基于深度学习的人工夜间灯光数据重建（1986-2024）——类似 VIIRS 扩展方法
计算机视觉与模式识别
2026-02-03 v2 图像与视频处理
摘要
人工夜间灯光（NTL）遥感是衡量人类活动强度和空间分布的重要代理变量。尽管 NPP-VIIRS 传感器提供了高质量的 NTL 观测，但其时间范围仅起始于2012年，限制了延伸至更早时期的时间序列研究。当前的扩展 VIIRS-like NTL 数据产品存在两个显著局限：光强强度低估和结构细节缺失。为克服这些局限，本文提出一种新的人工夜间灯光（EVAL）数据集，覆盖1986至2024年的中国年度 NTL 数据集。该数据集采用一种新型两阶段深度学习模型生成，旨在解决上述局限。该模型首先构建初始估计值，然后利用高分辨率不透明表面数据作为引导，细化精细的结构细节。定量评估表明，EVAL显著优于现有SOTA产品，表现出更好的时序一致性以及与社会经济指标的更强相关性。
引用
@article{arxiv.2508.00590,
title = {An Extended VIIRS-like Artificial Nighttime Light Data Reconstruction (1986-2024)},
author = {Yihe Tian and Kwan Man Cheng and Zhengbo Zhang and Tao Zhang and Junning Feng and Zhehao Ren and Suju Li and Dongmei Yan and Bing Xu},
journal= {arXiv preprint arXiv:2508.00590},
year = {2026}
}