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.

NASA's Global Ecosystem Dynamics Investigation (GEDI) is collecting spaceborne full waveform lidar data with a primary science goal of producing accurate estimates of forest aboveground biomass density (AGBD). This paper presents the development of the models used to create GEDI's footprint-level (~25 m) AGBD (GEDI04_A) product, including a description of the datasets used and the procedure for final model selection. The data used to fit our models are from a compilation of globally distributed spatially and temporally coincident field and airborne lidar datasets, whereby we simulated GEDI-like waveforms from airborne lidar to build a calibration database. We used this database to expand the geographic extent of past waveform lidar studies, and divided the globe into four broad strata by Plant Functional Type (PFT) and six geographic regions. GEDI's waveform-to-biomass models take the form of parametric Ordinary Least Squares (OLS) models with simulated Relative Height (RH) metrics as predictor variables. From an exhaustive set of candidate models, we selected the best input predictor variables, and data transformations for each geographic stratum in the GEDI domain to produce a set of comprehensive predictive footprint-level models. We found that model selection frequently favored combinations of RH metrics at the 98th, 90th, 50th, and 10th height above ground-level percentiles (RH98, RH90, RH50, and RH10, respectively), but that inclusion of lower RH metrics (e.g. RH10) did not markedly improve model performance. Second, forced inclusion of RH98 in all models was important and did not degrade model performance, and the best performing models were parsimonious, typically having only 1-3 predictors. Third, stratification by geographic domain (PFT, geographic region) improved model performance in comparison to global models without stratification. Fourth, for the vast majority of strata, the best performing models were fit using square root transformation of field AGBD and/or height metrics. There was considerable variability in model performance across geographic strata, and areas with sparse training data and/or high AGBD values had the poorest performance. These models are used to produce global predictions of AGBD, but will be improved in the future as more and better training data become available.

Abstract. The Landsat series constitutes an unparalleled repository of multi-decadal Earth observations, serving as a cornerstone in global environmental monitoring. However, the inconsistent coverage of Landsat data due to its long revisit intervals and frequent cloud cover poses significant challenges to land monitoring over large geographical extents. In this study, we developed a full-chain processing framework for the multi-sensor data fusion of Landsat 5, 7, 8, and 9 and MODIS Terra surface reflectance products. Based on this framework a global 30 m resolution daily seamless data cube (SDC) of land surface reflectance was generated, spanning from 2000 to 2022. A thorough evaluation of the SDC was undertaken using a leave-one-out approach and a cross-comparison with NASA's Harmonized Landsat and Sentinel-2 (HLS) products. The leave-one-out validation at 425 global test sites assessed the agreement between the SDC with actual Landsat surface reflectance values (not used as input), revealing an overall mean absolute error (MAE) of 0.014 (the valid range of surface reflectance values is 0–1). The cross-comparison with HLS products at 22 Military Grid Reference System (MGRS) tiles revealed an overall mean absolute deviation (MAD) of 0.017 with L30 (Landsat 8-based 30 m HLS product) and a MAD of 0.021 with S30 (Sentinel-2-based 30 m HLS product). Moreover, experimental results underscore the advantages of employing the SDC for global land cover classification, achieving a sizable improvement in overall accuracy (2.4 %–11.3 %) over that obtained using Landsat composite and interpolated datasets. A web-based interface has been developed for researchers to freely access the SDC dataset, which is available at https://doi.org/10.12436/SDC30.26.20240506 (Chen et al., 2024).