全球低光区域夜间灯光数据集（1992-2022）：填补光污染研究空白与保护生物多样性热点

本研究针对传统夜间灯光（NTL）研究长期忽视全球80%低光区域（LLAs）和暗空区域（DSAs）的问题，通过结合残差神经网络和栅格函数模型，首次实现了DMSP/OLS与VIIRS数据的连续校准与时空扩展。团队开发的LRCC-DVNL数据集（1992-2022）在低光区域敏感性、时空稳定性和经济指标解释力上超越同类产品，为世界遗产地、暗空保护区和国家公园等关键区域的人类活动监测提供了新工具。

　　

当人类仰望星空时，可能未曾意识到地球表面80%的低光区域（Low-light Areas, LLAs）正被科学界长期忽视。传统夜间灯光（Nighttime Light, NTL）研究过度聚焦城市高光区，导致全球保护区内光污染被严重低估——这些区域恰是生物多样性的核心栖息地。更严峻的是，过去12年人工照明的光污染年增长率高达10%，远超此前预估的2%，这对自然黑暗环境造成持续性侵蚀。在此背景下，中南林业科技大学国家公园与旅游学院的研究团队在《Scientific Data》发表突破性成果，首次构建了1992-2022年全球尺度的长时序低光区域夜间灯光数据集LRCC-DVNL，为生态保护与可持续发展提供了革命性数据支持。

研究团队采用三项关键技术：1）基于残差U-Net卷积神经网络（Residual U-Net CNN）修复高纬度缺失数据并延伸时间序列至2022年；2）通过线性趋势配准实现DMSP/OLS与VIIRS数据的像素级对齐；3）结合栅格函数模型完成年度连续性校准。数据来源包括DMSP/OLS V4（1992-2013）、DVNL（2013-2019）和Annual VNL V2（2013-2022）等8类权威数据集，覆盖全球不同纬度带。

方法创新与数据修复
研究首先解决了DVNL数据在高纬度（北纬51°以上）的缺失问题（

），通过残差神经网络动态训练策略增强低辐射区域特征学习，使修复后的C-DVNL数据与官方DMSP数据空间分布概率相似度达R²
≥0.90。

时空连续性突破
针对2013年DVNL与DMSP数据断层（

），团队设计五类NTL变化趋势的栅格计算规则，使校准后的AC-DVNL数据全球平均NTL强度提升32.11%，与GDP、人口（POP）和用电量（EC）的拟合R²
分别达0.885、0.941和0.929。

低光区域敏感性验证
在世界遗产地验证中（

），LRCC-DVNL成功捕捉到2018年武陵源景区旅游道路开通导致的NTL细微变化（DN值增幅>4），而同类产品Chen-NTL在此区域DN值接近零。土地覆盖类型分析进一步证实，相比Li-NTL和Chen-NTL，新数据集在森林、湿地等LLAs中展现出更高的动态范围和灵敏度。

这项研究的意义在于：1）首次系统性关注LLAs和DSAs的NTL动态，填补了光污染评估的数据空白；2）提出的残差神经网络与栅格函数混合模型为多源遥感数据融合设立新标准；3）数据集对2008年金融危机、叙利亚战争等重大事件的NTL响应记录（如阿勒颇DN值从6,591骤降至6,017），为全球可持续发展目标（SDGs）监测提供了高精度时空标尺。正如作者Hui Tang团队强调，这项成果不仅改变了"重城市、轻荒野"的研究范式，更将推动全球保护区的光污染治理进程。