Artificial impervious areas are predominant indicators of human settlements. Timely, accurate, and frequent information on artificial impervious areas is critical to understanding the process of urbanization and land use/cover change, as well as of their impacts on the environment and biodiversity. Despite their importance, there still lack annual maps of high-resolution Global Artificial Impervious Areas (GAIA) with longer than 30-year records, due to the high demand of high performance computation and the lack of effective mapping algorithms. In this paper, we mapped annual GAIA from 1985 to 2018 using the full archive of 30-m resolution Landsat images on the Google Earth Engine platform. With ancillary datasets, including the nighttime light data and the Sentinel-1 Synthetic Aperture Radar data, we improved the performance of our previously developed algorithm in arid areas. We evaluated the GAIA data for 1985, 1990, 1995, 2000, 2005, 2010, and 2015, and the mean overall accuracy is higher than 90%. A cross-product comparison indicates the GAIA data are the only dataset spanning over 30 years. The temporal trend in GAIA agrees well with other datasets at the local, regional, and global scales. Our results indicate that the GAIA reached 797,076 km2 in 2018, which is 1.5 times more than that in 1990. China and the United States (US) rank among the top two in artificial impervious area, accounting for approximately 50% of the world's total in 2018. The artificial impervious area of China surpassed that of the US in 2015. By 2018, the remaining eight among the top ten countries are India, Russia, Brazil, France, Italy, Germany, Japan, and Canada. The GAIA dataset can be freely downloaded from http://data.ess.tsinghua.edu.cn.

Abstract Urban boundaries, an essential property of cities, are widely used in many urban studies. However, extracting urban boundaries from satellite images is still a great challenge, especially at a global scale and a fine resolution. In this study, we developed an automatic delineation framework to generate a multi-temporal dataset of global urban boundaries (GUB) using 30 m global artificial impervious area (GAIA) data. First, we delineated an initial urban boundary by filling inner non-urban areas of each city. A kernel density estimation approach and cellular-automata based urban growth modeling were jointly used in this step. Second, we improved the initial urban boundaries around urban fringe areas, using a morphological approach by dilating and eroding the derived urban extent. We implemented this delineation on the Google Earth Engine platform and generated a 30 m resolution global urban boundary dataset in seven representative years (i.e. 1990, 1995, 2000, 2005, 2010, 2015, and 2018). Our extracted urban boundaries show a good agreement with results derived from nighttime light data and human interpretation, and they can well delineate the urban extent of cities when compared with high-resolution Google Earth images. The total area of 65 582 GUBs, each of which exceeds 1 km 2 , is 809 664 km 2 in 2018. The impervious surface areas account for approximately 60% of the total. From 1990 to 2018, the proportion of impervious areas in delineated boundaries increased from 53% to 60%, suggesting a compact urban growth over the past decades. We found that the United States has the highest per capita urban area (i.e. more than 900 m 2 ) among the top 10 most urbanized nations in 2018. This dataset provides a physical boundary of urban areas that can be used to study the impact of urbanization on food security, biodiversity, climate change, and urban health. The GUB dataset can be accessed from http://data.ess.tsinghua.edu.cn .

Land cover in Beijing experienced a dramatic change due to intensive human activities, such as urbanization and afforestation. However, the spatial patterns of the dynamics are still unknown. The archived Landsat images provide an unprecedented opportunity to detect land cover changes over the past three decades. In this study, we used the Normalized Difference Vegetation Index (NDVI) trajectory to detect major land cover dynamics in Beijing. Then, we classified the land cover types in 2015 with the Google Earth Engine (GEE) cloud calculation. By overlaying the latest land cover types and the spatial distribution of land cover dynamics, we determined the main types where a land cover change occurred. The overall change detection accuracy for three types (vegetation loss associated with negative change in NDVI, vegetation gain associated with positive change in NDVI, and no changes) is 86.13%. We found that the GEE is a fast and powerful tool for land cover mapping, and we obtained a classification map with an overall accuracy of 86.61%. Over the past 30 years, 1402.28 km2 of land was with vegetation loss and 1090.38 km2 of land was revegetated in Beijing. The spatial pattern of vegetation loss and vegetation gain shows significant differences in different zones from the center of the city. We also found that 1162.71 km2 of land was converted to urban and built-up, whereas 918.36 km2 of land was revegetated to cropland, shrub land, forest, and grassland. Moreover, 202.67 km2 and 156.75 km2 of the land was transformed to forest and shrub land in the plain of Beijing that were traditionally used for cropland and housing.

Land use reflects human activities on land. Urban land use is the highest level human alteration on Earth, and it is rapidly changing due to population increase and urbanization. Urban areas have widespread effects on local hydrology, climate, biodiversity, and food production. However, maps, that contain knowledge on the distribution, pattern and composition of various land use types in urban areas, are limited to city level. The mapping standard on data sources, methods, land use classification schemes varies from city to city, due to differences in financial input and skills of mapping personnel. To address various national and global environmental challenges caused by urbanization, it is important to have urban land uses at the national and global scales that are derived from the same or consistent data sources with the same or compatible classification systems and mapping methods. This is because, only with urban land use maps produced with similar criteria, consistent environmental policies can be made, and action efforts can be compared and assessed for large scale environmental administration. However, despite of the fact that a number of urban-extent maps exist at global scales [3,4], more detailed urban land use maps do not exist at the same scale. Even at big country or regional levels such as for the United States, China and European Union, consistent land use mapping efforts are rare.

Estimating exposures to PM2.5 within urban areas requires surface PM2.5 concentrations at high temporal and spatial resolutions. We developed a mixed effects model to derive daily estimations of surface PM2.5 levels in Beijing, using the 3 km resolution satellite aerosol optical depth (AOD) calibrated daily by the newly available high-density surface measurements. The mixed effects model accounts for daily variations of AOD-PM2.5 relationships and shows good performance in model predictions (R2 of 0.81–0.83) and cross-validations (R2 of 0.75–0.79). Satellite derived population-weighted mean PM2.5 for Beijing was 51.2 μg/m3 over the study period (Mar 2013 to Apr 2014), 46% higher than China's annual-mean PM2.5 standard of 35 μg/m3. We estimated that more than 19.2 million people (98% of Beijing's population) are exposed to harmful level of long-term PM2.5 pollution. During 25% of the days with model data, the population-weighted mean PM2.5 exceeded China's daily PM2.5 standard of 75 μg/m3. Predicted high-resolution daily PM2.5 maps are useful to identify pollution "hot spots" and estimate short- and long-term exposure. We further demonstrated that a good calibration of the satellite data requires a relatively large number of ground-level PM2.5 monitoring sites and more are still needed in Beijing.