利用夜间灯光和深度学习构建1992-2021年全球次国家级尺度年度经济数据

一、数据介绍

https://mp.weixin.qq.com/s/bkSybhYmqDNcWsL5JRYpUw

人均国内生产总值（GDP）是最广泛使用的社会经济指标之一，也是气候变化影响分析的核心要素。然而，国家尺度的评估可能因掩盖国内区域差异而产生显著偏差，而缺乏完善的次国家尺度GDP数据是主要障碍。鉴于夜间灯光与GDP间存在密切关联，我们提出了一种两步创新框架以解决该问题：首先，在空间统计建模框架指导下，融合深度学习与机器学习技术，构建了针对不一致的DMSP-OLS与NPP-VIIRS两套夜间灯光数据集的空间映射模型。模型精度（相关系数）达0.945至0.980，通过集成两种技术的估算结果，成功将DMSP数据时间序列延展至2021年。随后，我们基于多层感知器（MLP）的建模策略，在次国家级尺度上解析夜间灯光与人均GDP之间的复杂非线性关系，并明确捕捉区域异质性效应。经训练的模型在训练集、验证集和测试集上的平均精度（相关系数）分别高达0.967、0.959和0.959。最后，我们对生成的GDP数据集进行了全球、国家和次国家等多尺度、多维度的评估，结果有力验证了数据的可靠性。

数据质量：

通过跨传感器校正模型（精度0.945-0.980）实现了长时间序列夜间灯光数据的一致性；2）基于多层感知器开发的次国家级GDP估算模型在训练、验证和测试集上分别达到0.967、0.959和0.959的高精度。

时间范围：1992-2021

二、数据信息：

三、数据说明：

Global_sub-national_GDP-pc_with_input_output.csv

：包含用于估算全球次国家级人均GDP的多层感知器模型输入数据、输出结果及预测值

Global_Administrative_Units.zip

：全球次国家级行政单元数据集

Nightime_lights_data_preprocessing_v2.ipynb

：Python代码文件，包含对DMSP-OLS与NPP-VIIRS两类夜间灯光数据的预处理与校准程序

Light_GDP_Models_MLP_LGBM_V2.ipynb

：集成两类夜间灯光数据并估算人均GDP的模型代码（含多层感知器与LightGBM算法）

Paper_figures_v2.ipynb

：论文图表生成的Python代码文件

Supplementary Figures and Tables.docx

：补充材料文件（含附图附表）

Modeldata_Extreme_Heat_On_Economic_Growth.csv

：评估极端高温对经济增长影响的面板数据集

heatwavesMeth_Extreme_Heat_On_Economic_Growth.Rmd

：评估极端高温对经济增长影响的R语言分析代码