将 DMSP/OLS 夜间灯光时间序列扩展到 2013 年以后

时间：2023-12-10 02:37:02 7dn光电传感器

1.综述

国防气象卫星计划业务线扫描系统 (DMSP-OLS) 美国国家海洋和大气管理局收集的传感器数据 (NOAA) 地球观测组 (EOG) 存档和处理，自制 1994 全球夜间图像地图自200。多年来，EOG 通过消除火灾和渔船中的瞬态光，开发了自动算法 OLS 稳定光复合材料由波段数据制成。由于其高亮度和短持续时间，短光被移除。但是，原来的收DMSP数据中的六颗卫星逐渐从昼夜轨道转移到黎明/黄昏轨道，即更早的穿越时间。2014年初，F18卫星不再收集可用的夜间数据，重点已转移到可见红外成像辐射计套件的处理 (VIIRS) 日/夜波段 (DNB) 全球夜间数据图像。尽管如此，人们很快发现 F15 和 F16 卫星从 2012 黎明前的夜间数据从年开始收集。因此，从 2013 从几年前建立的算法扩展到处理 OLS 数据。此外，2013-DMSP 卫星 F18 和 F15 晚上和黎明前三个立交时间的夜间数据和午夜后的存在 VIIRS 的夜间数据的存在，使得对三个不同立交时间的图像进行相互校准成为可能并研究夜间灯光的昼夜模式。人们很快就发现了 F15 和 F16 卫星从 2012 黎明前的夜间数据开始收集。因此，从 2013 年开始，前几年建立的算法被扩展到处理 OLS 数据。此外，2013-DMSP 卫星 F18 和 F15 晚上和黎明前三个立交时间的夜间数据和午夜后的存在 VIIRS 夜间数据的存在使得校准三个不同立交时间的图像成为夜间照明的昼夜模式。人们很快就发现了 F15 和 F16 卫星从 2012 黎明前的夜间数据开始收集。因此，从 2013 从几年前建立的算法扩展到处理 OLS 数据。此外，2013-DMSP 卫星 F18 和 F15 晚上和黎明前三个立交时间的夜间数据和午夜后的存在 VIIRS 夜间数据的存在使得校准三个不同立交时间的图像成为夜间照明的昼夜模式。

2.材料和方法

2.1材料

自 1970 自20世纪中期以来，美国空军和国防部 (DoD) 极地轨道国防气象卫星计划的操作线扫描系统一直在使用 (DMSP-OLS) 传感器。自 1992 年以来，DMSP 数据已在 NOAA 国家环境信息中心 (NCEI) 存档。夜间照明处理原因 NOAA/NCEI 地球观测组 1994 成立年后，转移到科罗拉多矿业学院佩恩公共政策研究所 2020 年。

OLS 全球数据可用，空间分辨率为 2.7 公里由两个光谱带组成，可见带 (0.4–1.1 μm) 和热带 (10.5–12.6 μm)。

遥感 13 05004 g002

OLS 用于检测月光云，光电倍增管 (PMT) 用于增强可见波段信号。但由于这种强化，城市的灯光、火灾、渔船、煤气灯等也会被检测到。有些灯光来源短，如火灾和渔船，而城市灯光则更持久。一年一度的稳定灯复合材料通过检查进入复合产品的可见光带的分布，将瞬态源与更持久的源隔离开来。虽然 OLS 收集微光成像数据的能力是独一无二的，但也存在空间分辨率粗糙、6等缺陷定量和有限的动态范围导致城市中心饱和。以下部分。

2.2创建 OLS 稳定灯组合步骤

2.21预处理

它包含几个预处理步骤，以确保稳定灯产品中只包含高质量的无云夜间数据。这是通过为 OLS 轨道创建伴旗图像。用于将标志图像 OLS 将像素放入类别中。标志图像是 16 它们是按位处理的。因此，通过打开每个特定位， OLS 像素可以同时属于多个类。Stable Lights 处理中使用的标志类别是 DAYTIME、NIGHTTIME MARGINAL、ZERO LUNAR ILLUMINANCE、CLOUDS PRESENT 和 NO DATA。

太阳高度角有助于确定 DAYTIME 和 NIGHTTIME MARGINAL 标志。DAYTIME太阳高度角大于-6，NIGHTTIME MARGINAL太阳高度角设置在-15和-6之间。NIGHTTIME MARGINAL 标志位涵盖了从夜间到白天的过渡区。与较暗的夜间数据相比，终止区的数据质量有所下降。

图:亚洲上空轨道 F15201801162050 的夜间部分 (a) OLS 可见波段 (0.4–1.1 μm)；(b) 伴随旗带，DAYTTIME 显示为红色，NIGHTTIME MARGINAL 绿色。

从美国海军天文台设置的零月球照度标志是月球照度值 [25]计算出获得的算法。该算法根据月相、方位角和仰角估计地球表面的月球照度，月相、方位角和仰角根据每个月相 OLS 计算每条扫描线的纬度和经度以及最低点像素的时间。当返回的月球照度小于 0.0005 lux 设置零月球照度标志。有时，OLS 夜间子轨道上可能没有实际数据，但作为占位符存在扫描线。为这些区域设置 NO DATA 标志。

与以往的方式相比，轨道处理的步骤包括最重要的变化之一。具有零月球照明标志位的子轨道进入稳定灯产品。然而，这些亚轨道可能会发生极光、太阳眩光和突然的增益变化。通过 F15 在 OLS 轨道上看到的突然增益变化是由阈值引起的，阈值逐渐改变 OLS 变化的最大增益。当轨道从夜间转向白天时，OLS 移动最大增益防止饱和。尽管每周调整增益阈值，但它们并没有被记录为数据流的一部分。过去，分析师必须通过每个子轨道筛选增益突变(通过 F15 卫星)和极光和太阳眩光的存在应包括在选择中 Stable Lights 扫描线的开始和结束。一名分析师花了几个小时来完成所有子轨道一个月。然而，在处理扩展系列时，神经网络 (NN) 用于分割轨道，找到极限，去除极光和太阳眩光 DMSP 轨道部分。

分割类型为边界框。NN 边界框中检测到的轨道的近极部分被认为包含极光和眩光，因此不会用于进一步的夜间照明合成。用于构建神经网络 Facebook Research 的 Detectron2 人工智能 (AI) 图像分析提供了最先进的检测和分割算法。特别是，基于所有权 CNN 特征的区域 (R-CNN) 算法的 Detectron COCO Instance Segmentation Baselines with Mask 设置以下网络权重、学习率和最大迭代次数(等式(1) )：

MODEL.WEIGHTS = model_zoo.get_checkpoint_url (“COCO-Instance Segmenttion/mask_rcnn_R_50_FPN_3x.yaml”)
SOLVER.BASE_LR = 0.00025
SOLVER.MAX_ITER = 10,000

神经网络接受了在 F15 2018 中观察到的 3650 个夜间半轨道的训练，其中 3568 个图像用于训练，82 个用于验证。图像的大小在高度上略有不同，为 1465（东西）×~6750（南北）像素。每张图像最初都由专业分析师手工标记，以标记限制极光和太阳眩光最北和最南边界的两条扫描线。在分析师完成这项初始任务后，在 Google Colab 平台上进行了 4 小时的培训，使网络能够以 99% 的准确率识别极光并分割轨道。显示了 NN 算法选择的行。

图示： 亚洲上空轨道 F15201801162050 的 OLS 可见波段夜间部分。( a ) 黄线表示NN显示的起始线和结束线；( b ) 伴旗带，DAYTTIME 显示为红色；和 NIGHTTIME MARGINAL 显示为绿色；黄色区域被神经网络算法选择的线丢弃；蓝色区域显示扫描边缘数据。

筛选 OLS 云数据并从稳定灯处理中排除多云数据对于生成优质产品至关重要。云会改变夜间可见波段数据的外观。厚厚的云层会完全掩盖信号，而较薄的云层可以通过使灯光显得更暗和更分散来改变信号。对于 OLS 可见波段，没有现成的云罩产品，因此开发了一种算法，通过将 OLS 热带与模拟的表面温度进行比较来创建云罩。显着低于模型表面温度的热带数据被标记为云。用于这个 Stable Lights 扩展系列的云遮罩算法建立在 Baugh 等人详细介绍的先前工作的基础上。。

所使用的建模表面温度网格是国家环境预测中心 (NCEP) 全球预报系统 (GFS) 模型运行的一部分。在操作上，NCEP-GFS 模型每 6 小时生成一次全球地表温度网格，每隔 3 小时进行一次预测，跨越未来多天。全局网格当前以 1、0.5 和 0.25 度的空间分辨率生成。0.5 度空间分辨率模型运行用于此稳定灯扩展系列。

云掩码算法首先识别所有 NCEP-GFS 表面温度文件，其模型运行（或 3 小时预报）时间与 OLS 轨道的时间相邻，或在 OLS 轨道的时间内。由于 OLS 轨道的夜间侧长度通常约为 50 分钟，因此总是有两个相邻的表面温度网格，有时可能会有一个额外的表面温度网格，其时间落在 OLS 轨道段内。对于示例轨道 F15201801162050，开始时间为 2018 年 1 月 16 日 20:50:49，结束时间为 47 分钟后的 21:38:00。周边NCEP-GFS模型运行时间为2018年1月16日18:00和2018年1月17日00:00。此外，还有第三个文件，即 2018 年 1 月 16 日 18:00 模型运行的 3 小时预报，对应于 2018 年 1 月 16 日 21:00，它位于我们示例轨道的时间范围的中间。

图示. NCEP GFS 0.5 度表面温度网格，用于创建轨道 F15201801162050 的云掩模。所有时间都是UTC。（一）2018年1月16日18:00模型网格；( b ) 2018 年 1 月 16 日 21:00（18:00 模型运行的 3 h 预测网格）；( c ) 2018 年 1 月 17 日 00:00 模型网格。

确定适当的表面温度文件后，将全局 0.5 度网格在空间上映射到 OLS 条带中。这是使用每个 OLS 像素的中心纬度和经度完成的，并使用双线性重采样技术将 0.5 度表面温度网格重采样到 OLS 条带中。这会产生在空间上与 OLS 热带相匹配的表面温度。示例轨道 F15201801162050 的所得三个表面温度图像显示在的左侧。

图示. 左 3 个面板显示了图 5 中的 NCEP GFS 0.5 度表面温度网格，它们在空间上映射到 OLS 轨道 F15201801162050。右侧的面板显示了表面温度网格之间的线性插值结果，以匹配 OLS 轨道 F15201801162050 的扫描线时间。OLS 扫描线时间显示在垂直时间轴上。

一旦将全球表面温度网格重新映射到 OLS 条带上，最后一步是进行时间插值以更接近 OLS 轨道时的表面温度。对于每个 OLS 扫描线，这是通过获取时间相邻的表面温度网格并使用线性插值来获得扫描线时间的新表面温度估计值来完成的。得到的表面温度图像经过时间插值以匹配 OLS 扫描线时间，显示在的右侧。

云掩蔽过程的最后一步是创建从 OLS 热带中减去的时间插值表面温度网格的差异图像。-10 的云阈值是凭经验确定的。小于云阈值的差值被认为是云，并通过将 CLOUDS PRESENT 位设置为 1 将其添加到伴星标志中。中显示了我们示例轨道 F15201801162050 的过程和结果云掩模的图形表示。

图. ( a ) F15201801162050 轨道的 OLS 热带；( b ) 表面温度网格（空间和时间插值以匹配 OLS 轨道）；( c ) 温差图像。( d ) OLS 热带，生成的云罩覆盖为蓝色。

2.22重投影

OLS 可见光带和热带以及它们的伴随旗带被重新投影到 30 弧秒网格中。在重投影完成之前，子轨道被限制在纬度 65S 和 75N。制定的进一步限制是排除 OLS 条带的外边缘，如图4b中的蓝色所示，这些是扫描角度大于 40.91 度的区域。边缘被丢弃是因为在条带边缘，OLS 可见带显示背景噪声升级，降低了地理定位精度。

重投影软件旨在对 OLS 数据进行地理定位和重投影。地理定位算法根据扫描角度、最低点纬度和经度、卫星高度、高度和方位角以及地球表面的数字高程模型为每个 OLS 像素分配纬度和经度。然后，重投影软件使用最近邻采样技术，将输入 OLS 数据和伴随标志带重新采样到输出 30 弧秒网格中。输出网格的示例所示。

图 . 数据重新投影到 30 弧秒网格，仅中间带。( a ) OLS 可见带；( b ) OLS 热带。( c ) 伴随旗带，蓝色显示的云和绿色显示的 NIGHTTIME MARGINAL

2.23. 制作复合材料

为了创建最佳质量的可见波段数据组合，仅当标志位设置为：

Stable Lights 合成过程接受所有可见的输入和伴随的标志网格，并创建一套输出文件。创建的输出文件包括平均可见波段图像、使用的无云观测次数图像以及每个网格单元的输入可见波段数据的直方图。直方图有助于下一节中讨论的异常值去除过程。

图 . F152018 的 OLS 复合产品，显示 ( a ) 无云观测的数量；( b ) 平均可见波段观测值；( c ) 澳大利亚城市的可见波段直方图示例。

2.24离群值去除

平均可见光带复合材料不区分来自火灾、渔船和更永久光源的瞬态光。因此，为了创建没有瞬态光源的稳定灯产品，需要检查复合直方图是否存在明亮的异常值。

异常值去除算法是对复合直方图执行的迭代过程，指示每个网格单元的输入可见波段数据的分布。该算法通过迭代计算观测值的标准偏差来工作。移除最大的可见波段观测值，并计算剩余观测值的标准偏差。然后，将新的标准偏差与前一次迭代的标准偏差进行比较。这个迭代过程一直持续到标准偏差收敛，这被定义为小于 0.2 的差异。如果删除了 50% 以上的观测值，则说明没有收敛。通常，带有火灾的网格单元的直方图具有一些高 DN 观测值，但大多数低可见带 DN 分布在整个 DN 范围 0-63 中。另一方面 )。

图 . ( a ) 包含火灾的网格单元的可见波段直方图示例；( b ) 一个包含小镇的网格单元。异常值去除过程去除了两个直方图示例中用垂直黄线显示的最高观测值。

这一步的输出是一个新的去除异常值的平均可见波段合成，它是通过使用标准偏差收敛后剩余的观测值创建的，或者在没有收敛时考虑所有观测值。

图 . F152018 的 OLS 复合产品，显示澳大利亚。( a ) 平均可见光带；( b ) 去除离群值的平均可见波段。请注意，去除异常值的复合产品中的火已被去除。F152018 的 OLS 复合产品，展示了中国和韩国的沿海水域。( c ) 平均可见光带；（d）去除异常值的平均可见带。请注意，在去除异常值的复合产品中，渔船活动已在很大程度上被去除。

2.25背景去除

创建稳定光产品的最后一步是隔离去除异常值的复合材料中的区域，这些区域具有来自没有光的背景区域的光。在去除异常值的平均复合材料中，背景值从区域到区域显着变化。因此，需要计算局部背景阈值。为了收集背景值的样本，分析师在去除异常值的复合材料中的区域上放置了标记，这些区域在视觉上看起来是无光的。然后以 25 × 25 像素的内核大小的步骤处理去除异常值的复合材料。对于每个内核，检查覆盖该内核的 256 个 400 × 400 像素图块中的每一个。内核中值大于图块中最大无光值的区域被计为“大于背景”。至少有 40% 的时间被记录为“大于背景”的区域用于创建稳定光蒙版。然后将稳定光蒙版应用于平均可见波段复合材料以创建最终的稳定光复合产品。

图 F152018 的 OLS Composite 产品，经过裁剪以显示越南河内周围的区域。( a ) 去除异常值的平均可见波段，显示分析师选择的红色、绿色和黄色无光区域；( b ) 稳定灯罩；( c ) Stable Lights，这是应用了 Stable Lights 蒙版的平均可见波段。请注意，在世界的这个地区，超过 50% 的时间都有来自渔船的灯光，因此它们成为稳定灯产品的一部分。

2.26地理定位

来自卫星 F18 的 DMSP-OLS 夜间灯光合成物似乎向地面位置的西南方向移动。在之前的 DMSP 卫星年中，LandScan 人口网格 [ 27 ] 用于地面实况，因为它与 DMSP 全球复合材料有很好的相关性并且具有全球范围。开发了互相关技术以在 Stable Lights 产品和 LandScan 人口网格之间创建最佳拟合转换，然后将线性转换应用于 Stable Lights 产品。

对于扩展系列的地理对齐，使用了 2016 年重新采样的 VIIRS DNB 复合数据，而不是 LandScan 人口网格。VIIRS 日/夜波段 (DNB) 的地理定位算法对其表面足迹 [ 28 ] 的控制要精确得多，因此它被用来将 DMSP 扩展系列与 2016 年重新采样的 VIIRS DNB 网格对齐，使用相同的交叉-相关性和最适合的翻译技术。VIIRS DNB 网格从 15 角秒到 30 角秒的重新采样是必要的，以便 DMSP 和 VIIRS 网格都具有相同的 30 角秒分辨率。

图 . F152018 稳定灯显示了 2016 年在美国佛罗里达群岛重新采样的 VIIRS DNB 网格。OLS Stable Lights 图像显示为红色，重新采样的 VIIRS DNB 网格显示为青色。两个图像之间的重叠区域以白色显示。( a ) 显示佛罗里达大部分地区的图像；( b ) 佛罗里达群岛的详细信息，在地理对齐之前；( c ) 在地理对齐后佛罗里达群岛的细节。这个卫星年的偏移是 x = 4, y = 1。

2.3 相互校准 2013 年夜间图像以研究昼夜模式

2013 年，EOG 生成了三个具有不同立交桥时间的全球夜间灯光数据集。第一个是傍晚的 F182013 DMSP 夜间图像，卫星通过时间在晚上 7:30 左右第二个是重新采样的 VIIRS 2013（VNL V2 2013 从 15 弧秒重新采样到 30 弧秒，物理单位为 nW cm -2 sr -1 ) 基于在 VNL V2 2016 和 DMSP F152016 上训练的神经网络分析降级为 DMSP 数字数 (DVNL)。2013年第三种全球夜间灯是F152013，立交桥时间在黎明前，大约在凌晨4:30

这三幅 2013 年不同天桥时间的全球夜间图像的存在为我们提供了检查电灯昼夜模式的机会。但是，要从昼夜分析中消除传感器影响，必须使用一种产品作为参考，并将其他两种产品与参考图像相匹配。如前所述，DMSP 可见波段没有任何飞行中校准。相反，VIIRS Day/Night Band (DNB) 具有飞行校准，每月更新一次。因此，为了探索电灯的昼夜模式，将去除异常值的 DMSP F152013 和 F182013 与 2013 年降级的 VNL V2 (DVNL) 匹配，用作参考网格。

为了开发相互校准，有必要从一组没有昼夜模式的特征中收集亮度数据。通过对几个特征的彻底检查，波斯湾的耀斑被确定为最佳候选者。波斯湾的耀斑位于海上，与电光源隔离。耀斑形成大型圆形离岸特征，带有由大气散射光产生的光晕。光晕的外边缘对应于传感器的检测极限，并且对于所有三个数据集都非常相似。DMSP 产品在中心有色块，这些色块已饱和。波斯湾耀斑之一的横断面表明，即使没有相互校准，DN 水平也非常匹配。

图 ( a ) 波斯湾耀斑的 RGB 图像，R = 去除异常值的 F182013，G = DVNL，B = 去除异常值的 F152013。显示穿过其中一个耀斑绘制的横断面；（b）图（a）所示横断面的DN值的剖面。

相互校准是通过二阶多项式拟合开发的，在 X 轴上采用 DNVL 2013，在 Y 轴上采用去除异常值的 DMSP F152013，然后在另一个方程中采用 X 轴上的 DVNL 和 Y 轴上去除异常值的 DMSP F182013 . 基于当 DVNL 为零时调整后的 F182013 和 F152013 将为零的假设，等式 (2)），截距取为零。导出的系数分别应用于 DMSP F152013 和 F182013 图像，以获得相互校准的图像：

DNadjusted = C 1 × DN + C 2 × DN 2 （2）

图 .相互校准 ( a ) DVNL 2013 与去除 DMSP 异常值的 F152013；( b ) DVNL 2013 针对 DMSP 离群值移除 F182013。