深圳超算在夜光遥感领域研究取得新突破

夜间灯光观测数据（Nighttime Light，NTL）是衡量各种人类活动的有效手段。但现有NTL数据存在时空可达性和一致性差等问题，阻碍了夜间灯光遥感数据在大尺度人类活动时空变化方面的动态监测应用。近期，张立贤博士等人于国际高水平综合期刊Scientific Data（Nature旗下期刊，IF=9.8）发布共享了 “中国长时间序列逐年人造夜间灯光数据集（1984-2020）”，论文第一作者张立贤博士现为国家超级计算深圳中心博士后，数据集及论文全文用户均可开放获取。论文合作者包括来自清华大学、可持续发展大数据国际研究中心、香港大学的研究人员。

图1 联合研究团队提出的算法流程，(a) 时空感知的夜间灯光卷积长短期记忆网络网络（Nighttime Light Long Short-term Memory, NTLSTM）, (b) 时空感知模块, (c) 平滑时间序列扩大差异的最大选择算法（Maximum-selection Of the Difference Enlarged by Smoothed Timeseries, MODEST）。 

联合研究团队设计并提出时空感知的夜间灯光卷积长短期记忆网络网络（Nighttime Light Long Short-term Memory, NTLSTM）和平滑时间序列扩大差异的最大选择算法（Maximum-selection Of the Difference Enlarged by Smoothed Timeseries, MODEST）以建模NTL数据集动态变化的内在机制并校正前后向建模阶段边缘年份的时空不一致性，并基于此开展夜间灯光遥感数据的时间和空间增强，获得更丰富时空夜间灯光信息的中国长时间序列逐年人造夜间灯光数据集（1984-2020）（PANDA-China），以更充分、精细地监测人类活动在长期和短期的时空变化。

在模型验证集检验、与现有夜光数据集对比和社会经济数据的时空一致性比较等三个维度的综合评价中充分展现了PANDA-China数据具有较高的数据质量和科学价值。PANDA-China可为全球范围内的城市化研究、环境监测、资源管理等领域提供更深入、更全面的来自太空的遥感观测视角，帮助研究者结合超级计算机更好地理解和应对人类活动的时空变化。 

原文详见：https://www.nature.com/articles/s41597-024-03223-1

图2 PANDA-China展现的广州及周边地区1984-2020时空变化。