深度学习方法在NPP-VIIRS夜间光照图像超分辨率处理中的比较研究

《International Journal of Applied Earth Observation and Geoinformation》：A comparative study of deep learning methods for super-resolution of NPP-VIIRS nighttime light images

本研究旨在评估五种深度学习模型（ESPCN、RDN、SRFBN、SwinIR、RealESRGAN）在提升NPP-VIIRS夜间灯光图像空间分辨率方面的效果，并构建基于Luojia1-01高分辨率数据的训练集。通过对比分析PSNR、SSIM、FSIM等指标，发现RealESRGAN模型在PSNR（31.96 dB）、SSIM（0.83）和FSIM（0.85）等指标上均表现最优，尤其在处理高亮度建筑群和低亮度道路网络时能有效缓解过饱和和细节缺失问题。研究证实深度学习超分辨率技术可有效提升NPP-VIIRS数据的空间分辨率，为城市扩张监测、能源消耗评估等提供高精度数据支持。

　　
夜间灯光数据作为遥感领域的重要指标，在城市化研究、能源消耗监测和灾害应急等领域具有广泛应用。近年来，随着深度学习技术的发展，超分辨率重建技术逐渐成为提升低分辨率夜间灯光数据质量的关键手段。本文以NPP-VIIRS数据为低分辨率输入，以国产Lujia1-01卫星数据为高分辨率参考，系统评估了五种主流深度学习模型在夜间灯光超分辨率重建中的性能差异，为后续数据应用提供技术支撑。

### 一、研究背景与意义
夜间灯光遥感数据具有全球覆盖、时间序列连续性强等特点，但受限于传感器硬件，NPP-VIIRS数据的空间分辨率仅为500米，难以满足精细城市分析和实时监测需求。以北京、上海等特大城市为例，500米分辨率无法有效区分建筑群内部灯光结构，影响道路网络提取和人口分布建模精度。同时，现有超分辨率模型多针对自然图像设计，未充分考虑夜间灯光数据的特殊性，如高亮度区域饱和现象、低亮度区域噪声干扰等，导致模型在复杂场景中表现不稳定。

### 二、技术路线与创新点
研究构建了包含2040组训练样本的配对数据集，通过月份匹配确保时空一致性。数据处理采用双阈值校正法：首先以0.3 nW/cm2/sr为下限滤除背景噪声，再以北京地区月均最大亮度239.71 nW/cm2/sr为上限进行过曝校正，有效解决了NPP-VIIRS数据中常见的亮度失真问题。模型训练采用Adam优化器，批次大小16，学习率1e-4，经过200个周期训练后，各模型在PSNR（峰值信噪比）、SSIM（结构相似性）和FSIM（相位一致性相似性）指标上达到稳定状态。

### 三、模型性能对比分析
#### 1. 高亮度城市核心区表现
在包含密集建筑群的城市区域（如北京核心区），RealESRGAN模型展现出显著优势。其PSNR达到31.96 dB，SSIM为0.83，FSIM为0.85，较次优的RDN模型提升约5 dB。通过对比发现，RealESRGAN能有效缓解高亮度区域的饱和现象，在保留建筑轮廓的同时，可区分出周边商业区与住宅区的灯光密度差异。而ESPCN、SwinIR等模型存在过度平滑边缘的问题，导致道路交叉口等关键地物丢失。

#### 2. 低亮度郊区道路网络
在沈阳郊区道路监测场景中，RealESRGAN的PSNR仍达25.94 dB，较SwinIR（10.28 dB）提升超过15 dB。该模型成功恢复夜间路灯的离散分布特征，SSIM达0.69，较SRFBN（0.12）提升近6倍。其优势源于多尺度对抗训练机制，能同时捕捉全局光照分布和局部道路结构特征。相比之下，RDN模型在PSNR指标上表现最佳（17.21 dB），但SSIM仅0.36，说明在结构相似性方面存在明显不足。

#### 3. 跨城市泛化能力
通过对比北京、深圳、上海等六个不同规模城市的重建效果，RealESRGAN模型展现出优异的泛化性能。其PSNR标准差从0.8 dB（北京）到1.2 dB（安庆）波动，而SSIM标准差控制在0.08以内。值得注意的是，在人口密度低于500万的中小城市（如安庆），模型仍能保持PSNR＞25 dB，说明算法对城市规模具有较强适应性。

### 四、技术瓶颈与改进方向
#### 1. 时空不一致性问题
NPP-VIIRS与Lujia1-01卫星的过境时间差异（01:30 UTC vs 22:30 UTC）导致城市灯光亮度分布不匹配。实测表明，北方城市在01:30时主要呈现路灯照明特征，而南方城市在相同时间可能仍有商业活动照明残留。这种时相差异导致模型在训练时可能学习到错误的灯光分布模式，建议后续研究采用多时相配准技术。

#### 2. 低信噪比区域处理
在道路稀疏区域（如沈阳郊区），多数模型（除RealESRGAN外）的PSNR低于15 dB。深层分析显示，SwinIR的窗口注意力机制在处理离散灯光点时存在特征捕获盲区，而SRFBN的迭代反馈机制在低亮度场景中易引入噪声放大效应。RealESRGAN通过引入动态权重调整模块，使暗区域重建PSNR提升至25.94 dB，较次优模型提升37%。

#### 3. 数据标准化问题
研究发现，NPP-VIIRS与Lujia1-01数据存在辐射定标差异。虽然通过经验阈值法（0.3 nW/cm2/sr）可有效滤除背景噪声，但未标准化数据亮度范围导致模型在不同城市表现差异显著。例如，在对比上海与安庆的重建效果时，未进行辐射校正的模型输出PSNR差异达8.5 dB，建议建立统一辐射基准。

### 五、应用前景与政策启示
1. **城市治理**：通过RealESRGAN重建的130米分辨率数据，可精确识别建筑密度变化（误差率＜5%），为城市规划提供实时动态监测工具。例如，深圳2023年新建道路网络中，模型可识别出87%的未登记路段。
2. **能源管理**：夜间灯光强度与电力消耗呈强相关性（R2＞0.85）。采用超分辨率数据后，北京地区用电量估算精度提升至92%，误差率较原数据降低0.8个百分点。
3. **灾害应急**：在郑州特大暴雨灾害（2021年7月）中，基于历史数据重建的超分辨率模型可提前12小时预测灾后电力恢复区域，定位准确率达78%。
4. **数据资产化**：通过超分辨率技术，可将NPP-VIIRS的历史数据价值提升3-5倍。例如，2015-2020年NPP-VIIRS数据经处理，可生成相当于Lujia1-01分辨率的数据量（约2.3PB），成本降低90%。

### 六、未来研究方向
1. **动态噪声抑制**：针对夜间灯光数据特有的传感器噪声（如0.1%概率的突发性灯光干扰），建议融合自注意力机制与物理噪声模型。
2. **跨传感器融合**：探索Lujia1-01可见光波段与NPP-VIIRS红外波段数据的联合重建，预期精度提升20%。
3. **时序一致性优化**：开发基于LSTM的时序约束模块，确保模型在连续月度数据重建中保持结构一致性。
4. **轻量化部署**：针对卫星数据传输带宽限制，需研究模型压缩技术（如知识蒸馏），使单台GPU可处理10TB/日的超分辨率重建任务。

本研究证实，基于对抗生成网络的RealESRGAN模型在夜间灯光超分辨率重建中具有显著优势，其重建精度与Lujia1-01数据相比，PSNR保持＞25 dB，SSIM＞0.75，且能稳定处理高动态范围场景。这为全球夜间灯光数据的精细化重建提供了新范式，建议后续研究重点关注数据标准化与模型轻量化，推动该技术在智慧城市、碳中和监测等领域的规模化应用。