本次我们给大家带来一篇SCI论文的全文翻译。该论文通过一项综合研究探讨了使用不同回归模型结合多种开放的夜间灯光（NTL）数据源进行估算的表现。该论文的研究结论可在低碳城市发展过程中提供更详细的指导。
-----------欢迎大家关注公众号----------
【论文题目】
The estimation of building carbon emission using nighttime light images: A comparative study at various spatial scales
【题目翻译】
利用夜间灯光影像估算建筑碳排放：不同空间尺度下的比较研究
【期刊信息】
Sustainable Cities and Society，Volume 101，February 2024, 105066
【作者信息】
Gengzhe Wang, 北京区块链与边缘计算研究院，北京100086，中国，G.wang305@outlook.com
Qing Hu, 南方科技大学环境科学与工程学院，深圳518055，中国，huq@sustech.edu.cn
Linghao He, 北京区块链与边缘计算研究院，北京100086，中国
Jialong Guo, 北京区块链与边缘计算研究院，北京100086，中国
Jin Huang, 北京区块链与边缘计算研究院，北京100086，中国
Lijin Zhong，南方科技大学环境科学与工程学院，深圳518055，中国；北京华鼎环境智慧数据研究院，北京 100085，中国
【论文链接】
https://doi.org/10.1016/j.scs.2023.105066
【关键词】
建筑碳排放、夜间灯光影像、空间尺度、地理加权回归（GWR）、北布拉班特省 (Noord Brabant)
【本文亮点】
使用夜间灯光指数估算建筑碳排放时，地理加权回归（GWR）表现更好。 碳强度和平均夜间灯光强度（ANLI）在建立估算模型时更为可靠。 城市级别的尺度最适合应用夜间灯光指数。 适用范围的限制更多地依赖于空间参数。
作为衡量特定区域碳排放水平的基本领域之一，建筑碳排放在制定低碳发展计划中起着重要作用。大多数碳排放估算研究主要集中在建立自下而上的温室气体清单和政策驱动方法的应用上，但在利用遥感数据预测建筑碳排放方面仍存在许多理论空白。本文通过一项综合研究探讨了使用不同回归模型结合多种开放的夜间灯光（NTL）数据源进行估算的表现。北布拉班特省被用作案例研究，以验证在不同空间尺度（城市级、区级和社区级）下使用不同估算模型的可行性。在所有回归模型中，地理加权回归（GWR）更好地反映了建筑碳排放与NTL指数之间的关系。在实际应用中，碳强度（CI）和年夜间灯光指数（ANLI）是一对建立可靠估算模型的最佳组合。由于城市级别的非建筑物照明源干扰较少，因此该模型在城市级别具有更高的实用价值。这项比较研究的结果为支持碳清单的建立提供了新的参考。通过展示不同估算模型之间的差异，可以进一步界定使用开放遥感数据估算建筑碳排放的适用范围。研究结论可在低碳城市发展过程中提供更详细的指导。
作为城市碳排放的主要来源，建筑部门包括由多种能源使用产生的排放。有关城市建筑碳排放的数据和计算方法对于实施碳减排措施至关重要。关键部门的识别和碳排放的测量通常由政府间气候变化专门委员会（IPCC）的方法进行（Arioli, D’Agosto, Amaral & Cybis, 2020年）。IPCC已开发了一套基于建筑类型和几何信息的宏观统计估算方法，用于计算建筑碳排放。为了量化城市规划方案的碳排放，并比较不同情景下的碳减排潜力，需要绘制建筑碳排放图，以帮助市政府地理识别碳排放热点地区（Zhang等，2022年）。此过程可以有效促进低碳城市的分区管理。
根据IPCC方法中的标准和指标，建筑碳排放的估算是由各种能源成本的衍生信息决定的（Krey等，国际应用系统分析研究所）。通过此方法获得了一个用于计算建筑运营碳排放的聚合参考模型。然而，在城市规模上为每栋建筑建立完整的清单通常是劳动密集型且成本高昂的（Lin & Li, 2020年）。数据缺乏使得基于自下而上基准编制城市规模温室气体清单极其困难（Arioli, D’Agosto, Amaral & Cybis, 2020年）。许多研究人员已将精力投入到政策驱动的方法中，使用自上而下的方法基于市级能源平衡统计来说明建筑碳排放与社会经济因素之间的关系（Fry等，2018年；Long & Yoshida, 2018年；Li, Qian, Zhang & Dong, 2017年）。尽管该模型在政策制定过程中可能具有高效性，但在空间层面上反映细节信息方面仍存在不足。由于总部层面的决策与现场执行之间存在差距，从宏观经济模型中得出的结论对地方管理者的价值通常不大（Hollberg, Lützkendorf & Habert, 2019年）。为了满足向决策者及时传达建筑碳排放分布的需求，有必要探索更能指导实施特定方案并跟踪碳排放变化的估算方法。
作为一种长期的全球遥感数据集，夜间灯光（NTL）卫星影像已被证明在反映某些地区人类活动强度方面具有可靠性。各种NTL数据已广泛应用于估算国内生产总值、人口、电力消耗等的空间分布。考虑到能源消耗与碳排放之间的强相关性，NTL数据也可用于估算碳排放的空间分布。对于难以获取建筑能耗实地调查数据的决策者来说，NTL影像提供了一种易于获取的数据收集方法，用于在不同时间序列和空间尺度上估算建筑碳排放。为了展示时空模式的变化并为制定更精确的碳减排策略提供参考，有必要在更精细的尺度上估算碳排放（Chuai & Feng, 2019年）。然而，由于现有大多数NTL数据的低分辨率，在代表人类活动强度方面存在空间尺度限制。利用NTL影像支持低碳城市管理的可行性和范围尚不清楚（Zhu等，2019年；Huang等，2022年）。
为了填补使用NTL影像估算建筑碳排放的理论空白，本研究旨在探索基于NTL的估算方法在不同空间尺度上的表现。通过比较城市规模、区规模和社区规模的不同模型回归结果，得出最适合的模型和适用的空间尺度。考虑到数据的高可得性和城市更新中的潜在应用价值，本研究选择了荷兰的内陆省份北布拉班特地区作为案例研究。此比较研究将为NTL数据的适当利用提供科学参考。其余内容的结构如下：第2节进行文献回顾，总结现有的建筑碳排放估算方法和NTL数据在多个学科中的应用研究。第3节介绍研究数据，第4节介绍理论模型。第5节展示研究结果，并讨论各种回归模型的表现。最后，在第6节列出结论和若干建议。
2.1 城市建筑碳排放估算方法的综述
一般来说，自上而下方法在与其他算法集成时表现出更好的灵活性。通过挖掘关于能耗的更详细信息，可以显著提高模型的性能。在遥感技术的支持下，可以有效检测表面的空间和时间信息，从而提供在大空间尺度上绘制建筑碳排放估算的途径（Xie & Weng, n.d.-a）。作为一种广泛可用的公共数据来源，卫星夜间灯光观测已被应用于记录地球上的人为光源。由于夜间灯光照明通常与人为活动造成的人工光源密切相关，它长期以来一直用于区分不同人类活动强度的空间分布（Ma, 2018）。许多研究发现，夜间灯光数据与能源使用，特别是电力消耗具有高度相关性（Dougherty & Jain, 2023; Gao et al., 2022）。通过将夜间灯光影像整合到自上而下的碳排放估算方法中，可以大幅降低数据获取的潜在成本，这可能扩展低碳城市管理的实际价值。
2.2 夜间灯光影像在碳排放估算中的应用综述
夜间灯光影像直观地展示了人工光源的分布，这被证明是表征社会经济活动的有效指标。大量文献讨论了夜间灯光与社会人口指标（如GDP、人口密度、城市化、电力消耗等）的模型关系（Du et al., 2021; Tan et al., 2018; Jasiński, 2019）。研究者们已经广泛探索了不同时间段和地区的城市夜间灯光特征。一些研究人员建立了基于时间序列数据的电力消耗预测模型（Xie & Weng, n.d.-b）。对于每种能源来源，可以通过将各种能源的消耗量乘以其碳排放因子来获得碳排放。类似于能源消耗，夜间灯光数据与不同部门的碳排放建模也得到了广泛应用（Shi et al., 2021）。许多学者旨在研究使用夜间灯光数据评估碳排放的实际价值。夜间灯光数据已经成为衡量和分析人为源碳排放的重要手段（Xu et al., 2022）。
尽管以往的研究已经证明了各种夜间灯光数据与碳排放之间的密切相关性，但大多数研究集中在宏观层面的碳排放上。用于碳排放计算的基本数据大多是在国家、省级或区域级别收集的（Yang et al., 2022）。在微观层面的研究中，碳排放测量主要集中在个体建筑上。对于市级、县级甚至社区级等更详细的空间尺度，由于缺乏精确的能源消耗统计数据，相关研究存在许多限制（Zhang et al., 2023）。这使得很难对碳排放的关键影响因素提供全面深入的理解（Liu et al., 2020）。与传统的估算方法相比，传统方法对必要数据集的量和范围有较高的标准。夜间灯光卫星影像提供了一种便捷的方法来收集大范围的碳排放相关数据，这可能大大减少碳排放估算中的潜在障碍（Zhao et al., 2019）。为了验证基于夜间灯光的碳排放估算方法的适用性，并为制定相关碳政策提供参考，有必要进行比较研究，以测试不同夜间灯光数据源在不同空间尺度上的表现。
3.1 数据收集
3.1.1 研究区域
图1. 诺德布拉班特省主要城市的位置。
图2. (a)(b) CBS数据, (c) NPP/VIIRS夜间灯光数据, (d) Luojia1–01夜间灯光数据。
图3. 不同行政区划的数据映射。
3.1.2 数据来源
除了社会人口统计信息外，还需要广泛收集NTL数据，以便进行不同估算模型的比较分析。本案例研究中使用的NTL数据分别来自NPP/VIIRS和洛佳1号卫星影像。以下是这两种遥感数据源的描述：1) 来自NOAA（国家海洋和大气管理局）的NPP/VIIRS DNB无云夜间灯光合成影像，图像为每月合成，空间分辨率约为563.78米（图2c）。2)高分辨率的洛佳1号数据可从湖北数据与应用中心免费获得，图像自2018年6月以来每月收集，空间分辨率为117.62米（图2d）。本文中使用了2018年8月的诺德布拉班特省夜间灯光卫星影像。
3.1.3 数据预处理
其中Bij是行政区域i在行政级别 j的总建筑碳排放，Eij是行政区域iii 在行政级别 jjj 的年电力供应，Ef是电力的碳排放因子，Nij是行政区域i 在行政级别 j的年天然气消耗，Nf是天然气的碳排放因子。在2018年，荷兰使用的Ef 和 Nf的值分别为0.413和1.89（van der Burgt, 2019）。基于总碳排放值，可以使用方程（2）计算每个行政区域的碳强度。
其中bij是行政区域i在行政级别j的建筑碳强度，Aij是行政区域i在行政级别j的总面积。碳强度指标测量每单位人类活动的碳排放量，为评估能源使用效率提供了洞察。
由于数据传输和存储问题，下载的 Luojia-1 卫星图像并不是可以直接应用的灰度值，需要进行一些必要的转换以便进一步计算（Li, Li, Li, He & Jendryke, 2019b）。对Luojia-1 NTL 数据的建议预处理是计算辐射亮度，如方程（3）所示，展示了辐射校准后的 Luojia-1 夜间图像的辐射亮度。
在每个像素中，DN 是由数字值记录的灰度值，L 是经过辐射校准的辐射度，单位为 W/(m²⋅sr⋅μm)。在校正后，Luojia-1 NTL 数据可以用于与NPP-VIIRS 数据的比较研究，图像被投影并裁剪以适应研究区域。
对于NPP-VIIRS 卫星图像，由于已经进行了后处理，因此不需要额外的校准。然而，图像中未滤除极光、火灾、船只等干扰源，因此存在一些异常大的像素值，这可能会对进一步计算造成较大干扰（Levin et al., 2020b）。除了异常大的值之外，数据合成过程还会产生一些负值。为了从原始 NPP-VIIRS 数据集中去除这些异常大的值和负值，需要进一步的校正。校正过程通过设置阈值来进行。与之前的研究类似，最小阈值设置为 0，最大值设置为 350（Ge, Yang, Zhu, Ma & Yang, 2018）。通过最小和最大阈值，可以排除异常值，校正过程总结如下：
然后，将 NPP-VIIRS NTL 数据投影并裁剪以适应研究区域的边界。数据预处理完成后，可以进行不同空间分辨率的 NTL 数据之间的比较。
3.2. 回归分析的理论模型
在地理分析中，由于建立的回归模型中可能存在空间自相关，常规回归模型有时在地理空间数据上的表现不佳（Sun, Wang & Wang, 2020）。残差空间自相关的存在指的是残差中存在与数据点的空间位置相关的模式（Gaspard, Kim & Chun, 2019）。这表明所有观测值彼此独立的假设不成立，重要的空间变量可能被遗漏。这可能导致参数估计偏差和推断错误，使得模型无法充分解释解释变量对响应变量的贡献。与可能导致非随机分布残差的非空间回归模型相比，空间回归模型通过生成特定的加权矩阵（如逆距离或最近邻）来消除残差自相关的影响（Akamavi, Ibrahim & Swaray, 2022a）。一些应用可以展示空间自相关、空间平稳性和特征分布异质性对模型的空间效应，即空间滞后模型（SLM）、空间误差模型（SEM）和地理加权回归（GWR）。
SLM 模型假设解释变量与响应变量之间存在紧密关联。它认为某一地区的因变量直接受到其相邻地区的影响。该模型源自空间单元中因变量观测值与相应邻近单元之间的依赖关系，可以用公式 (5) 表示。SLM将变量之间的空间依赖性纳入函数中。
其中，yi是解释变量的值，xi是位置i的观察自变量矩阵，β是回归系数的向量，ρ是空间滞后参数，W是空间单元的加权矩阵，表示位置i的邻居以及自变量与解释变量的连接。ϵi 是位置i的随机误差。
空间误差模型（SEM）假设来自普通最小二乘（OLS）模型的残差存在空间依赖性。该模型源于空间单元的误差项及其对应邻近单元的空间依赖性，适用于因变量受到一些未在模型中包含的变量的影响，这些遗漏的变量在空间单元之间存在相关性。残差可以分解为空间成分误差项和随机误差项。
其中，ui和uj分别指位置i 和位置j的误差项，λ是空间成分误差的系数。
与空间误差模型（SEM）和空间滞后模型（SLM）不同，地理加权回归模型（GWR）依赖于关于局部变化参数估计的假设，以量化空间非平稳性和异质性（Fotheringham & Oshan, 2016）。如Eq. (7) 所示，通过提供空间变化的系数估计，通过位置特定的加权回归模型校准，可以充分探讨变量之间的空间异质性。
其中，βij是位置i的第 j个回归参数，Xij是位置i的第 j个解释变量的值。
在这项研究中，非空间回归模型和空间回归模型都被应用于拟合特定位置的夜间灯光（NTL）数据与建筑碳排放之间的关系。尽管一些先前的研究已经探讨了 NT 数据与能源消耗相关因素的拟合过程，但大多数研究是在省级和市级进行的。在许多情况下，所选择的回归模型被限制在特定类别中，很少有研究人员尝试全面探索 NTL 数据与建筑碳排放之间的拟合关系。为了建立一个能够准确预测建筑碳排放的可靠理论模型，必须确定在更广泛的范围内选择哪个拟合模型。此外，还需要在区级和社区级别分别应用不同的回归模型，以验证它们在更精细空间尺度上的性能。通过计算决定系数，即 R 平方值，可以进行分析，以确定在何种空间尺度上使用哪个模型。通过比较研究，可以充分说明使用 NTL 数据估算建筑碳排放的量化结构。本研究试图弥补由于回归模型选择不完整和混乱以及对不同空间尺度上使用 NTL 预测碳排放的比较研究分散的现有研究空白。
图 4. 诺德布拉班特省总碳排放量和碳强度分布。
4.1. 建筑碳排放和夜间灯光特征
4.1.1. 建筑碳排放的测量
4.1.2. 不同空间尺度的夜间灯光指标统计
图5. 不同空间尺度下夜间灯光（NTL）数据的区域统计结果。
4.1.3. 建筑碳排放与夜间灯光的关系
图6. 碳排放变量和夜间灯光（NTL）指数之间的共线性矩阵。
根据图6 中的皮尔逊检验结果，城市级的相关性分析显示，NPP/VIIRS 和Luojia1–01 卫星图像的 TNLI 与城市级的总碳排放量之间有很强的正相关关系，其系数值分别为 0.861 和0.941。NPP/VIIRS 和Luojia1–01 的ANLI 也与碳强度高度相关，其系数值分别为 0.853 和0.909。除了总碳排放量与 TNLI、碳强度和ANLI 之间的关系外，还发现 ANLI 与总碳排放量之间有较高的相关性（NPP/VIIRS为 0.746，Luojia1–01为 0.817），而TNLI 值与碳强度之间表现出中等强度的关系（NPP/VIIRS 为0.501，Luojia1–01为 0.647）。在区级层面，NPP/VIIRS和 Luojia1–01的 TNLI 与总碳排放量之间表现出中等的正相关关系（NPP/VIIRS为 0.599，Luojia1–01为 0.644），而ANLI 与碳强度之间呈现出中等偏强的关系（NPP/VIIRS 为0.573，Luojia1–01为 0.614）。NPP/VIIRS夜间灯光指数的系数值略低于 Luojia1–01的值。在社区级别，NPP/VIIRS 和Luojia1–01 卫星的ANLI 与碳强度之间的相关性较低，其系数值分别为 0.393 和0.389。对于这两颗卫星的 TNLI 值，它们仅与总碳排放量之间呈现出极弱的关系（NPP/VIIRS为 0.079，Luojia1–01为 0.150），因此该变量集可以从后续模型构建过程中排除。
4.2. 建筑碳排放估算模型比较
4.2.1. 非空间回归模型的拟合结果
表2 不同空间尺度下非空间回归模型的R平方值。
4.2.2. 空间回归模型的拟合结果
表3 依赖变量空间自相关的全球Moran’s I检验结果。
表4 不同空间尺度下空间回归模型的R平方值。
与非空间回归分析相同，五个变量集（城市级别的 TCE-TNLI、城市级别的CI-ANLI、区级别的 TCE-TNLI、区级别的 CI-ANLI、社区级别的CI-ANLI）均使用 SEM、SLM和 GWR 模型进行分析，以揭示建筑碳排放与夜间灯光在考虑空间自相关下的关系。三个空间回归模型的拟合结果的 R 平方值如表 4 所示。对于 SEM 和SLM，拟合性能通过伪 R 平方(Pseudo R-square) 来测量，这提供了全球空间回归模型之间的粗略比较。结果发现，在城市级别和区级别，来自 Luojia1–01夜间灯光数据的拟合伪 R 平方和R 平方值均高于来自 NPP/VIIRS 夜间灯光数据的值。对于Luojia1–01 数据源，GWR 模型的 R 平方值在城市级别的 TCE-TNLI 和CI-ANLI 分别达到了 0.921 和0.851。在区级别，两种数据源的不同空间回归模型的拟合结果大致在同一范围内。基于 TCE-TNLI 建立的GWR 模型表现最好，NPP/VIIRS 和Luojia1–01 的R 平方值分别为 0.691 和0.686。对于社区级别的 NPP/VIIRS 和Luojia1–01 数据，SEM和 SLM 模型的拟合伪 R 平方值均在 0.4 左右，而 GWR 模型的拟合 R 平方值则在 0.3 左右。与空间回归模型的分析结果类似，当空间尺度变得更细时，两种不同数据源计算出的伪 R 平方值和 R 平方值之间的差距变得较小。
通过GWR 模型计算得到的空间变化局部 R 平方值如图7 所示。这些图表共同展示了碳排放与夜间灯光之间关系的空间分布情况。在城市级别，TCE-TNLI 的拟合性能，在 NPP/VIIRS 数据中，碳排放与夜间灯光的最高关联性出现在Eindhoven 和周边的北部和西部地区。具有较高局部 R 平方值的主要城市包括 Eindhoven (0.976)、‘s-Hertogenbosch (0.968)、Oss (0.963)、Helmond (0.945) 和 Tilburg (0.930)。局部R 平方值较低的区域主要集中在 Breda 西部，局部R 平方值最低的城市是 Bergen op Zoom (0.563)。Luojia1–01的 TCE-TNLI 局部R 平方值与 NPP/VIIRS 的分布相似，具有高局部R 平方值的城市包括 Eindhoven (0.986)、Helmond (0.974)、Tilburg (0.963) 和‘s-Hertogenbosch (0.925)，局部R 平方值最低的城市仍为 Bergen op Zoom (0.765)。
对于NPP/VIIRS 的 CI-ANLI，高局部 R 平方值的城市包括 Oss (0.869)、‘s-Hertogenbosch (0.862)、Eindhoven (0.862)、Helmond (0.852) 和 Tilburg (0.831)，局部R 平方值较低的城市是 Bergen op Zoom (0.674) 和Roosendaal (0.688)。Luojia1–01的 CI-ANLI 也呈现出类似的分布，高局部R 平方值的城市包括 Eindhoven (0.876)、Helmond (0.875)、Oss (0.864)、‘s-Hertogenbosch (0.859) 和 Tilburg (0.851)，局部R 平方值最低的城市也是 Bergen op Zoom (0.777)。
在区级别，TCE-TNLI 的拟合性能较高的区域集中在‘s-Hertogenbosch 和Breda 附近。在 Breda，NPP/VIIRS数据计算的局部 R 平方值范围为0.559 至 0.855，Luojia1–01的局部 R 平方值范围为 0.585 至0.816。对于区级别的 CI-ANLI，高拟合性能区域主要位于‘s-Hertogenbosch、Eindhoven和 Bergen op Zoom。在 ‘s-Hertogenbosch，NPP/VIIRS数据源的局部 R 平方值范围为0.515 至 0.678，Luojia1–01的局部 R 平方值范围为 0.434 至0.630。社区级别，CI-ANLI 的高关联值主要出现在Bergen op Zoom、Roosendaal 和Oss 附近。在 Oss，NPP/VIIRS 的局部R 平方值范围为 0.130 至0.466，而使用 Luojia1–01数据时范围降至 0.055 至0.285。在西部地区如 Bergen op Zoom，局部R 平方值范围相对较小，为 0.361-0.384（NPP/VIIRS）和0.164-0.196（Luojia1–01）。
5.1. 不同回归模型在多个空间尺度下的表现
在所有非空间回归模型和空间回归模型中，GWR模型在所有空间尺度下对NPP/VIIRS和Luojia1–01图像的拟合性能都有所提高。为了充分展示不同GWR模型在多个空间尺度下的详细特征，表5中展示了GWR模型的关键指标的总体解释统计。这些指标包括局部R平方的范围和标准差（SD），代表了不同区域之间的相关性分布，模型的简洁性通过AICc来衡量（Pratt & Chang, 2012）（Z. Zhao, Gao, Wang, Liu & Li, 2015）。这些指标提供了比预测能力更多的信息，可以用于进一步筛选最适合的应用模型。在相同空间尺度下，CI-ANLI的拟合结果通常具有较少的空间离散性和较高的简洁性。CI-ANLI模型在区级和邻里级表现出较大的鲁棒性，但其预测能力不足以支持建筑碳排放的估计。尽管基于TCE-TNLI的GWR模型在区级的建筑碳排放估计中表现出良好的预测能力，但高AICc值表明存在过拟合的潜在风险（Gomes Pereira, Andolfatto & Avellan, 2018）。对于所有GWR模型，只有城市级的CI-ANLI在预测能力和鲁棒性之间保持了很好的平衡。在更高分辨率数据的支持下，GWR模型的整体表现可以进一步提高。
5.2. 低碳城市规划中模型实验的前景
在之前关于NTL图像在城市研究中的应用的研究中，研究者注意到NTL像素不仅包括建筑照明，还包括其他基础设施如街灯和消防灯的照明（C. Wang et al., 2019）。这些来自非建筑区域的灯光对每个像素的估计性能有很大影响。由于本研究排除了城市基础设施和工业过程产生的碳排放，这些超出范围的碳排放源产生的照明在较细空间尺度上的回归模型中会造成误差，尤其是在邻里级别。对于微观尺度研究，空间分辨率的提高不能消除干扰，反而可能放大这些噪声的影响，因为每个像素中的详细空间信息被揭示（Ye et al., 2021）。这解释了基于Luojia1–01的回归模型在邻里级别表现不佳的原因，因为未考虑非建筑区域照明对拟合过程的干扰。随着空间尺度缩放到城市级和区级，这些超出范围的干扰影响将大大减少。比较不同数据源（NPP/VIIRS和Luojia1–01）的拟合结果，较高分辨率数据将大大提高整体模型性能。考虑到大多数时间序列中缺乏高分辨率NTL图像的数据，可以使用图像增强方法，如超分辨率算法，从低分辨率图像中重建高分辨率图像（Wang, Bayram & Sertel, 2022）。
建筑碳排放的估计在制定低碳城市规划过程中发挥着重要作用。由于许多发展中国家缺乏现场调查数据，收集建筑能耗数据一直是细尺度城市研究中的一项难题（B. Ye et al., 2021）。本研究的比较结果展示了开放遥感数据在获取建筑碳排放信息方面的理想应用范围。作为建立城市碳清单的高效方法之一，不同回归组合之间的分析为实践中选择合适的模型和空间尺度提供了关键参考。通过系统地比较研究结果，NTL图像在估计建筑碳排放中的使用可以进一步规范化，为实际指导低碳城市规划提供了更全面和精确的视角。
-----------关注公众号----------
