基于夜间灯光影像与空间分析CNN模型的工业总产值月尺度栅格化估算研究

研究人员针对高时空分辨率月度工业产值数据缺乏的问题，创新性地结合NPP-VIIRS夜间灯光(NTL)数据与POI空间分析，提出SA-CNN模型，实现了上海地区2014-2021年栅格级工业总产值(GVIO)的月尺度估算（R2=0.94）。该研究突破了传统统计方法更新慢、空间粒度粗的局限，为动态监测区域工业产能提供了新范式。

　　

工业产值动态监测是评估区域经济发展和制定环保政策的重要依据，但传统统计方法存在数据更新滞后、空间分辨率低等瓶颈。夜间灯光遥感(NTL)虽被广泛应用于社会经济指标反演，但月尺度工业产值估算仍面临异质性灯光干扰、样本量不足等挑战。针对这些问题，华东师范大学地理信息科学教育部重点实验室的研究团队在《International Journal of Applied Earth Observation and Geoinformation》发表研究，创新性地将空间分析与深度学习相结合，实现了工业总产值的精细化时空动态监测。

研究团队采用三项关键技术：基于POI数据建立工厂缓冲区采样策略，通过土地用途分类(EULUC-China)解析NTL异质性模式；构建四层空间分析卷积神经网络(SA-CNN)提取月尺度NTL特征；建立NTL强度与GVIO的线性映射关系完成空间分配。这些方法有效解决了小样本条件下工业活动估算的难题。

研究结果显示：工厂周边1500米缓冲区为最优采样范围，该范围内居住与工业用地NTL强度随距离增加显著提升。SA-CNN模型在月尺度GVIO估算中表现优异（R²=0.944，RMSE=10.38亿元），较随机森林模型(R²=0.518)和基线CNN(R²=0.927)有显著提升。时空分布图显示上海北部工业产值增长均衡快速，而南部金山化工区等特定区域呈现集聚发展特征。

讨论部分指出，数据质量是影响估算精度的关键因素——2017年9月等月份出现的NTL影像"马赛克"现象导致显著低估。研究创新性地通过阈值过滤(42.2 nW/cm²/sr)排除商业设施强光干扰，验证了月合成NPP-VIIRS数据用于工业动态监测的可行性。该成果不仅为区域产业布局优化提供了500米网格级数据支持，其"分区建模"思想更为小样本社会经济指标遥感估算提供了新范式，对实现联合国可持续发展目标(SDGs)中的工业创新监测具有重要实践意义。