faviolc/hku-viirs-nighttime-lights-global

该存储库是全球首个长期全球月度VIIRS类夜间灯光数据集的云优化镜像。它具有统一的约500米（15弧秒）空间分辨率，并包含海洋掩膜。数据以GeoTIFF格式按时间组织，非常适合用于研究社会经济发展、城市化进程、人口估计和环境影响。This repository is a cloud-optimized mirror of the worlds first global long-term monthly VIIRS-like nighttime light (NTL) dataset. It features a unified spatial resolution of ~500 meters (15 arc-seconds) and includes ocean masking. It contains images in GeoTIFF format organized temporally, making it ideal for studies on socioeconomic development, urbanization processes, population estimation, and environmental impact.

搜集汇总

数据集介绍

构建方式

该数据集的构建依托于一个名为NightNet的深度超分辨率模型，由香港大学研究团队开发，旨在生成全球首个长期月度VIIRS类夜间灯光数据集。原始数据源于1992年至2024年间的多源遥感观测，经过模型处理后，统一至约500米（15弧秒）的空间分辨率，并进行了海洋掩膜处理。数据以GeoTIFF格式存储，总量约83.75 GB，按时间序列组织为月度产品（1992年4月至2024年12月）和年均合成产品两个主要目录，便于不同时间尺度的分析需求。其原始数据托管于HKU DataHub平台，并在HuggingFace上以云优化镜像形式提供，确保了全球范围内的便捷访问与复用。

使用方法

用户可通过HuggingFace平台直接获取该数据集的GeoTIFF格式文件，适用于图像分割与时间序列预测等机器学习任务。月度产品可直接用于分析夜间灯光强度的季节性模式或短期事件影响，年均合成数据则常用于跨年度对比或作为长时间序列模型的基础输入。数据可配合遥感处理库（如GDAL、rasterio）进行读取与预处，对于深度学习场景，建议将各时相切片作为独立的样本输入，并利用其空间分辨率特性结合地理坐标进行区域分析。使用前应注意海洋掩膜的覆盖范围，以确保陆地与近海区域的有效分析，并依据CC BY 4.0要求在成果中明确标注原始出处。

背景与挑战

背景概述

夜间灯光遥感数据作为表征人类活动强度的关键指标，广泛应用于城市化监测、经济发展评估、人口估算及环境效应分析等领域。传统夜间灯光数据集长期受限于DMSP-OLS与VIIRS传感器间的不一致性、空间分辨率粗糙等问题。为此，香港大学周宇宇团队联合国内外多家机构，于2026年发布了全球首套长时序、高分辨率、月度VIIRS-like夜间灯光数据集。该数据集基于深度学习超分辨率模型NightNet，将DMSP-OLS数据升级至500米分辨率，生成了1992年至2024年连续一致的月度与年度产品。数据集的发布填补了长时序高分辨率夜间灯光数据的空白，为全球尺度的社会经济与环境动态研究提供了前所未有的数据支撑。

当前挑战

该数据集所解决的核心领域问题在于传统夜间灯光数据在时空一致性与分辨率上的双重局限：DMSP-OLS数据空间分辨率粗（约1公里）且缺乏跨传感器校准，VIIRS数据虽分辨率更高但起始时间晚（2012年），两者无法直接衔接用于长期趋势分析。此外，构建过程中面临的技术挑战包括如何有效融合多源卫星数据、消除传感器差异及大气影响，以及如何通过深度超分辨率模型在保持月际细粒度变化的同时，生成与VIIRS观测值高度一致的产品。数据规模庞大（约83.75 GB）也对存储、处理与高效分发提出了工程性挑战。

常用场景

经典使用场景

全球夜间灯光遥感数据作为人类活动强度的代理变量，在社会科学与地球系统科学的交叉研究中扮演着不可替代的角色。该数据集提供了自1992年至2024年间、分辨率为500米的月度VIIRS模拟夜间灯光影像，填补了传统DMSP-OLS与VIIRS数据在时间连续性与空间分辨率上的鸿沟。其经典应用场景包括：通过月度灯光轨迹捕捉城市扩张的季节性节律，利用年度合成影像揭示区域经济发展的长期演化趋势，以及结合海洋掩膜数据评估沿海城市群与海上经济活动的关系。这些功能使其成为监测全球城市化速率、能源消耗模式以及夜间经济活动时空异质性研究的基础工具。

解决学术问题

长期以来，夜间灯光遥感研究受制于DMSP-OLS数据饱和效应、VIIRS数据时间跨度短以及两种传感器间不一致性等关键问题。该数据集通过深度超分辨率模型NightNet实现了历史数据向VIIRS标准的跨传感器转换，首次构建了长达32年且时空一致的月度全球夜间灯光序列。这一突破解决了多源遥感数据难以统一对比的学术困境，使得研究者能够规避传感器差异带来的系统性偏差，从而更精确地分离经济发展趋势与季节性波动。数据集对GDP估算、贫困指数空间化、电力可及性评估等领域的学术贡献尤为显著，极大提升了长时序社会经济指标反演的稳定性和可靠性。

实际应用

在实际决策与商业应用中，该数据集展现出广阔的前景。城市规划部门可利用月度灯光数据监测城市在夜间经济的活跃程度，为夜间文旅产业发展与公共交通调度提供量化依据。国际组织与非政府机构可通过年度灯光变化评估基础设施建设计划的落地效果，特别是在一带一路沿线或非洲地区，灯光亮度的时间序列能够有效反映电网扩展与城镇化进程。此外，灾害应急响应团队能够借助灯光异常快速定位停电区域的范围与持续时间，从而优化救援资源的分配。保险与金融行业也可将其纳入风险评估模型，通过灯光动态分析区域经济活动波动，为信用评级与投资决策提供辅助支持。

数据集最近研究

最新研究方向

基于深度学习超分辨率模型NightNet构建的首个全球长时间序列、500米分辨率月度VIIRS夜间灯光数据集，为社会经济活动监测、城市化进程解析、人口估算及环境效应评估提供了前所未有的时空一致性数据支撑。该数据集覆盖1992至2024年，突破了传统卫星数据在时间连续性与空间精度上的瓶颈，使得逐月波动分析、短期经济动态追踪以及长期年际趋势研究成为可能。当前，其高频次、高分辨率的特征正推动夜间灯光遥感与宏观经济指标解耦、碳排放空间化、区域发展不均量化等前沿交叉领域的研究，亦为联合国可持续发展目标（SDGs）中的城市韧性、贫困制图等热点议题提供了关键数据基础，标志着夜间灯光遥感研究从静态描述向动态模拟与预测的重要转型。