始于20世纪70年代的美国国防气象卫星计划DMSP（Defense Meteorological Satellite Program）搭载的线性扫描业务系统OLS（Operational Line-Scan System），本用于捕捉夜间云层反射的微弱月光并获取夜间云层分布，却被意外发现可以捕捉城镇地表夜间发出的灯光，开启了夜间灯光遥感影像应用的时代 （Elvidge等，1997a，1999；Imhoff等，1997），在与城市相关的各个领域都得到了广泛的应用。美国国家海洋和大气管理局（NOAA）发布了1992年—2013年，空间分辨率1 km左右的年合成稳定夜间灯光数据（Stable Light）（Elvidge等，1997a），至今仍是应用最广泛的夜间灯光遥感数据之一。尽管有着敏锐的夜光识别能力，但是DMSP-OLS稳定夜间灯光遥感数据也存在3个明显的缺陷：首先，受制于传感器较低的辐射分辨率，城市中心亮度较高的区域的辐射信息无法被完整记录，导致灯光亮度的最大值限制在63，此现象被称为“过饱和”现象 （Elvidge等，1997a）；其次，由于缺乏在轨辐射定标，导致不同卫星间以及不同年份间的数据不具有可比性，给长时序分析带来困难；最后，该传感器获取到的夜间灯光遥感数据在灯光边缘区会出现“溢出效应”（Small等，2005）。上述问题在一定程度上限制了DMSP-OLS数据的有效应用。

2012年，美国国家极轨业务环境卫星系统NPP（National Polar-Orbiting Partnership）搭载的可见光红外成像辐射仪VIIRS（Visible Infrared Imaging Radiometer Suite）提供了新一代夜间灯光遥感数据，该数据的出现相对于DMSP-OLS数据在空间、时间和辐射分辨率等方面得到了提升，进一步扩展了夜间灯光遥感的研究方向和应用领域 （Baugh等，2013；Elvidge等，2013a，2013b；Shi等，2014b）。NPP-VIIRS的日夜波段DNB（Day/Night Band）主要用于探测夜间灯光强度，为全色波段，空间分辨率约为750 m，与DMSP-OLS夜间灯光遥感数据相比有着更高的空间分辨率。DNB波段的光谱分辨率更高且进行了在轨辐射定标，因此数据不存在“过饱和”现象且数据在不同时相间具有可比性。但是，由于较高探测灵敏性，往往会捕捉到冰雪、戈壁等反射光，导致数据中存在大量的背景噪声和异常值，需进行数据预处理 （Shi等，2014b；Yu等，2018a）。目前，NPP-VIIRS夜间灯光遥感数据提供逐日原始数据（下文简称“日数据”）、月合成数据（2012-04至今）和部分年份（2015年、2016年）的年合成数据。由于NPP-VIIRS夜间灯光遥感数据克服了DMSP-OLS夜间灯光遥感数据存在的主要缺陷 （Li等，2013b），使得夜间灯光遥感数据可以在更精细的空间尺度下研究城市问题 （Yu等，2015）。

“吉林一号”视频3星（JL1-3B）于2017-01成功发射，是中国自主研制、发射和运营的具有夜间灯光探测能力的卫星，其携带的传感器可以机动灵活地获取夜间灯光遥感数据，支持单次成像过程中多次机动，一次成像可以基本覆盖一个中型城市的空间范围。与DMSP-OLS、NPP-VIIRS夜间灯光遥感数据相比，“吉林一号”视频3星夜间灯光遥感数据的优势在于具有较高的空间分辨率（0.92 m），而且其成像仪具有红（580—723 nm）、绿（489—585 nm）、蓝（437—512 nm）3个可见光波段，具有通过光谱曲线分辨地表光源类型的能力 （Cheng等，2020）。

2018-06，武汉大学主导发射的“珞珈一号”01星（LJ-01）是全球首颗专业夜间灯光遥感卫星，其空间分辨率约130 m，远优于现在广泛应用的DMSP-OLS和NPP-VIIRS夜间灯光遥感数据 （Zhang等，2018；Wang等，2020a）。“珞珈一号”01星在理想情况下15 d即可完成全球夜间灯光遥感数据的采集。

“吉林一号”视频3星和“珞珈一号”01星的先后发射，标志着中国的夜间灯光卫星研究进入了快速发展阶段，其较高空间分辨率的夜间灯光遥感影像为城市发展研究带来了新的契机。

阿根廷于2000年和2011年发射的SAC系列卫星（SAC-C、D）（Colomb等，2003），也具有一定的夜间灯光探测能力，但数据并未对普通用户开放，限制了该数据的广泛应用。另外，国际空间站ISS（International Space Station）宇航员手持相机拍摄的地球夜间灯光影像数据集，其能够快速响应自然灾害等动态事件的优势也为夜间灯光研究起到了一定的促进作用 （Kyba等，2015；Levin和Duke，2012）。此外，以色列EROS-B卫星可生产的高分辨率（0.7 m）夜间灯光遥感影像。从2012年起，美国航空航天公司Aerospace的Aerocube4、5等小型立方体卫星（CubeSat）也开始获取地表的夜间灯光影像，这些小卫星的成本较低且获取数据比较灵活，可以对感兴趣区域进行重点观测 （Pack等，2017）。随后，NASA主导研究的立方体卫星系统CUMULOS （Ardila和Pack，2016）也可以观察夜间地球发生的人类活动和自然现象，而且其成像性能要优于VIIRS传感器，这显示了立方体卫星进行环境监测的巨大潜力。虽然有着较高的分辨率和灵活性，但是其数据获取比较零散，大空间范围下的监测能力明显不足，除此之外，这些立方体卫星一般在轨运行的时间都相对较短（几个月），目前主要是用来验证传感器性能以及执行临时任务等。

夜间灯光亮度变化可以反映人类活动强度的变化，包括人类活动的均衡性和差异性，进一步反映城市的空间和等级结构。分析当前城市内部空间结构的状态能够对当前城市总体规划执行状况进行评估，也能为今后城市规划提供可靠的反馈信息。

城市内部空间结构的首要变化就是由单中心结构向多中心结构的转移，即从传统的单中心同心环模型和扇形模型发展成多核心模型 （Anas等，1998）。Chen等 （2017）提出了夜间灯光地形类比的框架，将城市中心（副中心）识别转化为在NPP-VIIRS夜间灯光遥感数据中寻找“山峰”的过程，利用局部等值线树算法提取城市内部灯光亮度显著高于周边的区域，实现对城市多中心的识别。多个研究将夜间灯光遥感数据与多源数据（例如感兴趣点、社交媒体数据和路网等）融合，进一步证实了夜间灯光遥感数据所识别的城市中心结果的可靠性和准确性 （刘源和李月臣，2019；罗庆和李小建，2019；毛帅永 等，2019；Cai等，2017）。Li等 （2018c）和Yue等 （2019）分别分析了单中心—多中心城市结构与经济绩效和城市热环境的关系，进一步拓展了夜间灯光遥感数据在城市结构分析的应用范围。部分高分辨率的夜间灯光遥感影像具备城市内部要素提取的能力。Zheng等 （2018）和 Cheng等 （2020）通过结合“吉林一号”的夜间灯光遥感影像提供的光谱信息和形态特征，提取路灯位置并区分高压钠灯和发光二极管灯。

城市区域是表征城市化进程的一个重要因素。基于地表物理特征判定的城市区域称为不透水层，而基于土地利用性质判定的城市区域（人类活动范围）则称为城市建成区 （Rashed和Jürgens，2010）。夜间灯光遥感数据既能够通过融合其他日间遥感数据获取地表覆盖信息以提取不透水层，又能够依托自身特殊的信息采集能力分析人类活动范围。因此，夜间灯光遥感数据的城市区域提取研究得到了越来越多的关注。下文为了行文统一，将用城市区域指代不透水层与城市建成区。

DMSP-OLS和NPP-VIIRS数据，已被广泛用于提取城市区域的范围及变化，主要方法包括：阈值法 （Liu等，2012；Imhoff等，1997；Henderson等，2003；陈晋 等，2003；舒松 等，2011；Xie和Weng，2016；Shi等，2014a；Zhou等，2014，2015；何春阳 等，2006；Wei等，2014；Zhao等，2020b）、机器学习算法 （Jing等，2015；Cao等，2009；He等，2019；Liu等，2019a，2019c；Huang等，2018；Chen等，2019）以及多源数据指数分析方法 （Sharma等，2016；Guo等，2015，2018）等。阈值法的基本假设是夜间灯光亮度越大的区域成为城市区域的概率越大。此方法操作容易，可用于大范围长时序的城市区域提取，常采用辅助数据 （何春阳 等，2006；Shi等，2014a）、突变检验 （Imhoff等，1997）以及结合其他方法来确定阈值。机器学习算法提取城市区域的基本思想是利用先验知识在遥感数据上选取城市区域和非城市区域的训练样本，通过机器学习的方式，训练得到城市区域的识别模型，并提取城市区域范围（Cao等，2009；He等，2019），方法包括支持向量机、分类和回归树、k邻近、卷积网络以及随机森林等 （Jing等，2015；Cao等，2009；He等，2019；Liu等，2019a，2019c；Huang等，2018；Chen等，2019）。一些学者基于夜间灯光遥感数据提出城市化指数，例如增强型城市建筑指数（Enhanced Urban Built-up Index）、大范围不透水层指数（Large-scale Impervious Surface Index）和改进不透水表面指数（Improved impervious surface index），通过对指数设定某种阈值来提取城市建成区（或不透水层）范围 （Sharma等，2016；Guo等，2015，2018）。

除了DMSP-OLS和NPP-VIIRS夜间灯光遥感数据外，“珞珈一号”01星数据也已用于提取城市区域范围 （Yin等，2019；Li等，2018a；Ou等，2019；钟亮和刘小生，2019；刘权毅 等，2019；厉飞 等，2019；李翔 等，2019；张雨欣 等，2020）。Li等 （2018a） 将居民地指数（Human Settlement Index）、简单阈值分割（Simple Thresholding Segmentation）以及支持向量机（Support Vector Machine）3种方法应用于“珞珈一号”01星和NPP-VIIRS夜间灯光遥感数据，证实了“珞珈一号”01星由于具有更高的空间分辨率和更丰富的空间信息，可以提高城市建成区提取的精度。Ou等 （2019） 采用动态阈值分割方法进一步证实了“珞珈一号”01星数据相比于NPP-VIIRS数据可以产生更精确的不透水表面的空间范围。

夜间灯光遥感数据与各类城市规模评估指标存在显著相关，可作为形式简洁却内涵丰富的城市体系等级结构及空间格局评估指标 （Small 和 Elvidge，2013；Small，2019）。吴健生等 （2014）基于DMSP-OLS夜间灯光指数构建城市引力模型及作用潜力模型测度城市之间的相互关系，使用二阶段聚类法综合分析中国城市体系等级结构与空间格局。Wu等 （2019） 引入地形骨架网络（Surface Network），利用NPP-VIIRS年合成数据提取了中国典型城市的夜间灯光的地形骨架网络（仅包括山峰点和山脊线）、特征点和特征线及城市间的结构相似度，并划分城市等级。Zhao等 （2020c） 基于“珞珈一号”01星夜间灯光遥感数据提取城市连通区域，构建树形结构从横向和纵向两个维度分析节点属性，对河南省18个城市进行了分级。

城市群是由单个或者若干个特大型城市为核心，包含周边多个不同级别的中小城市，通过资源相互流动，相互连接而成的城市空间形态 （Fang，2015；Fang和Yu，2017；Gottmann，1957）。夜间灯光遥感数据为多尺度多时相的城市群时空演化模式与识别提供了一种极佳的数据选择。

城市群长时序时空演化模式分析主要集中在城市群边界内部城市区域的扩张分析 （Zou等，2017；Zhang和Su，2016；Ma等，2012；Lu等，2018；Hu等，2017c；王利伟和冯长春，2016；何春阳 等，2005；Jia等，2017；Chen等，2020）。Jia等 （2017） 使用DMSP-OLS夜间灯光遥感数据，从水平和垂直强度两个方面对中国大陆主要城市群的扩张模式进行了研究，发现较大城市群的扩张速度呈下降趋势，中等或小型城市群的扩张水平往往高于大型城市群。Lu等 （2018） 基于DMSP-OLS夜间灯光遥感数据从扩张率、扩张空间格局和扩张评估等角度对长三角城市群的扩张特征进行了分析，发现受全球金融危机的影响，2007年之后长三角的城市扩张速度相较于之前有所下降。王利伟和冯长春 （2016） 以京津冀城市群为例，使用DMSP-OLS夜间灯光遥感数据采取扩展强度指数、空间关联模型、多维驱动力分析模型定量揭示了城市群时空扩展路径及其动力机制，发现中心城市为核心的圈层扩展特征明显，城市群空间集聚扩展呈现出“先增强、后减弱”的态势。

由于城市群是一个复杂、开放的巨系统，具有边界模糊性和城市辐射范围阶段性与模糊性等典型特征 （方创琳，2009；顾朝林，2011），对于城市群空间范围的识别和界定较为困难。夜间灯光遥感数据为定量识别城市群的空间范围及演化提供了新的视角 （Lo，2002；Peng等，2020；金梦 等，2017；周亮 等，2019；梁泽 等，2020；李佳，2020；Yu等，2014）。Lo （2002）首次提出了夜间灯光遥感数据可用于识别城市群的观点，通过目视判读的方法，识别出1997年中国大陆最大的10个城市群，包括北京—天津、太原、石家庄—安阳、济南—淄博、青岛、上海—常州、沈阳—营口、泉州、珠江三角洲和乌鲁木齐等。Yu等 （2014）使用DMSP-OLS数据，以最小生成树抽象表达和概括城市对象之间的空间邻近性，基于完形原则对最小生成树进行切割聚类，对中国城市群进行了自动化识别。Peng等 （2020）使用阈值法和空间引力模型，将DMSP-OLS数据用于长时间序列城市群范围识别，共有14个城市群达到了次区域层面以上，其中长江三角洲和珠江三角洲两个城市群已经达到了世界发达水平。梁泽等 （2020）以经济地理学中的“点—轴”理论为基础，基于NPP-VIIRS夜间灯光遥感影像、电子地图兴趣点和社会经济统计数据等，识别出的中国14个城市群，其中8个与规划范围较为接近，分析了识别结果与规划范围不接近的原因包括：核心城市间交通跨度过大或实际社会经济联系不足、受行政区划限制等。

人口估算是研究区域经济、灾害等问题的重要基础数据，快速获得准实时且精细的人口动态分布显得尤为重要。Elvidge等 （1997a）提出利用DMSP-OLS夜间灯光遥感数据对城市人口进行估算，Sutton等 （1997）建立了DMSP-OLS数据与人口密度的定量关系，进一步证明了夜间灯光遥感数据在人口估算领域的研究潜力。Amaral等 （2006）评估了DMSP-OLS数据在居民点灯光面积相对较少的亚马逊地区的人口估算能力，实现了在统计数据缺失地区的人口估算。此外，DMSP-OLS稳定夜间灯光遥感数据在人口动态估算方面也表现出了一定潜力 （Tripathy等，2017）。

国内学者也利用了DMSP-OLS夜间灯光遥感数据估算中国不同空间尺度下的人口分布 （曹丽琴 等，2009；Yang等，2013；Zeng等，2011；卓莉 等，2005；Zhuo等，2009）。例如，卓莉等 （2005）利用DMSP-OLS稳定夜间灯光遥感数据，并引入遥感植被数据、统计数据等，估算了1998年中国1 km空间分辨率的人口空间分布；曹丽琴等 （2009）利用BP神经网络算法建立了DMSP-OLS稳定夜间灯光遥感数据与湖北省人口的相关性模型，估算了2002年湖北各县市的人口数量。

DMSP-OLS稳定夜间灯光遥感数据在人口估算和人口空间化分析研究中有较广泛的应用，但要在更精细的空间分辨率下估算人口空间分布，则需要更高质量的灯光数据和其他辅助数据。例如，Yu等 （2018b）利用NPP-VIIRS数据，结合出租车轨迹数据，估算了上海市500 m空间分辨率的人口分布。Wang等 （2020b）利用高分辨的“珞珈一号”01星数据和POI等辅助数据，模拟了浙江省100 m空间分辨率下的人口分布。

夜间灯光强度反映了一个国家或地区的经济繁荣程度，已有大量研究表明夜间灯光亮度与国民生产总值（GDP）、地区生产总值（GRP）等经济指标有较强的相关性，而夜间灯光遥感数据的空间特性为社会经济研究领域带来了新的契机。

Elvidge等 （1997a）利用DMSP-OLS稳定夜间灯光数据，通过建立美洲地区21个国家的灯光面积与其GDP等的相关性，发现灯光照明面积与GDP有高度的相关性（R²为0.85—0.97）。此研究作为一项开创性工作，激发了学者们利用夜间灯光遥感数据评估经济指标的灵感。陆续有学者利用夜间灯光遥感数据从国家尺度 （Elvidge等，2001；Chen和Nordhaus，2011；Keola等，2015）、省市尺度 （Ghosh等，2009；Shi等，2014b；李黔湘 等，2020；Chen 和 Nordhaus，2019）、格网尺度 （Sutton等，1997；Doll等，2006；Sutton和Costanza，2002；Chen等，2015）下对GDP进行了估算。与人口空间估算类似，基于夜间灯光遥感数据的经济指标估算，可以提高统计系统不完善地区的社会经济数据的质量。例如，Chen和Nordhaus （2011）通过分析地区尺度下GDP与DMSP-OLS稳定夜间灯光强度的关系，发现可以在一定程度上弥补发展中国家经济数据缺失等问题。

夜间灯光能够反映一个地区的经济发展水平，也应具有评估区域贫困度的能力。Elvidge等 （2009b）基于DMSP-OLS数据，计算了2006年全球各国的贫困指数，其22亿人的结果略低于世界发展指标WDI（World Development Indicators）估算的26亿人，该研究为利用夜间灯光遥感数据进行贫困度估算开创了先河。Jean等 （2016）利用DMSP-OLS夜间灯光遥感影像辅助训练了机器学习模型，得到了非洲地区5个国家的贫困度指数。利用夜间灯光遥感数据进行贫困度估算的工作也被延伸至省市尺度 （Wang等，2012）、区县尺度 （Yu等，2015；Shi等，2020）、格网尺度 （Zhao等，2019b）。基于夜间灯光遥感数据的贫困评估，一定程度上克服了传统的贫困测量方法主要依赖于统计数据和调查数据，以及贫困数据往往以行政区划为单位，无法进一步分析贫困人口的空间分布特征等问题。

货运总量一定程度上代表区域的经济发展水平，随着NPP-VIIRS夜间灯光遥感数据的稳定获取，Shi等 （2015）尝试利用NPP-VIIRS夜间灯光遥感数据估算了中国的货运总量，并在省级尺度上生成了中国货运总量的空间分布图，并通过验证发现NPP-VIIRS数据比DMSP-OLS数据更适合于中国地货运总量的估算。

在住房空置率方面，Yao和Li （2011）首先利用房屋价格和DMSP-OLS稳定夜间灯光遥感数据的比值，对中国50个城市的住房空置率进行了评估，但该研究无法量化得到具体的住房空置率信息。Chen等 （2015）通过结合夜间灯光遥感数据和土地覆盖数据评估了美国15个都会区的房屋空置率情况，并揭示了房屋空置率的空间分布差异。Tan等 （2020）使用了“珞珈一号”01星夜间灯光数据，辅以城市建筑物数据，成功估算和分析了中国46座城市的住房空置率及其空间分布情况。

夜间灯光影像信号源主要来自于地表电灯等照明设备发射和反射的电磁波，因此能够一定程度上反映一个地区的能源和电力消耗。早在20世纪80年代，Welch （1980）通过建立美国东部城市电力消耗与夜间灯光遥感数据的线性模型，证明了夜间灯光影像记录的灯光强度与电力消耗在省市级尺度下存在显著关系。Letu等 （2010）计算了日本部分城市DMSP-OLS夜间灯光数据与电力消耗的相关关系，进而推广到中国、印度在内的10个亚洲国家的城市尺度下电力消耗的估算，其结果进一步确认了稳定夜间灯光可以很好地估算电力消耗。对中国而言，在改革开放后经济快速增长的背景下，电力消耗也稳步上升，从不同空间尺度上及时、准确获取电力消耗的时空动态便显得尤为重要，国内学者从多空间尺度（省市、区县、格网）下估算和分析了中国电力消耗的时空动态及变化趋势 （He等，2014；Shi等，2016a，2016b，2018）。

在能源消耗相关碳排放的估算方面，Doll等 （2000）发现中国、美国、澳大利亚等46个国家的DMSP-OLS夜间灯光面积与能源消耗相关碳排放量存在较强的相关性，回归系数达到0.84，此后更多的学者利用夜间灯光数据从不同空间范围和尺度下对与能源消耗相关的碳排放进行估算 （陈志建 等，2018；Liu等，2018；Ou等，2016；Shi等，2014a；苏泳娴 等，2013）。例如，Ou等 （2016）以DMSP-OLS夜间灯光遥感数据和人口密度、交通网络数据为解释变量，利用线性回归模型建立了2010年全球能源消耗相关碳排放空间数据库。Liu等 （2018）借助植被指数（EVI）减轻DMSP-OLS稳定夜间灯光遥感数据的过饱和现象，拓展了夜间灯光在非亮区的碳排放估算能力。Shi等 （2014a）通过对比中国省市尺度下的DMSP-OLS数据和NPP-VIIRS数据与碳排放的线性回归结果，表明了利用NPP-VIIRS月合成数据可以更准确地估算省市尺度下能源消耗相关碳排放。

城市化进程的发展加剧了对城市物质资源的依赖。物质存量与住房空置率分别反映了城市建筑建设消耗的物质资源与城市建筑的使用情况。两者与城市发展水平息息相关，亦是表征城市发展水平的重要指标。由于这两个指标往往未被纳入部门国家或地区的统计年鉴中，存在数据缺失。因此，利用夜间灯光遥感数据开展物质存量与住房空置率的研究引起诸多学者的关注。

Hsu等 （2013）率先利用DMSP-OLS夜间灯光遥感数据估算了2006年102个国家或地区的钢铁存量，但未进行时间序列上的变化分析。Hattori等 （2014）通过结合LandScan人口数据，优化了Hsu等 （2013）的算法，实现了对2006年—2010年土木工程和建筑工程的钢铁存量评估。研究结果发现，相比使用单一的灯光数据，多源数据的融合能够得到更好的估算结果。Yu等 （2018c）利用DMSP-OLS稳定夜间灯光数据生产了1992年—2008年全球1 km空间分辨率的钢铁存量、混凝土存量与铝存量数据集，进一步延伸了物质存量估算的能力，并揭示了物质存量的空间分异情况。

夜间灯光遥感数据已被广泛应用于不同尺度下的城市社会经济指标估算（表2）。夜间灯光遥感数据应用于城市社会经济指标估算的研究主要集中在国家尺度、省市尺度和格网尺度；而在区县尺度下，由于训练样本和验证数据相对缺乏，导致相关应用研究相对较少。

人口估算研究作为夜间灯光遥感数据最典型的应用之一，在上述4种尺度下均有相关研究。因此，以人口估算研究为例，探讨夜间灯光遥感数据用于不同尺度下社会经济指标估算的能力。人口估算研究最初是在国家尺度展开，随后延伸至省市和区县尺度。总体而言，在这3种尺度下，大部分人口估算研究仅考虑了夜间灯光遥感数据，未融合其他数据信息，估算精度也相对较优，大多在0.85以上。最佳估算结果出现在省市尺度，R²达到0.96 （Tripathy等，2017）。在格网尺度下，人口估算研究方法主要分成两类，一是在区县或省市尺度上构建灯光亮度与人口数量的关系模型，再将该模型应用于人口格网化 （卓莉 等，2005；高义 等，2013）；二是融合夜间灯光遥感数据与地理空间大数据（出租车数据、感兴趣点数据等），利用机器学习等算法，开展格网尺度下的人口估算研究 （Yu等，2018b；Wang等，2020b）。从精度上来看，格网尺度下的估算精度相对较低。需要强调的是，目前在格网尺度下的人口估算验证工作大多是将估算结果汇总至区县或省市尺度后进行的。除了人口指标外，大部分城市社会经济指标估算也存在相似的情况（表2）。

综上，夜间灯光遥感数据在国家尺度、省市尺度和区县尺度下进行社会经济指标估算均具有理想的精度。但在格网尺度下，大部分估算精度均有所降低，且由于缺少合适的验证数据，往往需要将估算结果汇总至行政区划内再进行精度验证，使得精度验证结果存在不确定性。在方法上，格网尺度的指标估算大多需要融合其他数据源，以弥补夜间灯光遥感数据中低空间分辨率所带来的不足，从而导致了估算模型会更加复杂。

地震和飓风等自然灾害的发生，通常伴随着灾区光源载体的破坏及重建，因此夜间灯光变化在一定程度上能够反映灾害对灾区社会经济的影响。

DMSP-OLS夜间灯光日数据和年合成数据已被用于地震发生前后灾损评估 （Kohiyama等，2004；Hayashi等，2000）和地震、飓风、海啸等灾后损失及恢复力评估 （张宝军，2018；Li等，2018b；Qiang等，2020；Gillespie等，2014）。Li等 （2018b）使用DMSP-OLS夜间灯光年合成数据分析了2008年汶川地震前后受影响区域的灯光亮度变化情况以及灾后3年内受影响区域的重建和恢复情况。Gillespie等 （2014）分析了2004年印尼海啸后，307个社区的DMSP-OLS夜间灯光亮度、受影响区域以及入户调查的社会经济指标，发现海啸影响区域的灯光亮度值直到2006年才逐步恢复正常。

NPP-VIIRS夜间灯光遥感日数据由于时间分辨率高，且空间分辨率优于DMSP-OLS夜间灯光遥感数据，在短期自然灾害事件的动态分析中表现出了更优秀的应用潜力。目前，相关研究主要集中在飓风、暴雨、热带气旋等事件 （Molthan和Jedlovec，2013；Cole等，2017；Wang等，2018；Zhao等，2018；Zheng等，2019b；Cao等，2013）。Molthan和Jedlovec （2013）和Cole等 （2017）通过分析NPP-VIIRS夜间灯光日数据的辐亮度值，发现其可以有效监测2012年桑迪飓风后的停电情况。Zhao等 （2018）发现NPP-VIIRS夜间灯光日数据可以直接反映地震受损区域中人类活动强度变化造成的灯光变化，如停电、建筑损毁、救援灯等，但是无法区分灯光变化的原因。

除了自然灾害以外，夜间灯光遥感数据也被应用于监测战争或节假日期间的城市状况 （Coscieme等，2017；Li等，2013a；Li和Li，2014；Jiang等，2017；Witmer和O''Loughlin，2011）。Witmer和O''Loughlin （2011）发现DMSP-OLS年合成数据的夜间灯光变化能够明显反映长期的油田火灾以及难民迁入，即便在难民迁移规模并不高的地区也可以明显探测。Li和Li （2014）使用DMSP-OLS月合成数据，分析了叙利亚内战前后当地灯光亮度的变化，发现自2011-03份内战爆发后，当地灯光亮度剧烈变少，大部分省份的夜间灯光损失超过60%。Román和Stokes （2015）分析了2012年—2014年间，圣诞节、新年以及斋月3个节日前后的NPP-VIIRS夜间灯光日数据的灯光亮度情况，发现美国南部和墨西哥北部大部分城市在圣诞节和新年的灯光亮度大于非节日期间的灯光亮度，多数穆斯林国家的城市在斋月期间达到灯光亮度峰值。Jiang等 （2017）使用NPP-VIIRS夜间灯光月合成数据，分析了也门战争期间的该国不同地区时间序列灯光亮度总值，发现从2015-02—2015-06，也门的总灯光亮度值下降了71.60%。Liu等 （2019b）分析了墨西哥的坎昆市和普埃布拉市在狂欢节和瓜达卢佩圣母节期间NPP-VIIRS夜间灯光月合成数据的灯光变化情况。

夜间灯光数据在环境领域同样得到多方面的应用，包括PM_2.5浓度估算、光污染分布、高温热浪风险评估、人为热排放估算等 （Falchi等，2016；Jiang等，2018；Zhang等，2020；Dong等，2017）。

Wang等 （2016）基于NPP-VIIRS月合成数据及地面PM_2.5监测数据，论证了利用夜间灯光遥感数据反演夜间PM_2.5浓度的潜力。Zhang等 （2020）基于多源数据使用地理加权回归模型对京津冀地区的PM_2.5浓度进行估算，发现模型中添加“珞珈一号”01星夜间灯光信息可以提高PM_2.5预测模型的性能。与NPP-VIIRS夜间灯光遥感数据相比，“珞珈一号”01星夜间灯光数据揭示了更多细节并提高了预测和分析PM_2.5的准确性，可以作为补充数据源之一用于估算PM_2.5浓度及分析其影响因素。

在光污染研究方面，Han等 （2014）利用DMSP-OLS夜间灯光遥感年合成数据对中国光污染的空间格局进行了建模，并监测了1992年—2012年中国光污染的变化趋势，结果表明在研究期内中国的光污染呈现出明显的增加趋势；Falchi等 （2016）利用NPP-VIIRS夜间灯光遥感月合成数据量化了全球范围内的光污染水平，同时发现全球80%以上的人口暴露处于受光污染影响的环境中；Jiang等 （2018）评估了使用“珞珈一号”01星夜间灯光遥感数据研究光污染的潜力，并刻画了四个城市的光污染模式，其结果表明“珞珈一号”01星夜间灯光遥感数据可有效地用于光污染的研究。

人类活动所释放的热量，也可通过夜间灯光遥感数据进行量化。Dong等 （2017）通过自上而下的方法，结合DMSP-OLS夜间灯光数据及多源数据，构建了具有高空间分辨率的人为热排放全球数据库；Hu等 （2017a） 基于NPP-VIIRS夜间灯光遥感月合成数据、归一化植被指数数据以及统计数据，对京津冀地区的人为热排放进行了估算，证明了NPP-VIIRS夜间灯光遥感月合成数据可用于空间化大范围的人为热排放。

在健康领域，夜间灯光数据也被应用于乳腺癌发病率估算、高温热浪风险评估以及疫情前后的复工复产监测等 （Bauer等，2013；Hu等，2017b；Liu等，2020；Elvidge等，2020）。Bauer等 （2013）分析了美国佐治亚州2005年到2009年乳腺癌发病率空间分布，发现DMSP-OLS夜间灯光强度与乳腺癌总体发病率显著相关。Hu等 （2017b）和陈倩等 （2017）融合DMSP-OLS夜间灯光遥感数据与多源空间数据，对高温人口暴露进行空间化分析，以探究高温热浪人群健康风险空间格局。2019年新型冠状病毒肺炎（COVID-19）疫情（新冠疫情）爆发引发全球关注，多国采用停工停产的措施减小新冠疫情的影响，全球因疫情造成的经济损失空前。已有研究使用夜间灯光数据探究疫情下停工停产以及疫情发展后期复工复产的情况。Elvidge等 （2020）发现相对于2018-12，2019-03中国有62%的人口生活的城市灯光亮度增加；这种情况在2020-02发生了逆转，82％的人口生活的城市灯光亮度减弱。Liu等 （2020）发现新冠疫情爆发阶段，中国不同土地利用下NPP-VIIRS夜间灯光影像的灯光亮度变化具有显著差异，居民区灯光亮度显著增加，商业中心有所减少。

作为目前主流的夜间灯光遥感数据之一，NPP-VIIRS夜间灯光遥感数据除了质量显著提升外，还能够对公众提供逐日的全球夜间灯光数据，使精细时间粒度的夜间灯光遥感数据应用成为可能，并已有若干应用 （Cao等，2013；Román 和 Stokes，2015；Zhao等，2018）。在实际应用NPP-VIIRS夜间灯光日数据时，需考虑以下4个问题：

（1）云层遮蔽。作为光学遥感影像，NPP-VIIRS夜间灯光遥感数据往往包含大量的云污染像元，尤其在热带地区，云层的存在会遮挡其下方的城市灯光并模糊周围的灯光 （Zhao等，2018）。Baugh等 （2013）基于DMSP-OLS夜间灯光遥感数据的云掩膜算法，结合全球预报模型（GFS）及NPP-VIIRS长波红外数据为NPP-VIIRS夜间灯光遥感日数据开发了相应的云掩膜产品，但云污染像元去除后的数据空缺依然限制了数据在精细时间粒度下的应用。

（2）月光污染。由于NPP-VIIRS夜间灯光遥感传感器被设计为具有探测全日照场景到二分之一月球照明场景辐射的能力 （Liao等，2013），使得NPP-VIIRS日数据同时记录了地表反射的月光与地表发射光 （Hillger等，2014），在使用日数据进行定量估算前需对受月光污染的像元进行校正。Miller和Turner （2009）提出了MT2009月球光谱辐照度模型可用于NPP-VIIRS日数据的月光污染去除，但该模型模拟结果依然存在7%—12%的误差 （Cao等，2013），导致校正后的NPP-VIIRS夜间灯光辐亮度出现异常。

（3）大气效应。精细时间粒度内，大气条件的改变会使地表发射光经历不同程度的吸收与散射过程，导致NPP-VIIRS夜间灯光遥感日数据记录的辐射能量发生变化，增加了日数据的不确定性。Cao和Bai （2014）通过对NPP-VIIRS夜间灯光遥感数据中不同类型点源光的时间序列监测，发现气溶胶对NPP-VIIRS夜间灯光遥感数据具有显著影响；Wang等 （2020c）发现当气溶胶光学深度增加一个单位时，灯光辐亮度降幅约10 nW/cm²/sr。这意味着在照明水平较低区域的灯光辐亮度的下降，可能远大于地表灯光的实际变化。因此，将大气校正引入到NPP-VIIRS夜间灯光日数据预处理环节是提高日数据精度的关键。

（4）其他因素的影响。除上述因素的影响外，杂散光、积雪的存在以及观测角度的变化同样影响着日数据的质量。在夏季北半球及春季南半球的高纬度地区，NPP卫星过境时会受日光照射的影响，导致该区域内的夜间灯光数据出现季节性的杂散光 （Lee和Cao，2016；Zhao等，2017），照明水平较低地区的短期灯光变化将被杂散光掩盖；在低纬度地区同样存在不具有明显周期性的杂散光影响，形成原因尚未可知（Lee和Cao，2016）。Mills等 （2013）通过引入太阳入射角的多项式函数对杂散光进行了拟合及校正，提升了NPP-VIIRS夜间灯光日数据的定量化应用能力。Cinzano等 （2000）量化了积雪对地表上行灯光亮度的影响，表明积雪会使太空观测到的夜间灯光亮度增幅高达50%以上，此现象也出现在NPP-VIIRS数据中且尚无较好的方法能够进行校正 （Elvidge等，2020）。此外，Li等 （2019b）证明了卫星观测角度是导致NPP-VIIRS夜间灯光日数据辐亮度变化的重要因素，并通过统计模型量化了卫星观测角度与夜间灯光辐亮度间的关系。

综上，对于短时间间隔的夜间灯光数据应用，数据的可获得性与质量决定了应用的可行性及其结果的准确性。目前，虽已有研究分析了影响夜间灯光日数据质量的因素，并提出了相应校正模型及方法 （Miller和Turner，2009；Baugh等，2013；Lee和Cao，2016；Li等，2019b），但尚未有综合性、系统性的探讨与分析。因此，进一步分析探索夜间灯光遥感日数据质量的影响因素，梳理不同因素对夜间灯光遥感日数据质量的交互影响，并耦合不同校正模型及方法得到更优质的夜间灯光遥感日数据产品，在精细时间粒度的夜间灯光遥感定量化应用需求日渐提高的当下具有重要意义。

城市长时序演化过程对剖析城市发展状况具有重要的作用。然而，由于DMSP-OLS夜间灯光遥感数据和NPP-VIIRS夜间灯光遥感数据在传感器参数、数据质量、时间跨度等方面均存在差异，使得两种最为常用的夜间灯光遥感数据无法同时直接应用于长时序的城市问题研究中，限制了基于夜间灯光遥感数据的城市问题研究时间跨度。

已有学者提出了一系列跨传感器的校正方案，用于获得时间跨度更长的夜间灯光遥感数据集。Shao等 （2014）首次提出了针对夜间灯光遥感数据的辐射校正方法，其在特殊事件下，利用NPP-VIIRS夜间灯光遥感逐日数据和月球辐照度模型获取了一系列辐射、大气、月相参数，提出了一套针对DMSP-OLS夜间灯光遥感数据的辐射校正模型。由于该方法所需要的参数往往较难获取，因此并不适用于大尺度长时序的夜间灯光辐射校正。为了进一步简化夜间灯光遥感数据校正效率，Zhu等 （2017）、Li等 （2017a）和梁丽等 （2020）均提出了基于幂函数的跨传感器夜间灯光遥感数据相互校正方案，得到一套类似于DMSP-OLS的长时序夜间灯光遥感数据集。除了幂函数之外，地理加权回归 （Zheng等，2019a）、Sigmoid函数 （Zhao等，2020a）以及Biphasic Dose Response模型 （Ma等，2020）同样被应用于夜间灯光遥感数据校正。Li等 （2020b）提出了采用夜间灯光数据核密度匹配的方法，将NPP-VIIRS夜间灯光遥感数据转换成类似于DMSP-OLS夜间灯光遥感数据，并结合基于逐步校正法得到的DMSP-OLS夜间灯光遥感数据得到了1992年—2018年的准DMSP-OLS夜间灯光遥感数据集。

综上，已有方法大多是以降低NPP-VIIRS夜间灯光遥感数据质量为代价，将NPP-VIIRS夜间灯光遥感数据转换成类似于DMSP-OLS夜间灯光遥感数据，并与原有DMSP-OLS夜间灯光数据组合形成长时序夜间灯光数据集。然而，为了能够更好的利用夜间灯光遥感数据开展城市问题研究，不仅要求要有长时序的夜间灯光遥感数据集，更要求该数据集能够具备更佳的数据质量（空间分辨率更高、辐射分辨率更精细等）。因此，如何构建高质量的长时序夜间灯光遥感数据集（类似于NPP-VIIRS夜间灯光遥感数据）仍旧是一项严峻挑战。

遥感数据辐射定标是定量遥感的一个重要过程，用于纠正传感器在轨辐射性能的衰减和恢复影像的真实辐射信息 （Chander等，2009）。传统夜间灯光遥感辐射定标工作可分为绝对辐射定标和相对辐射定标两种。由于传统DMSP-OLS传感器老化等原因，使得目前无法对DMSP-OLS夜间灯光遥感数据进行绝对辐射定标。现有研究中更多的是利用发射前的实验室定标数据或数据获取后相对辐射定标的方法来提高DMSP-OLS数据在时间序列上的一致性 （Hsu等，2015；Kumar等，2019），包括参照不变区域 （Elvidge等，2009c）、伪不变区域 （Wei 等，2014）、指数法 （郑子豪 等，2018）等。NPP-VIIRS夜间灯光数据和“珞珈一号”01星夜间灯光数据执行的是星上绝对辐射定标，即将太阳和月球等作为标准辐射源，在可见光波段建立传感器入瞳处的光谱辐射亮度值与影像数字量化值之间的定量关系 （Elvidge，2013b；Zhang等，2018）。由于夜间灯光遥感的成像时间是在夜晚，现有的辐射定标工作大多采取的思路都是“利用白天成像影像进行定标模型求解，再将白天定标的低增益系数转换至夜间的高增益系数，从而对夜光影像进行补偿校正” （李德仁 等，2019）。

除星上定标外，已有学者采用场地定标的方式进行夜间辐射定标，例如人为建设的定标场 （Liao等，2013）、选择灯光相对稳定的南极冰穹C区域 （Chen等，2016）、在沙漠架设探照灯 （Hu等，2018）等。然而，无论是星上定标还是场地定标都受限于处理算法的复杂程度和定标场所的限制，难以阐述影像对不同地表光源的响应能力。

此外，由于夜间灯光遥感数据记录的是地表光源亮度的信息，是对人观测系统的重要组成部分。为了获取更为准确的对人观测信息，夜间灯光遥感数据的定标工作不仅要包括传统的辐射定标，更需要开展对人（经济）的定标工作，真正厘清逐格网灯光亮度与人类活动强度之间的关系。