India District-Wise Nighttime Lights Database (VIIRS, 2012-2024)

一个即用型、开源Python管道，下载并构建印度地区级夜间灯光面板数据集，使用VIIRS卫星图像（2012-2024）。一键获取包含641个地区x13年的夜间灯光辐射统计数据的干净CSV文件，无需手动下载或GIS专业知识。

A ready-to-use, open-source Python pipeline that downloads and constructs a regional-level nighttime light panel dataset for India using VIIRS satellite imagery (2012–2024). It provides one-click access to clean CSV files containing nighttime light radiation statistics across 641 regions and 13 years, without requiring manual downloads or specialized GIS expertise.

原始信息汇总

印度地区级夜间灯光数据库（VIIRS，2012-2024）概述

数据集简介

这是一个开源的、即用型Python流水线，用于下载并构建印度地区级夜间灯光面板数据集。该数据集使用VIIRS卫星影像（2012-2024年），通过单一命令即可生成包含641个地区×13年夜间灯光辐射度统计数据的干净CSV文件。

数据内容与输出

主要输出文件：CSV面板数据

• 文件路径：output/csv/nightlights_district_panel.csv
• 数据规模：8,333行（641个地区 × 13年）
• 包含列：
  • district_id：2011年人口普查地区代码
  • district_name：地区名称
  • state_name：邦/联邦属地名称
  • year：年份（2012-2024）
  • mean：平均夜间灯光辐射度（nW/cm²/sr）
  • median：中位数夜间灯光辐射度
  • sum：总夜间灯光辐射度（作为总经济活动的代理指标）
  • std：辐射度标准差
  • min / max：地区内像素辐射度的最小值和最大值
  • valid_pixel_count：覆盖该地区的有效卫星像素数量
  • log1p_mean：log(1 + mean)，用于计量经济学的对数转换均值
  • log1p_median：log(1 + median)，用于计量经济学的对数转换中位数

辅助输出文件：GeoJSON

• 文件路径：output/geojson/nightlights_districts_<YEAR>.geojson
• 描述：每年一个文件，包含地区多边形及所有夜间灯光指标，适用于QGIS、kepler.gl等GIS工具进行制图。

数据来源

1. 夜间灯光数据：来自Google Earth Engine的NOAA VIIRS DNB月度夜间灯光合成数据（avg_rad波段），覆盖全球，时间范围为2012年至今。
2. 地区边界数据：来自DataMeet Maps的印度2011年人口普查地区边界形状文件，覆盖35个邦/联邦属地的641个地区。

应用领域

卫星观测的夜间灯光是发展经济学、城市研究和政策研究中最广泛使用的经济活动的代理指标之一，尤其适用于：

• 官方统计数据缺失或不可靠时的次国家GDP估算
• 追踪电气化和基础设施发展随时间的变化
• 测量地区层面的城市化和城市扩张
• 灾害影响评估（比较灾前/灾后夜间灯光水平）
• 不平等研究（经济活动的空间分布）

使用建议

• 使用log1p_mean或log1p_median列处理右偏分布。
• 优先使用median辐射度（对天然气燃烧等异常值不敏感）和sum（总光输出）。
• 将valid_pixel_count作为数据质量诊断指标。
• 对于面板回归，district_id（2011年人口普查代码）是跨年份的稳定标识符。

技术配置与要求

• 核心配置：通过编辑configs/config.yaml文件可自定义参数，包括起始/结束年份、分辨率（米）、计算的空间统计指标等。
• 系统要求：
  • Python 3.10+
  • 免费的Google Earth Engine账户
  • 已启用Earth Engine API的Google Cloud项目
  • 约2 GB磁盘空间用于存储栅格数据和输出文件

许可信息

• 代码采用MIT许可证。
• 下载的栅格和边界文件受各自数据提供方条款约束（VIIRS数据来自NOAA/EOG，边界数据来自DataMeet/印度测绘局）。

搜集汇总

数据集介绍

构建方式

在区域经济与地理信息科学领域，构建精细化的夜间灯光数据集对于量化区域发展动态至关重要。本数据集通过集成多源地理空间数据，采用自动化处理流程构建而成。首先，基于印度2011年人口普查的行政区划，从DataMeet平台获取了涵盖35个邦与联邦属地的641个县级矢量边界数据。随后，利用Google Earth Engine平台，提取了2012年至2024年间的VIIRS卫星年度夜间灯光辐射中值合成影像。通过空间分区统计技术，计算了每个县级单元每年的灯光辐射均值、中值、总和、标准差、极值及有效像元数量等指标，最终输出为结构化的面板数据CSV文件及附带属性的年度GeoJSON文件，实现了从原始数据到研究就绪型数据产品的端到端自动化生成。

特点

该数据集以其高度的时空一致性与学术实用性而著称。其核心特征在于提供了印度县级尺度的长时间序列夜间灯光面板数据，覆盖了2012年至2024年共13个年度，确保了时间维度的连续性。数据内容不仅包含基础的辐射强度统计量，如均值与总和，还提供了经过对数转换的指标（log1p_mean, log1p_median），以适配计量经济学中对偏态分布数据的处理需求。此外，数据集严格遵循了2011年人口普查的县级编码体系，确保了空间单元标识的稳定性，便于进行面板回归等纵向研究。配套的GeoJSON文件将统计结果与地理边界融合，为空间可视化与地理信息系统分析提供了便利。

使用方法

为便于研究人员高效利用该数据集，项目提供了灵活的使用路径。对于希望直接应用标准数据产出的用户，预构建的数据集已包含在输出目录中，可直接以CSV格式导入Stata、R、Python或Excel等分析工具进行后续处理。若需自定义参数，如调整时间范围、空间分辨率或统计指标，用户可通过配置YAML文件并运行集成的命令行工具，一键触发完整的自动化处理流水线。该流水线封装了边界下载、影像获取、分区统计与数据导出等模块，用户仅需预先配置Google Earth Engine认证，即可根据研究需求生成定制化的数据产品。数据集中提供的有效像元数量等字段，可作为评估数据质量的重要参考依据。

背景与挑战

背景概述

夜间灯光数据作为衡量区域经济活动与城市化进程的重要代理指标，在经济发展与空间政策研究中具有关键价值。印度地区级夜间灯光数据库（VIIRS，2012-2024）由研究人员基于开源工具构建，旨在提供一套自动化、标准化的地区级面板数据集。该数据集整合了美国国家海洋和大气管理局（NOAA）的VIIRS卫星影像与印度2011年人口普查的地区边界数据，覆盖了印度641个地区跨越13年的夜间灯光辐射统计信息。其核心研究问题在于通过高时空分辨率的灯光数据，弥补印度次国家级经济统计的缺失，支持区域发展评估、基础设施追踪及灾害影响分析等多领域实证研究，为学术界与政策制定者提供了可靠的数据基础。

当前挑战

在夜间灯光数据应用于区域经济研究的领域中，主要挑战包括如何准确处理灯光辐射的时空异质性，以及如何将卫星像元数据与行政边界进行有效匹配以反映真实经济动态。构建该数据集的过程中，面临多重技术性挑战：其一，需整合多源异构数据，包括卫星影像的辐射校正与年度复合，以及地区边界数据的几何一致性处理；其二，大规模栅格数据的区域统计计算涉及高效的空间运算与资源管理；其三，自动化流程需依赖谷歌地球引擎等外部平台，其访问权限与计算稳定性可能影响数据生产的连续性。此外，灯光数据本身易受大气条件、季节变化及异常光源干扰，要求研究者在指标构建与结果解释中保持审慎。

常用场景

经典使用场景

在区域经济学与发展研究领域，夜间灯光数据已成为衡量经济活动空间分布的关键代理指标。该数据集通过提供印度641个行政区划从2012年至2024年的年度夜间灯光辐射统计值，为学者构建长期面板数据奠定了坚实基础。其经典应用场景在于，研究者能够利用灯光强度的时空变化，精准刻画各区域经济增长的动态轨迹，尤其适用于官方统计资料缺失或滞后的情境，从而在宏观层面揭示印度次国家级经济发展的不均衡格局与演变规律。

解决学术问题

该数据集有效应对了发展经济学与区域科学中的若干核心挑战。它通过高分辨率卫星影像与标准化的行政区划边界，解决了传统经济数据在空间细粒度和时效性上的局限。具体而言，数据集为估算地区生产总值、追踪电气化进程、评估基础设施发展以及量化城市化扩张提供了可靠的数据支撑。其意义在于，将遥感技术的客观观测能力引入社会经济分析，使得研究者能够在缺乏系统调查数据的地区，依然能够进行严谨的实证研究，从而深化对区域发展动力与空间不平等机制的理解。

衍生相关工作

该数据集的构建理念与方法，催生了一系列聚焦于空间经济分析的经典研究。例如，基于类似灯光数据的研究工作，深入探讨了灯光强度与地区GDP、能源消耗、人口密度乃至社会福利指标之间的稳健关联。在印度语境下，相关衍生工作进一步将灯光数据与选举结果、公共品提供效率或环境质量变化相结合，拓展了政治经济学与环境经济学的研究边界。这些工作共同推动了利用遥感数据进行社会经济推断的方法论创新，并巩固了夜间灯光作为多学科交叉研究中核心数据源的地位。