【数据集】未来不同情景下预测数据：如人口、土地利用等

已于 2023-11-30 21:33:07 修改
阅读量2.1k 收藏 31
点赞数 25
分类专栏： 数据集 文章标签： 数据集
于 2023-11-30 20:20:53 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_44246618/article/details/134720719
版权
本文介绍了基于共享社会经济路径（SSPs）的全球人口和土地利用数据集。包括1/8°分辨率的全球人口基础年和预测网格，以及0.5°分辨率的格栅化人口和GDP场景。此外，还提到了土地利用/覆盖数据，如AIM-SSP/RCP的排放和土地使用数据，涵盖了2005年至2100年的多种情景和物种排放、土地类别信息。所有数据集提供详细的数据介绍和下载链接。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

未来不同情景下预测数据：如人口、土地利用等

共享社会经济路径（Shared Socioeconomic Pathways, SSPs）：在没有气候变化或者气候政策影响下未来社会的可能发展

在这里插入图片描述
以下介绍未来不同共享社会经济路径（Shared Socioeconomic Pathways, SSPs）下各类数据集。

1 人口数据

1.1 Global One-Eighth Degree Population Base Year and Projection Grids Based on the SSPs, v1.01 (2000 – 2100)

J2016-Spatially explicit global population scenarios consistent with the Shared Socioeconomic Pathways

了解本专栏 订阅专栏 解锁全文 超级会员免费看
共享社会经济路径(SSP1-5)中国及分省人口预估数据库_v2
PhyliciaFelicia的博客
04-01 1189
在共享社会经济路径（SSPs）全球框架下，根据本地化人口和经济参数，采用人口-发展-环境（PDE）模型，构建2020-2100年SSPs人口格点数据；采用柯布-道格拉斯（Cobb-Douglas）模型，构建2020-2100年SSPs经济数据。
(完整数据)共享社会经济路径（SSPs）人口和经济格点化数据集
11-29
## 数据指标说明 南信大姜彤教授研究团队发布了5种共享社会经济路径（SSPs）下的人口与经济预估数据库。该数据库包含 2010-2100年中国、“一带一路”区域和全球范围内分年龄、性别和教育水平的人口以及分三次产业的GDP数据，数据分辨率为0.5°×0.5°。共享社会经济路径（SSPs）是政府间气候变化专门委员会（IPCC）于2010年推出的描述全球社会经济发展情景的有力工具，该情景在典型浓度路径（RCPs）情景基础上发展而来，用于定量描述气候变化与社会经济发展路径之间的关系，反映未来社会面临的气候变化适应和减缓挑战。 研究团队采用改进的人口-发展-环境（PDE）模型和柯布‒道格拉斯（Cobb-Douglas）模型,通过历史时期生育率、死亡率、迁移率、教育水平等,以及资本存量、全要素生产率、劳动力水平等率定和验证了人口和经济模型参数,在全球SSPs框架下,开展了SSP1~SSP5下2020—2100年中国分城乡的人口和分产业的经济预估,并构建了最新的“一带一路”沿线国家和全球人口和经济预估数据。 为了科学支撑IPCC第五次评估报告、国际耦合模式比较计划第五阶段（CMIP5）和部门间影响模式国际比较计划（ISI-MIP),促进气候变化科学基础、影响和风险、适应和减缓的发展,IPCC第二和第三工作组的科学家于2010年承担了SSPs情景的设计研究。SSPs情景既要反映全球和区域发展现状和未来可能的发展变化,又要反映未来社会面临的气候变化适应和减缓挑战。每一个SSPs情景需要涵盖人口和人力资源、经济发展、生活方式、人类发展、环境与自然资源、政策和体制、技术发展等7个方面内容。SSPs情景设计了可持续发展路径（SSP1)、中间路径（SSP2)、区域竞争路径（SSP3)、不均衡路径（SSP4)、以传统化石燃料为主的路径（SSP5）等5种社会经济发展路径。 人口和经济是SSPs情景设计中最重要的基础,也是最为关键的要素（图1)。人口和经济变化数据可以用来驱动综合评估模型（IAM),模拟和预估与SSPs相关的土地利用、能源和碳排放变化过程和发展趋势。目前,SSPs情景已经广泛用于CMIP6和ISI-MIP 3b等国际计划和2021—2022年发布的IPCC第六次评估报告,以及气候变化对自然、人类和管理系统的影响和关键风险评估,促进了气候变化科学基础、影响、风险、适应和减缓研究。
Worldclim网站CIMP6未来数据下载（校正处理好的数据）
weixin_58639643的博客
09-09 6651
Worldclim网站CIMP6未来数据下载（校正处理好的数据）
中国1km分辨率SSP119情景(SSP119、SSP245 SSP585),模式逐月降水量数据集(2021-2100)
此星光明博客
12-08 1839
该数据集为中国多情景多模式逐月降水量数据，空间分辨率为0.0083333°（约1km),时间为2021年1月-2100年12月。该数据集是根据IPCC耦合模式比较计划第六阶段(CMIP6)发布的全球>1O0km气候模式数据集以及WorldClim发布的全球高分辨率气候数据集，通过Delta空间降尺度方案在中国地区降尺度生成的。Delta空间降尺度方法已在Peng et l.(2019)中描述，该方法适合气候模式数据的空间降尺度。
SSP-RCP情景下全球1-km分辨率土地利用预测数据集（2020-2100）【耕地、林地、草地、城乡、工矿、居民用地、未利用地、水体】
PhyliciaFelicia的博客
02-28 2699
土地利用、GCAM模型、降尺度迭代模拟、耕地、林地、草地、城乡、工矿、居民用地、未利用地和水体
【数据分享】不同共享社会经济路径下中国未来280个城市土地数量数据集（免费获取）
weixin_63042008的博客
02-24 880
【数据分享】不同共享社会经济路径下中国未来280个城市土地数量数据集（免费获取）
共享社会经济路径（SSPs）人口和经济格点化数据集
热门推荐
2301_79696294的博客
08-31 7万+
研究团队采用改进的人口-发展-环境（PDE）模型和柯布‒道格拉斯（Cobb-Douglas）模型,通过历史时期生育率、死亡率、迁移率、教育水平等,以及资本存量、全要素生产率、劳动力水平等率定和验证了人口和经济模型参数,在全球SSPs框架下,开展了SSP1~SSP5下2020—2100年中国分城乡的人口和分产业的经济预估,并构建了最新的“一带一路”沿线国家和全球人口和经济预估数据。SSPs_POP_R_CHNF_v1.xlsx:全面二孩政策下农村人口预测数据。
空间模拟模型获取未来土地覆盖教程
锐多宝的地理空间
12-29 1588
空间预测模型
更新城市蔓延指数数据集（1990-2023年）.xlsx
11-25
在实际应用层面，城市蔓延指数数据集能够帮助城市规划者模拟不同发展情景，评估潜在的环境影响，并为土地利用规划提供科学依据。此外，该数据集也能够被用来教育公众，增强公民对城市化问题的理解和参与。例如，通过...
土地利用方式矢量数据 1千米分辨率 2015年
07-12
5. 叠加分析：将土地利用数据与其他地理数据（如人口分布、交通线路等）叠加，探究各因素之间的相互关系。 6. 空间查询：找出距离水源一定距离的农田，或查找特定区域内的人口密集区与工业区的相对位置。 7. 模型...
SSPs-pop-china.rar
03-17
情景：可持续路径（SSP1），中间路径（SSP2），区域竞争路径（SSP3），不均衡路径（SSP4），化石燃料为主发展路径（SSP5）。 单位：人/网格点。 投影：Asia_North_Albers_Equal_Area_Conic 分辨率：500*500m 时间：2010,2030,2050
基于元胞自动机的城市城镇用地变化的预测（Matlab完整程序和数据）
12-16
5. 结果分析：通过多次模拟，得到不同情景下的城市用地变化结果，对比分析，为城市规划提供决策支持。 本压缩包“Cellular-Automat-Urban-Change-Prediction-master”很可能包含了完整的Matlab代码和数据集，用户...
2021-05-26
yjyj3359395的博客
05-26 2587
R语言绘制分组柱状图 解决问题：多组数据不同属性间的比较。例如不同等级降雨量在SSP245和SSP585两种情景下的比较。横坐标为不同等级降雨的分组数据，每一组数据分别包含ssp245和ssp585两种情景。 library(ggplot2) #读取数据 stat <- read.csv('J:/TYUT/R/stat1.csv',stringsAsFactors = FALSE) #factor函数排序坐标轴 stat$taxonomy<-factor(stat$taxonomy, level
【数据集】2015-2100年8种情景（SSPs-RCP）下中国土地利用数据
WW、forever的博客
10-29 1766
【数据集】2015-2100年8种情景（SSPs-RCP）下中国土地利用数据
批量下载CMIP6数据的几种方法
qq_21957901的博客
07-26 6325
下载CMIP6数据的几种方法
共享社会经济途径SSP
henielh的博客
08-28 2万+
https://www.sciencedirect.com/science/article/pii/S0959378016300681?via%3Dihub 气候预测中RCP与SSP之对比 - 阡陌黎明的文章 - 知乎 解读:联合国气候报告的五个未来的解码 - 孟加拉国华人圈的文章 - 知乎 SSP WEBSITE 定义 adaption, mitigation 减缓气候变化意味着避免和减少将吸热温室气体排放到大气中，以防止地球变暖到更极端的温度。(我们必须从使用化石燃料为我们的世界供电过渡到使用清洁的可再
【文献及模型、制图分享】基于SSP-RCP不同情景的京津冀地区土地覆被变化模拟
qq_39719713的博客
06-24 1219
【文献及模型、制图分享】基于SSP-RCP不同情景的京津冀地区土地覆被变化模拟
Worldclim（v1.4、v2.1）数据集使用介绍
amyniez的博客，欢迎交流讨论
06-02 1万+
该数据集包含了4种时期的气候数据：历史时期的末次盛冰期、全新世中期、当前时期和未来时期。末次盛冰期有3个大气模型（Global Climate Models，GCMs），全新世中期有9个气候系统模式。未来气候情景有19个大气模型，其中同时包含4个二氧化碳排放情景的大气模型一共有11个。每个时期的气候数据包括了19个生物气候变量。
python 使用acccmip6下载CMIP6数据
horizon012的博客
04-28 2092
python批量下载CMIP6数据
ssp-rcp和plus
最新发布
03-22
### 关于SSP-RCP与PLUS的关系或区别的分析 #### 1. **SSP-RCP的概念定义** 共享社会经济路径（Shared Socioeconomic Pathways, SSPs）和典型浓度路径（Representative Concentration Pathways, RCPs）是用于气候变化研究的重要框架。SSPs描述了未来可能的社会经济发展趋势，而RCPs则关注温室气体排放水平及其对大气辐射强迫的影响。两者的结合形成了SSP-RCP情景矩阵，广泛应用于气候模型和影响评估中[^1]。 #### 2. **PLUS的背景介绍** PLUS通常指代的是“Projection Land Use System”，即一种基于空间显式的土地利用变化预测方法。它通过集成多种驱动因子（如人口增长、经济增长、技术进步等），能够实现高分辨率的土地覆盖变化模拟。在某些研究中，PLUS被用来作为工具来支持SSP-RCP情景下的具体应用，尤其是在区域尺度上的土地利用建模方面[^3]。 #### 3. **SSP-RCP与PLUS的区别** - **概念层面** SSP-RCP提供了一套标准化的情景设定，主要用于指导全球范围内的气候科学研究；相比之下，PLUS更侧重于具体的算法设计和技术实现，旨在解决特定区域内复杂的空间动态过程。 - **用途差异** SSP-RCP更多地服务于宏观战略规划，帮助决策者理解不同发展轨迹下潜在的环境后果；而PLUS则是针对实际操作需求开发的技术手段之一，在精细化管理和政策制定过程中发挥重要作用[^2]。 - **实施方式** 使用SSP-RCP时需依赖大量统计数据并借助超级计算机完成大规模数值运算；而对于PLUS而言，则可通过地理信息系统(GIS)软件配合相应插件快速生成可视化成果供相关人员参考。 #### 4. **两者之间的联系** 尽管存在上述显著差别，但在现代信息技术环境下二者并非完全独立而是相辅相成——一方面可以通过调整PLUS内部参数配置使其更好地匹配选定好的SSP-RCP条件从而提高预测精度另一方面也可以反过来利用PLUS产出的数据反向验证和完善原始SSP-RCP假设前提进而形成良性循环促进整个领域向前发展。 ```python import numpy as np from matplotlib import pyplot as plt def plot_ssp_rcp_plus(): years = range(2020, 2101) ssp_data = { 'SSP1-2.6': np.random.rand(len(years)), 'SSP2-4.5': np.random.rand(len(years)) * 1.5, 'SSP5-8.5': np.random.rand(len(years)) * 2 } fig, ax = plt.subplots() for key in ssp_data.keys(): ax.plot(years, ssp_data[key], label=key) plus_adjustment = (ssp_data['SSP1-2.6'] + ssp_data['SSP2-4.5']) / 2 ax.plot(years, plus_adjustment, linestyle='--', color='black', label="PLUS Adjusted") ax.set_title('Comparison of SSP-RCP Scenarios with PLUS Adjustment') ax.legend(loc='upper left') ax.grid(True) plt.show() plot_ssp_rcp_plus() ``` 此代码片段展示了如何在同一图表上比较不同的SSP-RCP场景，并加入了一个虚构的PLUS调整曲线以便直观展示其作用效果。 ---
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

WW、forever

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值