照亮前路：对城市以外地区道路照明的全球分析

《Science of The Total Environment》：Lighting the way: A global analysis of road lighting outside of urban areas

人工光照在非城市道路的分布及其与经济、环境、政策因素的关系研究。通过整合VIIRS/DNB和SDGSAT-1卫星数据，结合开源地理信息数据集，系统识别了全球161个国家中27个存在显著非城市道路照明（占比超2%）的国家。研究表明，中东高油气国家（如卡塔尔、阿联酋）和东亚高城市化国家（如新加坡、以色列）道路照明程度较高，而北欧等环保政策严格且可再生能源占比高的国家照明程度较低。空间自回归模型显示，道路照明存在显著的空间关联性，且与化石能源依赖、城市亮度、腐败指数等因素呈显著相关。

　　全球范围内，夜间人工光源（ALAN）已成为一个日益受到关注的问题，其对人类健康、生态环境和自然景观的影响越来越显著。尽管城市街道照明已得到广泛研究，但主要道路——连接城市之间的长距离交通干道——的照明情况仍未被充分探讨。本研究通过结合全球地理数据集与VIIRS/DNB和SDGSAT-1卫星图像，识别并量化了非城市区域的道路照明情况。我们进一步探讨了这些照明情况与社会经济、环境和治理指标之间的关系。研究发现，国家层面的道路照明程度与城市亮度、化石燃料依赖程度以及环境法规和意识水平密切相关。尽管大多数乡村道路未被照明，但我们在27个国家中发现了超过2%的非城市区域道路被照明，占这些国家夜间地表辐射的最高可达5.3%。这些被照明的乡村道路主要集中在中东的石油和天然气生产国以及东南亚的高城市化、高GDP国家。相反，即使是富裕国家，那些拥有强大环境政策和碳定价机制的国家，其乡村道路的照明程度则相对较低。本研究首次量化了非城市区域主要道路对夜间辐射的贡献，并突显了夜间传感器在推进ALAN研究中的价值。

### 人工光源的全球影响

人工光源在夜间环境中的广泛应用不仅改变了人们的日常生活，还对生态系统和自然景观造成了深远影响。研究发现，全球超过80%的人口生活在光污染严重的天空下，而在像美国和欧洲这样的发达国家，这一比例甚至高达99%。尽管公众对光污染的认知不断提高，但夜间景观的亮度仍在以每年约2%的速度增长。然而，这一增长趋势仍然存在不确定性，可能被LED照明的广泛应用所低估。LED灯泡在蓝光波长范围内的强烈发射，使得许多夜间光污染难以被航天遥感探测到，从而增加了时间序列分析的复杂性。尽管如此，夜间卫星图像仍然为监测人类活动提供了强大的工具。例如，它被广泛应用于渔业活动、海上交通发展、石油平台、野火、冲突地区、照明政策变化、城市扩张等领域。

### 研究方法

为了识别非城市区域的照明道路，我们利用了VIIRS表面辐射数据，其空间分辨率为15弧分，即赤道处约440米。我们特别关注了非城市区域的道路，因为VIIRS数据的粗略空间分辨率使得单个像素可能包含多个道路段，而城市内的道路照明会与商业区、广告牌和窗户等其他光源混合，难以区分。VIIRS数据代表了经过处理的全球夜间灯光时间序列，以辐射（单位为nW/cm2/sr）形式表达，来源于每月无云平均辐射网格，与Level 3产品相当。我们使用的VIIRS产品，VNL_npp_2023_global_vcmslcfg_v2_c202402081600.average_masked.dat VNL V2.2，包含了消除太阳、月亮、极光和云覆盖等重复效应的稳健异常值去除技术，以及消除生物燃烧等瞬时现象的技术。通过使用十二个月的平均辐射值进行过滤，VNL V2.2有效隔离了背景照明条件，从而确保了对人为光源的更准确表示。

为了验证道路照明的识别过程，我们还利用了SDGSAT-1的Glimmer传感器夜间图像，其空间分辨率为40米。我们使用了多种夜间图像，其中10幅用于计算混淆矩阵，以评估照明识别的准确性。这些图像提供了对VIIRS数据的补充，帮助我们更好地理解道路照明的实际情况。SDGSAT-1图像不仅有助于识别道路照明的精确区域，还能够帮助我们分析照明的模式和分布。通过这种方式，我们能够在不同地区和不同照明条件下的道路照明情况进行比较和验证。

### 数据处理与分析

我们使用了Python（版本3.12）进行所有空间数据处理，主要依赖于rasterio、geopandas、pandas和numpy库。统计和数值分析使用了scikit-learn和scipy。为了可视化，我们使用了ArcGIS Pro（版本3.4.0）。这些工具贯穿于研究的各个步骤中，包括数据处理、分析和结果展示。

我们利用了Open Street Map（OSM）的矢量道路数据，以及VIIRS的夜间灯光数据，来识别非城市区域的道路照明情况。我们测试了多个亮度阈值，特别是2和4 nW/cm2/sr，以识别道路段是否被照明。亮度低于这些阈值的道路段被视为未被照明。通过混淆矩阵的评估（见第2.2.2节），我们选择了4 nW/cm2/sr作为最佳识别性能的阈值。此外，我们还排除了受气体火焰和城市区域影响的区域，使用OSM住宅道路层作为城市区域的掩膜。道路段的亮度值低于4 nW/cm2/sr的被视为未被照明，而亮度值高于此阈值但位于城市区域内的道路段则被排除。通过将道路段矢量化为多边形，并使用SDGSAT-1图像数据进行全球范围的手动审查，我们确保了识别的准确性。

### 社会经济和治理指标

为了探讨不同国家非城市区域道路照明的差异，我们从公开来源收集了18个社会经济、环境和治理指标，其中主要来自Our World in Data平台。这一平台以标准化和可访问的形式汇总了全球公认的数据库，确保了国家间的可比性。这些指标的选择基于以下几点：

1. **概念相关性**：与我们假设影响道路照明的因素相关，包括经济发展、能源获取和对化石燃料的依赖、交通强度以及环境或治理框架。
2. **数据覆盖和一致性**：在全球范围内覆盖广泛国家的数据。
3. **冗余最小化**：通过相关分析和主成分分析（PCA）来处理多重共线性。

环境和治理变量被包括在内，因为公共基础设施和照明决策不仅受到经济能力的影响，还受到制度质量和政策导向的影响。例如，政治腐败指数反映了腐败如何影响基础设施规划、投资和执行，已有研究将高腐败与较弱的环境标准、较差的法律执行和较高的排放联系起来。同样，保护区指数作为国家政策中环境关切程度的代理指标，一些国家（如法国）已引入照明限制作为生物多样性保护措施的一部分。

经济和能源相关的指标被包括在内，以捕捉国家发展水平、能源供应结构和资源依赖。例如，人均GDP与基础设施投资，包括街道照明，密切相关。同样，石油和天然气租金（占GDP的百分比）和来自燃烧的二氧化碳排放反映了化石燃料依赖，这可能直接或间接驱动辐射，尤其是在人口稀少的地区。相反，诸如可再生能源占比（占初级能源消耗的百分比）和气候政策数量等指标被包括在内，以反映能源效率和可持续性承诺，这些承诺可能限制过度照明。

### 统计分析

为了探讨道路照明与社会经济和环境决定因素之间的关系，我们采用了一种多步骤的统计和建模方法。首先，我们计算了18个社会经济因素与两个因变量（即非城市区域道路照明的百分比和非城市区域道路照明的中位数亮度）之间的皮尔逊线性相关和斯皮尔曼等级相关。对于皮尔逊相关，我们对数据进行了数学变换，使其分布接近正态分布，这是皮尔逊方法的要求。每个变量的数学变换类型在表2中列出。应用数学变换的数据在后续文本中称为“缩放数据”。

其次，我们应用了主成分分析（PCA）来减少18个解释变量的维度。结果成分被解释为诸如“财富与交通安全梯度”、“城市亮度与化石租金”、“外包排放与化石浪费”以及“环境治理与保护”等主题。通过这种方式，我们能够从大量变量中提取出主要趋势和模式。

第三，我们测试了广义线性模型（GLMs），使用社会经济变量和主成分作为解释变量。模型性能通过R2进行评估。通过这种方式，我们能够识别出哪些变量对道路照明的解释力最强。

第四，我们测试了空间自回归模型（SAR），将主成分作为解释变量，将道路照明程度和亮度作为因变量。残差诊断使用了莫兰指数（Moran's I）和安塞尔因-凯莱吉安测试（Anselin-Kelejian test）来评估空间自相关性和模型的适当性。SAR模型允许我们识别在考虑空间结构后，哪些关键预测因子解释了结果变量的变化。

最后，我们对缩放数据集应用了无监督的分层聚类分析，以探索国家间道路照明模式及其相关社会经济和环境因素的相似性。我们使用了Ward方法，该方法通过迭代合并聚类来最小化簇内方差。这一步骤仅应用于至少有2%非城市区域道路照明的国家。

### 研究结果

在应用了一系列过滤步骤以识别非城市区域的道路照明后，我们定义一个国家为具有道路照明，如果其非城市区域道路的照明比例超过2%，且照明面积超过10平方公里。基于这一阈值，我们识别出27个国家具有显著的非城市区域道路照明。中东地区在这些国家中占多数，有14个国家。这些中东国家包括科威特、阿联酋和卡塔尔，其中科威特和阿联酋的非城市区域道路照明比例超过20%。斯堪的纳维亚国家芬兰、瑞典和挪威也属于这些国家，非城市区域道路照明比例从2%（挪威）到5%（芬兰）。俄罗斯也值得注意，其非城市区域道路照明比例为2.8%。其他值得注意的国家包括香港（7.9%）和新加坡（3.6%）。在道路照明亮度方面，阿拉伯半岛的国家以及更广泛的中东地区也倾向于更明亮的照明，其中卡塔尔的中位数亮度为37.5 nW/cm2/sr，其次是巴林（31.7 nW/cm2/sr）和科威特（23.7 nW/cm2/sr）。

### 讨论

尽管VIIRS夜间辐射数据已被用于绘制光污染地图，如Aksaker等人的研究（2020）、?ci??or（2021）和Ji等（2024），但全球范围内的非城市区域研究仍然有限。大多数现有研究强调城市范围内的亮度量化或能源代理指标，而非基础设施特定的照明。早期研究表明，VIIRS能够检测到接近其下限的微小光源。高分辨率夜间卫星，如SDGSAT-1的Glimmer传感器（其RGB波段分辨率为40米），进一步促进了对城市内道路照明的详细绘制。然而，这些高分辨率研究大多局限于城市地区，很少扩展到国家或全球尺度。因此，系统使用卫星图像量化非城市区域的道路照明仍然未被广泛研究。这一空白凸显了我们研究方法的创新性，即结合VIIRS表面辐射与OSM的基础设施数据，以估计全球范围内非城市区域的道路照明网络。

我们的结果表明，全球绝大多数非城市区域的道路未被照明。在分析的161个国家中，只有27个国家的乡村道路照明比例超过2%。这些国家的非城市区域道路照明贡献了高达5.3%的国家夜间地表辐射。道路照明程度和亮度与国家的城市亮度、化石燃料使用和气体燃烧活动密切相关。城市人口比例高且化石燃料产业发达的国家，往往在乡村道路上有更高的照明水平。相反，那些在可再生能源使用、环境税收政策和农业环境倡议上投入更多的国家，通常在非城市区域的道路照明上较为克制。例如，中东的石油和天然气生产国，如科威特、卡塔尔和阿联酋，由于缺乏严格的排放税，这些国家的非城市区域道路照明程度较高。相比之下，尽管西方欧洲和北美国家的人均GDP较高，但它们并未出现在我们的研究结果中，这可能是因为它们在能源节约、环境保护和限制夜间光污染方面的努力。

分层聚类分析能够区分具有共同照明和政策特征的国家群体。我们的研究结果表明，全球范围内可以分为四个国家群体。第一组是石油和天然气生产国，具有高的人均GDP和低的二氧化碳税。这些国家包括阿拉伯半岛的国家，如科威特、卡塔尔和阿联酋。这些国家结合了极高的收入水平和城市化程度，以及广泛的化石燃料生产和气体燃烧。这些国家的碳定价和照明限制较少，导致其非城市区域的道路照明程度较高。第二组是高度城市化、高人均GDP、低腐败和亲环境的国家，具有较高的道路照明程度和亮度。这一组包括经济发达、高度城市化的国家，如新加坡、香港和以色列。第三组是具有高人均GDP、低腐败和更强亲环境政策的国家，包括斯堪的纳维亚国家挪威、瑞典和芬兰，以及韩国。这些国家通常采用严格的环境标准，并已启动了“暗夜倡议”。尽管这些国家的非城市区域道路照明程度相对较低，但它们仍可能在冬季由于日照时间短而进行道路照明，以确保移动和安全。第四组是资源生产国，具有较低的人均GDP和较高的腐败指数，包括北非国家阿尔及利亚和利比亚；中东国家土耳其和伊朗；以及俄罗斯。这些国家具有中等收入水平，大量天然气生产（尤其是俄罗斯和伊朗），以及较弱的环境执法。尽管如此，这些国家的夜间景观仍然较为明亮。这一组的较低人均GDP和较高腐败指数可能限制了系统的环境行动，与研究显示的腐败与较弱的环境标准和执法之间的关系一致。

### 研究结论

本研究首次量化了全球范围内非城市区域主要道路对夜间辐射的贡献，并突显了夜间传感器在推进ALAN研究中的价值。我们使用了来自VIIRS/DNB传感器的夜间灯光数据集、OSM的道路网络以及城市区域的OSM和WSF-3D建筑比例数据。此外，我们还通过过滤气体火焰产生的ALAN，利用NOAA联合极地卫星系统提供的数据库进行数据管理。我们进行了多变量和空间分析，以揭示道路照明程度、亮度与国家社会经济和环境因素之间的关系。

研究结果表明，全球绝大多数非城市区域的道路未被照明。在分析的161个国家中，只有27个国家的乡村道路照明比例超过2%。在这些国家中，非城市区域的道路照明贡献了高达5.3%的国家夜间地表辐射。道路照明程度和亮度与国家的城市化水平、化石燃料使用和气体燃烧活动密切相关。城市人口比例高且化石燃料产业发达的国家，往往在乡村道路上有更高的照明水平。相反，那些在可再生能源使用、环境税收政策和农业环境倡议上投入更多的国家，通常在非城市区域的道路照明上较为克制。这一发现表明，国家的环境政策和文化偏好对夜间基础设施的使用有显著影响。研究结果还表明，城市内的辐射趋势与乡村道路的照明程度和亮度存在相关性，这可能反映了城市和乡村之间照明政策的一致性。

### 研究的局限性

尽管本研究提供了关于非城市区域道路照明的新见解，但也存在一些局限性。首先，我们排除了OSM层次结构中的“三级”道路，这可能导致对非城市区域道路照明的低估，尤其是在三级道路在乡村网络中占很大比例的地区。其次，城市区域的界定对分析结果具有敏感性。在我们的研究中，我们使用了基于OSM住宅道路和WSF-3D建筑比例的组合掩膜，以确保城市区域的准确识别。然而，这一保守阈值可能排除了部分稀疏建筑区域中的道路。其他城市界定数据集，如全球人工不透水面积（GAIA）数据集，可能提供略有不同的结果。第三，我们固定了4 nW/cm2/sr的亮度阈值来识别照明道路，这可能无法捕捉所有照明配置。照明实践的差异，包括路灯间距、单向或双向照明以及不同类型的灯泡，可能影响夜间卫星图像中的亮度。此外，由于VIIRS数据的空间分辨率相对较低，一些非城市区域的道路段可能由于靠近城市中心而显示出较高的亮度值。即使在没有城市光污染的情况下，非城市区域的道路段也可能属于城市像素的一部分。值得注意的是，近期夜间遥感技术的进步，如NASA的Black Marble年度复合数据集（VNP46A4），应用了额外的校正以处理大气条件和月光影响。虽然这些数据未在本研究中使用，但它们可能在未来的分析中提供补充视角。

尽管存在这些局限性，我们通过使用SDGSAT-1图像数据在多个国家中的验证表明，我们的方法总体上表现良好，误分类有限（见表A2.D）。这一研究为理解全球范围内非城市区域的道路照明模式提供了重要的见解，并强调了夜间传感器在推进ALAN研究中的价值。