《Remote Sensing of Environment》：Compositing high-resolution SDGSAT-1 nighttime light data by ranking of structural image features
編輯推薦：
高分辨率SDGSAT-1夜間燈光數據通過結構特征排序和穩定性分類實現自動復合，有效抑制云霧干擾和傳感器噪聲，空間細節優于VIIRS年產品，幾何一致性提升顯著，為全球可持續發展目標監測提供新方法。
馬蒂諾·佩薩雷西（Martino Pesaresi）|約翰內斯·H·烏爾（Johannes H. Uhl）|林琳·盧（Linlin Lu）|帕納約蒂斯·波利蒂斯（Panagiotis Politis）|梁東（Dong Liang）|米凱萊·梅爾基奧里（Michele Melchiorri）|伊內斯·瑪麗·里維羅（Inés Marí Rivero）|卡塔茲yna·克拉斯諾德布斯卡（Katarzyna Krasnod?bska）|郭華東（Huadong Guo）
歐洲委員會聯合研究中心（JRC），意大利伊斯普拉（Ispra）
摘要
為了充分發揮高分辨率夜間光（NTL）數據的潛力，需要可靠的合成方法。我們提出了一種自動且可擴展的高分辨率NTL數據合成方法，并使用SDGSAT-1數據進行了驗證。該方法在像素級別操作，通過對比時間序列中的結構圖像特征，選擇在最佳條件下獲取的觀測數據。與依賴外部云層掩膜和物理大氣校正模型的工作流程不同，該方法僅使用內部圖像特征和穩定性指標來減少云層、霧霾、月光反射和傳感器偽影的干擾。合成結果與作為獨立外部基準的VIIRS年度產品高度一致（相關性高達0.95，R2始終大于0.80），同時在常見的聚合尺度（例如800米）上保留了比VIIRS更清晰的信號。該方法還通過抑制與獲取相關的偽影（包括場景異常和帶間RGB不對齊）以及改善空間對齊，提高了SDGSAT-1的數據可用性：平均位置誤差從輸入數據的340米降低到合成后的19.2米。內部幾何一致性也顯著提高，帶間RGB不對齊的平均值從47.6米減少到3.6米。該工作流程還引入了一種分類系統，結合了NTL亮度、時間穩定性和建成區存在情況。以意大利的波平原為例，穩定的NTL區域僅覆蓋了約10%的面積，但卻包含了約60%的總光排放；其中73.6%來自建成區，26.4%來自非建成基礎設施（如照明道路）。總體而言，該方法支持將SDGSAT-1數據整合到全球監測框架中。
引言
夜間光（NTL）數據是衡量人類活動、基礎設施和經濟發展（包括人口分布）的常用指標（Bennett和Smith，2017；Lu等人，2019；Mellander等人，2015）。應用范圍從評估電力供應和公共照明狀況到描述城市公共空間（Bank，2021；Liu等人，2024a；Liu等人，2024b；Lv等人，2024），再到監測城市擴張和居住動態（Bennett和Smith，2017；Zheng等人，2023）。
由于其多功能性，NTL數據非常適合用于支持可持續發展目標（SDGs）的監測和評估，特別是聯合國2030議程中關于包容性、安全、有韌性和可持續城市的目標（聯合國經濟和社會事務部，2015）。為了有效支持決策制定和國際框架，NTL數據必須可靠、最新，并滿足三個最低要求：（i）作為公共開放數據提供；（ii）通過透明方法生成；（iii）能夠在全球或至少大范圍內進行無縫的多時相生成，有運營采集計劃的支持。前者確保了透明度和可重復性；后者使得評估結果具有國際可比性和一致性（Pesaresi，2018；Pesaresi等人，2024）。
在這方面，可持續發展科學衛星1號（SDGSAT-1）的地球觀測數據是監測人類活動的寶貴資源（Guo等人，2024）。SDGSAT-1于2021年11月發射，專為跟蹤SDGs而設計，提供了比以往系統更高空間分辨率的NTL數據，這一特點受到了越來越多的關注（Li等人，2023；Liu等人，2024a；Sun和Niu，2025；Wu等人，2024；Zheng等人，2023）。特別是，用于城市化的Glimmer Imager（GIU）提供了40米地面采樣距離的多光譜RGB NTL數據，這比Suomi國家極軌衛星（NPP）上的全色可見光紅外成像輻射計套件（VIIRS）晝夜波段（DNB）在近地點的約750米采樣距離有了顯著改進（Xie等人，2024）。
有效的NTL觀測受到云層覆蓋、月球輻射和雜散光的嚴重限制（Miller和Turner，2009）。因此，時間合成是一種成熟的策略，用于緩解這些限制（Zheng等人，2022）。與每日時間序列相比，月度和年度合成數據減少了由云層、氣溶膠和數據質量問題引起的異常值和間隙，對于分析長期城市動態和社會經濟變化至關重要，同時數據量可控且不確定性在可接受范圍內（Bennett和Smith，2017；Lu等人，2019）。
最先進的VIIRS合成產品，如NASA的Black Marble（BM）、地球觀測組（EOG）的月度VIIRS DNB合成數據以及VNP46A3/A4時間合成數據，依賴于復雜的大氣校正和角度歸一化流程（Elvidge等人，2021；Román等人，2021；Wang等人，2022）。這些方法結合了云層掩膜、雙向反射分布函數（BRDF）、表面反照率模型、月球輻射以及氣溶膠和大氣剖面數據，從夜間輻射中提取人工光源，校正路徑輻射、表面反照率和大氣條件。雖然這些模型受益于與VIIRS NTL在空間和時間上一致的外部數據集，但它們仍然容易受到云層掩蔽誤差的影響：云層污染的像素在云層區域內外仍可能扭曲上行NTL信號（Wang等人，2021），而且標準的VIIRS云層掩膜產品在夜間通常不如白天準確（Baker，2014；Kopp等人，2014）。
將這些方法直接應用于40米分辨率的SDGSAT-1 NTL數據面臨幾個挑戰：（i）需要匹配分辨率的外部大氣校準數據和模型；（ii）SDGSAT-1 NTL的重訪頻率低于VIIRS；（iii）缺乏使用機載熱紅外波段的成熟NTL云層掩蔽方法（Ge等人，2022；Xie等人，2023）。已經提出了深度學習方法來重建光學和NTL圖像中的云層區域（Li等人，2022；Wang等人，2025；Xu等人，2022），但這些方法需要基于成對的云層和非云層圖像進行訓練，計算成本高（Ma等人，2025），并且可能無法很好地推廣到大面積區域（Ge等人，2022）。因此，系統化的、無縫的SDGSAT-1 NTL年度合成數據在廣闊區域仍然很少。目前準備SDGSAT-1 NTL數據以進行定量下游分析的最佳實踐依賴于專家驅動的原始數據查詢和選擇，以最小化大氣污染并過濾特定研究區域的殘余傳感器噪聲（例如椒鹽噪聲、條紋）（Liu等人，2024a）。這種方法勞動密集型，容易出錯，且難以復制或擴展。
由于缺乏專門的SDGSAT-1 NTL云層掩蔽模型，需要替代策略來大規模生成年度合成數據。因此，我們采用了最初為日間合成開發的功能排名技術，如基于NDVI的排名（Chen等人，2006）和概率分類器響應的排名（Pesaresi等人，2024），并將其擴展到SDGSAT-1夜間光。具體來說，我們引入了最大顯著性合成（MSC），其中每個輸出像素來自最大化結構顯著性濾波器響應的采集，隨后進行穩定性分類。從概念上講，MSC將成熟的最大值合成（MVC）范式（Holben，1986）從輻射度圖像特征擴展到結構（形態學）圖像特征：該方法不是最大化輻射度，而是最大化結構對比度，選擇與最高排名結構響應相關的樣本。在本研究中，“結構”和“輻射度”術語遵循標準的遙感用法（Lillesand等人，2015）。
本研究的主要目標是評估MSC方法在SDGSAT-1夜間光數據上的可行性和性能。MSC在給定的合成窗口內對結構圖像特征進行排名，基于這樣的工作假設：具有最強高空間頻率響應的樣本對應于在最佳觀測條件下獲取的采集數據。除了大氣污染物（如云層、霧霾和氣溶膠）外，我們還考慮了幾何和表面驅動的影響：BRDF和視角變化，包括高層建筑或樹木覆蓋區域的部分遮擋，以及雪或月光增強的光暈以及模糊NTL模式的漫反射。在此方法中，時間序列中的排名選擇傾向于在每個像素處選擇相對較少被遮擋的觀測數據，而結構顯著性濾波器則偏好更清晰、對比度更高的信號。因此，我們期望MSC能夠部分緩解這些退化因素，并優先選擇更清晰、分辨率更高的觀測數據，而無需顯式的BRDF或云/雪掩膜。
該方法旨在生成高分辨率的NTL合成數據，最小化大氣干擾、月光反射和傳感器偽影，同時最大化SDGSAT-1 NTL數據與已建立的、校準過的年度VIIRS合成數據的一致性（Elvidge等人，2021；Román等人，2018）。這種方法旨在促進新的SDGSAT-1 NTL數據與利用VIIRS NTL輸入的現有模型的集成（Bank，2021；聯合國統計司，2018）。該方法不依賴于操作性VIIRS合成工作流程中使用的空間明確的云層掩膜或每個像素的大氣校正模型。重要的是，場景級別的輔助摘要（例如MODIS云/雪比例和月相）僅在實驗期間用于場景排序和性能分析；它們不是像素級合成或穩定性決策所必需的，也不在其中應用。
在這里，我們介紹了所提出的合成方法，描述了確定的最佳解決方案，并與現有的VIIRS年度合成數據和其他土地利用/土地覆蓋數據進行了比較分析。
研究區域：意大利北部的波平原
研究區域包括波河平原（意大利北部）及其周邊山區，涵蓋120,000平方公里的面積（圖1a），還包括法國、瑞士和奧地利的部分地區。根據全球人類居住層（GHSL）居住模型（Pesaresi等人，2024），2025年該地區有超過2460萬居民。其中，870萬人（35.4%）居住在城市，550萬人（22.8%）居住在各種規模的城鎮中，470萬人（19.1%）居住在低密度的郊區或
MA選項對輸入數據密度的影響
我們將輸入數據密度（IDD）定義為每個輸出像素可用的有效輸入場景數量。由于我們的合成過程側重于結構特征，較高的IDD通常可以提高選擇質量；相反，較低的IDD會增加引入隨機輸入噪聲或缺乏高質量候選數據的風險。在我們的波平原實驗中，雙年度數據堆棧（2022-2023年）提供了可靠的支持：未使用MA過濾時的平均IDD約為15，使用MA過濾時約為13.4
解釋
所提出的合成方法生成了與VIIRS年度參考產品高度一致的年度和雙年度NTL合成數據，同時在400-2000米采樣距離上保持了比VNL v2和Black Marble更清晰的空間細節。附錄B.3中的視覺比較（威尼斯瀉湖，見圖B.3.5）展示了SDGSAT-1合成數據與VIIRS夜間光場在800米分辨率下的這種對比
結論
在這里，我們展示了一種基于結構圖像特征最大化的新型高分辨率SDGSAT-1夜間光（NTL）合成方法。結果支持了核心假設，即最高的結構特征響應對應于在最佳觀測條件下獲取的樣本，證實了結構特征可以作為時間序列NTL數據中低污染觀測的有效像素級代理。重要的是，合成數據
CRediT作者貢獻聲明
馬蒂諾·佩薩雷西（Martino Pesaresi）：撰寫 – 審稿與編輯，撰寫 – 原始草稿，可視化，驗證，監督，軟件，方法論，調查，形式分析，概念化。約翰內斯·H·烏爾（Johannes H. Uhl）：撰寫 – 審稿與編輯，可視化，驗證，軟件，數據管理，概念化。林琳·盧（Linlin Lu）：撰寫 – 審稿與編輯，方法論，調查，數據管理。帕納約蒂斯·波利蒂斯（Panagiotis Politis）：驗證，軟件，方法論，調查，數據管理。梁東（Dong Liang）：撰寫 – 審稿與
利益沖突聲明
作者聲明他們沒有已知的可能會影響本文報告工作的財務利益或個人關系。
致謝
本研究的研究成果是SDGSAT-1開放科學計劃的一部分，由可持續發展目標大數據國際研究中心（CBAS）協調。SDGSAT-1數據由CBAS提供。本研究得到了歐洲委員會聯合研究中心2025年機構工作計劃的支持，以及行政安排EC4GEO（編號：JRC 36405-2024 // DG RTD LC-03675942）的支持
