编辑推荐：
高分辨率SDGSAT-1夜间灯光数据通过结构特征排序和稳定性分类实现自动复合，有效抑制云雾干扰和传感器噪声，空间细节优于VIIRS年产品，几何一致性提升显著，为全球可持续发展目标监测提供新方法。
马蒂诺·佩萨雷西（Martino Pesaresi）|约翰内斯·H·乌尔（Johannes H. Uhl）|林琳·卢（Linlin Lu）|帕纳约蒂斯·波利蒂斯（Panagiotis Politis）|梁东（Dong Liang）|米凯莱·梅尔基奥里（Michele Melchiorri）|伊内斯·玛丽·里维罗（Inés Marí Rivero）|卡塔兹yna·克拉斯诺德布斯卡（Katarzyna Krasnod?bska）|郭华东（Huadong Guo）
欧洲委员会联合研究中心（JRC），意大利伊斯普拉（Ispra）
摘要
为了充分发挥高分辨率夜间光（NTL）数据的潜力，需要可靠的合成方法。我们提出了一种自动且可扩展的高分辨率NTL数据合成方法，并使用SDGSAT-1数据进行了验证。该方法在像素级别操作，通过对比时间序列中的结构图像特征，选择在最佳条件下获取的观测数据。与依赖外部云层掩膜和物理大气校正模型的工作流程不同，该方法仅使用内部图像特征和稳定性指标来减少云层、雾霾、月光反射和传感器伪影的干扰。合成结果与作为独立外部基准的VIIRS年度产品高度一致（相关性高达0.95，R2始终大于0.80），同时在常见的聚合尺度（例如800米）上保留了比VIIRS更清晰的信号。该方法还通过抑制与获取相关的伪影（包括场景异常和带间RGB不对齐）以及改善空间对齐，提高了SDGSAT-1的数据可用性：平均位置误差从输入数据的340米降低到合成后的19.2米。内部几何一致性也显著提高，带间RGB不对齐的平均值从47.6米减少到3.6米。该工作流程还引入了一种分类系统，结合了NTL亮度、时间稳定性和建成区存在情况。以意大利的波平原为例，稳定的NTL区域仅覆盖了约10%的面积，但却包含了约60%的总光排放；其中73.6%来自建成区，26.4%来自非建成基础设施（如照明道路）。总体而言，该方法支持将SDGSAT-1数据整合到全球监测框架中。
引言
夜间光（NTL）数据是衡量人类活动、基础设施和经济发展（包括人口分布）的常用指标（Bennett和Smith，2017；Lu等人，2019；Mellander等人，2015）。应用范围从评估电力供应和公共照明状况到描述城市公共空间（Bank，2021；Liu等人，2024a；Liu等人，2024b；Lv等人，2024），再到监测城市扩张和居住动态（Bennett和Smith，2017；Zheng等人，2023）。
由于其多功能性，NTL数据非常适合用于支持可持续发展目标（SDGs）的监测和评估，特别是联合国2030议程中关于包容性、安全、有韧性和可持续城市的目标（联合国经济和社会事务部，2015）。为了有效支持决策制定和国际框架，NTL数据必须可靠、最新，并满足三个最低要求：（i）作为公共开放数据提供；（ii）通过透明方法生成；（iii）能够在全球或至少大范围内进行无缝的多时相生成，有运营采集计划的支持。前者确保了透明度和可重复性；后者使得评估结果具有国际可比性和一致性（Pesaresi，2018；Pesaresi等人，2024）。
在这方面，可持续发展科学卫星1号（SDGSAT-1）的地球观测数据是监测人类活动的宝贵资源（Guo等人，2024）。SDGSAT-1于2021年11月发射，专为跟踪SDGs而设计，提供了比以往系统更高空间分辨率的NTL数据，这一特点受到了越来越多的关注（Li等人，2023；Liu等人，2024a；Sun和Niu，2025；Wu等人，2024；Zheng等人，2023）。特别是，用于城市化的Glimmer Imager（GIU）提供了40米地面采样距离的多光谱RGB NTL数据，这比Suomi国家极轨卫星（NPP）上的全色可见光红外成像辐射计套件（VIIRS）昼夜波段（DNB）在近地点的约750米采样距离有了显著改进（Xie等人，2024）。
有效的NTL观测受到云层覆盖、月球辐射和杂散光的严重限制（Miller和Turner，2009）。因此，时间合成是一种成熟的策略，用于缓解这些限制（Zheng等人，2022）。与每日时间序列相比，月度和年度合成数据减少了由云层、气溶胶和数据质量问题引起的异常值和间隙，对于分析长期城市动态和社会经济变化至关重要，同时数据量可控且不确定性在可接受范围内（Bennett和Smith，2017；Lu等人，2019）。
最先进的VIIRS合成产品，如NASA的Black Marble（BM）、地球观测组（EOG）的月度VIIRS DNB合成数据以及VNP46A3/A4时间合成数据，依赖于复杂的大气校正和角度归一化流程（Elvidge等人，2021；Román等人，2021；Wang等人，2022）。这些方法结合了云层掩膜、双向反射分布函数（BRDF）、表面反照率模型、月球辐射以及气溶胶和大气剖面数据，从夜间辐射中提取人工光源，校正路径辐射、表面反照率和大气条件。虽然这些模型受益于与VIIRS NTL在空间和时间上一致的外部数据集，但它们仍然容易受到云层掩蔽误差的影响：云层污染的像素在云层区域内外仍可能扭曲上行NTL信号（Wang等人，2021），而且标准的VIIRS云层掩膜产品在夜间通常不如白天准确（Baker，2014；Kopp等人，2014）。
将这些方法直接应用于40米分辨率的SDGSAT-1 NTL数据面临几个挑战：（i）需要匹配分辨率的外部大气校准数据和模型；（ii）SDGSAT-1 NTL的重访频率低于VIIRS；（iii）缺乏使用机载热红外波段的成熟NTL云层掩蔽方法（Ge等人，2022；Xie等人，2023）。已经提出了深度学习方法来重建光学和NTL图像中的云层区域（Li等人，2022；Wang等人，2025；Xu等人，2022），但这些方法需要基于成对的云层和非云层图像进行训练，计算成本高（Ma等人，2025），并且可能无法很好地推广到大面积区域（Ge等人，2022）。因此，系统化的、无缝的SDGSAT-1 NTL年度合成数据在广阔区域仍然很少。目前准备SDGSAT-1 NTL数据以进行定量下游分析的最佳实践依赖于专家驱动的原始数据查询和选择，以最小化大气污染并过滤特定研究区域的残余传感器噪声（例如椒盐噪声、条纹）（Liu等人，2024a）。这种方法劳动密集型，容易出错，且难以复制或扩展。
由于缺乏专门的SDGSAT-1 NTL云层掩蔽模型，需要替代策略来大规模生成年度合成数据。因此，我们采用了最初为日间合成开发的功能排名技术，如基于NDVI的排名（Chen等人，2006）和概率分类器响应的排名（Pesaresi等人，2024），并将其扩展到SDGSAT-1夜间光。具体来说，我们引入了最大显著性合成（MSC），其中每个输出像素来自最大化结构显著性滤波器响应的采集，随后进行稳定性分类。从概念上讲，MSC将成熟的最大值合成（MVC）范式（Holben，1986）从辐射度图像特征扩展到结构（形态学）图像特征：该方法不是最大化辐射度，而是最大化结构对比度，选择与最高排名结构响应相关的样本。在本研究中，“结构”和“辐射度”术语遵循标准的遥感用法（Lillesand等人，2015）。
本研究的主要目标是评估MSC方法在SDGSAT-1夜间光数据上的可行性和性能。MSC在给定的合成窗口内对结构图像特征进行排名，基于这样的工作假设：具有最强高空间频率响应的样本对应于在最佳观测条件下获取的采集数据。除了大气污染物（如云层、雾霾和气溶胶）外，我们还考虑了几何和表面驱动的影响：BRDF和视角变化，包括高层建筑或树木覆盖区域的部分遮挡，以及雪或月光增强的光晕以及模糊NTL模式的漫反射。在此方法中，时间序列中的排名选择倾向于在每个像素处选择相对较少被遮挡的观测数据，而结构显著性滤波器则偏好更清晰、对比度更高的信号。因此，我们期望MSC能够部分缓解这些退化因素，并优先选择更清晰、分辨率更高的观测数据，而无需显式的BRDF或云/雪掩膜。
该方法旨在生成高分辨率的NTL合成数据，最小化大气干扰、月光反射和传感器伪影，同时最大化SDGSAT-1 NTL数据与已建立的、校准过的年度VIIRS合成数据的一致性（Elvidge等人，2021；Román等人，2018）。这种方法旨在促进新的SDGSAT-1 NTL数据与利用VIIRS NTL输入的现有模型的集成（Bank，2021；联合国统计司，2018）。该方法不依赖于操作性VIIRS合成工作流程中使用的空间明确的云层掩膜或每个像素的大气校正模型。重要的是，场景级别的辅助摘要（例如MODIS云/雪比例和月相）仅在实验期间用于场景排序和性能分析；它们不是像素级合成或稳定性决策所必需的，也不在其中应用。
在这里，我们介绍了所提出的合成方法，描述了确定的最佳解决方案，并与现有的VIIRS年度合成数据和其他土地利用/土地覆盖数据进行了比较分析。
研究区域：意大利北部的波平原
研究区域包括波河平原（意大利北部）及其周边山区，涵盖120,000平方公里的面积（图1a），还包括法国、瑞士和奥地利的部分地区。根据全球人类居住层（GHSL）居住模型（Pesaresi等人，2024），2025年该地区有超过2460万居民。其中，870万人（35.4%）居住在城市，550万人（22.8%）居住在各种规模的城镇中，470万人（19.1%）居住在低密度的郊区或
MA选项对输入数据密度的影响
我们将输入数据密度（IDD）定义为每个输出像素可用的有效输入场景数量。由于我们的合成过程侧重于结构特征，较高的IDD通常可以提高选择质量；相反，较低的IDD会增加引入随机输入噪声或缺乏高质量候选数据的风险。在我们的波平原实验中，双年度数据堆栈（2022-2023年）提供了可靠的支持：未使用MA过滤时的平均IDD约为15，使用MA过滤时约为13.4
解释
所提出的合成方法生成了与VIIRS年度参考产品高度一致的年度和双年度NTL合成数据，同时在400-2000米采样距离上保持了比VNL v2和Black Marble更清晰的空间细节。附录B.3中的视觉比较（威尼斯泻湖，见图B.3.5）展示了SDGSAT-1合成数据与VIIRS夜间光场在800米分辨率下的这种对比
结论
在这里，我们展示了一种基于结构图像特征最大化的新型高分辨率SDGSAT-1夜间光（NTL）合成方法。结果支持了核心假设，即最高的结构特征响应对应于在最佳观测条件下获取的样本，证实了结构特征可以作为时间序列NTL数据中低污染观测的有效像素级代理。重要的是，合成数据
CRediT作者贡献声明
马蒂诺·佩萨雷西（Martino Pesaresi）：撰写 – 审稿与编辑，撰写 – 原始草稿，可视化，验证，监督，软件，方法论，调查，形式分析，概念化。约翰内斯·H·乌尔（Johannes H. Uhl）：撰写 – 审稿与编辑，可视化，验证，软件，数据管理，概念化。林琳·卢（Linlin Lu）：撰写 – 审稿与编辑，方法论，调查，数据管理。帕纳约蒂斯·波利蒂斯（Panagiotis Politis）：验证，软件，方法论，调查，数据管理。梁东（Dong Liang）：撰写 – 审稿与
利益冲突声明
作者声明他们没有已知的可能会影响本文报告工作的财务利益或个人关系。
致谢
本研究的研究成果是SDGSAT-1开放科学计划的一部分，由可持续发展目标大数据国际研究中心（CBAS）协调。SDGSAT-1数据由CBAS提供。本研究得到了欧洲委员会联合研究中心2025年机构工作计划的支持，以及行政安排EC4GEO（编号：JRC 36405-2024 // DG RTD LC-03675942）的支持
