基於融合 DMSP-VIIRS 的全球標準化差異城市指數數據集：NDUI+

核心概念

本文介紹了一個名為 NDUI+ 的新型全球城市數據集，該數據集通過融合 DMSP-OLS 和 VIIRS 夜間燈光數據，利用先進的深度學習技術（特別是 Swin Transformer 模型），提供了從 1999 年至今的無縫 30 米空間解析度和年度時間解析度時間序列數據，可用於監測城市動態、城市氣候研究、IPCC 評估和城市化研究。

摘要

研究論文摘要

書目資訊

Singh, M., Ghosh, S., Kamath, H., Saxena, S., SB, V., Mitra, C., ... & Niyogi, D. (2024). NDUI+: A fused DMSP-VIIRS based global normalized difference urban index dataset.

研究目標

本研究旨在開發一個融合 DMSP-OLS 和 VIIRS 夜間燈光數據的全球標準化差異城市指數 (NDUI+) 數據集，以解決城市數據連續性和品質方面的關鍵差距。

方法

研究人員利用先進的遙感和深度學習技術（特別是 Swin Transformer 模型）整合了來自國防氣象衛星計劃的操作線掃描系統 (DMSP-OLS)、VIIRS 夜間燈光和 Landsat 7 NDVI 的數據。

主要發現

• NDUI+ 數據集解決了傳感器不連續性的挑戰，提供了從 1999 年至今的無縫 30 米空間解析度和年度時間解析度時間序列。
• NDUI+ 數據集展現出高精度和粒度，與高解析度衛星數據緊密一致，並能有效捕捉城市動態。

主要結論

NDUI+ 數據集為城市氣候研究、IPCC 評估和城市化研究提供了寶貴的見解，補充了 UT-GLOBUS 等用於城市建模的資源。

意義

該研究通過創建一個長期、高解析度的城市數據集，顯著提升了對城市動態的理解，該數據集能夠識別城市地區的精細特徵，並彌合了衛星數據的代際差距。

局限性和未來研究方向

• 該數據集目前沒有擴展到 1999 年以前的時期，在歷史城市分析方面存在空白。
• NDUI+ 尚未將城市地區分類為道路、公園或工業區等特定類別。
• 未來研究可以集中在開發區分城市地區不同土地利用類型的分類方案。

統計資料

城市化正在迅速發展，覆蓋了地球表面不到 2% 的面積，但卻深刻地影響著全球環境，並且正在經歷著極端天氣事件帶來的巨大影響。
超過一半的全球人口居住在城市。
城市地區佔能源使用造成的二氧化碳排放量的 70% 以上。

引述

"Urbanization is advancing rapidly, covering less than 2% of Earth’s surface yet profoundly influencing global environments and experiencing disproportionate impacts from extreme weather events."
"Despite occupying less than 2% of the Earth’s surface, urban areas account for over 70% of carbon dioxide emissions from energy use."
"This study presents NDUI+, a novel global urban dataset addressing critical gaps in urban data continuity and quality."

從以下內容提煉的關鍵洞見

NDUI+: A fused DMSP-VIIRS based global normalized difference urban index dataset

by Manmeet Sing... 於 arxiv.org 11-20-2024

https://arxiv.org/pdf/2306.02794.pdf

深入探究

NDUI+ 數據集如何應用於發展中國家快速發展的城市環境，以及如何解決數據稀缺和品質問題？

NDUI+ 數據集在發展中國家快速發展的城市環境中具有巨大潛力，即使在數據稀缺和品質問題的情況下也是如此。以下是一些應用和解決方案：
應用：

城市擴張監測： NDUI+ 可以追踪城市邊界的變化，幫助規劃者了解城市增長模式並制定相應的土地利用政策。這在發展中國家尤為重要，因為這些國家的城市化速度通常更快，規劃也更具挑戰性。
基礎設施規劃： 通過識別基礎設施缺乏或不足的地區，NDUI+ 可以為道路、電力、供水和衛生設施的投資提供信息。
貧民窟繪製和監測： NDUI+ 可以幫助識別和監測貧民窟的增長，這些地區通常缺乏可靠的數據。這對於制定改善生活條件和提供基本服務的戰略至關重要。
災害風險管理： 通過提供人口密度和基礎設施位置的信息，NDUI+ 可以幫助評估自然災害的風險並規劃疏散和救援工作。
解決數據稀缺和品質問題：

與其他數據源融合： NDUI+ 可以與其他遙感數據（如高分辨率衛星圖像、人口密度地圖和 OpenStreetMap 數據）相結合，以提高其準確性和可靠性。
區域校準： 使用本地數據對 NDUI+ 模型進行校準可以提高其在特定地區的準確性。這可以通過收集地面實況數據或使用其他高分辨率數據源來實現。
時空插值： 可以使用時空插值技術來填補數據空白或糾正時間序列數據中的錯誤。
數據驗證： 收集地面實況數據對於驗證 NDUI+ 數據集的準確性至關重要。這可以通過實地調查、眾包或使用高分辨率圖像進行。
通過採用這些方法，NDUI+ 數據集可以成為發展中國家城市規劃和管理的寶貴工具，即使在數據稀缺和品質問題的情況下也是如此。

如果未來出現更先進的夜間燈光數據，NDUI+ 方法是否具有足夠的靈活性來適應和整合這些新數據源？

是的，NDUI+ 方法具有足夠的靈活性，可以適應和整合未來更先進的夜間燈光數據源。這是因為：

模組化設計： NDUI+ 的核心是基於 Swin Transformer 的深度學習模型，該模型具有很強的適應性，可以針對新的數據源和任務進行調整。
遷移學習： 可以使用遷移學習技術，利用現有 NDUI+ 模型的知識來加速對新數據源的訓練過程。
數據融合框架： NDUI+ 框架已經包含數據融合步驟，可以輕鬆整合來自多個來源的數據，包括不同空間分辨率、光譜帶和時間覆蓋範圍的數據。
當整合新的夜間燈光數據源時，需要考慮以下因素：

傳感器特性： 新傳感器可能具有不同的空間分辨率、光譜帶和輻射特性，需要對 NDUI+ 模型進行相應的調整。
數據預處理： 可能需要新的數據預處理步驟來校正幾何失真、雲層覆蓋和傳感器噪聲。
交叉校準： 需要使用重疊時間段的數據對新數據源與現有數據源進行交叉校準，以確保時間序列的一致性。
總之，NDUI+ 方法的靈活性和模組化設計使其能夠適應和整合未來更先進的夜間燈光數據源，從而持續為城市研究提供有價值的信息。

除了城市規劃和環境監測，NDUI+ 數據集還可以用於哪些其他領域，例如公共衛生、社會公平或經濟發展？

除了城市規劃和環境監測，NDUI+ 數據集在公共衛生、社會公平以及經濟發展等領域也展現出巨大的應用潛力。以下列舉一些應用實例：
公共衛生：

傳染病傳播監測： NDUI+ 可以用於識別人口密集區，這些地區通常更容易受到傳染病的影響。通過結合流行病學數據，NDUI+ 可以幫助預測和監測疾病的傳播。
空氣污染暴露評估： 夜間燈光強度與空氣污染水平密切相關。NDUI+ 可以作為空氣污染暴露評估的指標，幫助識別高風險人群。
醫療資源分配優化： NDUI+ 可以幫助識別醫療資源缺乏的地區，從而優化醫療資源的分配，提高醫療服務的可及性。
社會公平：

城市不平等研究： NDUI+ 可以揭示城市內部的空間差異，例如貧富差距、基礎設施差距和服務差距。這些信息對於制定縮小差距的政策至關重要。
邊緣化社區識別： NDUI+ 可以幫助識別城市中的邊緣化社區，例如貧民窟和非正式住區。這對於制定有針對性的扶貧和社會包容政策至關重要。
災害風險評估和應對： NDUI+ 可以幫助評估不同社會群體在自然災害面前的脆弱性，並制定更有針對性的防災減災措施。
經濟發展：

經濟活動監測： 夜間燈光強度與經濟活動密切相關。NDUI+ 可以用於監測經濟增長、衰退和空間格局的變化。
投資機會識別： NDUI+ 可以幫助識別具有發展潛力的地區，為投資決策提供信息。
基礎設施投資評估： NDUI+ 可以用於評估基礎設施投資的影響，例如道路建設、電網擴建和通訊網絡升級。
總之，NDUI+ 數據集作為一種新型的城市遙感數據，具有廣泛的應用前景。通過與其他數據源的結合分析，NDUI+ 可以為解決城市發展面臨的挑戰提供新的視角和工具。