对过去三十年夜间精细光数据进行了全球范围的重建，并对大规模基础设施和地标进行了分析

《Remote Sensing of Environment》：Global reconstruction of three decades of fine-grained nighttime light data with analysis of large-scale infrastructure and landmarks

夜间灯光超分辨率重建方法研究。提出融合DMSP-OLS与NPP-VIIRS多源数据，通过引入跨年时空差异信息优化低分辨率数据重构。模型DeepNTL实现全球范围、近30年连续夜间灯光数据集，空间分辨率达500米级，在人工岛、国际机场等高价值设施监测中展现显著优势，可捕捉长期渐变与突发冲突事件灯光波动。

　　夜间灯光数据作为研究人类活动的重要工具，近年来在城市化、人口增长以及疫情监测等方面展现出巨大潜力。然而，目前全球范围内缺乏长期、精细的夜间灯光观测数据，这限制了我们对特定设施连续光变化的深入分析和应用。本文提出了一种新的方法，通过显式引入时间差信息，将低分辨率的DMSP-OLS数据提升为高分辨率的NPP-VIIRS图像，从而构建了一个全球范围、长期、高精度的夜间灯光数据集。这一数据集在多个尺度上均表现出优于现有产品的性能，尤其在对高价值基础设施和地标性建筑的动态监测方面具有独特优势。

### 研究背景与意义

大型基础设施和地标性建筑，如机场、桥梁和旅游景点，不仅是城市发展的核心组成部分，也反映了区域经济状况和社会福祉水平。这些设施的运行状况往往与当地经济表现、交通便利性、文化活力等因素密切相关。因此，对这些设施夜间灯光变化的监测，能够为城市规划者和政策制定者提供重要的决策依据。例如，通过分析机场灯光的强度变化，可以评估其运营状态和投资回报；而对旅游景点灯光的观察，则有助于理解当地旅游业的发展趋势。

然而，传统的白天卫星影像，如来自MODIS、Landsat和Sentinel系列的影像，由于其对人工光源的捕捉能力有限，难以用于对夜间活动的详细研究。尽管商业卫星能够提供更高分辨率的影像，但其高昂的成本和有限的全球覆盖范围，使得它们不适合长期监测。相比之下，夜间灯光数据（NTL）则提供了一种成本较低且覆盖面广的替代方案，能够有效反映人类活动的动态变化。NTL数据来源于卫星传感器，记录了地球表面的人工光源分布及其强度，这些信息对于理解城市扩张、经济发展以及突发事件的影响具有重要意义。

### 传统夜间灯光数据的局限性

DMSP-OLS（Defense Meteorological Satellite Program’s Operational Linescan Systems）是目前应用最广泛的夜间灯光数据源之一，其数据记录从1992年至今。DMSP-OLS数据具有较长的时空覆盖范围，已被广泛用于碳排放估算、光污染分析、GDP和人口预测、冲突和灾害监测等多个领域。然而，DMSP-OLS数据的分辨率较低，通常在1公里左右，导致其无法清晰地捕捉城市内部的细节。此外，DMSP-OLS还存在“过亮效应”（overglow）和“饱和问题”（saturation），这些问题限制了其在高精度分析中的应用。

过亮效应是指明亮像素对周围区域的光照影响，导致图像整体显得过于平滑，掩盖了城市内部的细节结构。而饱和问题则是因为DMSP-OLS的量化能力仅限于8位，因此城市中心的灯光强度在达到最大值后不再变化，使得数据无法反映真实的光变化趋势。为了解决这些问题，许多研究尝试通过阈值处理、分类算法、反卷积滤波器等手段进行数据增强。然而，这些方法往往依赖于较强的假设，难以准确反映实际变化，导致结果的可靠性受到质疑。

### 新型夜间灯光数据集的构建

为了克服传统NTL数据的局限性，本文提出了一种新的方法，通过引入多年度时间差信息，将低分辨率的DMSP-OLS数据重构为高分辨率的NPP-VIIRS数据。NPP-VIIRS是新一代的夜间灯光传感器，自2012年起运行，其有效空间分辨率为约500米，相比DMSP-OLS具有更高的细节捕捉能力。然而，NPP-VIIRS的数据时间跨度较短，难以满足长期分析的需求。因此，将DMSP-OLS的长期数据与NPP-VIIRS的高分辨率数据相结合，成为解决这一问题的关键。

本文提出的模型——DeepNTL，通过学习不同年份之间的灯光变化模式，实现了对DMSP-OLS数据的高精度重构。具体而言，该模型采用了一种“参考年差分法”，即以一个固定年份的NPP-VIIRS数据为基准，通过分析DMSP-OLS数据在不同年份的变化，推导出高分辨率的灯光图像。这一方法不仅解决了DMSP-OLS与NPP-VIIRS之间的分辨率差异问题，还有效减少了数据中的非平稳性（non-stationarity），即不同年份间灯光变化的不一致性。通过这种方式，DeepNTL能够更准确地反映夜间灯光的动态变化，从而为研究基础设施和地标性建筑的长期发展提供支持。

### 数据集的验证与优势

为了验证DeepNTL模型的有效性，研究团队在2012、2020和2021年进行了评估。其中，2012年用于早期停止的验证，而2020和2021年作为独立测试年份。通过对全球范围内10亿个像素点的随机抽样，研究团队提取了多种NTL数据集的像素值，并生成了散点图以比较各数据集之间的一致性。结果显示，DeepNTL在多个尺度上均优于现有的NTL产品，包括全球、国家和城市级别。

此外，研究团队还通过案例研究进一步验证了DeepNTL的性能。例如，在对人工岛屿和国际机场等高价值基础设施的监测中，DeepNTL能够捕捉到长期、渐进的照明变化，以及由战争等突发事件引起的突然变化。这些变化在传统数据集中往往被忽略，而DeepNTL的高分辨率特性使得这些细节得以保留，从而为分析基础设施和地标性建筑的动态变化提供了新的视角。

### 数据集的应用前景

DeepNTL数据集的构建不仅提升了夜间灯光数据的分辨率，还拓展了其时间跨度，使其能够支持更长时间尺度的分析。这一数据集的应用潜力十分广泛，可以用于多个领域，如城市规划、经济发展监测、灾害响应和冲突分析等。例如，在城市规划方面，DeepNTL能够帮助规划者更准确地评估城市扩张的模式和速度；在经济发展监测方面，该数据集可以用于分析不同地区的经济活力，特别是在夜间活动频繁的区域；在灾害响应方面，DeepNTL能够通过捕捉突发的光变化，为自然灾害或武装冲突后的重建工作提供及时的信息支持。

此外，DeepNTL还可以用于研究文化和社会活动的变化。例如，对宗教场所和旅游景点的夜间灯光变化进行分析，可以揭示当地文化活动的频率和强度，以及旅游业的发展趋势。这些信息对于理解社会结构、文化传承和经济活力具有重要意义。

### 数据集的构建方法与技术细节

在构建DeepNTL数据集的过程中，研究团队首先收集了DMSP-OLS和NPP-VIIRS的数据，并对其进行了预处理。为了消除NPP-VIIRS数据中的背景噪声，研究团队对像素值低于0.5的部分进行了处理，以确保数据的准确性。接下来，研究团队引入了时间差信息，通过对比不同年份的灯光变化，构建了一个更加精准的模型。

模型的核心思想是通过时间差来桥接不同分辨率的数据。具体来说，模型以一个固定年份的NPP-VIIRS数据作为参考，然后通过学习DMSP-OLS数据在不同年份的变化模式，将这些变化映射到NPP-VIIRS的分辨率上。这种方法不仅提升了数据的分辨率，还有效减少了数据中的非平稳性，使得不同年份间的灯光变化更加连贯和可预测。

在技术实现上，DeepNTL模型采用了深度学习技术，特别是在特征提取和重构模块的设计上。该模型能够在隐空间中进行操作，以更好地适应真实世界中的复杂模式和非线性关系。此外，模型还引入了多源辅助数据，如数字高程模型（DEM）和道路地图，以进一步提高重构的准确性。

### 数据集的验证结果

通过在2012、2020和2021年进行验证，研究团队发现DeepNTL数据集在多个尺度上均表现出优越的性能。特别是在全球和城市级别的分析中，DeepNTL能够更准确地反映夜间灯光的变化趋势，从而为研究基础设施和地标性建筑的动态发展提供支持。此外，该数据集在捕捉突发性光变化方面也表现出色，能够反映战争等突发事件对城市灯光的影响。

### 未来研究方向与结论

本文的研究成果为全球夜间灯光数据的长期、高精度分析提供了新的方法和工具。DeepNTL数据集不仅克服了传统NTL数据的分辨率和时间跨度的限制，还能够捕捉到更精细的光变化模式，从而为研究基础设施和地标性建筑的动态发展提供了重要的数据支持。未来的研究可以进一步探索该数据集在不同应用场景中的潜力，如城市规划、经济监测、灾害响应和社会文化研究等。

总之，本文通过引入时间差信息，构建了一个全球范围、长期、高精度的夜间灯光数据集，为研究人类活动的动态变化提供了新的视角和工具。这一数据集的推出，不仅填补了现有NTL数据集的空白，也为未来的相关研究奠定了坚实的基础。