NightFEST：一种用于 SDGSAT-1 GLI 与 NPP-VIIRS 夜间灯光数据的特征增强时空融合方法

《Remote Sensing of Environment》：NightFEST: A Feature-Enhanced SpatioTemporal fusion method for Nighttime light data from SDGSAT-1 GLI and NPP-VIIRS

　　

• 提出了一种面向夜间灯光（NTL）数据的特征增强时空融合方法（NightFEST）。
• NightFEST融合NPP-VIIRS的高时间分辨率与SDGSAT-1 GLI的高空间分辨率。
• NightFEST充分适配NTL影像的独特特征。
• NightFEST实现了更准确、更稳健的性能（平均DISO = 0.545）。
• NightFEST仅需一个高空间分辨率输入场景。

**引言**

夜间灯光（NTL）遥感为感知世界提供了独特视角（Chen等，2026；Elvidge等，2017；Elvidge等，2013；Shi等，2023；Yu等，2021；Zheng等，2023；Zhong等，2026）。NTL数据在城市研究中具有广泛应用，涵盖人类活动监测（Levin等，2020；Shi等，2023）、社会经济发展（Chen等，2022；Gong等，2025；Shi等，2014b；Zhang等，2025a），以及全球和区域尺度的城镇化进程（Chen等，2017；Chen等，2019；Imhoff等，1997；Wang等，2025a；Yu等，2014；Zhao等，2020）。NTL数据还被应用于能源消耗（Hu和Huang，2019；Shi等，2016；Shi等，2019）、公共安全（Li和Li，2014；Yuan等，2023；Zhao等，2018）、生态保护（Gillespie等，2014；Gu等，2019；Wen等，2025；Xu等，2023）以及光污染监测（Huang等，2023）。在城市研究中，夜间光照主要由人造光源产生（Levin等，2020），其中道路是主要贡献者（Wang等，2021；Wu等，2024），其次是居住区和商业区的照明。更高质量的NTL数据能提供显著的空间细节，从而增强城市动态监测能力，并支持更广泛的基于NTL的应用。

在现有NTL数据集中， Suomi国家极轨合作伙伴可见光红外成像辐射仪（NPP-VIIRS）的昼夜带（DNB）是最广泛使用的NTL数据来源之一（Elvidge等，2013；Román等，2018；Shi等，2014a；Shi等，2014b）。虽然NPP-VIIRS提供了高时间分辨率（每日），但其约750米的空间分辨率（处理后的VNP46A系列产品约500米）限制了其捕捉精细细节的能力。2021年11月，旨在支持联合国2030可持续发展目标（SDGs）的可持续发展科学卫星1号（SDGSAT-1）成功发射（Guo等，2023b；Guo等，2022）。星载微光成像仪（GLI）传感器提供先进的夜间全色波段数据（10米）和多光谱观测数据（RGB，40米）（Guo等，2023a），使其成为跟踪城市发展和人类活动在更细空间尺度上监测NTL数据的关键补充（Jia等，2024；Liu等，2024b；Wu等，2024；Zou等，2025）。然而，SDGSAT-1有限的11天重访周期限制了其短期监测能力。目前，没有任何单一NTL数据集能同时满足高空间分辨率和高时间分辨率的要求。

时空融合可以通过对NTL数据空间与时间分辨率之间固有权衡的一种可行解决方案来有效应对这一挑战（Ghamisi等，2019）。现有时空融合方法已被广泛应用于日间光学多光谱领域并得到认可，通常可分为五类（Zhu等，2018）：基于混合分解的方法（Wu等，2012；Zhukov等，1999）、基于权重函数的方法（Gao等，2006；Hilker等，2009；Zhu等，2010）、基于贝叶斯的方法（Li等，2013；Shen等，2016）、基于学习的方法（Huang和Song，2012；Song等，2018）以及混合方法（Gevaert和Garcia-Haro，2015；Zhu等，2016）。这些传统方法各有特点，能够有效满足高时空分辨率的需求（Dong等，2024；Gao等，2006；Liu等，2019；Long等，2020；Wang和Atkinson，2018；Zhu等，2016）。与捕捉反射太阳辐射的日间遥感影像不同，NTL数据主要来自人造光源（Wu等，2023；Yu等，2018），其辐射受人造光源的强度、空间分布和类型共同影响。一些狭窄但高强度的光源，如主干道、大型交叉口、机场或商业中心，可能会主导粗分辨率像元的辐射值。同时，夜间灯光通常呈现空间聚集但不连续的模式，伴随显著的亮度突变和空间异质性（Tan等，2026；Tan和Zhu，2023）。此外，NTL数据通常呈现长尾辐射分布。这些特征共同导致粗分辨率与细分辨率NTL观测之间难以建立简单的线性关系。物理机制、数据特征和变化模式上的根本差异意味着，许多假设线性变化的现有时空融合方法并不适合直接应用于NTL数据（Bian等，2025；Levin等，2020）。因此，深入探索城市夜间照明的细尺度变化并开发面向NTL数据的时空融合方法仍具有重要意义。

机器学习模型和超分辨率重建技术已被引入以获取高时空分辨率的NTL数据（Zeng等，2024）。这些方法在增强NTL观测的时空细节方面展现了相当大的潜力（Zhang等，2025b）。然而，将这些方法应用于NPP-VIIRS与SDGSAT-1 GLI NTL数据的融合仍面临若干实际挑战。许多现有方法通常依赖于由大量粗分辨率观测或大量时间同步的多源NTL图像对构建的训练数据集（Xu等，2024）。虽然这些策略可以提高模型学习和重建性能，但其数据需求可能增加预处理和样本构建的复杂度。对于SDGSAT-1 GLI NTL数据，由于其实用可用性有限，这一问题尤为突出。例如，2022年和2023年上海获取的图像中，不到50%具有足够的无云条件可用于分析（Wang等，2025b）。由此产生的不规则时间间隔可能导致训练对不足或分布不均。为弥补原始NTL观测的稀缺，一些研究采用了多种辅助数据来增强模型学习能力（Lin等，2025；Tziokas等，2023；Ye等，2021；Zhang等，2024）。这一策略对于提供互补信息是有益的，并已被证明可提高重建性能。然而，它也可能引入额外噪声，增加模型复杂度，并可能削弱模型忠实地重建实际光照条件的能力（Li等，2020；Zhang等，2025b）。因此，在最小化对辅助数据依赖的同时更充分地利用NTL观测的固有特征，可能为方法改进提供一条有前景的途径。

此外，NPP-VIIRS和SDGSAT-1 GLI NTL数据的全色波段之间存在50倍的分辨率差异，这给融合带来了额外挑战。同时，传感器特性差异及其过境时间（SDGSAT-1 GLI约21:30，而NPP-VIIRS约01:30）也值得进一步关注。

鉴于这些挑战，本研究提出了一种面向NTL数据的特征增强时空融合方法（NightFEST），使用SDGSAT-1 GLI和NPP-VIIRS观测数据。NightFEST利用SDGSAT-1 GLI影像的高空间分辨率，并充分考虑夜间照明特征，以生成高质量的时空融合NTL数据。具体而言，本研究首先介绍研究区域和数据集。随后描述NightFEST方法的构建流程，接着介绍涵盖光谱、空间和综合指标的评估体系结构。然后展示方法结果及与现有模型的对比实验。最后探索最优参数设置。

**研究区域**

考虑到夜间亮度差异、城市结构复杂度、城市发展水平和气候条件，本研究聚焦于中国的北京、上海和淮安，美国的达拉斯，印度的新德里，以及卢旺达的基加利，进行模型开发与验证（图1）。北京和上海作为中国特大城市，与达拉斯和新德里一样，具有复杂的城市结构和多样化的照明模式。基加利代表低亮度城市。

**方法**

图2展示了使用NightFEST方法生成高时空分辨率NTL数据的技术流程。NightFEST选取t1时刻的SDGSAT-1 GLI和NPP-VIIRS NTL图像对，以及t2时刻的NPP-VIIRS图像进行时空融合。为便于后续描述，粗分辨率图像记为C1和C2（源自NPP-VIIRS），细分辨率图像记为F1（源自SDGSAT-1 GLI）。在NightFEST方法中，来自的NTL数据……

**NightFEST输入数据的准备**

完成数据准备后，获得NightFEST输入的细分辨率和粗分辨率NTL影像，以在上海为例展示（图3）。其他样本输入对在补充数据（图A1–A5）中提供，以进一步证明数据准备过程在不同区域间的一致性和稳健性。

**考虑NTL强度和道路邻近性的分类数据**

为评估分类策略和所选分类方法，开展了系统的对比实验（图A6–A8）。

**贡献与创新**

本研究提出了一种名为NightFEST的方法，该方法非常适合NTL数据的时空融合。该方法通过针对性处理策略，考虑了两个数据集（SDGSAT-1 GLI和NPP-VIIRS）之间的分辨率差异以及NTL数据的独特特征，从而提高了融合精度和适用性。

首先，NightFEST采用了适合NTL数据的分类策略。常规分类方法在使用时无法产生有效结果。

**结论**

本研究提出了一种面向NTL数据的特征增强时空融合方法，即NightFEST。NightFEST有效整合了SDGSAT-1 GLI的高空间分辨率和NPP-VIIRS的高时间分辨率，实现了高时空分辨率的NTL融合预测。研究详细给出了NightFEST的具体步骤，以特征增强处理为主要组成部分，充分适配NTL影像的独特特征。NightFEST被应用于……

**CRediT作者贡献声明**

董林鑫：撰写——初稿、可视化、验证、方法学、形式分析、数据整理、概念构思。潘湛：撰写——审阅与编辑、形式分析。徐伟：撰写——审阅与编辑、验证、数据整理。宋永泽：撰写——审阅与编辑、监督。陈左奇：撰写——审阅与编辑、方法学。王丛潇：验证、形式分析。黄燕：监督、资源、形式分析。于拜浪：撰写——审阅与编辑。

**利益冲突声明**

作者声明不存在已知的竞争性经济利益或个人关系可能影响本研究中报告的工作。

**致谢**

本工作受国家自然科学基金（批准号：42371332）资助。

董林鑫 | 潘湛 | 徐伟 | 宋永泽 | 陈左奇 | 王丛潇 | 黄燕 | 于拜浪