利用SDGSAT-1卫星拍摄的微弱光图像估算路灯的密度和数量

《Remote Sensing of Environment》：Streetlight density and quantity estimation using glimmer images from SDGSAT-1

本研究基于SDGSAT-1 GLI影像，改进CSRNet模型提出SLCNet，通过深层前网络和空间注意力机制实现街灯密度与数量高精度估算，MAE降低5.6%，RMSE降低8.08%，NAE降低12%，适用于大范围城市照明监测。

　　街道灯是城市基础设施的重要组成部分，它们在夜间提升了交通和公共安全，但同时也带来了显著的能源消耗。研究街道灯的密度、数量及其分布对于实现可持续的城市发展具有重要意义。随着城市化进程的加快，街道灯的数量持续增加，这不仅加重了能源负担，也对城市的财政支出构成压力。因此，系统性地研究街道灯的分布特征，有助于优化城市照明系统，提高能源使用效率，降低碳排放，从而推动可持续发展目标的实现。

本研究利用了可持续发展目标科学卫星-1（SDGSAT-1）所提供的夜间灯光数据，构建了一个新的街道灯计数模型——街道灯计数网络（SLCNet）。该模型基于Crowded Scene Recognition Network（CSRNet）进行改进，引入了更深的前端网络结构，并增加了空间注意力机制，以提升对密集目标的识别能力。通过这些改进，SLCNet能够更准确地估计某一区域内街道灯的密度分布，并实现大规模街道灯数量的自动统计。实验结果显示，SLCNet在均方误差（RMSE）和归一化绝对误差（NAE）方面均优于CSRNet，分别降低了8.08%和12.00%。此外，SLCNet在视觉化结果上也表现出了更高的准确性，能够更清晰地反映街道灯密度的分布情况。

SDGSAT-1搭载的Glimmer Imager（GLI）传感器提供了40米多光谱和10米全色分辨率的夜间灯光图像，其300公里的覆盖范围有效弥补了传统夜间灯光遥感数据在空间分辨率和覆盖范围上的不足。相比于需要高成本和高分辨率的吉林-1卫星图像，SDGSAT-1的图像资源更加公开且易于获取，使得SLCNet能够在较低成本下实现对大规模街道灯密度和数量的高效估计。这不仅为城市夜间照明监测提供了新的技术手段，也为城市照明管理、可持续发展评估以及智慧城市建设提供了坚实的数据基础。

在研究过程中，我们采用了来自三个不同来源的街道灯点标注数据，以构建高质量的地面真实数据集（Ground Truth, GT）。其中，第一个数据来源是Esri ArcGIS Online数据库，我们从中获取了来自六个国家的27个城市或地区的458,027个街道灯点标注数据，并通过与Google Earth的对比验证和筛选，确保数据的准确性。第二个数据来源是通过Google Earth获取的街景图像和视觉解释，这些图像能够帮助研究人员更好地理解街道灯的分布情况。第三个数据来源则涉及不同地区的现场调查数据，这些数据提供了街道灯实际位置的直接信息。

为了提高街道灯计数的准确性，本研究采用了基于密度图的估计方法。这种方法能够有效解决传统目标检测方法在处理密集目标时面临的遮挡和重叠问题。密度图方法通过像素级别的密度分布来描述目标的空间分布，使得模型能够更精确地捕捉到街道灯之间的相互影响。相比于直接的像素计数方法，密度图方法在检测精度上具有明显优势。该方法最初被应用于密集人群计数，后来也被应用于无人机航拍图像中的车辆计数，显示出其在目标计数任务中的广泛适用性。

然而，基于密度图的方法仍然受到多种外部因素的影响。例如，城市夜间灯光源的复杂性可能会干扰街道灯密度的估计。在实际应用中，街道灯往往与其他光源（如建筑灯光、广告牌、路灯等）相互重叠，导致模型难以准确区分。此外，街道灯的分布还受到地理环境、城市规划、交通流量等因素的影响，这些因素都可能对模型的预测结果产生干扰。因此，在模型训练和评估过程中，需要充分考虑这些外部变量，并通过合理的数据预处理和模型优化来减少其对结果的影响。

在实验环境方面，所有实验均在配备Nvidia GeForce RTX 4060Ti 16G GPU的计算机上运行，使用PyTorch框架结合CUDA 12.1进行训练和测试。为了确保模型的稳定性，采用了Adam优化器并结合余弦退火策略动态调整学习率。实验参数设置包括学习率3×10??、动量0.9、权重衰减5×10??、批量大小为8，训练周期为150次。这些参数的设置确保了模型在训练过程中能够有效地收敛，并在测试数据上取得较高的预测精度。

为了进一步验证模型的有效性，我们进行了全面的消融实验（Ablation Study）。消融实验的结果表明，模型中引入的深度前端网络和空间注意力机制对提升预测精度起到了关键作用。深度前端网络能够更好地提取图像中的局部特征，从而提高模型对街道灯的识别能力。而空间注意力机制则能够引导模型关注图像中街道灯分布的关键区域，减少误检和漏检的情况。这些改进措施显著提升了模型的性能，使其在复杂场景下仍能保持较高的预测准确性。

此外，本研究还探讨了其他可能影响街道灯密度估计的因素。例如，不同地区的照明标准、街道灯的安装密度、夜间交通流量以及天气条件等，都可能对街道灯的分布和数量产生影响。因此，在模型的应用过程中，需要结合具体地区的实际情况进行调整和优化，以确保预测结果的可靠性。同时，为了提高模型的泛化能力，我们还尝试了在不同城市和区域的数据集上进行测试，以验证模型在不同环境下的适用性。

本研究的成果不仅为城市夜间照明监测提供了新的技术手段，也为城市照明管理、可持续发展评估以及智慧城市建设提供了重要的数据支持。通过SLCNet模型，研究人员可以更高效地获取街道灯密度和数量的信息，从而为制定科学合理的照明政策提供依据。此外，该模型还可以应用于其他类似的密集目标计数任务，如人群密度估计、车辆数量统计等，具有广泛的适用前景。

在实际应用中，SLCNet模型可以用于分析不同城市和区域的夜间照明情况，帮助城市规划者识别照明系统的薄弱环节，并优化街道灯的布局。通过优化布局，不仅可以提高夜间公共安全，还能减少不必要的能源浪费，降低城市运营成本。此外，该模型还可以用于评估城市照明对居民生活质量的影响，为改善城市环境和提升居民幸福感提供数据支持。

随着全球对可持续发展的重视，夜间照明的优化管理已成为城市规划和环境保护的重要议题。SLCNet模型的提出，为这一领域提供了新的技术路径和研究框架。通过利用SDGSAT-1提供的高分辨率夜间灯光数据，研究人员可以在更大范围内进行街道灯的统计和分析，从而为全球范围内的城市照明管理提供科学依据。这不仅有助于实现节能减排的目标，也为智慧城市建设提供了新的技术手段。

本研究的成果表明，基于密度图的估计方法在处理密集目标时具有显著优势，特别是在夜间灯光遥感数据的应用中。然而，该方法仍然存在一定的局限性，特别是在面对复杂的城市环境时。因此，未来的研究可以进一步探索如何提高模型的鲁棒性，使其能够适应更多样化的应用场景。此外，还可以结合其他数据源（如LiDAR点云数据、街景图像等）进行多源数据融合，以提高预测的准确性和可靠性。

总之，本研究通过构建基于SDGSAT-1 GLI图像的街道灯密度估计模型，为城市夜间照明监测提供了一种新的技术手段。SLCNet模型在提升预测精度和减少误检漏检方面表现出色，为城市照明管理、可持续发展评估以及智慧城市建设提供了重要的数据支持。未来的研究可以进一步优化模型结构，探索多源数据融合的方法，并拓展该模型在其他密集目标计数任务中的应用。这些努力将有助于推动城市照明管理的智能化发展，为实现绿色、可持续的城市建设目标贡献力量。