基于卫星遥感的夜间灯光强度是表征人类活动分布与强度的关键指标，被广泛应用于城市化监测、灾害评估等领域。然而，由于星载传感器在光谱响应、轨道特性等方面存在差异，且早期数据存在饱和与模糊等问题，构建一套覆盖全球、时间连续、分辨率高且质量稳定的长时序夜间灯光数据集一直是该领域的挑战，这严重制约了我们对人类活动进行精细化、长周期的动态追踪。
近日，我系张峰教授课题组联合清华大学、中科院大气物理所和空天信息创新研究院等单位，在《Remote Sensing of Environment》期刊上发表了题为《Global reconstruction of three decades of fine-grained nighttime light data with analysis of large-scale infrastructure and landmarks》的研究论文。
国际上广泛使用的1992–2021年夜间灯光数据主要来源于DMSP-OLS卫星传感器，该数据为未经辐射定标的DN值，空间分辨率为1公里，存在图像模糊及城市核心区饱和问题。作为新一代夜间灯光卫星传感器，NPP-VIIRS提供的是具有物理意义的辐射亮度数据（单位：nW/cm2/Sr），空间分辨率达0.5公里，图像更为清晰，且无饱和现象。
该研究成功将低分辨率DMSP-OLS的卫星遥感夜间灯光数据，重构为与NPP-VIIRS质量相当的高分辨率卫星遥感夜间灯光数据，首次实现了全球范围30年尺度、0.5公里分辨率夜间灯光数据的连续且一致的重构，有效填补了2012年前高分辨率夜间灯光数据的空白。
高质量的重构依赖于具有良好连续性的长时序数据。由于卫星载荷的寿命的限制，从1992到2021年的DMSP-OLS传感器分别搭载6颗不同的卫星平台上，夜光的观测数据因传感器搭载平台更替和轨道漂移而存在年际、星间的不一致问题，研究团队提出了一种基于时空变异系数的定标场自动选取方法。该方法从空间均匀性、时间稳定性和非饱和性三个维度，从全球超7.25亿个像素中，精准筛选出约9.4万个分布在美国东部、西欧等基础设施成熟、夜间灯光稳定的区域作为定标场。基于此，研究团队对DMSP-OLS数据进行了有效的连续性校正。校正后的全球总灯光值与全球GDP增长趋势高度吻合，显著优于国际权威的Elvidge等人基于西西里岛的定标方法，为后续的高精度重构奠定了可靠的数据基础（图1）。
研究团队突破了传统的“单年映射”超分辨率范式——即以模糊的DMSP-OLS图像重构同一年的类似NPP-VIIRS的清晰图像，而是提出了新的超分辨率模型DeepNTL。该模型的创新核心在于引入了“时间差异学习”机制。该机制通过融合多年度DMSP-OLS图像的差异信息，显著提升了重构精度与时间序列的一致性（图2）。这也是首次将时间序列预测的思想系统性地引入夜间灯光的超分辨率重构任务，该思路也能为解决其他时序遥感数据（如陆表温度、植被指数等）的长期重构问题提供借鉴。研究团队利用全球36万张图像样本进行训练与验证，结果表明，DeepNTL在全球、国家乃至城市尺度上，其性能均一致性地优于现有主流产品。
研究进一步选取了迪拜棕榈岛、印度尼西亚苏拉马都大桥、缅甸内比都乌帕塔桑蒂佛塔及伊拉克巴格达国际机场等多个具有代表性的大型基础设施与地标进行案例深析。结果显示DeepNTL
仅能清晰捕捉到人工岛屿等设施在多年建设过程中的渐进式光亮变化（图3），还能敏锐地揭示因战争等突发事件导致的灯光剧烈震荡（图4），展现出其在监测区域发展、评估灾害影响乃至感知地缘冲突方面的独特潜力。此外，图5通过动画展示上海区域过去30年的灯光变迁。本研究为城市规划、可持续发展与全球治理的精细化研究提供了宝贵的数据支撑。
我系博士生郭金雨为论文第一作者，张峰为通讯作者，清华大学赵行、中科院大气物理研究所潘宝祥和中科院空天信息创新研究院梅林露共同参与完成。该研究获国家重点研发计划（2024YFF0808303）和上海市基础研究特区项目（21TQ1400100(25TQ008)）等资助。
论文信息：
Guo, J., Zhang, F., Zhao, H., Pan, B., & Mei, L. (2025). Global reconstruction of three decades of fine-grained nighttime light data with analysis of large-scale infrastructure and landmarks. Remote Sensing of Environment, 331, 115036. https://doi.org/10.1016/j.rse.2025.115036
图1：数据定标结果对比。 (a) 原始DMSP-OLS数据集年度全球灯光总和； (b) 以Elvidge等人的方法定标的DMSP-OLS年度全球灯光总和；(c) 以我们提出的方法定标的DMSP-OLS年度全球灯光总和。其中的虚线表示全球GDP总量的增长趋势。对比可见，以我们的方法定标的灯光总量变化趋势更加贴合全球GDP的变化趋势，显著提升了数据的连续性。
图2：模型架构对比。(a) 基于传统“单年映射”框架的DMSP-to-VIIRS重构任务; (b) 本研究提出的基于“学习年际差异”的DeepNTL模型。
图3：迪拜棕榈朱美拉岛的夜光动态监测案例。第一列为2001年至2012年间的Landsat白昼影像，其余各列为对应年份的不同夜间灯光产品图像。其中，倒数第二列为本研究产生的DeepNTL数据，最后一列为自2012年起可获取的真实NPP-VIIRS影像。对比可见，只有DeepNTL清晰地还原了该人工岛屿从无到有的建设过程，并与真实NPP-VIIRS数据在形态和时序上高度一致。
图4：巴格达国际机场在伊拉克战争中的夜光动态监测案例。其中，倒数第二列为本研究产生的DeepNTL数据，最后一列为自2012年起可获取的真实NPP-VIIRS影像。对比可见，只有DeepNTL清晰地还原了该机场在战时的灯光强度变弱以及战后的灯光强度恢复且增强的过程。
图5：上海地区灯光变迁（1992~2019）。上海地区1992~2019原始DMSP-OLS夜间灯光数据（左）；超分辨率重构的夜间灯光数据（右）
