ist jedoch eine geringere Quantifizierung verfügbar3. Fallstudien haben einen starken Einfluss zusätzlicher Treiber insbesondere bei Überschwemmungen gezeigt, bei denen die Unsicherheit über das aktuelle Risiko bereits hoch ist. Beispielsweise wurde festgestellt, dass das Hochwasserrisiko im Rheineinzugsgebiet am wenigsten empfindlich auf Änderungen des atmosphärischen Einflusses reagiert, sondern eher auf Änderungen der Speicherkapazität, der Deichhöhe, der Landnutzung, des Vermögenswerts oder privater Vorsorgemaßnahmen4. Vousdoukas et al.5 haben gezeigt, dass der Hochwasserschutz die größte Unsicherheitsquelle bei der Bewertung des Hochwasserrisikos an der Küste an Teststandorten auf der Iberischen Halbinsel war. Schätzungen zum Wert von Vermögenswerten an einem bestimmten Standort (Exposition) und zu Hochwasseranfälligkeitsfunktionen, die den Anteil der Vermögenswerte angeben, die bei einer bestimmten Überschwemmungsintensität verloren gehen, variieren erheblich zwischen den Ländern6,7,8,9. Es zeigte sich, dass die Sturmschäden in Europa nach Korrektur der Expositionszunahme10 nicht zunahmen, wobei die Zuordnung durch gegensätzliche Gefährdungstrends11 und eine sehr hohe Unsicherheit hinsichtlich der Vulnerabilitätsfunktionen12 erschwert wurde. Schließlich wird nur ein kleiner Teil der Waldbrände in Europa durch natürliche Ursachen verursacht, sodass menschliche Faktoren für das Verständnis der Häufigkeit dieser Katastrophen von entscheidender Bedeutung sind13.

Viele Studien zeigten keinen Aufwärtstrend bei den direkten wirtschaftlichen Verlusten durch Naturgefahren in Europa, den USA oder Australien, wenn man das Risikowachstum bereinigte14,15,16,17,18. Die Quantifizierung von Änderungen der Exposition, wie z. B. Art der Landnutzung, Bevölkerung, Wirtschaftsleistung, Wert der Vermögenswerte und deren Unsicherheit, ist nicht nur aufgrund ihres großen direkten Einflusses auf die beobachteten Auswirkungen, sondern auch aufgrund indirekter Auswirkungen von entscheidender Bedeutung. Im Falle von Überschwemmungen sind hochexponierte Gebiete tendenziell besser geschützt19 und weniger gefährdet20, während die Landnutzung den Flussabfluss lokal stärker modulieren kann als der Klimawandel21.

Verfügbare historische Rekonstruktionen der Exposition haben auf lange Sicht nur einen begrenzten Nutzen für die Zuordnung des Klimawandels, entweder aufgrund der geringen Auflösung, der begrenzten räumlichen Abdeckung oder der Abdeckung nur einer bestimmten Komponente der Exposition. HILDA22,23,24 umfasst beispielsweise nur die stark aggregierte Landbedeckung für die Länder der Europäischen Union, allerdings mit einer hohen 1-km-Auflösung, die die Jahre 1900 bis 2010 abdeckt. Der globale Datensatz HYDE25 erstreckt sich für beide Landnutzungen von den Jahren 10.000 v. Chr. bis 2017 n. Chr und Bevölkerung, hat aber eine Auflösung von nur 5 Bogenminuten (9 km am Äquator). HYDE wird umfassend sowohl in der Modellierung des globalen Klimas als auch der Klimaauswirkungen eingesetzt, einschließlich ISIMIP26. Basierend auf HYDE wurde auch eine BIP-Disaggregation erstellt27 und z. B. in der globalen Hochwasserattributionsstudie von Sauer et al.28 verwendet. Insbesondere die Analyse des Hochwasser- und Waldbrandrisikos erfordert eine sehr hohe Auflösung der Expositionsdaten, da es sich um stark lokale Phänomene handelt. Hochaufgelöste Bevölkerungsdaten sind jedoch bestenfalls für einige Zeitschritte pro Datensatz verfügbar und reichen nicht weiter zurück als 197529. Die Aufschlüsselung von Wirtschaftsdaten beschränkt sich meist auf einen einzigen Prädiktor für die Wirtschaftsaktivität, wie etwa die Bevölkerungsdichte30 oder die Nachtbeleuchtung31.

Der im Jahr 2017 veröffentlichte HANZE-Datensatz (Historical Analysis of Natural Hazards in Europe)32 war der erste umfassende Expositionsdatensatz mit einer Auflösung, die mit europaweiten Hochwassergefahrenkarten übereinstimmte, nämlich 100 m33,34, und deckte die Jahre 1870 bis 2015 mit einer kurzfristigen Projektion ab bis 2020. Es wurde speziell entwickelt, um die Analyse von Exposition und Landnutzungsänderungen innerhalb von Überschwemmungsflächen bekannter historischer Überschwemmungen zu ermöglichen, und wurde in dieser Rolle in verschiedenen Folgestudien16,35,36 verwendet. Hier präsentieren wir einen überarbeiteten und erweiterten Expositionsdatensatz HANZE v2.0, der viele Verbesserungen enthält (Tabelle 1). Der Kern des Datensatzes besteht aus einer Reihe hochauflösender Raster zu Landnutzung, Bevölkerung, Bruttoinlandsprodukt (BIP), Anlagewert und Bodenversiegelungsgrad für 42 Länder zwischen 1870 und 2020. Er wird durch eine große Eingabedatenbank ergänzt Subnationale historische Statistiken. Darüber hinaus ist der Datensatz die Ausgabe einer Python-Toolbox, die es ermöglicht, die Daten vollständig zu reproduzieren, zu visualisieren und weitere Analysen durchzuführen (siehe „Nutzungshinweise“).

Der Expositionsdatensatz wurde mit einer Kombination aus statistischen und regelbasierten Methoden erstellt. In Teilen des Modells haben wir probabilistische Methoden zur Quantifizierung der Unsicherheit einbezogen, indem wir Copulas zur Modellierung subregionaler Bevölkerungsveränderungen und ein Bayesianisches Netzwerk für landwirtschaftliche Landübergänge verwendet haben. Der Datensatz konzentriert sich auf hochexponierte Gebiete, die für die Erforschung der sozialen und wirtschaftlichen Auswirkungen von Katastrophen am relevantesten sind. Daher wurden Änderungen in einigen der weniger wichtigen Landnutzungsklassen, insbesondere in Naturgebieten, nicht modelliert. Auch große Unterschiede in der Verfügbarkeit und Auflösung historischer Daten für verschiedene Länder wirken sich direkt auf die Genauigkeit der gerasterten Rekonstruktion früherer Expositionen aus. Die hohe Auflösung des Datensatzes ermöglicht eine schnelle Anwendung auf Gefahren wie Überschwemmungen, die solche detaillierten Informationen erfordern. Aufgrund des allgemeinen Mangels an vergleichbaren Daten mit derselben Auflösung kann nur eine teilweise Validierung durchgeführt werden.

HANZE v2.0 ist ein Datensatz der historischen Exposition, der durch Operationen an einer großen Anzahl eingegebener Rasterdaten generiert wurde. Eine Zusammenfassung des Arbeitsablaufs zur Berechnung des Datensatzes ist in Abb. 1 dargestellt. Ausgangspunkt ist ein Satz hochauflösender Raster mit Daten zu Bevölkerung und Landbedeckung/-nutzung für ein bestimmtes Referenzjahr. Diese „Basisdatensätze“ wurden aus Daten mit einer Auflösung von 100 m erstellt, mit Ausnahme der Bevölkerung, die anhand einer Auflösung von 1 km disaggregiert wurde (siehe Unterabschnitt „Basisdatensätze“). Das Modell modifiziert die Basis-Rasterdatensätze, indem es Landbedeckung/-nutzung und Bevölkerung neu verteilt, bis sie mit der Gesamtbevölkerung und Fläche verschiedener Landnutzungsklassen übereinstimmen, die pro subnationaler Verwaltungseinheit für jeden Zeitschritt definiert sind. Für jede dieser Einheiten haben wir aggregierte sozioökonomische Statistiken erhoben („Eingegebene sozioökonomische Daten“). Verschiedene Landnutzungstypen (städtisch, industriell, landwirtschaftlich usw.) werden mit unterschiedlichen Methoden und mehreren zusätzlichen statischen Rasterdatensätzen modelliert („Bevölkerungs- und Landnutzungsmodell“). Basierend auf Landnutzungsänderungen wird der Bodenversiegelungsdatensatz geändert. Schließlich disaggregiert das Modell statistische Daten zum Bruttoinlandsprodukt (BIP) und zum Anlagevermögensbestand in einem 100-m-Raster, basierend auf der Bevölkerungsverteilung und verschiedenen Landnutzungstypen („Wirtschaftsdatendisaggregation“). Das Modell wird auf Daten angewendet, die 42 Länder und Gebiete im Zeitraum 1870–2020 abdecken (siehe ergänzende Abbildung S1).

HANZE v2.0-Workflow. Alle Eingabedaten und der Python-Code, die zur Reproduktion dieses Workflows erforderlich sind, sind öffentlich verfügbar.

Bei vier Basisdatensätzen handelt es sich um einen Satz von Rasterschichten, die das Untersuchungsgebiet abdecken, in der zeitlichen Dimension eng ausgerichtet sind, von ihren nativen Auflösungen in ein 100-m-Raster konvertiert und auf Basis der Corine-Landbedeckung an eine einzelne Landmaske angepasst wurden (Tabelle 2).

Die grundlegende Landbedeckung/-nutzung stammt aus Corine Land Cover (CLC) 2012, Version 20u1 (https://land.copernicus.eu/pan-european/corine-land-cover/clc-2012), mit offenem Meer und einigen Übergangsgewässer entfernt. Der CLC 2012-Datensatz wurde im Allgemeinen durch manuelle Klassifizierung von Landbedeckungsflächen aus Satellitenbildern erstellt, die im Zeitraum 2011–2012 gesammelt wurden. Das Inventar besteht aus 44 Klassen und die Mindestgröße der erfassten Flächenphänomene beträgt 25 Hektar. Für lineare Elemente (Straßen, Eisenbahnen, Flüsse usw.) wird eine Mindestbreite von 100 m verwendet. Der CLC-Datensatz deckt Andorra nicht ab, daher wurde eine Zusammenstellung von Landnutzungsdaten aus anderen Quellen von HANZE v1.0 für Andorra übernommen (siehe Abschnitt 2.1 in Paprotny et al.32).

Vielerorts wurde die natürliche Landbedeckung durch künstliche undurchlässige Flächen ersetzt. Diese undurchlässige Abdeckung hat erhebliche Auswirkungen auf die hydrologischen Eigenschaften eines bestimmten Gebiets und folglich auf die Häufigkeit und Intensität von Überschwemmungen. Es ist auch ein wichtiger Prädiktor für die Vermögensverteilung. Der Basisdatensatz zur Bodenversiegelung in unserem Modell ist der Datensatz „Imperviousness Density 2012“ des Copernicus Land Monitoring Service (https://land.copernicus.eu/pan-european/high-resolution-layers/imperviousness/status-maps/2012). Es wurde durch algorithmische Klassifizierung hochauflösender Satellitenbilder mit einem kalibrierten normalisierten Differenzvegetationsindex (NDVI) erstellt. Die native Auflösung des Datensatzes beträgt 20 m, wir haben ihn jedoch aus Gründen der Konsistenz mit dem Landbedeckungsdatensatz auf 100 m aggregiert.

Der Basisbevölkerungsdatensatz basiert auf dem GEOSTAT-Bevölkerungsraster für das Jahr 2011, Version 2.0.1 (https://ec.europa.eu/eurostat/web/gisco/geodata/reference-data/population-distribution-demography/geostat ). Dieser Datensatz hat eine Auflösung von 1 km und basiert auf den Ergebnissen der europäischen Volkszählungsrunde 2011. 95 % der Bevölkerung im Datensatz sind tatsächlich während der Volkszählung gezählt und georeferenziert, während die verbleibende Bevölkerung aus detaillierten subnationalen Volkszählungsergebnissen der Gemeinsamen Forschungsstelle der Europäischen Kommission disaggregiert wird. Wie in HANZE v1.0 disaggregieren wir diesen Datensatz weiter auf ein 100-m-Raster, indem wir die in Batista e Silva et al.37 beschriebenen Methoden „M1“ und „M3“ kombinieren. „M1“ bezeichnet die „Grenzvariablenmethode“, die in der Kartographie zur Erstellung dasymetrischer Karten der Bevölkerungsdichte verwendet wird. Kurz gesagt werden die Landnutzungsklassen nach ihrer durchschnittlichen Bevölkerungsdichte geordnet und dann die Bevölkerung oberhalb eines landnutzungsspezifischen Schwellenwerts von weniger dichten zu dichteren Klassen umverteilt. Bei dem Verfahren handelt es sich um einen iterativen Algorithmus, der für jede 1-km-Gitterzelle separat angewendet wird. Dieses Verfahren ist wie folgt:

Zunächst wird für jede Landnutzungsklasse in einer 1 km großen Gitterzelle eine einheitliche Bevölkerungsdichte zugewiesen:

wobei \({Y}_{LG}^{0}\) die Bevölkerungsdichte für die Landnutzung \(L\in \{1,\ldots ,n\}\) in der Gitterzelle G bei Schritt 0 ist, YG ist die Bevölkerungsdichte in der Gitterzelle, also Bevölkerungszahl XG dividiert durch Fläche SG.

Für jede der n Landnutzungsklassen wird ein Schwellenwert TL für die Bevölkerungsdichte definiert.

Die Landnutzungsklassen werden geordnet und der Subindex L wird von der niedrigsten zur höchsten Bevölkerungsdichte neu nummeriert, dh L = 1 bezeichnet die Landnutzungsklasse mit der geringsten Bevölkerungsdichte in der Gitterzelle

In der Reihenfolge beginnend mit L = 1 wird in Schritt L die der Klasse L im vorherigen Schritt zugeordnete Dichte geändert, wenn sie über dem Schwellenwert liegt, d. h. wenn \({Y}_{LG}^{L-1} > { T}_{L}\). Dadurch entsteht eine Überbevölkerung \({U}_{LG}^{L}\):

Der Überschuss wird dann auf die verbleibenden Landnutzungsklassen M umverteilt, also:

Wenn nach Abschluss aller Iterationen immer noch eine Überschusspopulation vorhanden ist, d. h. wenn \({X}_{G} > \sum {T}_{L}{S}_{LG}\), wird diese proportional zum Schwellenwert umverteilt:

Der entscheidende Aspekt dieser Methode ist die Definition der Schwellenwerte TL. Hier verwenden wir Schwellenwerte, wie sie von Eicher und Brewer38 vorgeschlagen wurden, dh das 70. Perzentil der Bevölkerungsdichte von Gitterzellen, für die in unserem Basisdatensatz zur Landnutzung nur eine Landnutzungsklasse gemeldet wurde. Solche „reinen“ Zellen machten etwa 5 % aller Populationsgitterzellen aus. Gallego et al.39 haben gezeigt, dass eine andere Definition von Schwellenwerten für Europa etwas besser funktioniert; Allerdings verwendeten die Autoren Bevölkerungsdaten von Gemeinden, die hier nicht verwendet werden und die ihre Methode in Kombination mit Rasterdaten erfordern würde. Die endgültigen Schwellenwerte TL sind in Tabelle 3 aufgeführt. Für andere künstliche Oberflächen als städtische Strukturen wurden die CLC-Klassen für die Schwellenwertberechnung zusammengeführt, da für jede dieser Klassen, wenn überhaupt, nur sehr wenige „reine“ Zellen gefunden werden konnten. Außerdem wurde für alle Gebiete, die von Feuchtgebieten, Wasser, Sand, Gletschern, nackten Felsen oder verbrannter Vegetation bedeckt sind, der Schwellenwert auf 0 festgelegt, da diese Gebiete grundsätzlich unbewohnbar sind.

Als zusätzliche Einschränkung wurden nur die Landnutzungsklassen in einer bestimmten Zelle verwendet, die künstliche Strukturen einer bestimmten Art enthielten. Hier wurden drei gerasterte Fernerkundungsdatensätze (Auflösung 100 m) verwendet; Wenn keine Landnutzungsklasse in einer Zelle über Strukturen aus dem ersten Datensatz verfügte, wurde der zweite und bei Bedarf der dritte wie folgt verwendet:

Gebäude;

Undurchlässige Oberflächen;

Straßen und Straßen.

Gebäude und Straßen wurden der European Settlement Map 2012 Release 2017 (https://land.copernicus.eu/pan-european/GHSL/european-settlement-map/esm-2012-release-2017-urban-green) und versiegelten Flächen entnommen aus Imperviousness Density 2012. Wenn in der 1-km-Zelle keine Strukturen vorhanden waren (da diese in den Satellitenbildern nicht erkannt wurden), wurden alle Landnutzungsklassen genutzt.

Das Ergebnis der Berechnung ist jedoch nur die Bevölkerung pro Landnutzung L in jeder 1-km-Gitterzelle G. Daher musste die Bevölkerung weiter disaggregiert werden, und dafür verwendeten wir einen Ansatz ähnlich der Methode M3. Bei dieser Methode wird die Bevölkerung proportional zur Dichte der vom Menschen geschaffenen Strukturen umverteilt. Diese Variable hat einen Bereich von 0 %, was eine vollständig natürliche Oberfläche anzeigt, und 100 %, was bedeutet, dass Land vollständig durch eine künstliche Oberfläche versiegelt ist. Es wurden die drei Datensätze verwendet, hauptsächlich Gebäude aus der Europäischen Siedlungskarte (ESM) 2012. Wenn in einer 1-km-Zelle keine Gebäude angegeben waren, wurde stattdessen die Versiegelung verwendet. Sofern keine Bodenversiegelung festgestellt wurde, werden Straßen aus dem ESM 2012 verwendet. Dies kann hauptsächlich dadurch geschehen, dass ESM 2012 Fernerkundungsdaten mit mehreren anderen Quellen kombiniert (z. B. OpenStreetMap, Urban Atlas der Europäischen Union und Tom Toms Tele Atlas), während Imperviousness Density 2012 vollständig ein auf Fernerkundung basierendes Produkt ist.

ESM- und Imperviousness-Datensätze haben sehr hohe native Auflösungen (2,5 bzw. 20 m). Für die Disaggregation wurde die auf eine Auflösung von 100 Metern aggregierte Version verwendet, während für die Berechnung der Abhängigkeit zwischen Oberflächendichte und Bevölkerung Daten verwendet wurden, die weiter auf ein 1-km-Raster abgetastet wurden. Dabei konnte die durchschnittliche Bevölkerungsdichte in Gitterzellen bei gegebener künstlicher Oberflächendichte berechnet werden. Die resultierenden Abhängigkeiten können als Potenzfunktionen angenähert werden (Ergänzende Abbildung S2). Nur sehr wenige Zellen hatten einen sehr hohen durchschnittlichen Prozentsatz der von Bauwerken bedeckten Fläche, daher wurden die Funktionen anhand von Werten zwischen 1 % und 16 % (Straßen und Wege), 64 % (Gebäude) und 84 % (undurchlässige Flächen) berechnet. Daher ist die Population Xg in der 100-Meter-Gitterzelle g gleich:

wobei Zg die Population der Gitterzelle g ist, die sich aus der Potenzfunktion dividiert durch die maximale Population ergibt:

wobei Vg die Undurchlässigkeit in der Gitterzelle g ist. Die maximale Bevölkerungszahl wurde mit 8000 definiert, da alle drei Datensätze die höchste Bevölkerungsdichte um diesen Wert herum erreichten. Die Parameter A und B sind in Tabelle 4 angegeben.

Die Grundgesamtheit Xg wird gerundet, da die Grundgesamtheitszahlen ganze Zahlen sein müssen. Folglich wurde die Population addiert oder subtrahiert, indem die Populationszahlen in 100-Meter-Zellen iterativ reduziert wurden, beginnend mit Zellen, in denen die kleinste Änderung des ungerundeten Werts den gerundeten Wert ändern würde. In einigen Fällen hatten mehr als eine 100-Meter-Zelle gleiche Werte und die 1-km-Population konnte nicht abgeglichen werden. Dann wurde die Population addiert oder subtrahiert, indem die Populationszahlen iterativ um jeweils eins reduziert wurden, beginnend mit 100-Meter-Zellen mit der höchsten Population. Wenn wiederum Fälle mit mehreren Zellen mit gleichen Werten auftraten, wurden 100-Meter-Zellen mit einem höheren Prozentsatz der von Bauwerken bedeckten Fläche verwendet. Wenn keine Daten verfügbar waren oder die %-Werte gleich waren, wird die Population innerhalb der gleichen Zellen zufällig addiert oder subtrahiert.

Beispielergebnisse der Aufschlüsselung der Population für eine einzelne GEOSTAT-Gitterzelle sind in Abb. 2 dargestellt.

Disaggregationsergebnis und Quelldaten (Bevölkerung im Raster = 5230), nur zur Veranschaulichung im Vergleich zur OpenStreetMap-Grundkarte. Fragment des Stadtzentrums von Stettin, Polen (NUTS-Region PL424). Grundkarte © OpenStreetMap-Mitwirkende40. Verteilt unter der Open Data Commons Open Database License (ODbL) v1.0. Mit Gebäuden bedeckte Fläche aus der Europäischen Siedlungskarte 2012.

Das HANZE v2.0-Modell verteilt Bevölkerung, Landbedeckung/-nutzung und Wirtschaftsvariablen separat für jede subnationale Verwaltungseinheit (im Folgenden „Regionen“) neu. Verwaltungsgrenzen ändern sich im Laufe der Zeit häufig innerhalb von Ländern. Anstatt die Definitionen der Regionen in jedem Zeitschritt des Modells zu ändern, passen wir historische statistische Daten an eine einzige Benchmark-Klassifizierung an. In HANZE v2.0 wird die Klassifikation subnationaler Einheiten der Europäischen Union, die Nomenklatur der Gebietseinheiten für die Statistik (NUTS), Version 2010, verwendet. Es wird die detaillierteste Ebene der Klassifizierung, die NUTS-Ebene 3, angewendet. Für diese Studie haben wir einen neuen, hochauflösenden Vektordatensatz der NUTS-Regionen erstellt, da die halboffizielle NUTS-Karte von Eurostat (https://ec.europa.eu/eurostat/web) nur eine geringe Präzision und eine nicht zulässige Lizenz aufweist /gisco/geodata/reference-data/administrative-units-statistical-units). Wir haben den neuen Datensatz ausschließlich unter Verwendung offen verfügbarer Daten nationaler Geodatenagenturen und von OpenStreetMap40 (Tabelle 5) zusammengestellt, wobei wir bei Bedarf manuelle Korrekturen interregionaler Grenzen vorgenommen haben, um eine Angleichung an die NUTS-2010-Klassifizierung vorzunehmen. Die Abgrenzung der Küste in den ursprünglichen Quelldatensätzen wurde angepasst, um sie an den CLC-Basisdatensatz anzupassen. Da Kosovo und Bosnien und Herzegowina derzeit nicht von NUTS abgedeckt werden, haben wir ihre Verwaltungsgliederungen künstlich in Übereinstimmung mit dem NUTS-System kodiert. Abschließend wurde der Vektordatensatz in ein 100-m-Rastergitter umgewandelt. Die Domäne unserer Studie umfasst insgesamt 1422 Regionen. Wie bereits erwähnt, wurden die eingegebenen historischen Statistiken, die das Modell steuern, bei Bedarf neu berechnet, um sie an unsere hochauflösende Karte der NUTS-Regionen anzupassen.

Die Eingabedatenbank historischer sozioökonomischer statistischer Daten wurde durch Überarbeitung der Daten von HANZE v1.0 erstellt. Es enthält Daten zu den wichtigsten sozioökonomischen Faktoren der Exposition auf regionaler Ebene. Die Variablen der Datenbank sind in Tabelle 6 aufgeführt. Darüber hinaus enthält sie den Anlagevermögensbestand im Verhältnis zum BIP in sechs Sektoren, die auf Länderebene definiert sind. Die Datenbank wurde aus 375 verschiedenen Quellen zusammengestellt (im Vergleich zu 271 in HANZE v1.0): Websites und Veröffentlichungen nationaler statistischer Institute und internationaler Agenturen, Arbeitspapiere nationaler Banken und Wirtschaftsforschungsinstitute sowie wissenschaftliche Forschungsarbeiten von 1872 bis heute . Detaillierte Informationen zur Quelle jedes einzelnen Datenpunkts in der Datenbank und zu Transformationen zur Anpassung der Daten an die NUTS-Version 2010 werden in den Excel-Datensätzen beschrieben (siehe „Datensätze“). Die Daten wurden alle zehn Jahre von 1870 bis 1950, alle 5 Jahre bis 2000 und jährlich bis 2020 zusammengestellt. Im Vergleich zu HANZE v1.0 sind die wichtigsten Änderungen: Verbesserung der Datenqualität durch Einbeziehung weiterer Datenquellen (Ergänzende Abbildung S3). ); Aufnahme neuer Länder (Albanien, Bosnien und Herzegowina, Kosovo, Montenegro, Nordmazedonien und Serbien); Hinzufügung langlebiger Konsumgüter (Güter, die mehrere Jahre von Haushalten genutzt werden) als Kategorie des Anlagevermögens durch Integration von Daten und Methoden von Paprotny et al.41,42; Hinzufügung von Daten zur Waldlandbedeckung für das gesamte Untersuchungsgebiet.

Der allgemeine Ansatz besteht, wie in der Einleitung erwähnt, darin, den Grundlinien-Rasterdatensatz für Bevölkerung und Landbedeckung/-nutzung für jeden Zeitschritt zu ändern. Dies erfolgt nacheinander für verschiedene CLC-Klassen und Bevölkerungsgruppen (regional, städtisch, ländlich), sodass eine in einem bestimmten Schritt geänderte Klasse die zuvor modellierten Klassen nicht verändert. Die Modellierungsschritte sind wie folgt:

Sonderfälle (niederländische Polder)

Subregionale Bevölkerungsumverteilung

Stadtgefüge und Umverteilung der städtischen Bevölkerung

Flughäfen und Stauseen

Umverteilung der Landbevölkerung

Industrie- oder Gewerbeeinheiten

Straßen-/Eisenbahnstandorte

Baustellen

Anderes künstliches Land

Ackerland und Weiden

Verbrannte Bereiche

Naturgebiete

Einstellung des Bodenversiegelungsgrads

Eine Zusammenfassung des Modellierungsansatzes und die Begründung werden für jede Landbedeckungs-/Nutzungsklasse aus dem CLC-Datensatz in der Ergänzungstabelle 1 erläutert. Außerdem wird hervorgehoben, dass die künstliche Landnutzung zwar 5 % der gesamten Landfläche ausmacht, aber etwa 90 % ausmacht. der Bevölkerung und des Anlagewerts, daher ist die Rekonstruktion der früheren Exposition weitgehend auf diese Gebiete beschränkt. Detaillierte Informationen finden Sie in den folgenden Unterabschnitten, auf die in der nummerierten Liste oben verwiesen wird. Es ist zu beachten, dass es sich bei der Methodik um eine Weiterentwicklung der Methoden handelt, die größtenteils bereits in Paprotny et al.32 verwendet wurden.

Aufgrund seines Einflusses auf die Expositionsverteilung in den Niederlanden umfasst das Modell einen Sonderfall. Die Zuiderzeewerken waren ein groß angelegtes Landgewinnungs- und Hochwasserschutzprojekt, das zwischen den 1920er und 1970er Jahren zum Bau großer Deiche und Polder in der Zuiderzee führte (Ergänzende Abbildung S4). Die Zuiderzee wurde 1932 durch einen großen Deich geschlossen, in einen See umgewandelt und 1975 weiter in IJsselmeer und Markermeer aufgeteilt. Auf den zurückgewonnenen Flächen entstanden Städte, Infrastruktur und Ackerland, vor allem in der Provinz Flevoland. Sie hat heute mehr als 400.000 Einwohner, bestand aber vor 1942 nur aus der kleinen Inselstadt Urk und der unbewohnten Insel Schokland (die Provinz selbst wurde erst 1986 gegründet). Daher wird das gesamte künstlich geschaffene Land jahrelang vor dem Jahr der Fertigstellung einzelner niederländischer Polder aus dem Landbedeckungs-/Nutzungsraster entfernt und in Binnengewässer (CLC 512) umgewandelt. Die Bevölkerung wird ebenfalls entfernt und bei der Bevölkerungs- und Landnutzungsumverteilung für diese Jahre nicht berücksichtigt, daher wird dieser Modellierungsschritt vor allen anderen durchgeführt.

In der Neuzeit kam es zu einer erheblichen Umverteilung der Bevölkerung innerhalb der europäischen Länder. Hier modellieren wir die subregionale (dh unterhalb der NUTS3-Ebene) Bevölkerungsveränderung für den Zeitraum 1870–2020 auf der Grundlage empirischer Beobachtungen aus einem Datensatz der Bevölkerungsveränderung zwischen 1961 und 2011 auf der Ebene lokaler Verwaltungseinheiten (LAUs). Wir haben den Datensatz für diese Studie erstellt, indem wir tabellarische und räumliche Daten aus verschiedenen Jahren zusammengeführt haben, die über Eurostat43 und nationale Statistikinstitute verfügbar sind (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) . Einzelheiten zur Erstellung der Daten und ihrer Visualisierung finden Sie im Ergänzungstext S1. Bevölkerungstrends für rund 109.000 LAUs zeigen:

Bevölkerungsrückgang in den Stadtkernen, den zentralsten und am dichtesten besiedelten Stadtteilen

Rasantes Wachstum vorstädtischer Zonen rund um Stadtkerne

Bevölkerungsrückgang in ländlichen Gebieten

Die ersten beiden Veränderungen sind größtenteils auf die Veränderung der Personenzahl pro Haushalt zurückzuführen. Selbst wenn die Bevölkerungszahl einer Stadt stagniert, führen kleinere Familien pro Wohnung zu einer erhöhten Nachfrage nach Wohnraum. Diese zusätzlichen Wohnungen mussten größtenteils außerhalb der Stadtkerne gebaut werden, wo das Wohnungsangebot weitgehend festgelegt ist. Es hat sich gezeigt44,45,46, dass dieser Trend in europäischen Großstädten seit dem frühen 19. Jahrhundert zu beobachten ist und die Kurve der Bevölkerungsdichte im Verhältnis zur Entfernung von den Stadtzentren abflacht. Gleichzeitig hat die Migration aus ländlichen in städtische Gebiete zu einem Bevölkerungsrückgang in ländlichen Gebieten geführt und das Wachstum der Vororte beschleunigt.

Hier modellieren wir die Bevölkerungsveränderungsrate in jeder NUTS3-Region, in der die Gesamtbevölkerung durch historische Statistiken definiert wird, und nutzen dabei die empirische Beziehung zwischen Bevölkerungsdichte und historischen Veränderungsraten. Um die Unsicherheit der Korrelation zu erfassen, verwenden wir Copulas, die die Bevölkerungsdichte aus LAU-Daten mit dem Bevölkerungswachstum korrelieren (Abb. 3). Eine Copula ist grob gesagt eine gemeinsame Verteilung auf dem Einheitshyperwürfel mit gleichmäßigen (0,1) Rändern. Es gibt viele Arten von Copulas47, und wir haben die optimalen parametrischen Copulas für diese Analyse ausgewählt, indem wir verschiedene Copulas mithilfe des „Blanket-Tests“ verglichen haben, der auf der von Genest et al.48 diskutierten Cramèr-von-Mises-Statistik basiert. Aufgrund der sehr unterschiedlichen Muster der Bevölkerungsveränderung und der LAUs mit hoher und niedriger Dichte verwenden wir zwei Copulas:

eine Gaußsche Copula unter Verwendung von Daten von LAUs mit einer Bevölkerungsdichte von weniger als 1500 Personen pro km2, die die Bevölkerungsdichte aus LAU-Daten mit dem Bevölkerungswachstum korreliert (Spearmans r = 0,69)

eine Frank-Copula unter Verwendung von Daten von LAUs mit einer Bevölkerungsdichte über 1500 Personen pro km2, die die „Agglomerationsdichte“ mit dem Bevölkerungswachstum korreliert (Spearmans r = −0,36).

Empirische Copulas der Abhängigkeit zwischen Bevölkerungswachstum (1961–2011) relativ zum nationalen Wachstum und Bevölkerungsdichte (2011) in zwei verschiedenen Formen (a – lokale Dichte, b – Agglomerationsdichte). Die linke Kopula (a) gilt für Bevölkerungsdichten unter und die rechte (b) über 1500 Personen pro km2. Die Ränder wurden in Standardnormalverteilungen umgewandelt.

Die „Agglomerationsdichte“ pro LAU ist der Durchschnitt der Kerndichte, berechnet mit dem 1-km-GEOSTAT-Bevölkerungsgitter und einem 10-km-Radius. Daher gibt es die Größe der Agglomeration an, zu der ein LAU mit hoher Dichte gehört. Diese „Agglomerationsdichte“ ist ein besserer Prädiktor für Bevölkerungsveränderungen als die Bevölkerungsdichte einzelner LAUs. Zur Quantifizierung der Copulas wurden nur LAUs aus NUTS3-Regionen mit mindestens 10 LAUs einbezogen, um die Verwendung großer, heterogener LAUs zu vermeiden. Der Schwellenwert von 1500 Personen pro km2 für die Copula-Selektion lieferte die besten Ergebnisse bei der Validierung. Zufällig, aber nicht überraschend, ist es auch der Schwellenwert, der von Eurostat49 zur Definition von Bevölkerungsclustern mit hoher Bevölkerungsdichte und damit zur Klassifizierung von LAUs als städtisch verwendet wird.

Die LAUs aus dem hier verwendeten Eurostat-Datensatz decken keine vollständige Abdeckung ab, haben eine geringere geometrische Genauigkeit als unser NUTS3-Vektordatensatz und die Größe der LAUs variiert erheblich zwischen den Ländern. Daher wurde eine Reihe „virtueller“ LAUs (im Folgenden „VLAUs“) erstellt. Jedes VLAU besteht aus einem städtischen Gebiet aus Corine Land Cover 2012 und seiner nächstgelegenen Nachbarschaft (ergänzende Abbildung S5). Anschließend wurde jeder VLAU eine disaggregierte Population mit einer Auflösung von 100 m zugewiesen, um die Populationsdichte zu berechnen. Für jeden Zeitschritt im Modell werden die Copulas 10.000 Mal abgetastet, um eine Schätzung des jährlichen Bevölkerungswachstums (geometrischer Durchschnitt der 50-Jahres-Wachstumsrate) zu erhalten. Die Population einer VLAU im Jahr t und 2011 beträgt dann:

Dabei ist A die jährliche Wachstumsrate (in %) aus dem Copula-Modell. Um unrealistische Veränderungen zu vermeiden, vor allem für Gebiete mit sehr geringer Bevölkerungsdichte, wird das Bevölkerungswachstum begrenzt: −2,257 %

Die auf subregionaler Ebene umverteilte Bevölkerung wird räumlich weiter angepasst, getrennt für städtische und ländliche Gebiete. Unter der Annahme eines festen Wohnungsangebots in bereits bebauten Gebieten wird die Bevölkerungsveränderung in städtischen Gebieten und die Ausdehnung dieser Gebiete (dh städtisches Gefüge oder CLC-Klassen 111 und 112) durch Veränderungen in der Gesamtzahl städtischer Haushalte bestimmt. Da die Bevölkerung seit dem 19. Jahrhundert in ganz Europa wuchs, die durchschnittliche Anzahl der Personen pro Haushalt jedoch zurückging, stieg die Nachfrage nach Wohnraum deutlich an. Die Abwanderung der Bevölkerung an die Ränder der Städte (Suburbanisierung) geht mit einer Verringerung der Bevölkerungsdichte in den städtischen „Kernen“ einher, wo eine ähnliche Anzahl von Haushalten einen abnehmenden Bevölkerungsbestand aufweist. Dieser Prozess der Abflachung der Bevölkerungsverteilung als logarithmische Funktion der Entfernung von städtischen Kernen wurde von Clark44 und vielen nachfolgenden Studien45,46 quantifiziert.

Indem wir die städtische Gesamtbevölkerung U und die durchschnittliche Personenzahl pro Haushalt H (Haushaltsgröße) aus unserer historischen Statistik entnehmen, können wir die Gesamtzahl der städtischen Haushalte Nt = Ht/Ut im Jahr t für jede Region berechnen. Wir simulieren, wie der Anstieg des Nt zu einer Ausweitung des städtischen Gefüges durch den Bau neuer Wohnungen und der damit verbundenen Infrastruktur in zuvor unbebauten Gebieten geführt hat. In den letzten Jahren kam es in seltenen Fällen zu einem Rückgang städtischer Haushalte im Laufe der Zeit. Bisher hat dies eher dazu geführt, dass Wohnungen leer stehen, als dass die Fläche des Stadtgefüges schrumpft.

Bei der Modellierung wird für einen gegebenen Zeitschritt t die Bevölkerung pro städtischer Strukturgitterzelle P2011, die im Basisbevölkerungsgitter definiert ist, geändert. Dies erfolgt separat und unabhängig für jede VLAU, wobei die gesamte städtische Grundbevölkerung \({U}_{2011}=\sum {P}_{2011}\) beträgt. Das Ziel dieses Modellierungsschritts besteht darin, ein neues Bevölkerungsgitter zu generieren, wobei \(\sum {P}_{2011}\) mit Ut übereinstimmt, was wiederum die gesamte städtische Bevölkerung eines VLAU im Zeitschritt t ist. Ut wird im Voraus für jede VLAU definiert, da es sich um eine proportionale Anpassung der bereits in Abschnitt S2.2 berechneten Gesamtbevölkerung aller VLAUs in einer bestimmten NUTS3-Region an die in den historischen Statistiken definierte Gesamtstadtbevölkerung einer NUTS3-Region handelt. Wir kennen daher die erwartete städtische Bevölkerung in einem VLAU und müssen das Bevölkerungsraster modifizieren, um die historischen Veränderungen in der Größe der städtischen Bevölkerung und die Veränderung ihrer Verteilung innerhalb der Städte zu reproduzieren. Veränderungen der Haushaltsgröße werden historischen Statistiken auf NUTS3-Ebene entnommen. Das Vorgehen erfolgt schrittweise:

In jeder städtischen Strukturgitterzelle in einem VLAU wird die Gitterzellenpopulation P im Jahr t im Vergleich zur Basislinie von 2011 geändert, um der Änderung der Haushaltsgröße Rechnung zu tragen:

wobei H die durchschnittliche Haushaltsgröße ist, ermittelt für jede NUTS3-Region;

Alle Gitterzellen in einer Region werden nach der Entfernung von städtischen Zentren geordnet (weiter unten im Text erläutert), wobei die Zellen mit dem höchsten Rang einem städtischen Zentrum am nächsten liegen.

Überschussbevölkerung St wird berechnet:

wobei \({U}_{t}=\sum {P}_{t}\) die gesamte Stadtbevölkerung im VLAU ist. Die Modellierung endet hier, wenn St = 0, aber das ist fast nie der Fall. St ist normalerweise positiv oder negativ und gibt an, wie viele Personen nach Anpassung des Bevölkerungsrasters an die Haushaltsgröße des historischen Niveaus Ht aus dem Raster entfernt oder hinzugefügt werden müssen, um der historischen Gesamtbevölkerung Ut zu entsprechen. Abhängig davon, ob ein Jahr vor oder nach der Basislinie modelliert wird, konnten vier Kombinationen von St und t unterschieden werden, wie in Tabelle 7 angegeben.

In den beiden Fällen A und B, also St > 0, t < 2011 und St < 0, t > 2011, nahm die Anzahl der Haushalte und damit die Ausdehnung städtischer Gebiete im Laufe der Zeit zu. Für Zeitschritte vor 2011 bedeutet dies, dass ein Teil des Stadtgefüges aus dem Basis-Rasterdatensatz zur Landbedeckung/-nutzung entfernt werden muss (Fall A), während für Zeitschritte nach 2011 mehr Stadtgefüge hinzugefügt werden muss (Fall B). Die Änderungen der Gitterzellenpopulation P hängen von der Entfernung d von städtischen Zentren ab. Die hier verwendete Entfernung von städtischen Zentren ist ein gewichteter Durchschnitt verschiedener Maße von Bevölkerungszentren („kombinierte Entfernung“), um die verschiedenen Hierarchieebenen in städtischen Netzwerken zu erfassen. Fünf verschiedene Datensätze wurden getestet und basierend auf einem im Ergänzungstext S2 erläuterten Kalibrierungsprozess (derselbe wie in Paprotny et al.32) wurden vier dieser Datensätze für die kombinierte Entfernung von städtischen Zentren ausgewählt. Die Datensätze und ihre Gewichte lauten wie folgt:

Beliebige Zentren großer Ballungsräume (mehr als 300.000 Personen im Jahr 2018) und Hauptstädte aus der 2018 Revision of World Urbanization Prospects der Vereinten Nationen (https://population.un.org/wup/) mit einer Gewichtung von 1,0

Schwerpunkte von Bevölkerungsclustern mit hoher Dichte44, mit einer Gewichtung von 1,5

Schwerpunkte der im Stadtatlas 201844 enthaltenen Städte mit einer Gewichtung von 2,0

Schwerpunkte der städtischen Gebiete von Corine Land Cover 2012 mit einer Gewichtung von 0,5.

Die kombinierte Entfernung wird für jede Gitterzelle berechnet. Dann geht die Modellierung je nach Fall weiter:

Fall A: Städtische Gitterzellen werden schrittweise rückwärts vom Basisjahr 2011 entfernt, beginnend mit dem niedrigsten Rang (i = 1), und ihre Bevölkerung wird um den Anteil D reduziert:

Anteil D basiert auf dem Logarithmus der Entfernung von städtischen Zentren d in Hektometern:

Bei jeder Iteration wird der Überschuss um die Menge der umverteilten Bevölkerung reduziert:

Die Berechnung wird fortgesetzt, bis St,i = 0. Wenn jedoch bei einer Iteration mehr Population in den Gitterzellen vorhanden ist als der verbleibende Überschuss, d. h.:

Die Population wird um die verfügbare Menge reduziert und proportional zur Rasterzellenpopulation aufgeteilt, wenn mehr Zellen mit demselben Rang vorhanden sind:

Fall B: Zellen, in denen die Stadterweiterung am wahrscheinlichsten stattgefunden hat, werden mithilfe des in Schritt 10 beschriebenen Landnutzungsübergangsmodells identifiziert, beginnend mit Zellen mit der höchsten Übergangswahrscheinlichkeit. Wenn mehr Zellen die gleiche Wahrscheinlichkeit des Übergangs in das Stadtgefüge erhielten, als für die Zuordnung der zusätzlichen Bevölkerung erforderlich war, wurden die Zellen innerhalb dieser Gruppe nach der Entfernung vom städtischen Zentrum geordnet. Die Population in den Zellen mit dem höchsten Rang, d. h. Iteration i = 1, wird auf die maximale Population pro Gitterzelle im VLAU gesetzt, reduziert um den Anteil D aus Gl. 12:

Bei jeder Iteration wird der Überschuss um die Menge der umverteilten Bevölkerung erhöht:

Die Berechnung wird fortgesetzt, bis St,i = 0. Wenn jedoch bei einer Iteration mehr Bevölkerung umverteilt werden muss als der verfügbare Überschuss, d. h.:

Der Überschuss wird gleichmäßig auf alle Zellen verteilt, die bis zu dieser Iteration geändert wurden (bezeichnet mit n):

Wenn im VLAU keine leeren Gitterzellen verfügbar sind, wird die Population aller städtischen Gitterzellen proportional auf die gleiche Weise wie in Gl. erhöht. 19.

Fall C und D: In diesen Fällen ging die Anzahl der Haushalte im Laufe der Zeit zurück, da einige Wohnungen leer standen. Das Stadtgebiet blieb unverändert, da das Stadtgefüge außer in sehr extremen Fällen nicht entfernt wird. Vor 2011 wurde die Bevölkerung in allen städtischen Rasterzellen zum Raster hinzugefügt (Fall C), während sie nach 2011 entfernt wurde (Fall D). Die Population nahm im Jahr 2011 proportional zur Population in einer bestimmten Gitterzelle zu bzw. ab (wie in Gleichung 19).

Die Modellierung der Umverteilung der Bevölkerung in städtischen Gebieten ist mit Veränderungen im Stadtgefüge verknüpft. In den Fällen A und B verändert sich das Stadtgebiet infolge der Zunahme der Zahl städtischer Haushalte, im Gegensatz zu den Fällen C und D, wo das Stadtgefüge unverändert bleibt. Da die städtische Struktur eng mit einer hohen Bevölkerungsdichte zusammenhängt, werden Rasterzellen der städtischen Struktur nur dann aus dem Basisdatensatz entfernt (Fall A) oder zu diesem hinzugefügt (Fall B), wenn die Änderungen der Bevölkerungsdichte groß genug sind. Folglich wird das Stadtgefüge in Zeitschritten vor dem Basisjahr 2011 nur dann entfernt, wenn die Bevölkerung in einer Rasterzelle auf weniger als 9 Personen reduziert wurde. Für Zeitschritte nach 2011 führte lediglich ein Anstieg der Bevölkerung auf mehr als 81 pro 100 m Rasterzelle zum Übergang in eine städtische Gefügeklasse. Beide Schwellenwerte wurden durch Kalibrierung des Modells ermittelt, um dem Ausmaß der in den CLC-Inventaren (2000–2018) beobachteten Veränderung zu entsprechen. Den CLC-Daten zufolge wuchs das Stadtgefüge zwischen 2000 und 2012 um fast 1,88 Millionen Hektar, zwischen 2012 und 2018 hingegen nur um 98.676 Hektar. Durch die Festlegung der Bevölkerungsschwellenwerte durch Kalibrierung stellt das Modell die Auswirkung städtischer Bevölkerungsänderungen auf die Landnutzungsart korrekt dar. Wie die Ergebnisse zeigen, war die Kalibrierung bereits bis ins Jahr 1900 anwendbar.

Flughäfen und Stauseen sind große Infrastrukturelemente, die im Zeitrahmen dieser Studie erstmals auftauchten. Da der Bauzeitraum dieser Objekte in der Regel gut bekannt ist und ihre Anzahl relativ gering ist, werden sie basierend auf dem Baujahr aus dem Basis-Rasterdatensatz entfernt oder hinzugefügt. Wir identifizierten 1598 Flughäfen und 1121 große Stauseen (Abb. 4) im Untersuchungsgebiet, indem wir CLC-Datensätze (CLC-Klassen 124 und 512) mit globalen Datenbanken dieser Objekte kombinierten (https://www.globaldamwatch.org/grand und https:/ /ourairports.com/data/) und ergänzt durch webbasierte Recherchen zu ihrer Geschichte. Obwohl HANZE v1.0 auch solche Daten enthielt, haben wir aufgrund der Hinzufügung neuer Länder, der Verwendung eines überarbeiteten CLC-Datensatzes und Aktualisierungen der globalen Flughafen- und Stauseendatenbanken die Daten zu Flughäfen und Stauseen von Grund auf neu zusammengestellt. Ein Flughafen oder Stauseen, die aus dem Basisdatensatz entfernt werden, ermöglichen es anderen Landnutzungstypen, den entstandenen leeren Raum zu füllen. Durch die Hinzufügung eines solchen Objekts nach 2011 wird jegliche Population entfernt, die dort im Jahr 2011 vorhanden war.

Anzahl der (a) Flughäfen und (b) Stauseen, die im Untersuchungsgebiet zwischen 1870 und 2020 gebaut wurden (5-Jahres-Zeiträume, die mit dem angegebenen Jahr enden).

Die ländliche Bevölkerung wird für jede VLAU separat neu berechnet, indem die Basispopulation der Gitterzellen proportional zu ihrem Wert angepasst wird, sodass sie der erwarteten Bevölkerung in diesem Gebiet entspricht. In den Jahren vor dem Basisszenario gelten Gebiete, aus denen das Stadtgefüge entfernt wurde, für die Zwecke dieser Berechnung immer noch als städtisch. Jahrelang nach dem Ausgangswert gilt die ländliche Bevölkerung in Gebieten, die in ein städtisches Gefüge übergegangen sind, nicht mehr als ländlich, daher wird die Anpassung nur für die verbleibenden ländlichen Zellen im VLAU vorgenommen.

Da die Grundgesamtheit immer als ganze Zahlen erfasst wird, kann es zu einer Diskrepanz kommen, wenn die Grundgesamtheit in Rasterzellen angepasst und anschließend gerundet wird. Daher wird die angepasste Grundgesamtheit in den Gitterzellen zuerst mit der Funktion „Boden“ gerundet, und dann werden die Gitterzellen mit den höchsten Resten aus der Division der ungerundeten Werte durch 1 mit der Funktion „Decke“ gerundet. Die Anzahl der höchsten Reste wird durch die Differenz zwischen der erwarteten Population im VLAU und der Gesamtpopulation der Zellen bestimmt, die mithilfe der „Floor“-Funktion angepasst und gerundet wurden.

Es wurde davon ausgegangen, dass sich die von großen Industrie-/Gewerbeanlagen (CLC-Klasse 121) abgedeckte Fläche proportional zum BIP verändert, das in einer NUTS3-Region durch Industrie und Dienstleistungen generiert wird. Industrielle Gitterzellen, die am weitesten von den Schwerpunkten industrieller Landnutzungsflächen entfernt liegen, werden bei einer Zeitreise zuerst entfernt. Für Zeitschritte nach dem Basisjahr werden zuerst die Industriegitterzellen hinzugefügt, die den Schwerpunkten am nächsten liegen. Die industrielle Landnutzung darf sich nur auf unbewohnte Gebiete einiger CLC-Klassen ausdehnen: Baustellen (133), landwirtschaftliche Gebiete (211–244) und bestimmte Naturgebiete (311–324 und 333). Allerdings wird das BIP-Wachstum in der Industrie und im Dienstleistungssektor nur teilweise durch die Erweiterung der Anlagen getragen, da die Produktivität von Kapital und Arbeit tendenziell zunimmt. Tatsächlich ist die Klasse CLC 121 zwischen 2000 und 2018 (basierend auf CLC 2012 und CLC-Changes) im Untersuchungsgebiet um 16 % gewachsen, aber das BIP aus Industrie und Dienstleistungen stieg um 32 %. Daher wird die Veränderung des BIP aus Industrie/Dienstleistungen mit einer Elastizität von 0,45 skaliert, sodass die modellierten Veränderungen zwischen 2000 und 2018 im Untersuchungsgebiet die gleiche Größenordnung haben wie im CLC-Inventar. Das Industriegebiet A in der Region r und im Jahr t ist wie folgt:

Dabei ist ε die Elastizität und Gr das regionale BIP der Industrie/Dienstleistungen gemäß den historischen Statistiken auf NUTS3-Ebene.

Es wurde davon ausgegangen, dass sich die Fläche, die vor dem Jahr 2000 von Straßen und Eisenbahnen bedeckt war (CLC-Klasse 122), proportional zur Länge von Autobahnen und Eisenbahnen veränderte. In die Eingabedatenbank wurden historische Daten zur Länge dieser Art von Infrastruktur aufgenommen. Da die Infrastruktur zunächst in großen Stadt- und Industriegebieten errichtet wurde, werden bei einer Zeitrückreise zuerst Infrastrukturgitterzellen (CLC-Klasse 122) entfernt, die am weitesten von den städtischen Zentren entfernt liegen, bis die Gesamtfläche pro Region mit dem Wert in der Datenbank übereinstimmt. Umgekehrt werden die Gitterzellen, die den städtischen Zentren am nächsten liegen, für Zeitschritte nach dem Basisjahr mit Infrastruktur gefüllt. Die Infrastruktur darf sich nur auf bestimmte CLC-Klassen ausbreiten: Baustellen (133), landwirtschaftliche (211–244) und bestimmte natürliche (311–324 und 333). Allerdings hatten Baustellen gegenüber anderen CLC-Klassen Vorrang; Alle „Konstruktions“-Gitterzellen müssen aufgebraucht sein, bevor andere CLC-Klassen berücksichtigt werden können. Der Grund dafür ist, dass neben städtischen Strukturen oder Industriestandorten, die bereits in den vorherigen Schritten berücksichtigt wurden, Straßen- und Eisenbahnstandorte die häufigsten Ergebnisse von Bautätigkeiten sind. Wir haben dieses Muster bei den Übergängen der Landnutzung in nachfolgenden CLC-Inventaren (2000–2018) gefunden: Fast die Hälfte der Fläche der Baustellen im CLC-Inventar, die in die Klasse „andere städtische Struktur oder Industriestandorte“ (in vorherigen Schritten berücksichtigt) übergingen, wurde überführt zur Infrastruktur bis zum Zeitpunkt der nächsten 6-Jahres-Inventur.

Bei Baustellen (CLC-Klasse 131) handelt es sich per Definition um eine vorübergehende Landnutzung, typischerweise für nur wenige Jahre. Das CLC-Inventar zeigt, dass 76–81 % der Baustellen in den 6-Jahres-Zeiträumen zwischen den CLC-Datensätzen (2000–2006, 2006–2012, 2012–2018) auf eine andere Landnutzung umsteigen. Daher wurde ihre Fläche für die Jahre 2005–2011 als konstant angenommen, während für die Jahre 1870–2004 alle Baustellen aus dem Datensatz entfernt wurden. Nach 2011 durften sie in Stadtgefüge, Industriestandorte, Straßen, Eisenbahnen und Flughäfen (CLC 111–122 und 124) übergehen, blieben aber ansonsten unverändert.

Stadtgrünflächen, Sport- und Freizeitanlagen (CLC-Klassen 141 und 142) stehen in engem Zusammenhang mit anderen künstlichen Flächen. Fast zwei Drittel dieser CLC-Flächen grenzen im CLC-Inventar 2012 entweder an städtische Strukturen, Industriestandorte, Straßen-/Eisenbahnstandorte oder Flughäfen. Daher werden die Patches der CLC-Klassen 141 und 142, die im Basisdatensatz an die CLC-Klassen 111–122 und 124 grenzten, in einem bestimmten Zeitschritt entfernt, wenn sie aufgrund der Anwendung früherer Modellierung nicht mehr an die CLC-Klassen 111–122 und 124 grenzen Schritte. Häfen, Mineralienabbau und Deponien (CLC-Klassen 123, 131 und 132) sind große Elemente der Infrastruktur wie Flughäfen und Stauseen, aber sie sind zu zahlreich (fast 15.000 Objekte) und ihre Geschichte ist weniger nachvollziehbar, um den gleichen Ansatz wie bei Flughäfen anzuwenden . Daher wurden sie in jedem Zeitschritt konstant gehalten und interagierten nicht mit anderen Landnutzungsklassen, außer im Zusammenhang mit dem Bau von Poldern (Schritt 1) oder Stauseen (Schritt 4).

Das allgemeine Konzept zur Modellierung von Veränderungen landwirtschaftlicher Flächen wurde dem HYDE50-Datensatz entnommen, d. h. die lokale Eignung für die Landwirtschaft bestimmt, wo sich diese Landnutzungsklasse ausdehnt (die am besten geeignete verfügbare Fläche zuerst) und schrumpft (die am wenigsten geeignete Fläche wird zuerst nicht mehr genutzt). Die Entwicklung landwirtschaftlicher Flächen und die Zunahme der städtischen Struktur nach dem Basisjahr wurden mithilfe eines Modells berechnet, das ein Bayesianisches Netzwerk (BN) verwendet, das Wahrscheinlichkeitstheorie und Graphentheorie kombiniert, um eine gemeinsame Verteilung aufzubauen und zu betreiben. Das BN wird mit dem CLC-Changes-Datensatz trainiert, der 1,2 Millionen Übergänge mit Landflächen von mehr als 5 ha aufzeichnet, und CLC 2012, der Landnutzungstypen identifiziert, die zwischen 2000 und 2018 keinen Übergang vorgenommen haben. Die CLC-Changes und CLC 2012 Die Bestandsaufnahme wurde beprobt, um 513.915 Übergangsfälle und eine gleiche Anzahl von Landnutzungsflächen zu erhalten, die zwischen 2000 und 2018 stabil waren. Für jeden Standort wurden Informationen aus verschiedenen Rasterdatensätzen als Prädiktoren für Landnutzungsänderungen extrahiert: Höhe und Neigung aus EU- DEM51-Datensatz (https://ec.europa.eu/eurostat/web/gisco/geodata/reference-data/elevation/eu-dem/eu-dem-laea, landwirtschaftliche Eignung aus Global Agro-Ecological Zoning (GAEZ) Version 4 Datenbank (https://gaez-data-portal-hqfao.hub.arcgis.com/) und Bevölkerungsdatensatz aus den Schritten 2 und 3. Das Stichprobenverfahren und eine Liste aller getesteten Prädiktoren werden im Ergänzungstext S3 beschrieben.

Da die Landnutzungsinformationen kategorisch sind, wurde eine diskrete BN verwendet. Die Landnutzungsklassen wurden in fünf Klassen zusammengefasst (städtische Struktur, andere künstliche Flächen, Ackerland, Weiden, natürlich). Die Kategorie mit natürlichem Land schließt nicht nutzbare Landbedeckungstypen aus (CLC 331–332, 334–335, 421–523), die weder mit künstlicher noch landwirtschaftlicher Landnutzung interagieren dürfen. Das BN-Modell wurde iterativ erstellt, beginnend mit einem einfachen Netzwerk mit drei Knoten, bei dem die „alte“ Landnutzungsklasse der „neuen“ Landnutzungsklasse übergeordnet ist und eine einzelne Prädiktorvariable das übergeordnete Element beider Landnutzungsklassen ist. Knoten verwenden. Komplexere BNs mit mehr Prädiktoren wurden jeweils anhand einer disjunkten Teilmenge von Stichproben von Übergängen und Nicht-Übergängen validiert, die nicht für das Training verwendet wurden (siehe Ergänzungstext S3 für das Stichprobenverfahren und „Technische Validierung“ für die endgültigen Validierungsergebnisse). Iterativ wurden die besten Prädiktoren, die Anzahl der Prädiktoren und die Anzahl der Bins (in die kontinuierliche Variablen diskretisiert wurden) ausgewählt. Es wurden drei Prädiktoren ausgewählt, die alle Eltern der beiden Landnutzungsknoten sind (Abb. 5):

Bevölkerungsdichte pro VLAU – 9 Behälter;

Eignungsindex für Weizen: Produktionsdichte (potenzielle Produktion dividiert durch die gesamte Gitterzellenfläche) für Weizen unter Regenbewässerungsbedingungen und hohem Inputniveau – 5 Behälter;

Eignungsindex für Gras: Agroklimatisches Ertragspotenzial für Gras bei einem verfügbaren Wassergehalt von 200 mm/m (unter Bewässerungsbedingungen) und hohem Inputniveau – 10 Behälter.

Bayesianisches Netzwerk für Landnutzungsübergänge mit 5 Knoten und 7 Bögen. Die Knoten geben die Anzahl der Klassen der diskreten Verteilungen und die Intervalle der Klassen an.

Die beiden landwirtschaftlichen Eignungsindizes stammen aus der GAEZ-Datenbank und basieren auf dem Klima von 1971–2000. Da die BN mit einer bedingten Wahrscheinlichkeitstabelle (CPT) quantifiziert wird, führt diese Konfiguration dazu, dass die CPT 11.250 Zellen hat. Daher wurden keine weiteren Variablen hinzugefügt, um zu vermeiden, dass zu wenige Datenpunkte die Zellen des CPT quantifizieren.

Abbildung 6 zeigt ein Anwendungsbeispiel des Bayes'schen Netzwerks. In diesem Fall kennen wir die heutige Landnutzung (Ackerflächen) und wissen, dass in einem früheren Zeitschritt die Gesamtfläche der Ackerflächen in einer NUTS3-Region geringer war als heute. Daher möchten wir wissen, wie wahrscheinlich es ist, dass sich die Landnutzung in den Gitterzellen in der Region von den Ackerflächen unterschied. Abbildung 6a zeigt ein Gebiet, das aufgrund der relativ hohen Bevölkerungsdichte und guten Eignung für die Landwirtschaft höchstwahrscheinlich auch zuvor Ackerland war. Die Fläche in Abb. 6b weist eine geringere Eignung auf, was auf eine viel höhere Wahrscheinlichkeit hinweist, dass die Fläche für andere Zwecke als Ackerland genutzt wurde. Folglich wird die Fläche in Abb. 6b höher eingestuft als die Fläche in Abb. 6a, wenn ausgewählt wird, welche Rasterzellen der Ackerflächen aus dem Rasterdatensatz entfernt werden, um die gesamte Ackerlandfläche mit historischen statistischen Daten abzugleichen.

Beispiel eines bedingten Bayes'schen Netzwerks für Landnutzungsübergänge. Tafel (a) zeigt ein sehr geeignetes Gebiet für Ackerland und (b) ein ungeeignetes Gebiet. Die Grafik zeigt die vorherige (Situation in Abb. 5) und hintere (Knoten in Grau werden mit den angegebenen Werten konditionalisiert) Wahrscheinlichkeit des vorherigen Landnutzungstyps (60,8 % in (a) und 43,4 % in (b) für Ackerland).

Die trainierte BN wird verwendet, um in neun Fällen Wahrscheinlichkeiten für Landnutzungsübergänge zu generieren, wie folgt:

von nicht-städtisch zu städtisch nach dem Basisjahr;

von Nicht-Ackerland zu Ackerland nach dem Basisjahr;

von Nicht-Weideland zu Weideland nach dem Basisjahr;

von Ackerland zu Nicht-Ackerland nach dem Basisjahr;

von Weideland zu Nichtweideland nach dem Basisjahr;

von Nicht-Ackerland zu Ackerland vor dem Basisjahr;

von Nicht-Weideland zu Weideland vor dem Basisjahr;

von Ackerland zu Nicht-Ackerland vor dem Basisjahr;

von Weideland zu Nichtweideland vor dem Basisjahr.

Wie in Abschnitt 2.4.3 erwähnt, befasst sich die BN mit dem Fall des Übergangs von nichtstädtischen zu städtischen Flächen nach 2011. Wenn der Wohnbedarf der Bevölkerung zu einer Vergrößerung der Städte führt, sind dies Gebiete mit der höchsten Wahrscheinlichkeit eines Übergangs von nichtstädtischem zu städtischem Land -Verwenden Sie zuerst den Aufbau. Die BN wird auf die gleiche Weise für die verbleibenden acht Fälle im Zusammenhang mit der Landwirtschaft verwendet, d. h. sie bestimmen, in welchen landwirtschaftlichen Flächen hinzugefügt oder entfernt werden soll, sodass die Gesamtfläche der Acker- und Weideflächen im Landbedeckungs-/Nutzungs-Rasterdatensatz für einen bestimmten Zeitschritt entsteht entspricht den Werten aus historischen Statistiken pro NUTS3-Region. Dies erfolgt iterativ, beginnend mit Landstücken mit der höchsten Wahrscheinlichkeit eines Übergangs zwischen bestimmten Klassen (z. B. Nichtweideland zu Weideland). Zuerst wird die Umverteilung von Ackerland modelliert, dann wird im zweiten Schritt die Umverteilung von Weideland durchgeführt. Flächen, die nach dem ersten Schritt noch von Ackerland belegt sind, können nicht in Weideland umgewandelt werden. Allerdings können Flächen, die im ersten Schritt durch die Umverteilung von Ackerflächen entleert wurden, im zweiten Schritt in Weideland umgewandelt werden.

Wir müssen Übergänge zeitlich rückwärts für Zeitschritte vor 2011 modellieren. Wir entfernen teilweise städtische Strukturen oder Straßen-/Eisenbahnstandorte, falls sie in der Vergangenheit weniger Land eingenommen haben, und schaffen einen leeren Raum, den Ackerland einnehmen kann. In der Zukunft handelt es sich um einen Übergang von Ackerland zu Nichtanbauland. Die Übergangswahrscheinlichkeit, die verwendet wird, um zu bestimmen, welche Zellen mit Ackerland gefüllt werden sollen, ist die Wahrscheinlichkeit, dass eine Zelle ohne Ackerland zuvor eine Ackerfläche war. Das Gleiche gilt für Weiden, allerdings mit der Maßgabe, dass diese keine bereits dem Ackerland zugeordneten Felder belegen dürfen. Eine Überführung der in diesem Modellschritt noch verbleibenden künstlichen Flächen in landwirtschaftliche Flächennutzung ist nicht zulässig.

Im iterativen Landnutzungsumverteilungsprozess kann die Anzahl der Gitterzellen mit gleicher Übergangswahrscheinlichkeit die Anzahl der Zellen überschreiten, die konvertiert werden müssen, um der Gesamtfläche in den historischen Statistiken zu entsprechen. Dies geschieht häufig, weil die Prädiktoren (GAEZ-Datensatz und Bevölkerungsdichte nach VLAU) eine relativ grobe Auflösung und eine kleine Anzahl von Klassen haben, in die die Daten unterteilt sind. Um exakte 100-m-Rasterzellen aus Flächen gleicher Wahrscheinlichkeit abzuleiten, wurde ein weiterer Prädiktor für die landwirtschaftliche Eignung hinzugefügt. Die Geländeneigung ist ein wichtiger Prädiktor, der auch in den beiden landwirtschaftlichen Eignungsindizes der FAO verwendet wird. Sie liegt in der Zielauflösung (100 m) als kontinuierliche Größe aus dem EU-DEM-Höhendatensatz vor. Eine geringere Neigung weist auf eine bessere Eignung für landwirtschaftliche Aktivitäten hin. Daher werden 100-m-Zellen mit gleicher Übergangswahrscheinlichkeit entsprechend der Neigung von der niedrigsten zur höchsten eingestuft. Die entsprechende Anzahl höchstrangiger Zellen wird hinzugefügt/entfernt, sodass die Gesamtfläche der Acker- oder Weideflächen genau mit der Gesamtfläche in den historischen Statistiken übereinstimmt.

Naturgebiete machen weniger als 1 % der Bevölkerung und des Anlagevermögens aus, daher wird für diese Klassen nur eine begrenzte Modellierung durchgeführt. Gebiete, in denen die Vegetation abgebrannt ist (typischerweise Wälder), sind per Definition eine vorübergehende Landnutzung. Verbrannte Gebiete sind sehr kurzlebig: Fast keine der Landbedeckungsflächen dieser Klasse (CLC 334) im Jahr 2012 war in den CLC-Inventaren von 2006 oder 2018 vorhanden. Für die Jahre 2007–2017 wurde davon ausgegangen, dass die verbrannte Fläche konstant ist, während für die Jahre 1870–2006 und 2018–2020 alle verbrannten Flächen aus dem Datensatz entfernt wurden. Da fast alle verbrannten Gebiete früher oder später den CLC-Klassen 311–324 angehören, erfolgt dieser Modellierungsschritt nach der Umverteilung landwirtschaftlicher Flächen. Dennoch gibt es in verbrannten Gebieten keine Exposition und bei vorangegangener Landnutzung nur eine sehr geringe Exposition, abgesehen von seltenen Fällen.

Naturflächen sind das, was nach der Modellierung von künstlichen, landwirtschaftlich genutzten und verbrannten Flächen sowie Stauseen und Sonderfällen übrig bleibt. Ohne menschliches Zutun würden Naturgebiete den gesamten Kontinent bedecken. Wenn also durch die Modellierung Land unbewohnt wird, wird ihm die gleiche natürliche Landbedeckung zugewiesen, die in der nächstgelegenen Nachbarschaft typisch ist. Typische natürliche Vegetationsbedeckung (Klassen CLC 311–324 und 411–422) wird als die am häufigsten vorkommende innerhalb der VLAU definiert. Die Berechnung erfolgt getrennt für Wälder (CLC 311–313) und andere Naturflächen (CLC 321–324 und 411–422), wobei die häufigere der beiden Gruppen verwendet wird. Wenn im VLAU keine natürliche Bedeckung vorhanden ist, wird die vorherrschende Vegetationsbedeckung der jeweiligen NUTS3-Region verwendet. Wenn es in der NUTS3-Region keine bewachsene Landfläche gab, wurde davon ausgegangen, dass die unbewohnte Fläche von Übergangswald-Strauch (CLC 324) bedeckt ist, da es sich um die häufigste nicht bewaldete natürliche Fläche im Untersuchungsgebiet handelt.

Nach der ersten Zuordnung wird die Gesamtwaldfläche mit den historischen Daten der NUTS3-Datenbank verglichen. Wenn in einer bestimmten NUTS3-Region zu viel Waldfläche vorhanden ist, wird die Fläche, die in diesem Schritt dem Wald zugewiesen wurde, iterativ in die häufigste Nichtwaldklasse umgewandelt, beginnend mit der am dichtesten besiedelten VLAU. Wenn umgekehrt nicht genügend Waldfläche vorhanden ist, werden Zellen, die in diesem Schritt der Nichtwaldvegetation zugeordnet wurden, iterativ in die häufigste Waldklasse umgewandelt, beginnend mit dem am wenigsten dicht besiedelten VLAU.

Alle anderen natürlichen Flächen ohne Vegetation, die normalerweise nicht bebaut oder landwirtschaftlich genutzt werden können, z. B. Strände, Dünen, Sand (CLC 331), nackte Felsen (CLC 332), Gletscher und ewiger Schnee (CLC 335), Gezeitenebenen (CLC 423) usw Wasser (CLC 511–523) wurden durchgehend konstant gehalten. Flächen dieser Art von Landbedeckung werden nur im Zusammenhang mit dem Stausee- (Schritt 4) oder Polderbau (Schritt 1) aus dem Datensatz entfernt.

Veränderungen in der Bodenversiegelung basieren vollständig auf Landnutzungsübergängen, daher wird dieser Schritt nach der Landnutzungsmodellierung, aber vor der Aufschlüsselung der Wirtschaftsdaten durchgeführt. Die Bodenversiegelung im Basis-Rasterdatensatz wird auf den Durchschnittswert für eine bestimmte CLC-Klasse (Tabelle 8) erhöht, wenn nicht-künstliches Land zu künstlichem Land übergeht, es sei denn, sie liegt bereits über diesem Wert. Bei der Rückwärtsberechnung für Zeitschritte vor 2011 wird der Grad der Bodenversiegelung überall dort, wo derzeit künstliches Land in landwirtschaftlich genutztes Land umgewandelt wird, auf 1 % reduziert. Ebenso wird der Satz auf 0 % gesenkt, wenn landwirtschaftliche oder künstliche Flächen in natürliche Flächen umgewandelt werden.

Die Disaggregation von Wirtschaftsdaten folgt demymetrischen Mapping-Methoden, ähnlich denen, die in europäischen52 oder globalen53 Studien, einschließlich HANZE v1.0, angewendet werden. Letzteres wurde mehrfach überarbeitet (Tabelle 9). Das regionale BIP wird teilweise proportional zur Bevölkerung und teilweise nach Landnutzung (ggf. mit Bodenversiegelung) aufgeteilt. Auf diese Weise wird sowohl der Beitrag der Arbeit (Teil der Gesamtbevölkerung) als auch des Kapitals (verbunden mit der Landnutzung) zum BIP dargestellt. Der Anteil der Arbeit am BIP liegt in den fortgeschrittenen Ländern bei etwa 60 % und ist im Laufe der Zeit relativ stabil geblieben54. Daher werden 60 % des BIP nach Bevölkerung und die restlichen 40 % nach Landnutzung aufgeschlüsselt. Das Anlagevermögen in absoluten Zahlen pro Region wird berechnet, indem das regionale BIP oder ein Sektor davon mit dem jeweiligen Verhältnis von Vermögen zu BIP für jeden Sektor multipliziert wird, wie durch die Variablen „Anlagevermögen“ definiert (Tabelle 6). Wohnraum und langlebige Konsumgüter werden nach der Gesamtbevölkerung verteilt, da sie am engsten mit der Bevölkerungsverteilung zusammenhängen. Andere Vermögenswerte im Zusammenhang mit wirtschaftlichen Aktivitäten werden proportional zum Grad der Bodenversiegelung auf entsprechende Landnutzungsklassen verteilt. Schließlich wird die Infrastruktur auf Stadt- und Industrieflächen (CLC-Klassen 111–121) proportional zur Fläche verteilt, die von Straßen und Straßen bedeckt ist, und auf Straßen/Eisenbahnen, Häfen und Flughäfen (CLC-Klassen 122–124) proportional zum Bodengrad Abdichtung.

Darüber hinaus gibt es zusätzliche Annahmen zur Aufschlüsselung von BIP und Vermögen für zwei Sektoren. Der Agrarsektor umfasst Land-, Fischerei- und Forstwirtschaft, während der Industriesektor Bergbau, Fertigung und Versorgungsunternehmen umfasst. Eine detaillierte Aufschlüsselung dieser Teilsektoren ist auf regionaler Ebene weder für das BIP noch für das Anlagevermögen verfügbar, mit Ausnahme einiger weniger Länder. Daher wurden das regionale BIP und der Wohlstand aus Forstwirtschaft und Bergbau durch die Berechnung von „Effizienzindizes“ auf nationaler Ebene geschätzt. Der Forstwirtschaftsindex wurde erstellt, indem das BIP der Landwirtschaft (ohne Forstwirtschaft) auf nationaler Ebene pro Hektar landwirtschaftlicher Fläche aus CLC und das BIP der Forstwirtschaft pro Hektar Waldfläche berechnet wurden. Diese Werte wurden für das Jahr 2000 für alle Länder berechnet und als Effizienz der Forstwirtschaft im Vergleich zur übrigen Landwirtschaft in % dargestellt. Dieses Verhältnis wurde verwendet, um den relativen Anteil der Forstwirtschaft am regionalen BIP in einem bestimmten Jahr auf der Grundlage der für dieses Jahr modellierten Landbedeckung/-nutzung zu berechnen:

Dabei ist G das BIP, A die von der Landbedeckung/-nutzung in einem bestimmten Sektor abgedeckte Fläche und Ec der Effizienzindex für Land c. Der Waldsektor wird mit f, der Agrarsektor (ohne Forstwirtschaft) mit a, die NUTS3-Region mit r und der Zeitschritt mit t bezeichnet. Das landwirtschaftliche BIP ohne Forstwirtschaft beträgt daher:

Das Verhältnis von Wohlstand zu BIP für die Landwirtschaft wird sowohl für die Forstwirtschaft als auch für die sonstige Landwirtschaft verwendet. Bergbau und Steinbruch werden anhand eines Bergbaueffizienzindex, der wie der Waldindex berechnet wird, von den übrigen Industrieaktivitäten (Fertigung und Versorgung) getrennt. Auf die gleiche Weise wird der Anteil der Bergbaugebiete (CLC 131) im Verhältnis zu den Industriegebieten (CLC 121) in jeder NUTS3-Region und in jedem Zeitschritt verwendet, um die beiden Sektoren zu disaggregieren. Die Gleichungen 21 und 22 sind anwendbar, wenn die verschiedenen Sektoren und Landnutzungstypen ersetzt werden. Das Verhältnis von Vermögen zu BIP für die Industrie wird sowohl für den Bergbau als auch für andere Industrien verwendet.

Der auf Zenodo55 verfügbare Datensatz besteht aus drei Komponenten (Tabelle 10). Zunächst handelt es sich um eine Reihe von GeoTIFF-Rastern, die den gesamten Bereich von 42 Ländern abdecken. Jedes Raster hat eine Auflösung von 100 m und den standardmäßigen europäischen Raumbezug ETRS89/LAEA (EPSG:3035). Es gibt insgesamt 195 Rasterdatensätze, jeweils eine der fünf Variablen (Landbedeckung/-nutzung, Bevölkerung, BIP, Anlagevermögen und Bodenversiegelung) und 39 Zeitschritte (zehnjährlich 1870–1950, fünfjährlich 1950–2000 und jährlich 2000–2000). 2020). Wirtschaftsvariablen werden in Euro (EUR) unter Verwendung konstanter Preisniveaus und Wechselkurse anderer Währungen im Jahr 2020 bewertet. Zur schnelleren Visualisierung der Landbedeckungs-/Nutzungsgitter sind auch Legendendateien für ArcGIS und QGIS im Repository enthalten.

Der zweite Teil sind Unsicherheitsschätzungen der vergangenen Hochwasserexposition. Es wurde mithilfe der Fähigkeit des Modells erstellt, probabilistische Ergebnisse basierend auf der Unsicherheit bei der Rekonstruktion früherer Bevölkerungsverteilungen und Landnutzungsübergänge zu berechnen (Modellierungsschritte 2 und 10). Allerdings sind die Unsicherheitsverteilungen einzelner Gitterzellen nicht unabhängig, sondern stark korreliert. Daher war es nicht möglich, die Unsicherheitsgrenzen im gleichen Format wie die „besten Schätzungen“ der Rasterdatensätze darzustellen. Folglich müssen sie berechnet werden, indem Stichproben aus dem Modell gezogen und jede Iteration für definierte Gefahrenzonen aggregiert wird. Die Unsicherheitsschätzungen im Endlager wurden anhand von Hochwassergefahrenkarten für 100-jährige Wiederkehrperioden erstellt, die von Paprotny et al.56 für die Küstengefahr und von Alfieri et al.57 für die Flussgefahr übernommen wurden. Das 5., 20., 50., 80. und 95. Perzentil der Bevölkerung, des BIP und des Anlagewerts für alle 39 Zeitschritte ist in separaten Dateien für jede NUTS-3-Region, Variable und Art der Gefahr enthalten.

Die Eingabedaten des HANZE v2.0-Modells, die zur Generierung dieses Datensatzes verwendet wurden, sind in den Ergänzungstabellen S3–S6 aufgeführt. Von besonderem Interesse für Forscher sind die Eingabedatenbanken zu historischer Landnutzung, Bevölkerung, BIP, Anlagevermögen sowie anderen demografischen und wirtschaftlichen Variablen. Die Statistiken liegen größtenteils auf NUTS-3-Ebene (einige Variablen auf Länderebene) und wurden in dieser und früheren (HANZE v1.0) Studie32 durch Harmonisierung von fast 400 verschiedenen Datenquellen zusammengestellt und sind daher auch als dritter Teil der Ausgabedaten enthalten (Tabellen 11, 12).

Die Validierung hochauflösender Expositionsdaten stellt aufgrund der begrenzten Verfügbarkeit vergleichbarer Beobachtungsdatensätze eine große Herausforderung dar29. Hier nutzen wir verfügbare Bevölkerungs- und Landnutzungsdaten zur Validierung und vergleichen die Ergebnisse weiter mit anderen veröffentlichten modellierten Datensätzen. Eine Validierung der Disaggregation von Wirtschaftsdaten ist derzeit aufgrund des völligen Mangels an Beobachtungsdaten nicht möglich.

Es besteht ein allgemeiner Mangel an sehr hochauflösenden Bevölkerungsreferenzdaten, teilweise aus Gründen der Vertraulichkeit29. Das GEOSTAT 1-km-Gitter – unser Input für die Bevölkerungsaufschlüsselung – ist in einigen Gitterzellen aufgrund der „Vertraulichkeitsbehandlung“ bereits künstlich verzerrt. Es bietet die höchste verfügbare Auflösung für ein Beobachtungsprodukt. Aus diesem Grund haben wir eine alternative Aufschlüsselung der Bevölkerung von 1 km² bis 100 m² vorbereitet, wobei wir die Grundfläche von Wohngebäuden als Prädiktor verwendeten und nicht aggregierte Landnutzungs- und Bodenversiegelungsdaten. Wir verwenden hochauflösende Gebäudevektordaten (https://www.geoportal.gov.pl/dane/baza-danych-obiektow-topograficznych-bdot) für vom Meeresspiegelanstieg bedrohte Gemeinden in Polen, die zuvor von Paprotny und Terefenko58, as angewendet wurden Die von ihnen verwendeten Daten entsprachen dem Stand 2012/13, was in etwa unserem Basisjahr entspricht. Innerhalb jeder 1-km-Rasterzelle, die vollständig innerhalb des Validierungsgebiets liegt, haben wir die Wohnfläche in m² berechnet, indem wir die Fläche der Wohngebäude multipliziert mit der Anzahl der Stockwerke pro 100-m-Rasterzelle unseres hochauflösenden Bevölkerungsrasters berechnet haben. Die Population wurde proportional zur Bodenfläche in jeder 100 m-Zelle verteilt. Für die Berechnung haben wir Gemeinschaftsunterkünfte, in denen Menschen normalerweise keine Adressen registrieren, Sommerhäuser oder verlassene Gebäude ausgeschlossen.

Wir vergleichen unsere modellierten Ergebnisse mit der alternativen Disaggregation und einer zuvor veröffentlichten 100-m-Disaggregation von GEOSTAT namens GHS59. Diese Gitter wurden dann mit europaweiten Hochwassergefahrenkarten für Küsten56 und Flüsse57 überschnitten. Wir fanden heraus, dass sowohl das HANZE- als auch das GHS-Raster die räumliche Verteilung der Bevölkerung zu stark glätten, was durch falsch-positive Verhältnisse angezeigt wird (Tabelle 13). Bei fast 40 % der besiedelten Zellen in HANZE ist im Benchmark-Datensatz keine Population angegeben, obwohl die angegebene Population in der Hälfte dieser Fälle nur aus einer oder zwei Personen besteht. Die Falsch-Positiv-Rate ist in GHS höher als in HANZE und liegt bei über 40 %. Umgekehrt gibt HANZE selten fälschlicherweise an, dass keine Population vorhanden ist: Nur 3,5 % der in HANZE nicht gefüllten Zellen sind im Benchmark-Datensatz gefüllt. Dies ist weniger als die 4,7 % im GHS (Falsch-Negativ-Verhältnis in Tabelle 13). Die Exposition innerhalb von Fluss- und Küstenüberschwemmungsgebieten für Gemeinden der polnischen Küstenzone (mit mindestens 30 exponierten Personen) wurde größtenteils gut dargestellt, mit einem mittleren Fehler von über 10 % in HANZE. HANZE erzielte bessere Ergebnisse als GHS für Hochwassergefährdete Gebiete an Flüssen, obwohl die Gefährdung durch Küstenüberschwemmungen durch GHS besser modelliert wurde. Eine abschließende Überprüfung der Datensätze erfolgte durch Binning der Population pro 100 m Rasterzellen in Intervallen mit jeweils Faktor 2: [0,1], [1,2], [2,4], [4,8] , [8,16] usw. Wir fanden heraus, dass die Population pro Zelle in HANZE in 53 % der Fälle innerhalb von +/− 1 Intervall des Validierungsdatensatzes lag, was besser ist als die für den GHS-Datensatz berechneten 44 %.

Die detaillierteste Ebene, auf der eine Validierung der modellierten Bevölkerungsveränderungen möglich ist, ist die Gemeindeebene. Zu diesem Zweck haben wir zwei Referenzdatensätze erhalten. Zunächst verwenden wir den gesamteuropäischen Datensatz (1960–2010) mit Bevölkerungsdaten nach lokalen Verwaltungseinheiten, der zur Quantifizierung unseres Modells verwendet wird (siehe Ergänzungstext S1). Zweitens haben wir einen Datensatz mit einer längeren Zeitspanne für Österreich zusammengestellt, der auf historischen Volkszählungsdaten basiert, die von der Statistik Austria (https://www.statistik.at/datenbanken/statcube-statistische-datenbank) auf heutige Gemeinden umgerechnet und mit einem Vektor kombiniert wurden Datensatz ihrer Grenzen (https://www.data.gv.at/katalog/dataset/verwaltungsgrenzen-vgd-stichtagsdaten-grundstucksgenau). Der resultierende Referenzbevölkerungsdatensatz deckt den gesamten Zeitraum dieser Studie (1870–2020) und 2117 Einheiten ab: alle Gemeinden plus die Bezirke Wiens (Ergänzende Abbildung S9). Für weitere Vergleiche verwenden wir den HYDE 3.2-Datensatz25, der mit einer 5′-Auflösung für Gemeinden neu berechnet wurde. Sowohl HANZE als auch HYDE nutzen subnationale Bevölkerungsdaten, die sowohl räumlich als auch zeitlich aufgeschlüsselt sind, was sie zu den am besten vergleichbaren Expositionsprodukten macht.

Die Genauigkeit der Bevölkerungsveränderung auf der Ebene lokaler Verwaltungseinheiten (LAUs) wurde anhand der durchschnittlichen absoluten Differenz der modellierten und beobachteten Bevölkerung pro LAU im Verhältnis zur beobachteten Bevölkerung in einem bestimmten Jahr analysiert. Wie Abb. 7a zeigt, nimmt der Fehler zu, je mehr Zeit seit dem Basisjahr vergeht, und erreicht durchschnittlich etwa 20 % bis 1960 (in beiden Validierungsgebieten) und 40 % bis 1870 (in Österreich). Allerdings handelt es sich bei der Mehrheit der LAUs um kleine ländliche Gemeinden, wobei mehr als die Hälfte der LAUs in Europa im Jahr 1960 weniger als 1000 Einwohner hatten und ein Drittel in Österreich im Jahr 1870 (Ergänzungstabelle S7). Sowohl europäische als auch österreichische LAUs haben die Bevölkerung seit 1960 bzw. 1870 um mehr als den Faktor zwei verändert. Daher sind die absoluten Fehler meist gering (weniger als 200 Personen in der Hälfte der LAUs in Europa). In größeren LAUs sind die relativen Fehler geringer, obwohl in Österreich im Jahr 1870 vor allem die Wiener Bezirke die größte Gruppe von LAUs dominierten. Der Fehler variiert je nach Land (Abb. 7b) und hängt teilweise mit der Größe der LAUs (relativ klein in Frankreich oder dem Vereinigten Königreich, groß in Polen und Griechenland) oder der Anzahl der LAUs pro NUTS3-Region (durchschnittlich 381 in Frankreich) zusammen. aber nur 28 in Deutschland). Länder mit großen LAUs oder kleinen NUTS3-Regionen weisen weniger signifikante Fehler auf. Im Allgemeinen weist HANZE geringere Fehler auf als HYDE, mit kleinen Ausnahmen, beispielsweise in Österreich nach 1980, obwohl die Bevölkerungsveränderungen in diesem Zeitraum im Vergleich zu früheren Jahrzehnten eher gering waren. Von allen großen Ländern weisen Frankreich und Belgien bei der Schätzung der Bevölkerung im Jahr 1960 höhere Fehler in HANZE als in HYDE auf, während dies bei kleinen Ländern nur bei Luxemburg und Slowenien auftritt.

Genauigkeit der Schätzung der Bevölkerungsveränderung im Vergleich zum HYDE-Datensatz. Die Fehlermetrik (in %) gibt die durchschnittliche absolute Differenz der modellierten und beobachteten Bevölkerung pro LAU im Verhältnis zur beobachteten Bevölkerung in einem bestimmten Jahr (a) und zwischen den Ländern im Jahr 1960 (b) an.

Die Validierung von Landbedeckungs-/Nutzungsänderungen basiert auf Stichproben von CLC und CLC-Änderungen von 2000 bis 2018. Wir verwenden diese Stichproben, um das Landnutzungsübergangsmodell in Schritt 10 zu quantifizieren, aber zur Validierung haben wir ein zusätzliches, nicht überlappendes Modell gezeichnet Zufallsstichprobe von Übergängen (CLC-Änderungen) und Nicht-Übergängen (die gleiche Klasse in verschiedenen CLC-Inventaren). Insgesamt wurden jeweils 97.790 Stichproben für Übergänge und Nicht-Übergänge verwendet (Einzelheiten zum Stichprobenverfahren siehe Ergänzungstext S3). Die Nettolandmenge, die übergegangen ist, ist aus historischen Statistiken bekannt, daher wird eine definierte Anzahl von Zellen mit der höchsten Übergangswahrscheinlichkeit gemäß dem Bayes'schen Netzwerkmodell ausgewählt. Eine Validierungsmetrik kann daher der Prozentsatz der am höchsten bewerteten Zellen sein, bis zu dem Betrag, von dem bekannt ist, dass er zwischen definierten Landnutzungsklassen übergegangen ist und der vom Modell korrekt identifiziert wurde. Da die Anzahl der Zellen in verschiedenen Landnutzungsklassen variiert, muss die Erfolgsrate mit einem Zufallsergebnis verglichen werden, dh der Erfolgsrate der zufälligen Auswahl von Landnutzungszellen als Übergangszellen. Die Ergebnisse sind in Tabelle 14 dargestellt. In allen betrachteten Fällen von Landnutzungsübergängen ist die Erfolgsquote des Modells bei der korrekten Identifizierung von Übergangszellen im Validierungsdatensatz viel höher, als wenn Zellen zufällig ausgewählt würden.

Die Gesamtergebnisse der Landbedeckungs-/Nutzungsmodellierung in HANZE werden mit HILDA22,23,24 verglichen. Es hat eine Auflösung von 1 km und enthält Änderungen der Landbedeckung/-nutzung für sechs Klassen (aggregiert aus der CLC-Klassifizierung) von 1900 bis 2010 in einem Gebiet von 29 Ländern und Territorien. HILDA ist in erster Linie ein Modell, das die Landnutzung auf der Grundlage aggregierter historischer Statistiken und Wahrscheinlichkeitskarten neu zuordnet, ähnlich wie HANZE und HYDE. Es integriert jedoch, soweit möglich, auch digitalisierte historische Karten. Andererseits konzentriert sich HILDA in erster Linie auf landwirtschaftliche Flächen und deren Wechselwirkung mit der natürlichen Vegetation, die in dieser Studie aufgrund der relativ geringen Exposition im Zusammenhang mit diesen Landbedeckungskategorien von geringerem Interesse sind.

HILDA weist auf einige wichtige Ähnlichkeiten mit HANZE hin. Der Bereich der künstlichen Oberflächen weist in den beiden Datensätzen zwischen 1900 und 1990 einen sehr ähnlichen Trend auf (Abb. 8a), obwohl HANZE nur für die Jahre 2000–2018 kalibriert wurde. Dies deutet darauf hin, dass sich die zugrunde liegenden Prozesse im Laufe der Zeit nicht stark ändern und das Modell auch auf Zeiten vor dem Kalibrierungszeitraum anwendbar ist. HILDA weist im Gegensatz zu HANZE darauf hin, dass es nach 1990 fast kein Wachstum der künstlichen Oberfläche gab. CLC und andere Datensätze deuten jedoch auf ein starkes Wachstum hin. Beispielsweise zeigen die LUCAS-Landnutzungserhebungsdaten (https://ec.europa.eu/eurostat/statistics-explained/index.php?title=LUCAS_-_Land_use_and_land_cover_survey) für 23 Länder, dass die künstliche Flächenausdehnung nur 11 % beträgt neun Jahre (2009–2018). Die Veränderung der Anbauflächen ist in beiden Datensätzen ähnlich (Abb. 8b), da nach 1950 weitgehend ähnliche Datenquellen verwendet wurden. Vor diesem Datum verwendete HANZE verschiedene nationale statistische Daten, während HILDA historische Statistiken oder Karten von 1950 bis 1900 interpolierte. Die Datensätze unterscheiden sich erheblich Weiden und Wälder. HILDA weist auf einen starken Rückgang der Weideflächen hin, die größtenteils durch Wälder ersetzt werden. Im Gegensatz dazu deuten die für HANZE erhobenen historischen Statistiken nicht auf ein ähnliches Muster wie bei HILDA hin. Dies könnte jedoch teilweise auch darauf zurückzuführen sein, dass es in der HANZE-Region kein detailliertes Modell für Übergänge zwischen der Waldflächenbedeckung und anderen natürlichen Flächen gibt. Daher wird die Wiederaufforstung verschiedener natürlicher Landtypen, die in HILDA unter die Kategorie „Weiden“ fallen, von unserem Modell nicht erfasst. Aufgrund der sehr geringen Exposition und der vernachlässigbaren Änderung dieser Exposition aufgrund solcher Übergänge gehen wir nicht mit einem detaillierteren Modell darauf ein. Schließlich weist HILDA überraschenderweise auf einen Rückgang der von Wasser bedeckten Fläche hin, ganz im Gegensatz zu HANZE, wo der Bau von Stauseen zu einer Gesamtausdehnung der Gewässer in Europa führt.

Künstliche Flächen in Tausend km2 (a) und andere Hauptlandnutzungsklassen im Vergleich zum Jahr 2010 (b) in HANZE (diese Studie) und HILDA, für die 29 Länder und sechs aggregierte CLC-Landbedeckungs-/Nutzungsklassen, die in HILDA verfügbar sind.

Kein Datensatz deckt die Bodenversiegelung aus irgendeiner Quelle über einen längeren Zeitraum ab. Ein Vergleich könnte anhand eines kürzlich veröffentlichten Datensatzes der Gebäudegrundrisse in Spanien (HISDAC60) durchgeführt werden, der die Jahre 1900–2020 abdeckt. Der Datensatz basiert auf Katasterdaten, die das Baujahr von Gebäuden erfassen. Obwohl Gebäude nur einen Teil der versiegelten Flächen ausmachen, haben wir die durchschnittliche Abdeckung von Gebäuden und versiegelten Flächen für 8109 Gemeinden im europäischen Spanien (d. h. ohne Ceuta, Melilla und die Kanarischen Inseln) zwischen 1900 und 2020 von HANZE und HISDAC verglichen. Als zusätzlichen Vergleich haben wir die durchschnittliche bebaute Fläche zwischen 1975 und 2020 anhand des Global Human Settlement Layer (GHSL61) berechnet, der diese Informationen aus Satellitenbildern ableitet. In diesem Bereich beträgt die durchschnittliche Abdeckung im Jahr 2010 (am nächsten am Basisjahr) 1,17 % für HANZE (Bodenversiegelung), 0,64 % für GHSL (bebaute Flächen) und 0,50 % für HISDAC (Gebäudegrundriss). Trotz der unterschiedlichen Definition korreliert HANZE stärker mit beiden Datensätzen als HISDAC mit GHSL (Abb. 9a), was eine engere Korrelation aufweisen sollte. Wenn man weiter in die Vergangenheit vordringt, nehmen die Korrelationen ab, aber für 1975–2020 bleibt die Korrelation zwischen HISDAC und HANZE höher als zwischen HISDAC und GHSL. Bei kurzfristigen Änderungen (Abb. 9b) zeigen alle drei Datensätze eine sehr geringe Korrelation, wobei die Korrelation mit dem Zeitraum zunimmt, über den die Änderungen analysiert werden. Bis 1975 korrelierten die Veränderungen in HISDAC stärker mit HANZE als mit GHSL. Die Trends der Gebäudegrundrisse in HISDAC zeigen eine stabile Korrelation mit den Trends der HANZE-Bodenversiegelung für den Zeitraum 1900–1960. In Anbetracht der Tatsache, dass HANZE ausdrücklich keine (teilweise oder vollständigen) Änderungen in künstlichen Oberflächen mit relativ geringer Exposition (z. B. Nebenstraßen und Eisenbahnen, Mülldeponien, städtische Erholungsräume usw.) modelliert, deuten die Ergebnisse darauf hin, dass das Modell langfristige Ergebnisse erfassen kann , Variation der Bodenversiegelung innerhalb eines Landes.

Vergleich der Korrelation zwischen drei Datensätzen zur künstlichen Landbedeckung (% der Gesamtfläche), aggregiert für Gemeinden in Spanien, (a) zu einem bestimmten Zeitpunkt oder (b) Unterschiede zwischen einem bestimmten Zeitschritt und 2020.

Das Hauptziel bei der Erstellung des HANZE-Datensatzes zur Exposition war die Berechnung der Exposition gegenüber vergangenen Naturkatastrophen und die anschließende Anpassung der gemeldeten Verluste für verschiedene Ereignisse an ein gemeinsames Referenzjahr (allgemein bekannt als „Normalisierung“ der Verlustdaten17). Paprotny et al.16 verwendeten HANZE, um Verluste für 1564 Überschwemmungsereignisse zwischen 1870 und 2016 zu normalisieren. In dieser neuen Iteration von HANZE ist der Code für weitere Analysen öffentlich verfügbar. Alle Eingabedatensätze (Ergänzungstabellen S3–S6) sind in einem Repository62 verfügbar, sodass der Benutzer sie nur herunterladen und den definierten Pfad zum Ordner mit den Daten ändern muss. Anschließend kann der Code63 mit den im Code eingebetteten Grundoptionen ausgeführt werden:

Generierung von fünf Belichtungsrastern (Landbedeckung/-nutzung, Bevölkerung, BIP, Anlagevermögen, Bodenversiegelung) im GeoTIFF-Format und 100 m Auflösung. Es können ein einzelnes Jahr oder mehrere der in der Datenbank enthaltenen Jahre (10-jährlich 1870–1950, 5-jährlich 1950–2000, jährlich 2000–2020) ausgeführt werden. Es könnten auch alle NUTS3-Regionen einbezogen werden, oder nur eine einzelne NUTS3-Region oder mehrere Regionen. Die ausgegebenen Expositionsdatensätze sind auch im Repository verfügbar, denn selbst wenn das Modell angesichts seiner Auflösung (etwa eine Stunde für einen Zeitschritt für alle NUTS3-Regionen) ziemlich effizient ist, würde die Berechnung aller 39 Zeitschritte der Studie große Ressourcen oder Zeit erfordern.

Berechnung der Exposition (Bevölkerung, BIP, Anlagevermögen) pro Gefahrenzone. Hierzu wird eine Rasterdatei mit der gleichen räumlichen Ausdehnung wie die anderen Eingabe-Rasterdateien benötigt. Im Repository werden Beispieldateien bereitgestellt, die eine Reproduktion der in diesem Abschnitt vorgestellten Analyse ermöglichen. Mit dieser Option wird eine Textdatei mit Daten (für vom Benutzer definierte Jahre) separat für jede NUTS3-Region gespeichert.

Berechnen der Exposition mit Unsicherheitsgrenzen pro Gefahrenzone. Dies ist eine Erweiterung der vorherigen Option, die eine Textdatei pro Region und Variable (Bevölkerung, BIP, Anlagevermögen) mit dem 5., 20., 50., 80. und 95. Perzentil speichert.

Der Code ermöglicht aus Gründen der Reproduzierbarkeit auch die Berechnung einiger Eingabedaten. Viele der Eingabedatensätze erforderten umfangreiche einmalige Vorbereitungen, sodass nur bestimmte Vorverarbeitungsschritte einbezogen werden konnten. Wichtig ist, dass die in dieser Studie beschriebene und validierte Populationsdisaggregationsroutine erneut ausgeführt werden kann. Die Bevölkerungsschwellenwerte für dasymetrische Kartierungen können ebenfalls neu berechnet werden, ebenso wie die Wahrscheinlichkeitskarten, die bei der Landnutzungsmodellierung verwendet werden (Schritt 10). Code zur Reproduktion der Validierung von Bevölkerungs- und Landnutzungsänderungen ist ebenfalls enthalten. Schließlich ermöglicht der Code die Visualisierung ausgewählter Expositionsinformationen pro Hochwasserereignis (aus der HANZE v1.0-Datenbank vergangener Überschwemmungen) in Form von Grafiken und Karten. Für jede benutzerdefinierte NUTS3-Region kann der Code eine Expositionskarte ähnlich wie in Abb. 10 generieren.

Ein Beispiel eines modellierten Expositionswachstums in der Umgebung von München (NUTS-Region DE212), Süddeutschland, zwischen 1870 und 2020, im Kontrast zu einer 100-jährigen Flusshochwasserkarte (graue Schattierung). Hochwassergefährdete Zone von Alfieri et al.57.

Fünf anschauliche Beispiele vergangener Überschwemmungsereignisse sind in Tabelle 15 aufgeführt, um zu verdeutlichen, wie unterschiedlich und manchmal unsicher Expositionsänderungen sein können. Sie hängen nicht nur davon ab, wie lange das Ereignis in der Vergangenheit stattgefunden hat (die Unsicherheit nimmt mit der Zeit zu), sondern auch davon, ob es in den Expansionsgebieten von Städten (wo die Unsicherheit am höchsten ist) im Vergleich zu einem weitgehend ländlichen Gebiet aufgetreten ist oder in welchem Teil eines Die NUTS-3-Region ist gefährdet (da die Bevölkerung oder das Vermögen pro Region durch historische Statistiken definiert wird, gäbe es keine Unsicherheit, wenn die gesamte Region eine Gefahrenzone wäre). Karten der betroffenen Gebiete, die mit dem Modellcode erstellt wurden, sind in der ergänzenden Abbildung S10 dargestellt. Wir gehen davon aus, dass wir das Modell in Zukunft nutzen werden, um die Auswirkungen von Überschwemmungen sowohl ökologischen als auch wirtschaftlichen Faktoren zuzuordnen, indem wir HANZE direkter mit Klima- und hydrologischen Modellen verknüpfen64,65.

Die Benutzer sollten sich der Einschränkungen (z. B. wird nicht jede Landnutzungsklasse vom Modell abgedeckt, sondern nur die wichtigeren) und Unsicherheiten (sowohl in Bezug auf den Modellierungsansatz als auch auf die Qualität der Eingabedaten) bewusst sein. Sie wurden im Zusammenhang mit HANZE v1.0 ausführlich diskutiert, daher verweisen wir den Leser auf Paprotny et al.32. Wir gehen davon aus, dass wir das Modell in Zukunft nutzen werden, um historische Überschwemmungsauswirkungen sowohl ökologischen als auch wirtschaftlichen Faktoren zuzuordnen.

Der im Artikel vorgestellte Quellcode von HANZE v2.0 (implementiert in Python 3.9) ist unter https://doi.org/10.5281/zenodo.755695363 archiviert. Alle notwendigen Eingabedaten sind unter https://doi.org/10.5281/zenodo.678302362 archiviert. Die in den Nutzungshinweisen gezeigten Hochwasserauswirkungsdaten mit einer Beschreibung der Datenquellen sind im HANZE v1.0-Repository66 verfügbar, https://doi.org/10.4121/collection:HANZE.

Grant, L. et al. Ursache für die Veränderung globaler Seensysteme durch anthropogene Einflüsse. Nat. Geosci. 14, 849–854 (2021).

Artikel ADS CAS Google Scholar

Gudmundsson, L. et al. Weltweit beobachtete Trends im mittleren und extremen Flussdurchfluss, die auf den Klimawandel zurückzuführen sind. Wissenschaft 371, 1159–1162 (2021).

Artikel ADS CAS PubMed Google Scholar

IPCC. Klimawandel 2022: Auswirkungen, Anpassung und Verwundbarkeit. Beitrag der Arbeitsgruppe II zum sechsten Sachstandsbericht des Zwischenstaatlichen Ausschusses für Klimaänderungen (Cambridge University Press, 2022).

Metin, AD et al. Wie wirken sich Veränderungen entlang der Risikokette auf das Hochwasserrisiko aus? Nat. Gefahren Erdsystem Wissenschaft. 18, 3089–3108 (2018).

Artikel ADS Google Scholar

Vousdoukas, MI et al. Verständnis der epistemischen Unsicherheit bei der groß angelegten Bewertung des Hochwasserrisikos an Küsten für gegenwärtige und zukünftige Klimazonen. Nat. Gefahren Erdsystem Wissenschaft. 18, 2127–2142 (2018).

Artikel ADS Google Scholar

Carisi, F., Schröter, K., Domeneghetti, A., Kreibich, H. & Castellarin, A. Entwicklung und Bewertung uni- und multivariabler Hochwasserschadensmodelle für die Emilia-Romagna (Italien). Nat. Gefahren Erdsystem Wissenschaft. 18, 2057–2079 (2018).

Artikel ADS Google Scholar

Huizinga, J., de Moel, H. & Szewczyk, W. Globale Hochwassertiefenschadensfunktionen. Methodik und Datenbank mit Leitlinien. Bericht EUR 28552 EN (Amt für Veröffentlichungen der Europäischen Union, 2017).

Jongman, B. et al. Vergleichende Modellbewertung von Hochwasserschäden: Auf dem Weg zu einem europäischen Ansatz. Nat. Gefahren Erdsystem Wissenschaft. 12, 3733–3752 (2012).

Artikel ADS Google Scholar

Paprotny, D. et al. Ein probabilistischer Ansatz zur Schätzung der Wohnraumverluste durch verschiedene Überschwemmungsarten. Nat. Gefahren 105, 2569–2601 (2021).

Artikel Google Scholar

Barredo, JI Kein Aufwärtstrend bei normalisierten Sturmschäden in Europa: 1970–2008. Nat. Gefahren Erdsystem Wissenschaft. 10, 97–104 (2010).

Artikel ADS Google Scholar

Dawkins, LC, Stephenson, DB, Lockwood, JF & Maisey, PE Der Rückgang schädlicher europäischer Stürme im 21. Jahrhundert. Nat. Gefahren Erdsystem Wissenschaft. 16, 1999–2007 (2016).

Artikel ADS Google Scholar

Welker, C., Röösli, T. & Bresch, DN Vergleich der Sicht eines Versicherers auf Gebäudeschäden mit modellierten Schäden aus paneuropäischen Wintersturm-Ereignissets: eine Fallstudie aus Zürich, Schweiz. Nat. Gefahren Erdsystem Wissenschaft. 21, 279–299 (2021).

Artikel ADS Google Scholar

Ganteaume, A. et al. Ein Überblick über die Hauptursachen für die Entstehung von Waldbränden in Europa. Umgebung. Verwalten. 51, 651–662 (2013).

Artikel ADS PubMed Google Scholar

Barredo, JI Normalisierte Überschwemmungsschäden in Europa: 1970–2006. Nat. Gefahren Erdsystem Wissenschaft. 9, 97–104 (2009).

Artikel ADS Google Scholar

McAneney, J. et al. Normalisierte Versicherungsschäden durch australische Naturkatastrophen: 1966–2017. Umgebung. Gefahren 18, 414–433 (2019).

Artikel Google Scholar

Paprotny, D., Sebastian, A., Morales Nápoles, O. & Jonkman, SN Trends bei Überschwemmungsschäden in Europa in den letzten 150 Jahren. Nat. Komm. 9, 1985 (2018).

Artikel ADS PubMed PubMed Central Google Scholar

Pielke, R. Wirtschaftliche „Normalisierung“ von Katastrophenschäden 1998–2020: eine Literaturübersicht und -bewertung. Umgebung. Gefahren 20, 93–111 (2021).

Artikel Google Scholar

Simmons, KM, Sutter, D. & Pielke, R. Normalisierter Tornadoschaden in den Vereinigten Staaten: 1950–2011. Umgebung. Hazards 12, 132–147 (2013).

Artikel Google Scholar

Scussolini, P. et al. FLOPROS: eine sich weiterentwickelnde globale Datenbank mit Hochwasserschutzstandards. Nat. Gefahren Erdsystem Wissenschaft. 16, 1049–1061 (2016).

Artikel ADS Google Scholar

Formetta, G. & Feyen, L. Empirische Belege für eine abnehmende globale Anfälligkeit für klimabedingte Gefahren. Globale Umwelt. Chang. 57, 101920 (2019).

Artikel Google Scholar

Sebastian, A., Gori, A., Blessing, RB, van der Wiel, K. & Bass, B. Entwirrung der Auswirkungen menschlicher und ökologischer Veränderungen auf die Reaktion des Einzugsgebiets während des Hurrikans Harvey. Umgebung. Res. Lette. 14, 124023 (2019).

Artikel ADS Google Scholar

Fuchs, R., Herold, M., Verburg, PH & Clevers, JGPW Ein hochauflösender und harmonisierter Modellansatz zur Rekonstruktion und Analyse historischer Landveränderungen in Europa. Biogeowissenschaften 10, 1543–1559 (2013).

Artikel ADS Google Scholar

Fuchs, R., Herold, M., Verburg, PH, Clevers, JGPW & Eberle, J. Grobe Veränderungen in Rekonstruktionen der historischen Landbedeckung/-nutzung für Europa zwischen 1900–2010. Globus. Biol. ändern 21, 299–313 (2014).

Artikel ADS Google Scholar

Fuchs, R., Verburg, PH, Clevers, JGPW & Herold, M. Das Potenzial alter Karten und Enzyklopädien für die Rekonstruktion historischer kontinentaler Landbedeckungs-/Nutzungsänderungen. Appl. Geogr. 59, 43–55 (2015).

Artikel Google Scholar

Klein Goldewijk, K., Beusen, A., Doelman, J. & Stehfest, E. Schätzungen der anthropogenen Landnutzung für das Holozän – HYDE 3.2. Erdsystem. Wissenschaft. Daten 9, 927–953 (2017).

Artikel ADS Google Scholar

Frieler, K. et al. Bewertung der Auswirkungen einer globalen Erwärmung um 1,5 °C – Simulationsprotokoll des Inter-Sectoral Impact Model Intercomparison Project (ISIMIP2b). Geosci. Modellentwickler. 10, 4321–4345 (2017).

Artikel ADS Google Scholar

Geiger, T. Kontinuierliche Zeitreihe des nationalen Bruttoinlandsprodukts (BIP) für 195 Länder: Beobachtungen aus der Vergangenheit (1850–2005), harmonisiert mit Zukunftsprognosen gemäß den Shared Socio-economic Pathways (2006–2100). Erdsystem. Wissenschaft. Daten 10, 847–856 (2018).

Artikel ADS Google Scholar

Sauer, I. et al. Klimasignale bei Flussüberschwemmungsschäden entstehen unter fundierter regionaler Aufschlüsselung. Nat. Komm. 12, 2128 (2021).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Leyk, S. et al. Die räumliche Zuordnung der Bevölkerung: eine Überprüfung großräumiger, gerasterter Bevölkerungsdatenprodukte und ihrer Gebrauchstauglichkeit. Erdsystem. Wissenschaft. Daten 11, 1385–1409 (2019).

Artikel ADS Google Scholar

Kummu, M., Taka, M. & Guillaume, JHA Rasterbasierte globale Datensätze für das Bruttoinlandsprodukt und den Index der menschlichen Entwicklung im Zeitraum 1990–2015. Wissenschaft. Daten 5, 180004 (2018).

Artikel PubMed PubMed Central Google Scholar

Eberenz, S., Stocker, D., Röösli, T. & Bresch, DN Asset-Exposure-Daten für die globale physische Risikobewertung. Erdsystem. Wissenschaft. Daten 12, 817–833 (2020).

Artikel ADS Google Scholar

Paprotny, D., Morales-Nápoles, O. & Jonkman, SN HANZE: eine europaweite Datenbank zur Exposition gegenüber Naturgefahren und schädlichen historischen Überschwemmungen seit 1870. Earth Syst. Wissenschaft. Daten 10, 565–581 (2018).

Artikel ADS Google Scholar

Paprotny, D., Morales-Nápoles, O. & Jonkman, SN Effiziente europaweite Modellierung der Hochwassergefahr für Flüsse durch eine Kombination aus statistischen und physikalischen Modellen. Nat. Gefahren Erdsystem Wissenschaft. 17, 1267–1283 (2017).

Artikel ADS Google Scholar

Vousdoukas, MI et al. Entwicklungen bei der groß angelegten Kartierung von Hochwassergefahren an Küsten. Nat. Gefahren Erdsystem Wissenschaft. 16, 1841–1853 (2016).

Artikel ADS Google Scholar

Barendrecht, MH et al. Der Wert empirischer Daten für die Schätzung der Parameter eines soziohydrologischen Hochwasserrisikomodells. Wasserressource. Res. 55, 1312–1336 (2019).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Zanardo, S., Nicotina, L., Hilberts, AGJ & Jewson, SP Modulation wirtschaftlicher Verluste durch europäische Überschwemmungen durch die Nordatlantische Oszillation. Geophys. Res. Lette. 46, 2563–2572 (2019).

Artikel ADS Google Scholar

Batista und Silva, F., Gallego, J. & Lavalle, C. Eine hochauflösende Bevölkerungsgitterkarte für Europa. J. Maps 9, 16–28 (2013).

Artikel Google Scholar

Eicher, CL & Brewer, CA Dasymetrische Kartierung und Flächeninterpolation: Implementierung und Bewertung. Kartogr. Geogr. Inf. Sc. 28, 125–138 (2001).

Artikel Google Scholar

Gallego, FJ Ein Bevölkerungsdichteraster der Europäischen Union. Bevölkerung. Umgebung. 31, 460–473 (2010).

Artikel Google Scholar

OpenStreetMap-Mitwirkende. OpenStreetMap https://www.openstreetmap.org/ (2022).

Paprotny, D., Kreibich, H., Morales-Nápoles, O., Terefenko, P. & Schröter, K. Schätzung der Exposition von Wohnimmobilien gegenüber Naturgefahren in Europa anhand offener Daten. Nat. Gefahren Erdsystem Wissenschaft. 20, 323–343 (2020).

Artikel ADS Google Scholar

Paprotny, D. Exposition von Wohngebäuden gegenüber Naturgefahren in Europa, 2000–2020. Zenodo https://doi.org/10.5281/zenodo.6573503 (2022).

Gløersen, E. & Lüer, C. Bevölkerungsdatenerfassung für europäische lokale Verwaltungseinheiten ab 1960 – Abschlussbericht (Spatial Foresight GmbH, 2013).

Clark, C. Städtische Bevölkerungsdichten. JR-Stat. Soc. A 114, 490–496 (1951).

Artikel Google Scholar

Clark, C. Bevölkerungswachstum und Landnutzung (Macmillan, 1967).

Hourihan, K. Muster und Veränderungen der städtischen Bevölkerungsdichte in Irland, 1901–1979. Wirtschaft. Soc. Rev. 13, 125–147 (1982).

Google Scholar

Joe, H. Abhängigkeitsmodellierung mit Copulas (Chapman & Hall/CRC, 2014).

Genest, C., Rémillard, B. & Beaudoin, D. Anpassungstests für Copulas: Eine Übersicht und eine Leistungsstudie. Versicher. Mathematik. Wirtschaft. 44, 199–213 (2009).

Artikel MathSciNet MATH Google Scholar

Eurostat. Methodisches Handbuch zu territorialen Typologien, Ausgabe 2018 (Amt für Veröffentlichungen der Europäischen Union, 2019).

Klein Goldewijk, K., Beusen, A., de Vos, M. & van Drecht, G. Die räumlich explizite Datenbank HYDE 3.1 über vom Menschen verursachte Landnutzungsänderungen in den letzten 12.000 Jahren. Globale Ökologie. Biogeogr. 20, 73–86 (2011).

Artikel Google Scholar

DHI GRAS. EU-DEM Statistical Validation (Europäische Umweltagentur, 2014).

Murakami, D. & Yamagata, Y. Schätzung gerasterter Bevölkerungs- und BIP-Szenarien mit räumlich expliziter statistischer Verkleinerung. Nachhaltigkeit 11, 2106 (2019).

Artikel Google Scholar

Batista e Silva, F. et al. HARCI-EU, ein harmonisierter Rasterdatensatz kritischer Infrastrukturen in Europa für groß angelegte Risikobewertungen. Wissenschaft. Daten 6, 126 (2019).

Artikel PubMed PubMed Central Google Scholar

ILO und OECD. Der Arbeitsanteil in den G20-Volkswirtschaften. Bericht erstellt für die G20-Arbeitsgruppe für Beschäftigung (G20-Gipfel in Antalya, 2015).

Paprotny, D. Paneuropäische Expositionskarten und Unsicherheitsschätzungen aus dem HANZE v2.0-Modell, 1870–2020. Zenodo https://doi.org/10.5281/zenodo.7885990 (2022).

Paprotny, D., Morales Nápoles, O., Vousdoukas, MI, Jonkman, SN & Nikulin, G. Genauigkeit der paneuropäischen Hochwasserkartierung an Küsten. J. Hochwasserrisikomanagement 12, e12459 (2019).

Artikel Google Scholar

Alfieri, L. et al. Fortschritte bei der europaweiten Hochwassergefahrenkartierung. Hydrol. Verfahren. 28, 4067–4077 (2014).

Artikel ADS Google Scholar

Paprotny, D. & Terefenko, P. Neue Schätzungen möglicher Auswirkungen des Meeresspiegelanstiegs und der Küstenüberschwemmungen in Polen. Nat. Hazards 85, 1249–1277 (2017).

Artikel Google Scholar

Freire, S., Halkia, M. & Pesaresi, M. GHS-Bevölkerungsraster, abgeleitet aus EUROSTAT-Volkszählungsdaten (2011) und ESM R2016. Datenkatalog der Gemeinsamen Forschungsstelle http://data.europa.eu/89h/jrc-ghsl-ghs_pop_eurostat_europe_r2016a (2016).

Uhl, JH et al. HISDAC-ES: Zusammenstellung historischer Siedlungsdaten für Spanien (1900–2020), Earth Syst. Wissenschaft. Daten diskutieren. [Vorabdruck], https://doi.org/10.5194/essd-2023-53, im Rückblick, (2023).

Schiavina, M. et al. GHSL-Datenpaket 2022 (Amt für Veröffentlichungen der Europäischen Union, 2022).

Paprotny, D. Eingabedaten des Expositionsmodells HANZE v2.0. Zenodo https://doi.org/10.5281/zenodo.6583023 (2022).

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

Mengel, M., Treu, S., Lange, S. & Frieler, K. ATTRICI v1.1 – kontrafaktisches Klima für die Wirkungszuschreibung. Geosci. Modellentwickler. 14, 5269–5284 (2021).

Artikel ADS Google Scholar

Steinhausen, M. et al. Treiber künftiger Änderungen des Hochwasserrisikos für Wohngebäude in Europa. Globale Umwelt. Chang. 76, 102559 (2022).

Artikel Google Scholar

Paprotny, D. HANZE: Historische Analyse der Naturgefahren in Europa. 4TU.ReseachData https://doi.org/10.4121/collection:HANZE (2017).

Referenzen herunterladen

Diese Forschung wurde von der Deutschen Forschungsgemeinschaft (DFG) im Rahmen des Projekts „Zerlegung von Hochwasserschäden durch Umwelt- und Wirtschaftsfaktoren“ (FloodDrivers) gefördert, Fördernr. 449175973. Wir danken Diego Rybski, Yunfei Li und Manon Glockmann für technische Diskussionen zur Methodik des Datensatzes.

Open-Access-Förderung ermöglicht und organisiert durch Projekt DEAL.

Potsdam-Institut für Klimafolgenforschung (PIK), Mitglied der Leibniz-Gemeinschaft, Postfach 60 12 03, 14412, Potsdam, Deutschland

Dominik Paprotny & Matthias Mengel

Sie können diesen Autor auch in PubMed Google Scholar suchen

DP entwickelte das Konzept, implementierte die Methoden, schrieb den Code, produzierte die Daten und akquirierte die Finanzierung. MM überwachte die Arbeiten. Alle Autoren haben die Arbeit verfasst.

Korrespondenz mit Dominik Paprotny.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Anmerkung des Herausgebers Springer Nature bleibt hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten neutral.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die ursprünglichen Autor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht durch gesetzliche Vorschriften zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Paprotny, D., Mengel, M. Bevölkerungs-, Landnutzungs- und wirtschaftliche Expositionsschätzungen für Europa mit einer Auflösung von 100 m von 1870 bis 2020. Sci Data 10, 372 (2023). https://doi.org/10.1038/s41597-023-02282-0

Zitat herunterladen

Eingegangen: 24. Januar 2023

Angenommen: 31. Mai 2023

Veröffentlicht: 08. Juni 2023

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

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein gemeinsam nutzbarer Link verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Blog

Bevölkerungs-, Landnutzungs- und wirtschaftliche Expositionsschätzungen für Europa mit einer Auflösung von 100 m von 1870 bis 2020