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

一个即用型、开源Python管道，用于下载和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)。一个命令即可获得一个干净的CSV文件，包含641个地区x 13年的夜间灯光辐射统计数据 -- 无需手动下载，无需GIS专业知识。

A ready-to-use, open-source Python pipeline for downloading and constructing regional-level nighttime light panel datasets across India using VIIRS satellite imagery spanning 2012 to 2024. With a single command, users can obtain a clean CSV file containing nighttime light radiance statistics for 641 regions across 13 years — no manual downloading is required, and no specialized GIS knowledge is needed.

原始信息汇总

数据集概述：印度区县级夜间灯光数据库（VIIRS，2012-2024）

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区县级夜间灯光面板数据集。该数据集利用VIIRS卫星影像（2012-2024年），通过单一命令即可生成包含641个区县、13年夜间灯光辐射度统计数据的干净CSV文件，无需手动下载或GIS专业知识。

数据内容与输出

主要输出文件

1. CSV面板数据 (output/csv/nightlights_district_panel.csv)

   • 数据规模：8,333行（641个区县 × 13年）。
   • 包含字段：
     • district_id：2011年人口普查区县代码
     • district_name：区县名称
     • state_name：邦/中央直辖区名称
     • 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：辐射度的标准差
     • min / max：区县内像素的最小和最大辐射度
     • valid_pixel_count：覆盖该区县的有效卫星像素数量
     • log1p_mean：log(1 + mean)，用于计量经济分析的经过对数转换的平均值
     • log1p_median：log(1 + median)，经过对数转换的中位数

2. GeoJSON文件 (output/geojson/nightlights_districts_<YEAR>.geojson)

   • 每年一个文件，包含区县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：NOAA VIIRS DNB 月度夜间灯光合成数据（avg_rad波段），覆盖全球（2012年至今）。
2. 地理边界数据：DataMeet Maps 印度2011年人口普查区县边界，覆盖35个邦/中央直辖区的641个区县。

应用领域

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

• 官方统计数据缺失或不可靠情况下的次国家级GDP估算。
• 电气化和基础设施发展的长期追踪。
• 区县层面的城市化及城市扩张测量。
• 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

• 处理右偏分布时，建议使用 log1p_mean 或 log1p_median 列。
• 推荐使用 median 辐射度（对天然气火炬等异常值不敏感），并结合 sum 分析总光输出。
• 可将 valid_pixel_count 作为数据质量诊断指标。
• 进行面板回归分析时，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

• 运行环境：Python 3.10+，Google Earth Engine账户（免费），已启用Earth Engine API的Google Cloud项目，约2GB磁盘空间。
• 配置选项：可通过编辑 configs/config.yaml 文件自定义参数，包括起始/结束年份、空间分辨率、计算的空间统计量等。

许可信息

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

搜集汇总

数据集介绍

构建方式

在区域经济与城市发展研究中，卫星夜光数据已成为衡量经济活动的重要代理指标。本数据集的构建依托一套全自动化的处理流程，首先从DataMeet平台获取印度2011年人口普查的行政区划矢量数据，涵盖35个邦及联邦属地下的641个县级单元。随后通过Google Earth Engine平台调用NOAA VIIRS DNB月度夜光辐射合成产品，提取2012年至2024年逐年中位数辐射值栅格影像。在此基础上，系统对每个县级单元执行区域统计计算，生成包括均值、中位数、总和、标准差、最小值与最大值在内的多维度辐射指标，最终输出为结构化的面板数据CSV文件及附带地理信息的GeoJSON格式数据。

特点

该数据集以高时空分辨率呈现印度县级单元的夜光动态，其核心特征体现在覆盖范围的完整性与数据处理的精细化。数据集囊括了连续13年的年度观测记录，确保时间序列的连贯性；空间维度上严格遵循印度官方行政区划体系，保障了地理单元的一致性。在指标设计方面，不仅提供原始辐射值，还包含对数转换后的变量如log1p_mean与log1p_median，便于应对夜光数据常见的右偏分布问题。同时，每个观测单元均标注有效像素数量，为数据质量评估提供依据。这种多维度、多格式的数据组织方式，兼顾了计量经济分析与地理空间可视化的双重需求。

使用方法

研究者可通过多种途径利用本数据集开展实证分析。对于直接应用场景，预构建的数据文件位于output/csv目录下，可直接导入Stata、R、Python或Excel等工具进行面板回归、时间序列分析或横向比较研究。若需自定义参数，用户可通过修改配置文件调整时间范围、空间分辨率及统计指标，并运行集成命令行工具重新生成数据。地理信息文件支持在QGIS、kepler.gl等平台进行时空格局可视化与空间分析。在使用过程中，建议优先采用中位数辐射值以降低异常值干扰，并结合有效像素数量评估数据可靠性，对数转换变量则更适合用于线性建模场景。

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、城市研究与政策评估领域具有广泛应用。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。该数据集依托可见红外成像辐射计套件（VIIRS）卫星影像，结合印度2011年人口普查的地区边界，通过谷歌地球引擎平台获取并计算年度灯光辐射统计值。其核心研究问题聚焦于利用高分辨率夜间灯光数据，量化印度各地区经济发展动态、基础设施覆盖及空间不平等趋势，为缺乏官方统计数据的次国家级经济分析提供可靠依据，对发展经济学与区域科学领域的实证研究产生了显著影响。

当前挑战

该数据集致力于解决利用夜间灯光数据估计次国家级经济活动所面临的挑战，包括灯光辐射与真实经济产出的非线性关联、卫星传感器对不同光源的敏感度差异，以及城市化进程中灯光饱和与溢出效应的干扰。在构建过程中，研究团队需应对多源数据整合的复杂性，如卫星影像年度复合数据的时空一致性校正、地区边界变更与历史数据对齐，以及大规模栅格数据处理的计算效率问题。此外，自动化流程依赖谷歌地球引擎等外部平台，其数据访问政策与计算资源限制亦可能影响数据集的可持续更新与扩展性。

常用场景

经典使用场景

在区域经济学与发展研究领域，夜间灯光数据作为经济活动的有效代理变量，为缺乏高频官方统计数据的地区提供了关键洞察。该数据集通过整合2012至2024年印度641个行政区的VIIRS卫星灯光辐射值，构建了连续的面板数据，使得研究者能够以高时空分辨率追踪区域经济动态。经典应用场景包括分析印度各邦及县域的经济发展轨迹，探究基础设施投资、政策干预与夜间灯光强度变化之间的关联，为评估区域发展不均衡提供了量化基础。

实际应用

在实际应用层面，该数据集为政府机构、国际组织与智库提供了决策支持工具。例如，在公共政策评估中，可借助灯光变化监测农村电气化项目的实施效果，或评估自然灾害（如洪水、疫情）对区域经济造成的冲击。城市规划者则利用灯光空间分布识别城市扩张模式与基础设施需求。同时，数据集的开放性与易用性降低了地理信息系统的技术门槛，使得非专业用户也能快速获取并应用灯光数据进行区域分析与可视化。

衍生相关工作

围绕该数据集衍生的经典研究广泛涵盖经济发展、环境政策与社会科学交叉领域。例如，诸多学者利用类似灯光数据探究印度经济增长的空间收敛性，或验证灯光强度与官方经济指标的相关性。在应用研究中，灯光数据常被用于评估“印度制造”等产业政策对区域工业化的影响，或分析联邦转移支付与地方发展的关系。此外，结合人口普查、卫星遥感等多源数据，该数据集进一步支撑了关于能源消费、碳排放与城市可持续性的前沿研究。