发布日期：2023-03-28
最新发表：基于DMSP-OLS数据的高质量夜间灯光数据集CCNL（1992-2013）
最新发表：基于DMSP-OLS数据的高质量夜间灯光数据集CCNL（1992-2013）
发布日期：2022-07-20 21:27
浏览次数：548
夜间灯光遥感可以探测到夜间微弱的人造灯光，获得与日间遥感完全不同的地表信息。目前，夜光遥感已经被广泛用于城市化进程、人口、经济发展、电力消耗等研究领域。夜间灯光数据的来源和种类虽然多样化，但目前全球长时序夜间灯光数据主要来自DMSP-OLS数据（1992-2013）和NPP-VIIRS（2012-至今）。其中，DMSP-OLS数据质量较差，严重阻碍了夜间灯光长时间序列分析研究。因此，一套高质量的夜间灯光数据对于长时间跨度的人类活动变化研究具有重要意义。
稳定灯光数据集（Stable Lights Dataset）属于第四版DMSP-OLS夜间灯光时间序列数据集（Version 4 DMSP-OLS Nighttime Lights Time Series），是夜光遥感研究中最为常见和应用最广泛的夜间灯光数据集。然而，该数据集存在着年际不一致（图1）、饱和效应和溢出效应（图2）等问题，阻碍了DMSP-OLS数据在城市、社会经济参数估算等领域的应用。
图1 DMSP-OLS数据的年际不一致问题
图2 DMSP-OLS数据的饱和效应和溢出效应
论文提出了一个综合性处理流程，针对DMSP-OLS数据的年际不一致性、饱和效应和溢出效应问题，依次采取幂函数模型、SARMRC模型和SEAM模型对数据进行处理（流程如图3所示）。该流程首先采用基于伪不变区域的幂函数模型改正时间序列中的年际不一致问题，接着利用未饱和的DMSP-OLS辐射校正数据、对数函数模型和双年调整处理解决饱和效应现象，最后采用能自动适应不同区域溢出效应且无需辅助数据的SEAM模型校正溢出效应，生成1992年~2013年高质量的DMSP-OL夜间灯光时间序列数据集CCNL。此外，本文从三个方面评估了CCNL数据集的质量。首先，通过数据横断面对比来评价CCNL数据集在区域尺度的空间信息。其次，在空间和时间尺度上评估了CCNL数据集提取城市范围的有效性。最后，利用GDP、人口和电力消耗等社会经济数据，在国家尺度上验证了CCNL数据在时空分析中的表现。数据横截面验证中，选取了世界范围的九个城市，对比了稳定灯光数据、EANTLI数据、CCNL数据和NPP-VIIRS数据的数据横截面（图4）。将NPP-VIIRS数据作为参考数据，稳定灯光数据集的相关系数R最低（0.49），CCNL和EANTLI的相关系数R的平均值分别为0.74和0.70，说明CCNL数据有效地消除了DMSP-OLS数据中的溢出效应和饱和效应。在城市范围识别方面，以UrbanLand数据集作为参考数据，CCNL数据集基于简单阈值法提取城市范围的总体精度OA在首尔地区达到88%，在巴黎和芝加哥达到93%以上。此外，CCNL数据集还能够反映北京市1992年~2013年间的快速扩张过程（图5），可用于城市化的相关研究。社会经济参数估算方面，以GDP、电力消耗、城镇人口和总人口为例，CCNL数据集的相关系数R比稳定灯光数据的相关系数R更高，证明了年际校正处理的有效性。
综上所述，综合性处理后的CCNL数据集的质量得到提升，克服了稳定灯光数据中的主要问题，适用于全球、区域、国家和局部多个尺度的时空分析，有利于充分挖掘夜间灯光遥感产品的应用潜力。
图3 CCNL数据生产和质量评估流程图
图4 不同夜间灯光数据的对比
图5 基于CCNL提取的北京城市范围变化过程
该论文已在最新一期《Scientific Data》上发表
文章引用：
Zhao, C., Cao, X., Chen, X. et al. A consistent and corrected nighttime light dataset (CCNL 1992–2013) from DMSP-OLS data. Sci Data 9, 424 (2022). https://doi.org/10.1038/s41597-022-01540-x
文章链接：
https://www.nature.com/articles/s41597-022-01540-x
数据下载地址：
https://doi.org/10.5281/zenodo.6644980
CCNL（1992-2013）数据集的相关参数
数据GEE应用链接：https://ndvi-sgfilter.users.earthengine.app/view/ccnltest
数据示例：https://engine.piesat.cn/user-app/PIE8CC&CCNL_SampleData
稳定灯光数据集（Stable Lights Dataset）属于第四版DMSP-OLS夜间灯光时间序列数据集（Version 4 DMSP-OLS Nighttime Lights Time Series），是夜光遥感研究中最为常见和应用最广泛的夜间灯光数据集。然而，该数据集存在着年际不一致（图1）、饱和效应和溢出效应（图2）等问题，阻碍了DMSP-OLS数据在城市、社会经济参数估算等领域的应用。
图1 DMSP-OLS数据的年际不一致问题
图2 DMSP-OLS数据的饱和效应和溢出效应
论文提出了一个综合性处理流程，针对DMSP-OLS数据的年际不一致性、饱和效应和溢出效应问题，依次采取幂函数模型、SARMRC模型和SEAM模型对数据进行处理（流程如图3所示）。该流程首先采用基于伪不变区域的幂函数模型改正时间序列中的年际不一致问题，接着利用未饱和的DMSP-OLS辐射校正数据、对数函数模型和双年调整处理解决饱和效应现象，最后采用能自动适应不同区域溢出效应且无需辅助数据的SEAM模型校正溢出效应，生成1992年~2013年高质量的DMSP-OL夜间灯光时间序列数据集CCNL。此外，本文从三个方面评估了CCNL数据集的质量。首先，通过数据横断面对比来评价CCNL数据集在区域尺度的空间信息。其次，在空间和时间尺度上评估了CCNL数据集提取城市范围的有效性。最后，利用GDP、人口和电力消耗等社会经济数据，在国家尺度上验证了CCNL数据在时空分析中的表现。数据横截面验证中，选取了世界范围的九个城市，对比了稳定灯光数据、EANTLI数据、CCNL数据和NPP-VIIRS数据的数据横截面（图4）。将NPP-VIIRS数据作为参考数据，稳定灯光数据集的相关系数R最低（0.49），CCNL和EANTLI的相关系数R的平均值分别为0.74和0.70，说明CCNL数据有效地消除了DMSP-OLS数据中的溢出效应和饱和效应。在城市范围识别方面，以UrbanLand数据集作为参考数据，CCNL数据集基于简单阈值法提取城市范围的总体精度OA在首尔地区达到88%，在巴黎和芝加哥达到93%以上。此外，CCNL数据集还能够反映北京市1992年~2013年间的快速扩张过程（图5），可用于城市化的相关研究。社会经济参数估算方面，以GDP、电力消耗、城镇人口和总人口为例，CCNL数据集的相关系数R比稳定灯光数据的相关系数R更高，证明了年际校正处理的有效性。
综上所述，综合性处理后的CCNL数据集的质量得到提升，克服了稳定灯光数据中的主要问题，适用于全球、区域、国家和局部多个尺度的时空分析，有利于充分挖掘夜间灯光遥感产品的应用潜力。
图3 CCNL数据生产和质量评估流程图
图4 不同夜间灯光数据的对比
图5 基于CCNL提取的北京城市范围变化过程
该论文已在最新一期《Scientific Data》上发表
文章引用：
Zhao, C., Cao, X., Chen, X. et al. A consistent and corrected nighttime light dataset (CCNL 1992–2013) from DMSP-OLS data. Sci Data 9, 424 (2022). https://doi.org/10.1038/s41597-022-01540-x
文章链接：
https://www.nature.com/articles/s41597-022-01540-x
数据下载地址：
https://doi.org/10.5281/zenodo.6644980
CCNL（1992-2013）数据集的相关参数
数据GEE应用链接：https://ndvi-sgfilter.users.earthengine.app/view/ccnltest
数据示例：https://engine.piesat.cn/user-app/PIE8CC&CCNL_SampleData
分享到：