ABSTRACT The satellite-based nighttime lights (NTL) data from the Defense Meteorological Satellite Program’s Operational Linescan System (DMSP-OLS), available in the public domain from 1992 to 2013, are extensively used for socio-economic studies. The improved NTL products from the Visible Infrared Imaging Radiometer Suite’s Day/Night Band (VIIRS-DNB), on-board the Suomi National Polar-Orbiting Partnership spacecraft and National Oceanic and Atmospheric Administration – 20 (NOAA-20) spacecraft’s, are now available since April 2012. This study investigates the potential of machine-learning algorithms for inter-calibrating them (i.e., DMSP-OLS and VIIRS-DNB) to produce time-series annual VIIRS-DNB-like NTL datasets for the time when VIIRS-DNB data did not exist, for long-term studies. Uttar Pradesh, one of the most populous and largest States of India, is selected as the study area. Two machine-learning algorithms are utilized: (1) Multi-Layer Perceptron (MLP), having deep neural networks (DNN) architecture, and (2) Random Forest (RF), a widely used method. The DMSP-OLS and VIIRS-DNB data of 2013 (common year of data availability) and ancillary data pertaining to land cover, topography, and road network are used to train the models. The qualitative and quantitative analysis of annual VIIRS-DNB-like NTL images simulated from annual DMSP-OLS composites of 2004–2012 indicates that RF captures better spatial details at the local-scale and is able to efficiently handle the saturation problem at urban centers; while MLP is found to be superior at regional-scale. Both MLP and RF models significantly reduce the blooming effect around settlements, a common problem observed in DMSP-OLS data. It is inferred that depending on the research objectives, both RF and MLP algorithms can be appropriately utilized for producing VIIRS-DNB-like NTL images from DMSP-OLS annual NTL composites. The research can be further expanded by using other DNN architecture-based algorithms and improved spatio-temporal ancillary datasets over areas with different socio-economic, physiographic, and climatic settings.

中文翻译：

---

使用机器学习对 DMSP-OLS 和 SNPP-VIIRS-DNB 年度夜间光复合材料进行相互校准

摘要 来自国防气象卫星计划的业务线扫描系统 (DMSP-OLS) 的基于卫星的夜间灯光 (NTL) 数据从 1992 年到 2013 年在公共领域提供，广泛用于社会经济研究。来自可见红外成像辐射计套件的日/夜波段 (VIIRS-DNB)、Suomi 国家极地轨道伙伴关系航天器和国家海洋和大气管理局 – 20 (NOAA-20) 航天器上的改进型 NTL 产品现已上市自 2012 年 4 月以来。本研究调查了机器学习算法对它们（即 DMSP-OLS 和 VIIRS-DNB）进行相互校准的潜力，以生成时间序列年度 VIIRS-DNB 类 NTL 数据集，当 VIIRS-DNB数据不存在，用于长期研究。北方邦，印度人口最多、面积最大的邦之一，被选为研究区。使用了两种机器学习算法：(1) 多层感知器 (MLP)，具有深度神经网络 (DNN) 架构，以及 (2) 随机森林 (RF)，一种广泛使用的方法。2013 年（数据可用年份）的 DMSP-OLS 和 VIIRS-DNB 数据以及与土地覆盖、地形和道路网络有关的辅助数据用于训练模型。从 2004-2012 年年度 DMSP-OLS 复合材料模拟的年度 VIIRS-DNB 类 NTL 图像的定性和定量分析表明，RF 在局部尺度上捕获了更好的空间细节，并且能够有效地处理城市中心的饱和问题；而 MLP 被发现在区域范围内更胜一筹。MLP 和 RF 模型都显着降低了定居点周围的盛开效应，在 DMSP-OLS 数据中观察到的一个常见问题。据推断，根据研究目标，RF 和 MLP 算法都可以适当地用于从 DMSP-OLS 年度 NTL 复合材料中生成类似 VIIRS-DNB 的 NTL 图像。通过使用其他基于 DNN 架构的算法和改进的时空辅助数据集，可以在具有不同社会经济、自然地理和气候环境的地区进一步扩展该研究。